Las estadísticas, las estadísticas son aburridas. ¿Necesito continuar?

Los estadísticos tradicionales ya no necesitan estadísticas. Pero puedes seguir acumulando experiencia y convertirte en analista de datos en el mundo "TI", es decir, el análisis de big data.

La razón por la que no puedes seguir siendo un estadístico tradicional es muy simple:

A menudo hay una sola persona que realiza el análisis estadístico de los datos y hay poca comunicación y progreso sin formar un equipo.

Para las empresas que necesitan realizar análisis estadísticos de datos, existen muy pocos niveles laborales y niveles de gestión relacionados con el análisis de datos, y es difícil desarrollarse en este puesto.

El análisis estadístico de datos no es un trabajo que genere dinero para la empresa. Proporciona una rara sensación de logro, especialmente cuando los líderes lo ignoran.

La mayoría de las empresas no son empresas de computación en la nube de big data, las empresas no son de alto rango y el trato no es bueno.

Aunque no puedes ser un estadístico tradicional, puedes acumular la capacidad de convertirte en un analista de big data e ingresar a la industria de TI:

Acumula capacidades de análisis de datos en tu puesto actual y mejora tu capacidades comerciales, esfuércese por convertirse en un experto;

Estudie informática, ciencias matemáticas, optimización de modelos de negocios, diseño de arquitectura de datos, datos operativos y otros conocimientos relacionados en el puesto actual, y aspire a ingresar a la alta tecnología. empresa;

Un analista de big data calificado debe tener las siguientes habilidades:

Análisis estadístico: ley de grandes números, ley de conjetura de muestreo, prueba de suma de rangos, análisis de regresión, análisis de varianza, etc.

Ayudas visuales: Excel, PPT, mapa mental, Visio;

Marco de procesamiento de big data: Hadoop, Kaffka, Storm, ELK, Spark;

Base de datos: SQLite, MySQL, MongoDB, Redis, Cassandra, HBase;

Almacén de datos/inteligencia empresarial: almacén de datos SSIS, SSAS SSRS, DW;

Herramientas de minería de datos: Matlab, SAS, SPSS ;

Inteligencia artificial: conocimientos relacionados con el aprendizaje automático;

Algoritmos de minería: estructura de datos, consistencia, algoritmos de uso común;

Lenguajes de programación: Python, R, Ruby , Java;

En resumen, para los estadísticos tradicionales, el trabajo de análisis estadístico no es un trabajo a largo plazo. Pero este trabajo puede ser un gran comienzo y un trampolín.

Recordatorio: el análisis de big data en realidad abarca una industria y requiere reaprender conocimientos de la industria. Definitivamente hay alguna dificultad. Hay que tener fe y perseverar.