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
在日常办公数据分析中,我们经常会面对杂乱无章的批量数据——比如员工月度绩效、产品销售数据、客户消费金额、月度运营指标等。 ...
2026-02-05在分类模型(如风控反欺诈、医疗疾病诊断、客户流失预警)的实操落地中,ROC曲线是评估模型区分能力的核心工具,而阈值则是连接 ...
2026-02-05对CDA(Certified Data Analyst)数据分析师而言,数据分析的价值不仅在于挖掘数据背后的规律与洞察,更在于通过专业的报告呈现 ...
2026-02-05在数据分析实战中,我们经常会遇到“多指标冗余”的问题——比如分析企业经营状况时,需同时关注营收、利润、负债率、周转率等十 ...
2026-02-04在数据分析场景中,基准比是衡量指标表现、评估业务成效、对比个体/群体差异的核心工具,广泛应用于绩效评估、业务监控、竞品对 ...
2026-02-04业务数据分析是企业日常运营的核心支撑,其核心价值在于将零散的业务数据转化为可落地的业务洞察,破解运营痛点、优化业务流程、 ...
2026-02-04在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28