1.懂业务。从事数据分析的前提是了解业务，即熟悉行业知识、公司业务和流程，有自己独特的见解。如果脱离行业认知和公司业务背景，分析的结果只会是一个过线的风筝，没什么使用价值。

2.懂管理。一方面是建立数据分析框架的要求。比如要用市场营销、管理等理论知识来指导分析思路的确定。如果不熟悉管理理论，很难构建数据分析框架，后续的数据分析也很困难。另一个作用是根据数据分析结论提出指导性的分析建议。

3.懂分析。指掌握数据分析基本原理与一些有效的数据分析方法,并能灵活运用到实践工作中,以便有效地开展数据分析。基本的分析方法有: 对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有:相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。

4.懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论,而数据分析工具就是实现数据分析方法理论的工具,面对越来越庞大的数据, 我们不能依靠计算器进行分析,必须依靠强大的数据分析工具帮我们完成数据分析工作。

5.懂设计。懂设计是指运用图表有效表达数据分析师的分析观点,使分析结果一目了然。图表的设计是门大学问,如图形的选择、版式的设计、颜色的搭配等等,都需要掌握一定的设计原则。

Data Engineer 数据工程师： 分析数据少不了需要运用计算机和各种工具 automate 数据处理的过程， 包括数据格式转换， 储存， 更新， 查询。 数据工程师的工作就是开发工具完成 automate 的过程， 属于 Infrastructure/Tools 层。

这个角色出现的频率不多。因为有现成的MySQL, Oracle等数据库技术， 很多大公司只需要DBA就足够了。而 Hadoop, MongoDB 等 NoSQL 技术的开源， 更是使在大数据的场景下都没有太多 engineer 的事儿，一般都是交给 scientist 。据我所知 Facebook 有专门的 database team，因为数据量太超常了而且业务特殊； Square 有 Data Engineering team，因为对数据稳定性上要求苛刻；Google 就不用说了， 膜拜一下 GFS, BigTable, MapReduce 这些名字就可以了。

Data Scientist 数据科学家： 数据科学家是与数学相结合的中间角色， 需要用数学方法处理原始数据找出肉眼看不到的更高层数据， 一般是运用 Statistical Machine Learning 的方法， 最近也有流行玩 Deep Learning的。 有人称 Data Scientist 为 Programming Statistician，他们需要有很好的统计学基础， 但也需要参与很多 learning 程序的开发（基于 Infrastructure 之上）， 而现在很多很多的 Data Scientist 职位都要求身兼 Data Engineer。 Data Scientist 是把 D 转为 I 或 K 的主力军。

Data Analyst 数据分析师： 工程师和科学家做了大量的工作用计算机程序尽可能多地提取了价值（I/K），然而真正要从数据中洞察出更高的价值， 则需要依靠丰富的行业经验和洞察力， 这些都需要人力的干预。 Data Analyst 需要的是对所在业务有深刻了解， 能熟练运用手上的工具（无论是 Excel， SPSS也好， Python/R也好，工程师给你开发的工具也好，必要时还要能自己充当工程师和科学家，力尽所能得到自己需要的工具）有针对性地对数据作分析，并且需要把发现言之有物地向其他职能部门呈现出来，最终变为行动。这就是把数据最终得出 Wisdom。

这个职位出现也不是很多， 在很多公司里没有这样的职位， 因为都是 C-level 的人或产品经理在做着数据分析的事情。 这样的职位大量出现的地方我只知道 Wall Street 和 NSA，因为有大量的 case 需要处理， 而每个 case 都需要有人分析。