數據分析最重要的可能並不是你熟悉的編程工具、分析軟件，或者統計學知識，而是清楚你所使用的統計知識(統計學、計量、時間序列、非參數等等)背後的原理、假設及其侷限性，知道各種數據分析工具(例如數據挖掘)能帶來什麼，不能帶來什麼，看到一組統計檢驗的結果你能言說什麼，不能言說什麼。
這一切的背後，需要一套完整的「科學」邏輯框架，讓你瞭解自己手中的工具的本質，你才能從數據中「正確地」發現有效的信息，而不是胡亂地使用一大堆自己都搞不清楚的工具來堆砌分析結果，這樣得到分析結果不僅無用，而且有害。
知道了這些後，希望成長爲「數據分析師」，就需要着手訓練自己的能力和洞察力。既然是「數據分析師」，那就分別從「數據」和「分析」兩方面入手。
「數據」當然包含了數據收集、處理、可視化等內容，每個環節對於最後的結果都有關鍵性的影響。其中涉及的技術性內容只是一部分而已，更重要的是你要理解數據收集(是否存在採樣偏差?如何糾正或者改進?)、處理(是否有漏洞或異常情況沒有考慮?)背後的邏輯。
例如：如果分析股票數據用於設計交易策略，那麼你不僅需要明白數據處理本身的問題，還要清楚金融市場的基本知識。例如，使用股票價格時，到底要用收盤價，還是復權價;復權價的話要用前復權價還是後復權價。這些選擇與數據分析沒有太大的關係，純粹決定於你分析的目的是什麼。因此你要充分了解這些概念背後的邏輯、動機是什麼，才能正確地根據自己的目的作出選擇。
數據可視化更多的是一門藝術：如何把信息以最恰當的方式呈現給希望獲得這些信息的人。首先，你要充分理解這些信息究竟是什麼，有什麼特點，你才能較爲恰當的選擇採用的可視化工具。
另外一部分就是「分析」。當然就是各種分析模型，還是需要了解這些模型背後的邏輯，要放到整個項目的上下文中去看，而不是單純地在模型中看。
總而言之，「理解」數據以及其中的信息是非常重要的，這決定了你的分析和呈現的方法是否合適，決定了最後的結論是否可靠。
現在可以回答題主的問題了：成長爲一個數據分析師，要注意「理解」你的知識，形成一個系統，而不是像機器人一樣機械地胡亂套用模型。在這個理念下訓練你的編程能力，瞭解你所分析對象的原理和儘可能多的細節。在這個基礎上，才能談數據分析。
想從事大數據工作，如何自學打基礎
本文將介紹幾本書籍，供各位想從事大數據、海量數據處理相關的工作的同學學習。
海量數據分成兩塊，一是系統建設技術，二，海量數據應用。
先說系統建設，現在主流的技術是HADOOP，主要基於mapreduce的分佈式框架。目前可以先學習這個。但是我的觀點，在分佈式系統出來之前，主要是集中式架構，如DB2，oracle。爲什麼現在用分佈式架構，那是因爲現在集中式架構受限於IO性能，出來速度慢，如果又一種硬件技術，可以很快地處理海量數據，性能上能滿足需求，那麼集中式架構優於分佈式架構，因爲集中式架構穩定，運維壓力小。現在的集中式架構要麼性能達不到要求，要麼就是過於昂貴。我期待一種技術出現，可以非常快地傳輸和處理數據，那麼集中式架構將再次進入人們眼球。再說海量數據應用。海量數據應用主要是數據挖掘和機器算法。具體有不同的應用場景，如個性化搜索和推薦，社交網絡發現，精準營銷，精準廣告，實時最優路徑，人工智能等等。看你想做系統支撐技術還是與業務結合的應用技術。
如果現在學系統建設技術，可以讀下如下書籍：
如果學數據挖掘和機器算法，推薦先看數據挖掘導論，統計分析原理，Mahout，R,MATLAB
