¿Cuáles son los principales trabajos de un analista de datos? ¿Cuáles son las perspectivas de desarrollo? ¿Qué conocimientos relevantes se necesitan?
1. La importancia de formar analistas de datos
(A) La formación de analistas de datos está en línea con las estrategias nacionales
Para adaptarse al proceso de la integración económica mundial, cambios completos Debido a la escasez de personal profesional y técnico para el "análisis de datos de proyectos" en mi país, en abril de 2005 se estableció en Shaanxi la primera oficina nacional de análisis de datos. Actualmente, existen alrededor de 80 instituciones profesionales para el análisis de datos de proyectos en 14 provincias, municipios y regiones autónomas, incluidas Beijing, Shaanxi, Jiangsu, Xinjiang, Gansu, Shandong, Zhejiang, Shanghai y Heilongjiang. Con el advenimiento de la era de los big data, la construcción de plataformas de investigación de big data, la integración de recursos innovadores y la implementación de "planes especiales" se han convertido en una de las prioridades de varias provincias y ciudades.
(2) Los analistas de datos tienen brillantes perspectivas de empleo.
Hoy, como el "Año de los datos", los analistas de datos son reconocidos internacionalmente por su generosa remuneración y su respetado estatus, y han sido aclamados como "las cinco industrias emergentes más importantes del siglo XXI" por la revista Time. . Hoy en día, la cantidad de talentos profesionales en la industria nacional de análisis de datos está creciendo a un ritmo rápido de más de mil dígitos cada año. Durante el mismo período, hubo casi 200.000 puestos vacantes en diversas industrias, y la demanda de analistas de datos en China crecerá explosivamente en el futuro.
En términos de capacitación de analistas de datos, los países extranjeros han considerado a los analistas de datos como una estrategia nacional. Según las estadísticas, más de 90 de las 500 empresas más importantes del mundo han establecido departamentos de análisis de datos. La enorme demanda de analistas de datos en la era del big data también ha estimulado enormemente el entusiasmo de las universidades.
En segundo lugar, cultivar la calidad profesional de los analistas de datos
A través de la recopilación y el análisis en profundidad de información de contratación para analistas de datos, analistas de investigación de mercado y otros puestos en los principales sitios web de contratación, el sociedad Los requisitos específicos de los empleadores en cuanto a conocimientos, habilidades y cualidades morales de los analistas de datos son los siguientes:
(1) Connotación profesional de los analistas de datos
Los analistas de datos se refieren a aquellos que especializarse en diferentes industrias Profesionales que recopilan, organizan y analizan datos, y realizan investigaciones, evaluaciones y predicciones industriales o de mercado basadas en los datos profesionales que analizan, predicen y transforman en información para la toma de decisiones basada en datos reales, estado del proyecto y largo plazo; término personal de datos estadísticos. Los analistas de datos pueden utilizar una gran cantidad de datos industriales y herramientas informáticas científicas, combinados con principios económicos y modelos matemáticos, para realizar análisis cuantitativos científicos y razonables. Los analistas de datos pueden predecir los beneficios y riesgos futuros de una empresa y proporcionar una base de análisis científico y cuantitativo para la toma de decisiones de gestión empresarial.
Actualmente existen dos certificaciones principales para analistas de datos: una es Certified Data Analyst (CDA), que es un programa profesional iniciado por la Certified Data Analyst Association de CDA bajo la tendencia del big data y la computación en la nube. Abreviatura; 2. Project Data Analyst (CPDA) está certificado por el Comité Profesional de Análisis de Datos de la Cámara de Comercio de China y el Centro de Exámenes de Educación del Ministerio de Industria y Tecnología de la Información. El certificado es una de las condiciones necesarias para solicitar el establecimiento de una empresa de análisis de datos de proyectos.
(2) Requisitos de conocimiento para analistas de datos
Dominar métodos de modelado estadístico, como análisis estadístico multivariado, análisis de regresión aplicado, análisis de series temporales, econometría e investigación de pronóstico económico, y comprender nuevos progresar en los métodos estadísticos en esta industria; dominar los métodos de clasificación, consulta y extracción de datos en bases de datos SQL/Oracle; ser competente en el uso de software estadístico relevante e interpretar con precisión los resultados de la operación del software; comprender el conocimiento comercial y la estructura de datos de las industrias relacionadas;
(3) Requisitos de capacidad para los analistas de datos
Sensible a la información y los datos, sólidas habilidades de redacción, capaces de redactar informes de investigación de forma independiente y competentes en el uso de SPSS/SAS/Eviews y otras estadísticas; software de análisis, tener capacidades integrales en análisis de datos o minería de datos; dominar la arquitectura de bases de datos y la arquitectura de datos, tener las habilidades y el conocimiento para usar declaraciones de consulta en Excel/SQL o Access, y tener buenas capacidades de procesamiento de datos y creación de modelos estadísticos.
(D) Responsabilidades laborales del analista de datos
Responsable de la investigación, recopilación, organización, análisis y publicación de información y datos relacionados con la industria y la empresa, participar en encuestas e investigaciones especiales; y proyectos de consulta, escribir artículos de análisis de la industria e informes de investigación, profundizar en big data, construir modelos relevantes para análisis predictivos, encontrar relaciones relevantes, revelar patrones inherentes y proporcionar una base para la toma de decisiones corporativas y de la industria.
En tercer lugar, el plan de formación de analistas de datos
El plan de formación es una expresión concentrada de la filosofía de la educación superior. Para resaltar las características de capacitación del análisis de datos, la especialización en estadística debe, en última instancia, formular un sistema curricular que cumpla con los requisitos de capacitación de los analistas de datos basado en un análisis en profundidad de las necesidades profesionales del análisis de datos.
(1) Objetivos de formación
Para permitir que los estudiantes se conviertan en profesionales en el campo del análisis de datos en diversas industrias después de graduarse, los objetivos de formación de la especialización en estadística en la educación de pregrado han Se ha determinado: en primer lugar, tener una buena alfabetización básica en economía, gestión y gestión financiera; en segundo lugar, comprender los conocimientos relevantes de la industria y los procesos comerciales de la empresa; en tercer lugar, dominar las teorías y métodos básicos de la estadística y ser competente en el uso de software de análisis estadístico como SPSS; /SAS para análisis de datos o capacidad integral de minería de datos; cuarto, dominar la arquitectura de bases de datos y la arquitectura de datos, tener las habilidades y conocimientos para usar declaraciones de consulta en Excel/SQL o Access, y tener buenas capacidades de procesamiento de datos y modelado estadístico; Tener buenas habilidades de redacción y ser capaz de escribir análisis de datos e informes de investigación de forma independiente.
(2) Principios para establecer un sistema curricular
En la etapa de educación universitaria, el plan de estudios para la formación de analistas de datos debe implementar el principio de "tres combinaciones".
1. Integración multidisciplinar. El análisis de datos es la aplicación integral de multidisciplinas y multiprofesionales en la toma de decisiones corporativas. Para ser un buen analista de datos, es necesario dominar múltiples disciplinas. Debe estar familiarizado o comprender conocimientos relevantes en matemáticas, estadística, economía, finanzas, gestión, marketing y otras disciplinas.
2. Combinar la investigación teórica con la aplicación práctica. Los colegios y universidades generalmente tienen bases de práctica docente y de pasantías relativamente maduras. Después del estudio teórico, los estudiantes pueden ir a empresas e instituciones o industrias financieras, de seguros y otras industrias para realizar prácticas específicas para comprender el conocimiento empresarial y la estructura de datos de las industrias relevantes, utilizar el conocimiento que han aprendido para realizar análisis de datos y completar el análisis de datos de forma independiente o cooperativamente y los informes de investigación.
3. Integrar la educación vocacional con la educación de calificación técnica. A través del estudio, los estudiantes pueden obtener una licenciatura en estadística o una licenciatura en economía; al tomar el examen de calificación técnica social, los estudiantes pueden obtener certificados de calificación técnica profesional como análisis de datos, estadístico y analista de encuestas. La combinación de ambos es más propicia para que los estudiantes pasen de un campus cerrado a una sociedad abierta, desarrollen sus habilidades y se integren y se adapten mejor a la sociedad.
(3) Marco básico del sistema curricular
En todo el proceso de enseñanza, cada semestre se puede dividir en dos semestres cortos: largo y corto. Establecer algunos enlaces de enseñanza práctica concentrada a corto plazo relacionados con el empleo y con el fin de capacitar habilidades durante el semestre corto, principalmente cursos de capacitación en el trabajo. Los cursos de larga duración se dividen en cuatro series: cursos básicos, cursos de orientación, cursos prácticos integrales y cursos de desarrollo profesional. Al integrar conocimientos relevantes, optimizar la estructura del curso, fortalecer las habilidades prácticas y resaltar la capacitación en habilidades laborales, el sistema curricular se construye para lograr el propósito de cultivar las habilidades básicas y la alfabetización de los analistas de datos de los estudiantes.
Cuarto, estrategias en el proceso de formación de analistas de datos
(1) Estrategia de integración de contenidos de enseñanza
Bajo la construcción general del sistema curricular y el plan de estudios, en De acuerdo con la idea de modularización del currículo, se reorganiza el contenido de enseñanza, el progreso y la profundidad de la enseñanza, se eliminan contenidos antiguos y repetitivos, se fortalece la combinación de teoría y práctica y se agrega contenido para cultivar habilidades de aplicación integral para lograr la integración. y optimización de los contenidos didácticos. Por ejemplo, si el contenido del análisis de regresión aplicado y la econometría se superponen, entonces el análisis de regresión aplicado se puede fusionar con la econometría. Para poner otro ejemplo, algunos cursos como estadística descriptiva, estadística matemática, econometría y predicción estadística y toma de decisiones son repetitivos. Es necesario integrar los contenidos didácticos correspondientes y reformular los documentos didácticos a partir de una revisión cuidadosa de los conocimientos.
(2) Estrategias para organizar sesiones experimentales
Encontrar el punto de conexión entre el conocimiento profesional y los problemas prácticos, realizar análisis e investigaciones sobre temas candentes y difíciles de actualidad, enriquecer y enriquecer la enseñanza práctica. contenido y escribir instrucciones de experimento relevantes y materiales de entrenamiento con antecedentes de aplicación y efectos de entrenamiento práctico que aclaren los vínculos, objetivos y requisitos específicos del experimento. Cada proyecto experimental debe incluir la naturaleza experimental, el propósito experimental, los requisitos experimentales, el contenido experimental, los pasos experimentales y el análisis de resultados. El contenido experimental de todos los cursos es de menos profundo a más profundo, paso a paso, y la enseñanza práctica está estandarizada.
(3) Estrategia de organización de la enseñanza del software
Para permitir que los estudiantes dominen completamente el software estadístico relevante y sean competentes en el uso del software apropiado para la recopilación y el análisis de datos, la enseñanza del software estadístico se divide en tres Hay tres niveles: el primero es configurar cursos de bases de datos de SPSS y SQL Server respectivamente, el segundo es configurar Lingo, Eviews, SAS y otros experimentos de software en el aula; Cursos de software a largo plazo como Latex y R para brindar una capacitación integral y realizar la enseñanza de software en capas.
(4) Estrategias prácticas de operación del curso
Para fortalecer la capacidad práctica de los estudiantes y la competitividad laboral, la etiqueta en el lugar de trabajo y la práctica de comunicación, la producción de PPT, los modelos estadísticos y los métodos de encuestas estadísticas se lanzará en un corto período de tiempo y capacitación práctica, capacitación en ofimática y otros proyectos, la capacitación integral cada semestre incluye proyectos como procesos estadísticos y redacción analítica, software de práctica contable, casos de análisis estadístico, etc., para lograr una profesionalización integral; práctica.
(5) Ampliar las estrategias de diseño curricular
Contratar a estadísticos, analistas de encuestas y empresarios con amplia experiencia práctica como profesores a tiempo parcial o tutores fuera del campus para fortalecer la práctica fuera del campus; El segundo aula combina la enseñanza profesional para llevar a cabo una variedad de actividades extracurriculares al mismo tiempo, utilizamos el Concurso de modelos estadísticos para estudiantes universitarios, el Concurso de análisis de encuestas de mercado para estudiantes universitarios y el Concurso de modelos matemáticos para estudiantes universitarios para entrenar las habilidades integrales de los estudiantes y lograr; desarrollo profesional diversificado.
Verbo (abreviatura de verbo) Garantías para la formación de analistas de datos
(1) Integrar diversos recursos educativos para mejorar la eficiencia de la enseñanza.
Sin garantía de fondos, la formación de analistas de datos sólo puede realizarse en papel. Por lo tanto, las escuelas y colegios secundarios deben establecer y aumentar la inversión financiera y brindar un fuerte apoyo tanto en aspectos de software como de hardware para garantizar la implementación de los fondos. Utilice los recursos existentes de la escuela para construir laboratorios abiertos y bases de práctica para crear un buen entorno para la capacitación de analistas de datos.
La formación de analistas de datos debe implementar la integración de la industria y la academia, adherirse a escuelas abiertas y capacitación conjunta con empresas. Establecer un nuevo mecanismo para que las universidades y las empresas industriales cultiven talentos conjuntamente y cambiar la desconexión actual entre la formación de talentos en las universidades y las necesidades de las empresas industriales. Aprovechar los recursos sociales para establecer bases prácticas y experimentales a través de la gestión y co-construcción escolar conjunta.
(2) Establecer un sistema de tutoría y fortalecer el papel rector de los docentes.
Para mejorar el nivel de análisis de datos de los estudiantes, las universidades de secundaria deben implementar un sistema de tutoría de pregrado después de ingresar al segundo año; en el tercer año, los estudiantes de pregrado que ya tienen ciertas capacidades de investigación científica pueden participar en Varios. competencias profesionales y actividades prácticas innovadoras relacionadas con el análisis de datos, experiencia personal de todo el proceso de las actividades de análisis de datos y mejora de las habilidades básicas y la conciencia innovadora del análisis de datos, capacitación práctica integral completa en el campus y pasantías de graduación fuera del campus con el pleno; participación y orientación de instructores y redacción de tesis de graduación de último año, de modo que todo el proceso de formación pueda ser monitoreado efectivamente para garantizar la calidad de la enseñanza.
(3) Aprovechar al máximo las organizaciones de masas en todos los niveles para llevar a cabo actividades de segunda clase.
La segunda aula es una extensión y complemento de la docencia presencial. En el marco de la planificación y el despliegue de organizaciones de masas en todos los niveles, es necesario aumentar la inversión en mano de obra y recursos materiales, llevar a cabo una consideración y diseño sistemáticos e integrales de la segunda y la primera aula, implementar una gestión estandarizada y operaciones organizadas, formular una serie de planes de actividades y mediante planes actualizados. Hay muchas formas y medios de capacitar a analistas de datos.
(4) Reformar el mecanismo de evaluación para estimular el interés de los estudiantes por aprender.
La evaluación es el bastón de mando de profesores y estudiantes. Bajo la guía del sistema de evaluación actual, la mayoría de estudiantes y profesores siempre buscarán "buenos resultados". Para formar futuros analistas de datos, debemos mejorar la iniciativa de aprendizaje de los estudiantes y mejorar sus habilidades prácticas.
El fortalecimiento del cultivo de las capacidades de los estudiantes a través de diversas actividades y canales debe medirse mediante un sistema de evaluación científica. Para ello, se ha establecido un sistema de evaluación del proceso "N 2" para rastrear e investigar todo el proceso de desarrollo de capacidades y formación de los estudiantes. Los resultados de las pruebas y la retroalimentación de la información reflejan los efectos de la educación y la formación y evalúan los cambios en la creatividad de los estudiantes.
En resumen, las empresas de análisis de datos de proyectos están creciendo rápidamente en China, proporcionando información de referencia cada vez más importante para la toma de decisiones de gobiernos, instituciones financieras y empresas, y tienen un buen margen para el crecimiento y el desarrollo. Cómo encontrar información eficaz en el océano de información y cómo tomar decisiones científicas a través de datos eficaces se ha vuelto particularmente importante, por lo que el futuro de los analistas de datos seguramente será brillante.