1、业务 从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

近年来数据分析行业大火，人才紧缺，就业前景好，薪资高！职业发展广，起点好！
转行数据分析师需要的技能大致分为六个模块：
(1) Excel
零基础学数据分析师一定要从Excel入门，因为Excel是处理小型数据量企业用的最多的工具，在基础数据分析师与数据运营岗位中具有极其重要的地位。
(2) Mysql
SQL同样是零基础学习数据分析的核心内容。因为作为数据分析师，你首先要解决的问题就是你要有数据来做分析。通常企业都会有自己的数据库，数据分析师首先得根据业务需要知道自己要从企业数据库中提取哪些数据。
(3) Python
Python的基础对于数据分析师而言是非常重要的。对于十万级或者百万级数据量而言，Excel和BI都会因为运行卡顿而变得完全无法使用。然而在实际企业运用中，一次性处理十万级以及百万级数据又是非常常见的。而Python则是处理这种中量级数据的利器。
(4) BI商业智能工具
BI可以理解成Excel图表透视表的高级版。BI是将表与表相连，然后得出很多指标图。它是一个大屏的看板。有了这个看板，领导层在监控企业业务方面就有了非常直观的数据，以供他们及时做出决策调整。数据分析师需要做的是快速挖掘数据价值，将这些数据转化成有用的信息，让企业决策有数据依据，从而驱动企业决策和运营。
(5) 数理统计与数据运营
数理统计和数据运营方法论是数据分析师的理论基石。数理统计包括概率论，统计学，线性代数，以及基础的微积分理论。这些内容都不需要理解的很深，但是对它们的原理以及内涵都需要有所掌握。
数据运营方法论实际上是学习各个行业所运营的分析模型。对于想往管理路线发展的数据分析师来讲，数据运营是必须要学习的知识。其实数据运营知识也不复杂，就是根据自身业务需求将指标拆解到最细，然后运用同比和环比两种数据分析方式。
(6) 机器学习
最后一个进阶要求数据分析师掌握对大量数据分析的能力。这个阶段的数据分析是利用大量的历史数据构建出一套数学公式（也就是算法），用这个数学公式去对未来进行预测。比如说：一个人大量地刷体育短视频，根据算法可以得出这个人可能对观看足球比赛的腾讯体育会员感兴趣。这类推断和预测对于商业世界是有着极大变现意义的。

事实上我不认为世上做任何事有速成的捷径。一分耕耘一分境界，老老实实学吧。
同意这一点的话，可以参考下我另一个问题下的回答，关于数据分析师，科学家都在干什么：
如何着手商业数据分析？

数据分析师日常工作是什么？

=================
有人说速成是指不走弯路，不浪费时间。特补充以下内容：
首先，我不认为我真的有什么经历是无用的，即便在数学本科时候学了很多不直接相关的课程，也对培养严谨的思维逻辑有极大的帮助。统计博士的学习让我对各种课本上学不到的模型和算法有了深刻的认识。也许从公司的角度看，我有些科研经历是无用的，我提出的有些方法他们觉得是rocket science根本派不上用场（其实是他们不懂而已），但同样是从我的以往经历中，可以找出对公司业务发展大有用处的模型方法。一些项目经验、建模的想法和技巧可以抽出来整合到新的问题中，而整个思考操作的过程是跟之前严谨的思维训练分不开的。
然后，我对这一类为了进某一行求速成（包括不想走弯路）问题都不太感冒，我觉得个人发展是个追求本心+适应现实的过程。不能一味只想着自己要干什么，也不能一心只想着现实是怎样的。从本心出发，想学就去学（网上超级多推荐的教材和技能），一边了解市场的需求，看自己能做什么，和自己的兴趣有哪些结合的地方。有一定积累后自然就会对自己想要在哪一个领域继续发展有一定的线索。
最后，数据分析行业尚处于刚开始的扩张阶段，指代的内容实在太杂。知乎上有些是数据分析领域的码农，有些是只会用一点数据分析的传统商业分析从业者，有些是数据科学家（从数据获取到成品全都会，个人觉得真要到这一步太难，精力太分散，而且什么都会其实就是什么都不会），有些是专注研发新模型算法的数据科学家（比如本人）。也很难给出一个简单明确的答复，什么有用什么没用。这样笼统地求速成只能越问越糊涂，码农会告诉你要学R、Python，Ruby、MapReduce、Hadoop、HIVE、PIG。。。所以你该去学各种软件，做传统商业分析的告诉你数据模型只是工具，你要学习一个企业是怎么运作，业务要怎样开展。像我这样的数据科学家会告诉你，想发展到我这一步，你必须去读个博士。全能型数据科学家告诉你，上面你全得做。以上每条路都不一样，需要的技能侧重也不相同。真正要思考的是个人发展规划。所以我一般只会写介绍性的东西，而不会告诉别人怎么速成。