1. 第一阶段（一般岗位叫数据专员）

基本学会excel（VBA最好学会；会做透视表；熟练用筛选、排序、公式），做好PPT。这样很多传统公司的数据专员已经可以做了

2. 第二阶段（数据专员~数据分析师）

这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。

3. 第三阶段（数据分析师）

统计学熟练（回归、假设检验、时间序列、简单蒙特卡罗），可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。

4. 第四阶段（分裂）

? 数据分析师（数据科学家）、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用（调参+选模型+优化），取数、ETL、可视化啥的都是基本姿态。

? 可视化工程师：这部分国内比较少，其实偏重前端，会high charts，d3.js, echarts.js。技术发展路线可以独立，不在这四阶段，可能前端转行更好。

? ETL工程师：顾名思义，做ETL的。

? 大数据工程师：熟悉大数据技术，hadoop系二代。

? 数据工程师（一部分和数据挖掘工程师重合）：机器学习精通级别（往往是几种，不用担心不是全部，和数据分析师侧重点不同，更需要了解组合模型，理论基础），会组合模型形成数据产品；计算机基本知识（包括linux知识、软件工程等）；各类数据库（RDBMS、NoSQL(4大类)）

? 数据挖掘：和上基本相同。

? 爬虫工程师：顾名思义，最好http协议、tcp/ip协议熟悉。技术发展路线可以独立，不在这四阶段

发现回答的有点文不对题额，不过大致是所有从底层数据工作者往上发展的基本路径。往数据发展的基本学习路径可以概括为以下内容：

数据工作者的基本姿态，话说本人技术并不是很好，但是起码会***作；要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。

2. 数据库类（必须学）

初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。

3. 统计学（必须学）

如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归（特别是广义线性回归）、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。

其他数学知识：线性代数常用（是很多后面的基础），微积分不常用，动力系统、傅里叶分析看自己想进的行业了。

4. 机器学习（数据分析师要求会选、用、调）

常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯；不常用的也稍微了解一下；深度学习视情况学习。

5. 大数据（选学，有公司要求的话会用即可，不要求会搭环境）

6. 文本类（选学，有公司要求的话会用即可）

这部分不熟，基本要知道次感化、分词、情感分析啥的。

语言：非大数据类R、Python最多（比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab）；大数据可能还会用到scala和java。

可视化（选学）：tableau、

数据库语言：看你自己用啥学啥

数据分析有什么小方向吗？

数据分析的小方向比较多，分类方法也不尽相同。在这里我根据技术要求的侧重点不同，简单的划分为三个方向：

BI的概念已经出现很久了，但仍然不过时。

重点在于如何设计高效的数据模型，以及如何通过BI工具从多个角度观察数据，了解数据内部的规律。

传统的BI工具可以满足大部分传统企业的数据分析场景。近些年随着分析工具功能日趋强大，大数据领域的BI平台也有了长足的发展。

所以我认为BI仍然具有强大的生命力。

机器学习与BI的区别在于，更多的依赖机器模拟人类学习的过程去发现数据内在的规律，构建一个数据模型，通过某些算法来预测未来的可能性。

机器学习和深度学习概念非常火热，但相对入门门槛也较高，因为想真正理解那些算法的原理需要高等数学的基础。

还有一些数据分析师，仅仅通过一些公开的市场宏观数据，通过经济学和统计学分析方法，观察经济的运行状况，从而发现行业的经济发展规律，进一步预测未来行业发展的趋势。这个方向也很不错的，但是需要对统计和经济学有一定基础。

想要深度做数据分析有怎样的建议

楼主想深度做数据分析领域，首先要认准自身的优势，参考上面列出的几个发展方向，选择其一进行深入的学习和实践。

如果楼主的计算机基础比较好，擅长SQL和BI工具，可以向着BI方向发展；

如果数学基础比较好，可以考虑机器学习方向；

如果对所在行业的业务比较精通，也可以从事业务分析或行业分析方向。

做适合的和喜欢的最重要。不论哪个方向，都是要先掌握工具使用，了解你要分析的业务流程，培养独到的分析思维模式，锻炼自己的表达。

统计的学习应该从哪里下手

基本就是看前面推荐过的那本《商务与经济统计》，并且在实际工作中要有意识的应用。

比如，观察一批数据的时候，就可以用R先了解数据的均值，方差，中位数，极大值，极小值等等，通过绘制直方图来了解的数据分布情况、缺失情况等等。

通过预测的场景，首先可以用线性回归来尝试，效果不一定比机器学习的算法差。