京公网安备 11010802034615号
经营许可证编号:京B2-20210330
文科生决心做数据分析师是不是疯了?
背景:
传媒类专业毕业,一直做视频剪辑、编辑方面的工作。没什么编码基础,只在大学时期考过VB。偶然得到一份数据分析师的工作,便决心从零做起。
疑惑:
工作近一年,一直在做数据整理方面工作,感觉没什么分析提炼的能力提升。自学了一点SQL查询语句,统计学与概率教程看不懂理论与具体工作有什么关系。想问我这种情况该从哪方面着手自我修炼呢?

回答:
完全有可能。
题主知不知道有个专业叫心理学,这是一个理科专业,但是是文理兼招的。心理学专业要学很多数据分析,很多文科生也学的很好。
首先破除一个误解,数据分析师最主要的能力不是计算机技术,而是数据统计分析能力。其实小公司里面的数据分析师能力要求并不高,周围的数据分析师很少有高级到懂机器学习的。大家说的懂Java什么的我觉得是数据挖掘工程师了。数据分析和数据挖掘需要掌握的技能有什么区别? – 纪路的回答须知数据分析师到数据挖掘工程师之间还差了100个程序员。下面贴出阿里的“数据分析师职位技能树分析,进阿里什么难度大家懂,所以应聘小公司“数据分析师岗位的话技能要求可适当放低。””校园招聘时一位应聘“数据分析师”职位的学生应该具备哪些技能? – 知乎用户的回答
如果你要入坑数据分析师,我建议你从四方面入门: (根据阿里数据分析师试卷)
1.统计学
2.SQL
3.spss
4.R语言
统计学绝对是数据分析师的核心竞争力,是你技能树的骨干,你要知道过去数据分析也是直接靠人工计算的。但是现在数据量级越来越大,靠手算已经不能解决问题了。所以我们需要一些工具来帮助我们处理数据。比如spss就是一个专门为数据分析开发出来的成品软件,已经非常成熟了。你可能听别人说数据分析师要会spss和SAS,其实呢,他们就相当于PPT和Keynote的关系。工具嘛,会一门就行。对于你这种还没入门的,spss比SAS简单,你可以就学spss不学SAS。那SQL是干什么的呢,它是数据库语言,也就是说数据太多了你要建个仓库把它们分门别类的放好,方便查找。R语言呢,是专门用来统计和制图的一门编程语言,也是数据分析的利器。但是呢,其实spss已经有很多功能了,所以R语言并非必要,只能说是个加分项。
所以只要你统计学的好,spss和SQL也会了,基本上就差不多了。
至于学习难度呢,统计学选外国的教程看起来思路就明晰很多。SQL选对了书一点也不难,spss比SAS简单好多,就是一个直接点的软件,R语言跟你想的不一样,它也跟一般的编程语言不同。不需要多少编程基础,非常适合作为文科生的你。
话不多说,直接推荐入门书籍:
1.统计学:国外的统计学书籍你自己找找,看书做练习题。
2.SQL:《head first SQL》强推,超级简单
3.spss……这个都可以,在网上找找课件
4.R语言:可以从code school上R的入门教程学起,书的话《实战R语言》《R for beginners》《R语言核心技术手册》 入门之后再多分析case,多运用。
还有这个答案,很值得参考如何快速成为数据分析师? – 卡牌大师的回答
但是入门之后,往深里学的话还是要弥补一下自己的数学方面的短板,高数、现代、离散数学(计算机数学)和数据结构(计算机数学)等。尤其离散数字。前期你也许感受不到这个的重要性。可是后期你会越来越感受到。比如你学R语言的xx包,那个包有个论文,然后你看论文发现里面讲了有向图,你就会想这个有向图是个什么鬼。然后你学了离散数学就知道了。数据分析师总之是一个数学和计算机交汇处的职业,所以计算机方面比如网页分析等等也需要涉及一些。这些也并没有你想象的难。我们科班出身的也就是一门学了一学期而已。
然后关于如何入门数据分析师和数据分析师的要求,推荐你翻一翻上关于数据分析师的答案。多看看,然后制定自己的学习计划。关于数据分析、挖掘和R语言的公众号和资源。还有一些博客、统计之都等等可以去看看。
最后,要对自己有信心,有一个idea就去实现它。这是完全可能的。多看书,多刷题,刷到一定数量开始尝试解决实际问题。我有个文科同学就做了一个学期习题期末统计得了我们班最高分 99。现在统计很厉害。
但是我觉得你更应该考虑的是你的职业规划,你学数据分析到底是准备现在就靠这个找工作呢还是把它当做未来的跳板?如果在小公司,数据分析师技能要求并不高,你也许学个几个月就可以去了。可是与之对应,工资也并不高。你不一定愿意。如果去大公司呢,技能要求高,那需要一定的时间。
总之,相信自己,文理科本来就是一个人为的划分而已,大家的脑结构并无显著差异。加油
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27