本文目录
- AnalyticDB PostgreSQL是个啥
- 大数据分析的具体内容有哪些
- 新兴专业BA（business analytics）到底学什么发展前景怎样
- 数据分析有哪些工具
- business analytics到底是一门什么专业
AnalyticDB PostgreSQL是个啥
AnalyticDB是阿里云自主研发的一款实时分析数据库，可以毫秒级针对千亿级数据进行即时的多维分析透视。
AnalyticDB通过对数据进行在线统计和分析，帮助企业简单快速实时挖掘数据价值。
底层真正的关系型数据库一般是mysql 或postgres
所以有
AnalyticDB for mysql
AnalyticDB for postgresql
大数据分析的具体内容有哪些
大数据分析的六个基本方面
1. Analytic Visualizations（可视化分析）
不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。
2. Data Mining Algorithms（数据挖掘算法）
可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。
3. Predictive Analytic Capabilities（预测性分析能力）
数据挖掘可以让分析员更好的理解数据，而预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。
4. Semantic Engines（语义引擎）
我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。
5.Data Quality and Master Data Management（数据质量和数据管理）
数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。
假如大数据真的是下一个重要的技术革新的话，我们最好把精力关注在大数据能给我们带来的好处，而不仅仅是挑战。
6.数据存储，数据仓库
数据仓库是为了便于多维分析和多角度展示数据按特定模式进行存储所建立起来的关系型数据库。在商业智能系统的设计中，数据仓库的构建是关键，是商业智能系统的基础，承担对业务系统数据整合的任务，为商业智能系统提供数据抽取、转换和加载(ETL)，并按主题对数据进行查询和访问，为联机数据分析和数据挖掘提供数据平台。
新兴专业BA（business analytics）到底学什么发展前景怎样
不请自来。
单独说BA是没有意义的，我们不妨把另一个及其相似的概念“BI”来对比一下：
先说概念，BA是商业分析，BI是商业智能
现在BI的概念很火，企业恨不得把所有的数据工作都加上个商业智能的名头；同时，BA也是方兴未艾，很多大学也开设了这门课，但是我相信大部分公司老总都搞不明白BA与BI都是什么。
BA、BI都是做什么的？
定义我就不说了，上面很多学院派的回答都说的很明白，我就通俗点说吧
BA就是通过调查问题分析出为什么会这样，将来会发生什么，你该去做什么？
比如，你负责某公司的市场运营，然后发现最近的客户流失量很大，你就需要利用BA的数据技巧和知识，分析问题得出用户流失的原因，是不是产品有问题？还是服务有问题？是哪个步骤阻止了用户留存？然后你就可以利用BA得出预测，未来会流失多少客户？采取什么措施会有效阻止客户流失等等等。
对比一下，BI就是告诉你现在正在发生什么，或者过去发生了什么，也就是描述性分析。
比如，你是企业的老总，你的公司内部所有部门每天都会产生上万的数据，这些冗杂的数据让你头疼不已，因为你根本看不到这些数据有什么意义。此时如果你的企业拥有完整的BI解决方案，那么你就能看到这些数据背后的业务状态，比如最近销量情况怎么样？用户情况怎么样？
BA和BI的基础是什么？
BA的基础是应用数据与统计基础，因此严格上说BA应该属于数学专业领域，其关键在于识别关键数据变量之间的关系，揭密隐藏在数据中的规律。
BI的基础是数据库，BI更应该属于计算机专业领域，BI必备的技术包括数据库OLAP、切片、向下钻取等等，最后会通过一个交互界面进行表现，比如仪表盘、得分卡、图表、图形、警报等，上图就是一个简单的BI交互界面。
BA有什么类别？
现在你应该了解了商业智能和商业分析的区别，接下来我们来谈谈典型的商业分析类别。
1、数据挖掘——通过在海量数据中发现以往不知道的趋势或规律来创建模型。例如：保险索赔欺诈行为分析，零售市场购物篮分析。数据挖掘应用各种各样的统计技术：
- 判别分析 当我们知道变量为分类数据时。例如：年龄等人口统计资料。
- 回归分析
- 聚类分析 当我们不知道影响因素怎么归类时。
- 相关分析模型
2、文本挖掘——从文本数据集中发现提取有意义的模型。例如：通过face book、Twitter、博客等社交网络了解客户情感，这些信息将用来提高产品服务或了解竞争对手动态信息。
3、预告——预测分析接下来的一段时间发生的事情。例如：利用历史数据预测季节性的能源需求情况。
4、预测分析——创建、管理和部署预测得分模型。例如客户幸存与流失、信用评分预测以及工厂机械失败率等。
5、最优化解决方案——利用模拟技术识别最优化解决方案。例如：销售价格优化、股票投资基金最优组合等。
6、可视化——通过高度交互图形增强对探索性分析的展示以及模型结果的输出表现。
市场需求大不大？
BA方向问题最主要：走向商业、走向技术。
走向商业，所有管理、金融等商科就业方向你都能去，你比别人多了代码和数据功底。很多人觉得多出来这一点能力是卖点，但我对此持保留意见。
走向技术，这个和BA专业所学更贴合。机会主要集中在互联网和金融行业IT类岗位。互联网里，像电商这类面向海量用户的行业机会相对更多一些，比较知名的阿里的淘宝天猫、京东、拼多多这些；金融行业基本都有IT类岗位，向金融科技转型的比较快的企业一般会有不少数据岗位机会，比如银联、招行等。
整个市场规模首先是很大的，但是上涨空间有限，有可能一进去就是红海。BA这种东西，小公司用不起，大公司看不起，因为BA不是严格意义上的刚需岗位，甚至来说一个企业有可能并不会需要BA或者BI。
之前我也是一个BA的鼓吹者，但现在我要改一下建议，除非热情十足，不建议再盲目跟风，未来会越来越挤。商科专业同学，根据兴趣三思而后行；CS/EE等工科背景的同学，十分不建议再考虑BA了，直接CS下面找ML等方向。
薪资还算可观，这是值得欣慰的。数据分析而论，小的初创普遍能开出15~20w的价格；一二线互联网大厂，20~25w；银行IT为了从互联网抢人，基本也要跟上一二线
