作为一个数据分析应该如何培养自己的职业技能，在职场快速成长？
笔者作为一个有幸在数据分析与建模领域摸索过的数据从业者，有一些总结与思考。成为优秀数据分析师的道路千万条，其中比较扎实的一条便是从最底层的数据开始做起，积累对数据的认识，了解整个数据生命周期的全貌以及数据生态链都有哪些环节。当理解了数据是如何产生、存储、使用和销毁的，就会知道为什么公司的数据会有一定的存储周期，为什么有价值、高质量的数据会这么稀缺，为什么数据处理环节如此耗时却又至关重要等等。
而这些，恰恰是一名优秀的数据分析师需要懂得的。以下就抛砖引玉，简单分享一下我所理解的数据分析师成长之路和必备知识技能。先上一份数据分析师成长的路线图，看看在不同阶段的数据分析师都应做到什么。那么从数据分析的菜鸟，一路升级到优秀的数据分析师，需要哪些知识和技能呢？知业务数据分析不是无源之水，具体的业务场景才是数据分析的初始目标和最终归宿。
要做到从业务中来，到业务中去，就要求数据分析师熟悉行业知识、公司业务及流程。比如做一个信贷相关的数据分析项目，如果对相关信贷产品的设计，贷款的申报、审批、发放、风控等业务流程，以及流程内诸如客户经理、审批人员、放款人员、贷后监督人员的职责分工和工作内容有一定的了解，便可以从庞杂的业务信息流中有的放矢地选取分析目标和有用数据，产出真正业务人员用得上、用得好的数据分析模型、策略和产品。
会分析需要掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。在知识库中提前储备一些如对比分析法、交叉分析法、综合评价分析法等基本的分析方法，以及回归分析法、聚类分析法、其他机器学习与人工智能算法等高级的分析方法，做到心中有数，随时可用。而想要在数据分析之路上走得更远，成为专家乃至数据科学家，对各类方法的理解不仅要知其然，更要知其所以然。
比如，构建评分卡常用到的逻辑回归模型，可以了解它的基本假设、损失函数、优化方法是什么，如何处理数据才能提高该类模型的稳定性和准确率，与其他可替代方法相比的优缺点等。用工具数据分析方法是理论基础，数据分析工具就是实现数据分析方法理论的抓手。面对越来越庞大的数据，仅仅依靠Excel等基础工具已无法满足需求，掌握更强大、专业的数据分析工具或编程语言（如BI、SQL、SAS、Python等）以及常用的数据分析库（如Python中的Pandas和Scikit_learn等），辅助完成数据分析工作，可以达到事半功倍的效果。
擅表达虽然常常被忽略，但这可能是最为关键的一部分。一方面，多数分析成效不佳的问题都和前期同业务与开发人员沟通不足、理解不够有关。和相关业务人员、开发人员的沟通涉及业务术语与技术术语的翻译与转化，不同角色间思维方式和表达习惯的差异对数据分析师的沟通表达能力提出了很高的要求。另一方面，撰写分析报告，将数据分析的结果和得出的观点借助文字、图表甚至影像简明而高效地传递给目标受众（经理、客户等），也是优秀数据分析师的必备能力。
懂管理从一个数据分析项目的规划和启动，到中间的执行和监控，直至项目的报告和收尾，每一个环节都需要一定的管理协调能力。比如，在项目规划启动阶段，需要协调业务人员对需求进行分析，对现状进行评估，也需要组织分析人员对项目进行可行性分析，形成计划书，还需要协调开发人员进行数据完备性调研。在合适的时间、以恰当的方式将有限的资源调配到各项工作上，持续推进项目直至按时保质保量完成，无不考验着管理能力。
知业务、会分析、用工具、擅表达、懂管理，这些技能的磨练难以一蹴而就，最为直接的途径就是多参与项目，可以是手头正在参与的各种数据分析类工作，可以是Kaggle竞赛上的项目，甚至可以“无中生有”，就一些日常工作生活中的小事做一点探索，比如研究一下车牌拍卖数据来做一个竞拍策略，或利用Excel的宏模块做一些数据的自动化可视化展示。
