來源：Analytics Vidhya；翻譯：國相潔；校對：丁楠雅

本文約7100字，建議閱讀10+分鐘。

本文為從資料分析/資料倉庫/商業智慧跳轉到資料科學家提供了學習路徑。

資料科學作為一個專業領域迅速崛起，吸引了來自各種職業背景的人。工程師、電腦科學家、市場和金融畢業生、分析師、人力資源人員——每個人都想嘗一塊 “資料科學餡餅”。

 

Analytics Vidhya (一個專門針對“分析與資料科學”的社群網站 ) 釋出了一篇文章《為初學者邁入資料科學規劃的全面學習路徑》。

A comprehensive Learning path to become a data scientist in 2019

https://courses.analyticsvidhya.com/courses/a-comprehensive-learning-path-to-become-a-data-scientist-in-2019?utm_source=11stepsBItoDSarticle&utm;_medium=blog

那麼，為什麼我要特別關註這些職業：資料分析/資料倉庫（MIS）/商業智慧（BI）呢？讓我先解釋一下。

我經常遇到一些優秀的商業智慧分析師 (BI)，尋求獲得自己人生的第一個資料科學角色。但他們常常因缺乏機會而沮喪。他們中很多人感覺自己的角色是重覆的，或者只需要扮演好被要求的角色。

他們實際上忽略了一個事實：比起任何其他職業的人，他們離資料科學更近。

商業智慧分析師 (BI) 為何能更輕鬆地過渡到資料科學領域

商業智慧專業人士比幾乎所有試圖過渡到資料科學的人都擁有巨大優勢，原因如下：

• 商業智慧分析師已經在各個專案中接觸到了資料科學家；

• 知曉如何管理和處理資料（有時按比例）；

• 有業務背景，他們密切地從事相關業務；

• 他們有基本的資料探索步驟的經驗，因為除了用在報告中，業務部門也會經常要求這些。

換句話說，這些人工作在資料科學專案的“前半部分”，這已經比大多數有志成為資料科學家的人多了很多行業經驗。

如果你正是這樣一位希望從資料分析/資料倉庫（MIS）/商業智慧（BI）跳轉到資料科學家，這篇文章就是為你量身定製的。你可以將這11步作為你能遵循的學習路徑。實際上，我強烈建議你在當前的角色中執行這些步驟。開始於你正站著的地方，直到破霧而出，進入資料科學！

在下麵的內容中–—商業智慧、資料倉庫師、資料員、資料分析員都可以互換使用。這些角色和名稱幾乎沒有區別，而且有很多重疊。

準備好和我一起踏上徵程了嗎？讓我們一步一步地來。

第一步：進行探查分析並解讀分析成果

讓我以三個BI人員日常報告的例子開始。

示例 1：

該BI人員已經得到了資料結果，其中包含有關城市和地區級別的業務來源，以及業務質量的詳細資訊。

示例 2：

在這裡，BI人員為“拒絕分數”列添加了RAG (紅-琥珀色-綠) 分析。拒絕分數越低，業務質量越高。

示例 3：

在本例中，BI人員透過對分析結果進行解讀，將報告提升到了另一個層次。你可以看到他從報告中得出的前2個發現。

這裡我只舉了一個簡單的例子對報告進行解讀分析。你可以根據正在分享的資訊型別加入更多視覺效果/圖表。

以上哪個示例對於業務使用者更有意義？

看看上面的3個例子，我傾向於“示例3”,因為它為業務增加了更多價值：

1.  為報告添加了更多可理解性；

2. 它還強調了可著手的操作領域；

3. 如果你檢視那些“發現”，其中一個是區域級別彙總報告後得出的。

這些實際上能很大地幫助業務人員。當你與高層管理者合作時，你會發現他們中的大多數需要可著手操作的專案，而不想花時間在解釋報告和深入分析上。

想要生成一份類似的報告，一位BI人員應該具有好奇心，關註細節，熟練掌握任何一種工具（Excel/SQL/QlikView/Tableau）, 以及業務知識。

這個技能集不僅限於從事BI的人員。它對於成為一名好的資料科學專家也是關鍵。在大多數情況下，一名資料科學家60%—70%的工作是關於業務理解，資料探索和對手頭問題產生見解。

與其它正在向資料科學過渡的人員相比，一位BI人士擁有巨大的優勢。你可以從今天開始練習這個技能集，它也將幫助你在現在的工作中做得更好。這是雙贏！

面臨的挑戰和解決方案：

• 無法在分析結果與業務之間建立聯絡：生成見解與你對業務的理解直接相關。我建議你與領域專家聯絡，並嘗試解釋它正如何影響著業務指標。

• 沒有足夠時間生成見解：我同意–—你正在緊張的最後期限下，忙著做業務報告，沒有時間生成見解。這種情況下，我有2個建議：

• 不要開始一個有著非常嚴格時間表的報告（例如日報)。挑選有較少時間限制的報告任務。月報便是一個很好的開始，因為它們包含重要的資訊並且為你深入挖掘資訊提供了時間。

• 自動生成報告。這將為你節省大量時間，你可以利用這些時間來理解報告並生成見解。你應該學習 Excel/SAS 的宏指令或其它類似自動化報告工具。

 

第二步：學習統計學以支援你對於報告的見解

是時候用一些統計指標來支援你的見解了。不要把你自己侷限在僅僅靠視覺解釋來生成見解。看看下麵的圖–—你的第一反應是什麼？

這個圖上可以看到競爭前和競爭後的平均業務來源。現在的問題是“競爭是平均業務來源增長的背後推動力，還是隻是一種隨機增長？”這裡，我們需要依靠某些統計概念來支援我們的見解，比如做 z-檢測, t-檢測或其它統計檢驗。掌握好統計知識將在這些處境中幫助到你。

你應該對以下統計主題有扎實的理解，如果你想進入資料科學角色的話：

• 描述性統計

• • 平均數，中位數，眾數

  • 方差和標準差

• 機率

• • 伯努利試驗與機率質量函式

  • 中心極限定理

  • 正態分佈

• 推論統計學

• • 置信區間

  • 假設檢驗

  • 協方差/相關性

下麵列出了一些有用的資源，可以幫助你開始學習這些主題：

• 關於推理統計的部落格: Comprehensive & Practical Inferential Statistics Guide for data science

  https://www.analyticsvidhya.com/blog/2017/01/comprehensive-practical-guide-inferential-statistics-data-science/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• 假設檢驗的詳細指南: Your Guide to Master Hypothesis Testing in Statistics

  https://www.analyticsvidhya.com/blog/2015/09/hypothesis-testing-explained/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• 全面易懂的方差分析教程:  A Simple introduction to ANOVA

  https://www.analyticsvidhya.com/blog/2015/09/hypothesis-testing-explained/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

面臨的挑戰和解決方案：

• 描述性統計很容易理解，但推理統計的茶不好喝：實踐是關鍵。我建議盡可能地多練習，並對概念有一個直觀的理解。在看數學方程前先做這件事。這種方法將幫助你首先關註於應用方面，而不是陷入理論的泥潭中。

• 這些看起來都太統計學了，我無法和股東或客戶分享：檢視這些報告的客戶大致有兩類。第一類對直觀的見解更感興趣，而另一類（風險/資料科學團隊）則更關註統計見解。與後一類人聯絡，並就你的發現展開討論。此外，這裡最好的策略是用他們的語言討論業務，而不是統計語言。例如，開始時我不會使用“統計顯著”一詞，聽眾可能會感到不舒服。我只會說，相比於我們從過去中看到的，這個事件是否有足夠大的可能性發生。

 

第三步：把你的發現呈現給正確的小組

如果你沒有和正確的小組分享你的發現，那探查分析和統計分析將不會幫助你進入資料科學的角色。

“講故事是一名資料科學專家必須掌握的關鍵技能。”

這裡，我強烈建議在你現有的角色中練習“講故事”的能力。你可以從以下內容開始：

• 始終在你的報告或分析中分享詳細的見解；

• 分享你的見解並透過演示幻燈片展示你的故事。

這是一個我個人職業生涯非常受益的基本建議——在你的幻燈片中新增視覺化效果。如果是報告或會議演講，則應該對應你的視覺化新增背景。困惑嗎？讓我用一個例子來解釋一下。

看看下麵的視覺化。它展示了關於Sachin Tendulkar職業生涯中測試賽的細節。你可以在這裡使用圖表和數字討論各種度量。這也展示了為何業務理解如此重要——如果你沒有業務經驗的話，你根本無法討論這些指標。

你該看看下麵這篇優秀的文章：

The Art of Story Telling in Data Science and how to create data stories

https://www.analyticsvidhya.com/blog/2017/10/art-story-telling-data-science/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

面臨的挑戰和解決方案：

• 不能向小組傳達統計見解：不要總使用單一語言（統計語言）進行溝通。我們應當根據聽眾來改變我們溝通的方式。例如，你正和一個統計小組溝通，那話語中有很多統計推斷沒問題。如果你與一個非技術團隊溝通，統計和直觀結合的方式將更有幫助。

• 以前從未分享過見解，怎麼開始？你可能有過這樣的想法：

• 這些見解對於業務來說有意義嗎？

• 我可能誤解了這些數字。這將導致溝通不良並產生負面影響。

你的擔心是可理解的，但你不得不從某個地方開始積累經驗。我的建議是首先和你的經理、有經驗的同事或你的客戶分享見解。這將給你信心——這是非常重要的推動力。所以開始練習吧！

 

第四步：探索一個開源工具來生成報告或執行檢測分析

到目前為止，我還沒有討論任何生成報告和見解的工具。我特意迴避了這樣的問題，例，你該選擇哪樣工具？哪個是合適的或更好的？這是因為我的標的是讓你的關註點聚焦於檢測分析、統計概念和磨練你的溝通技巧，這樣你可以用你現在工作中的工具來展現你的新發現。

現在，是時候來學習一種工具了，它具有以下特點：

• 處理（大量）資料的能力；

• 視覺化能力；

• 建立預測模型的能力（機器學習模型）；

• 深度學習支援；

• 客戶服務支援和繁榮的社群。

你可以在 SAS/R/Python中任意選擇，因為這些工具都有以上功能。在這裡，你的初始任務是非常具體的，在學習一個新工具的同時，讓你自己習慣執行資料探索、視覺化、檢測分析和統計測試。你不需要在這些工具上擁有完整的專業知識（不管怎樣，開始時不需要）

如果不確定挑哪樣工具，我建議你讀讀 Kunal Jain 寫的這篇文章，裡面比較了三種工具的各種優缺點。

Python vs. R (vs. SAS) – which tool should I learn?

https://www.analyticsvidhya.com/blog/2017/09/sas-vs-vs-python-tool-learn/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

你可以檢視以下使用 SAS/R/Python 學習資料探索的教程：

 

• Data Exploration using Numpy, Pandas, Matplotlib

  https://www.analyticsvidhya.com/blog/2015/04/comprehensive-guide-data-exploration-sas-using-python-numpy-scipy-matplotlib-pandas/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• A comprehensive guide for data Exploration using R

  https://www.analyticsvidhya.com/blog/2015/04/comprehensive-guide-data-exploration-r/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Data Exploration using Data Step and Proc SQL

  https://www.analyticsvidhya.com/blog/2015/04/data-exploration-sas-data-step-proc-sql/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• 9 Popular ways to perform visualization using Python

  https://www.analyticsvidhya.com/blog/2015/05/data-visualization-python/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Data Visualization using SAS

  https://www.analyticsvidhya.com/blog/2015/06/data-visualization-guide-sas/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Comprehensive Guide to Data Visualization in R

  https://www.analyticsvidhya.com/blog/2015/07/guide-data-visualization-r/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

 

面臨的挑戰和解決方案：

• 沒有程式設計經驗：記住，你無需成為該工具的專家。重點是你該用一個新工具來執行相同的練習（如探索，視覺化或統計檢驗）。你將透過練習掌握這些技能和工具。

• 當前的資料科學團隊在SAS上工作，我該轉移到Python/R上嗎？我建議只從SAS開始。始終選擇當前組織中的資料科學團隊正在使用的工具。這將有助於你向資料科學過渡。

 

第五步：瞭解建模/預測建模的步驟

現在終於到了資料科學最吸引人的部分——建模！在你投身於研究具體模型前，我建議你首先理解存在的問題型別。這裡有一篇文章解釋了預測建模/機器學習的基礎知識。

Machine Learning basics for a newbie

https://www.analyticsvidhya.com/blog/2015/06/machine-learning-basics/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

大體上，我們可以將建模過程分為5步：

1. 定義問題

2. 生成假設

3. 探索資料

4. 模型建立

5. 模型評估和驗證

我將前兩步放到後面講（定義問題和生成假設）。這裡我們先討論探索資料。

探索分析的步驟類似於檢測分析，這裡我們的主要標的是理解每個變數的行為和它們互相的關係。良好的統計知識將對你有很大幫助。這一步的終點是生成見解和資料清洗。你可能需要輸入丟失值，檢測和處理異常值和執行多種型別的轉換。

我寫了一篇文章《關於資料探索步驟的綜合指南》，你可以練習所有這些方法，從你的行業中選一個資料集，或使用任何開放資料庫。

Comprehensive Guide on the Steps Involved in Data Exploration

https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

面臨的挑戰和解決方案：

• 它是如何區分於檢測分析的：它與檢測分析類似，添加了資料清洗和轉換步驟。這裡，你的重點應該是進行資料探索以實現特定標的，例如判斷“給定變數”是否會對標的變數產生影響。

• 在沒有首先陳述問題時，我將如何建立和標的變數的關係？你可以使用定義了問題陳述句的任何開放資料集，並開始練習你的資料探索技能。

 

第六步：評估模型效能的方法

在模型構建的過程中，我們在一個預先知道了標的的資料集上訓練模型，然後將其應用到測試資料集上，以預測標的變數。我們顯然希望在預測標的變數時足夠準確。

如何檢查模型是否準確？我們需要一個能根據實際觀察結果去評估模型結果方法。讓我們用一個例子來理解這一點：

我們有一個客戶群，C1、C2和C3。我們估計只有C3會購買產品A。然而事實證明，C2和C3都買了這件商品。這意味著我們的準確率是 66.6%。這個準確率就被稱為“評估指標”。

評估指標將根據你正在解決的問題型別而不同。這裡有一個你該知道的，常用評估指標清單：

Evaluation Metrics

https://www.analyticsvidhya.com/blog/2016/02/7-important-model-evaluation-error-metrics/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

現在你已經決定了評估指標的方法，但你有“實際結果”來評估你的模型嗎？你不能跳到未來去準備一個測試資料集！在這種情況下，我們保留了資料集的一個特定樣本，該樣本集不用來訓練模型。稍後我們用這個樣本集來評估模型。這種方法稱為模型驗證。你可以參考下麵這篇文章，其中包括在R和Python中的實體。

Various Validation Techniques

https://www.analyticsvidhya.com/blog/2018/05/improve-model-performance-cross-validation-in-python-r/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

面臨的挑戰和解決方案：

• 有必要知道所有的評估指標嗎？不一定。目前，只關註兩個評估指標—“RMSE” 和“混淆矩陣”。這兩個對於起步已經足夠了。你可以使用RMSE應對回歸問題，用混淆矩陣來應對分類問題。

 

第七步：用線性回歸和邏輯回歸介紹預測建模

你已經瞭解了資料集並查看了評估模型效能的指標。下一步是什麼？

應用建模技術！不要同時學習各種技術。現在只關註兩個：

• 線性回歸

• 邏輯回歸

這兩個技術將幫助你預測連續變數和分類變數。

例如：

• 線性回歸將幫助你預測下個季度保險公司銷售代理的預期業績。

• 邏輯回歸將幫助你瞭解交叉銷售產品給特定客戶的可能性。

以下2篇文章可以幫助你學習線性回歸，邏輯回歸和練習使用你選擇的工具：

• Beginner Guide for Linear, Ridge and Lasso Regression

  https://www.analyticsvidhya.com/blog/2017/06/a-comprehensive-guide-for-linear-ridge-and-lasso-regression/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Introduction to Logistic Regression

  https://www.analyticsvidhya.com/blog/2015/11/beginners-guide-on-logistic-regression-in-r/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

面臨的挑戰和解決方案：

• 演演算法太數學化，難以理解：首先你要對這些技術建立一個直觀的理解，然後再深入到數學細節。這裡我建議採用自上而下的方法，更多地關註實際方面。你必須能夠解釋模型結果（例如瞭解該模型是否執行良好）

 

第八步：確定業務問題（與你的角色相關）將其轉換為資料問題併進行預測

那麼，哪裡可以找到你所在領域的資料集呢？找到一個商業問題可能很困難。

你應該與領導層或團隊經理交談，並將他們的業務挑戰之一作為你的專案。這裡，第一步是將業務問題轉換成資料問題。然後，開始順著以下步驟前進（我們在前面第5點中討論過）——生成假設，收集資料，探索資料，資料清理，模型構建和驗證。

作為一名BI專業人員，你具有的優勢之一是你已經熟悉資料集中的變數。你的檢測分析技能將幫助你理解變數間的關係。你可以跳轉到資料清理、轉換、確定正確的評估度量、設定驗證集以及最終構建模型等任務。

你該花點時間觀看Tavish Srivastava裡的網路研討會，瞭解定義問題和假設生成的重要性。

Tavish Srivastava網路研討會

https://youtu.be/zOv0vjlTjro

我還建議你閱讀下麵的文章，關於在R和Python中構建模型：

• A comprehensive guide to build machine learning models from scratch

  https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Build a Machine Learning Model in 10 minutes using R

  https://www.analyticsvidhya.com/blog/2015/09/perfect-build-predictive-model-10-minutes/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Build a Machine Learning Model in 10 minutes using Python

  https://www.analyticsvidhya.com/blog/2015/09/build-predictive-model-10-minutes-python/?utm_source=11stepsBItoDSarticle&utm;_medium=blog

面臨的挑戰和解決方案：

• 無法找到業務問題：你可能遭遇這樣的處境，你無法獲得業務問題或不能說服業務/團隊經理瞭解你的技能集。如果這正是你目前的處境，那麼你可以試試這些方法：

• 以你自己的能力開始構建模型，以獲得更為明確的問題陳述：假設你要分析保險代理逐月的業務來源。你可以在製作分析報告時考慮預測代理們下個月的表現。你可以基於過去已有的人口統計或業績表現資料。一個月後你再來驗證你的結果，檢查你的預測有多好。

• 參加開放的資料科學競賽，提高自己的形象：參加資料科學競賽是一個極好學習資料科學的方式，這將提高你的知識和形象，以及瞭解你相對於世界頂級科學家所處的位置。

第九步：與企業主分享你的模型結果，獲得他們的信任

在構建模型後，你應該與你的主管或決策者共享結果（如團隊或專案經理）。作為一名資料科學專家，分享你的發現是非常重要的（比如哪些特徵會對標的變數產生影響）。你還應該圍繞模型結果和實際數字之間的比較進行定期更新。

這個過程將也會幫助你調整和改進你的模型。如果模型執行良好，那麼你很有可能獲得另外一個任務或參與到核心的資料科學團隊中的機會。這也正是我們的標的，不是嗎？

面臨的挑戰和解決方案：

• 我的模型表現不好，那我該怎麼辦呢？沒關係的。你可以進一步研究資料集和尋找問題。可以關註不同的演演算法，它可能更適合你正在解決的問題。

第十步：不斷學習新演演算法，參加資料科學社團，專註構建個人檔案

在資料科學領域，學習永無止境。這是一個不斷發展的領域，我們需要同它一起不斷進化。至此你已經學習了線性回歸和邏輯回歸，是時候擴充套件你的知識，超越自己了。學習決策樹，隨機森林，甚至神經網路等演演算法。

就像我之前提到過的，你應該在實踐中學習。擁有演演算法知識固然很好，但除非你能把它應用於實踐中。撿回我們之前用過的資料集，並應用這些新演演算法。你很可能將看到你的模型有了巨大的改善。

現在，讓我們在工具和技術之外更進一步。我想強調在資料科學社群構建你的社交網路和個人資料的重要性。

開始參加以資料科學為中心的會議。你將遇到志趣相投的人，還有可以給你指導的經驗豐富的專家。我看到過很多有抱負的資料科學人員透過這些活動獲得了工作機會，所以我可以擔保這確實有用！

你應該關註個人資料的數字化方面。既然你一直在與資料科學專案合作，那就向社群展示你的工作！將程式碼上傳到Gitthub上並開始釋出關於你的發現的部落格/文章。這將有助於你未來的僱主看到，你對某些專案有著很好的理解。

面臨的挑戰和解決方案：

• 我不能決定我該研究哪種演演算法：這是一個經典問題。曾讓很多有志的資料科學家感到困惑。我的建議是研究你現在的組織中使用的演演算法。這使你的目光聚焦在你們的資料科學團隊需要的東西上。之前我們提到過組織內部轉型，還記得嗎？這是一個很好向已有的資料科學團隊展示你的價值的方法。

• 我不知道從哪裡找到小組或加入哪裡組織？由於資料科學的蓬勃發展，有很多相關會議。如果你無法在你所在的城市找到，那你可以自己主辦一次。我看到過很多人主動在Linkedin和meetup.com上釋出聚會詳細資訊，並要求加入他們的社交網路。你會對出現的人感到驚訝。

第十一步：在你的組織中專註地向資料科學角色過渡

雖然並沒有簡單的方法過渡到資料科學，但還是有確定的、常有人走的路徑。其中之一是從你現在的組織中切換到資料科學團隊。讓我解釋一下為什麼你該關註這種方式而不是其他路徑（至少對於初學者來說）：

1. 你已經知道該領域是如何運作的。面對資料集中的某些變數，你非常擅長處理它們，因為你具有所需的業務知識。

2. 你的領導和團隊經理已經熟悉你的表現和職業道德。他們知道你帶來了什麼——信任是任何一個團隊中的重要因素，尤其是資料科學團隊。這將對你有利。

3. 無需花時間在組織外尋找工作機會。每個人都恐懼在招聘門戶上看著時間溜走而無法指望能找到一份體面的工作。

4. 這可能不適用於所有人，但當你切換組織時，你可能無法指望大幅的工資增長。記住，你是要過渡到你經驗有限的部門。

你只要記住這一點，總是在你現在的公司中尋找機會。與高層或資料科學團隊交談。建立你的社交網路，相信我，它最終會有回報的。

面臨的挑戰和解決方案：

• 無法在目前的組織中找到機會：如果這種情況發生了，你應該撒一張大網。正如我們前面步驟中討論的，你的Linkedin網路和資料科學社群將派上用場。不要堅持用線上求職門戶被動求職——透過Lindedin和其它專業網路聯絡招聘經理。線上展示你的專案。別放棄！這將考驗你的耐心，但第一次的突破值得你所付出的所有努力。

結束語

這是一段令人興奮的旅程。我已經在幾年前經歷過了這樣的過渡。我看到這個領域隨著時間推移而發展，本文的目的是幫助你實現轉變。你目前已經完成了很多其它向資料科學過渡的人沒有完成的步驟。記住這一點。

最後，這裡是一些補充資料，關於學習資料科學，給你自己邁入該領域最好的機會。

• Introduction to Data Science Course

  https://courses.analyticsvidhya.com/courses/introduction-to-data-science-2?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Ace Data Science Interviews Course

  https://courses.analyticsvidhya.com/courses/ace-data-science-interviews?utm_source=11stepsBItoDSarticle&utm;_medium=blog

• Certified Program: Data Science for Beginners (with Interviews)

  https://courses.analyticsvidhya.com/bundles/data-science-beginners-with-interview?utm_source=11stepsBItoDSarticle&utm;_medium=blog

原文標題：

Infographic: 11 Steps to Transition into Data Science (for Reporting / MIS / BI Professionals)

原文連結：

https://www.analyticsvidhya.com/blog/2019/03/infographic-11-steps-transition-data-science-reporting-mis-bi/

 

譯者簡介：國相潔，馬德里自治大學本科，經濟與金融專業。從資料分析師起步，夢想成為一名優秀的資料科學家。希望在成長的路上，結交志趣相投的朋友，不負青春。