作为数据剖析师，不管开始的工作定位方向是技能仍是事务，终究发到必定阶段后都会承当数据管理的人物。因而，一个具有较高层次的数据剖析师需求具有完好的知识结构。

  了解数据收集的含义在于真实了解数据的原始相貌，包含数据发生的时刻、条件、格局、内容、长度、约束条件等。这会协助数据剖析师更有针对性的操控数据出产和收集进程，防止因为违背数据收集规矩导致的数据问题；一起，对数据收集逻辑的知道增加了数据剖析师对数据的了解程度，尤其是数据中的反常改变。

  数据提取是将数据取出的进程，数据提取的中心环节是从哪取、何时取、怎么取。

  数据发掘是面临海量数据时进行数据价值提炼的要害，以下是算法挑选的基本准则：

  没有最好的算法，只要最适合的算法，算法挑选的准则是兼具准确性、可操作性、可了解性、可使用性。

  发掘算法最难的是算法调优，同一种算法在不同场景下的参数设定相同，实践是取得调优经历的重要途径。

  数据剖析相关于数据发掘更多的是倾向事务使用和解读，当数据发掘算法得出结论后，怎么解说算法在成果、可信度、明显程度等方面临于事务的实践含义，怎么将发掘成果反应到事务操作的流程中便于事务了解和施行是要害。

  数据展示即数据可视化的部分，数据剖析师怎么把数据观念展示给事务的进程。数据展示除遵从各公司一致标准准则外，详细方式还要依据实践的需求和场景而定。

  数据使用是数据具有落地价值的直接表现，这样的一个进程需求数据剖析师具有数据交流才能、事务推进才能和项目工作上的才能。