你可能会注意到数据分析师职位存在许多不同的变体。有些职位头衔只写着“数据分析师”而另一些则包含更多细节例如“市场研究分析师”和“数字数据分析师”。这种多样性是一件好事。它意味着作为一名数据分析师你将拥有相当广泛的职业机会。因此虽然你可能不适合每一个发布的职位但每一个发布的职位也可能并不适合你。在继续前进的过程中牢记你自己的兴趣非常重要。我们已涵盖或将要涵盖的某些主题你可能会发现自己特别感兴趣。根据兴趣定制求职方向以下是你可以采取的策略关注职责描述当你在求职时你可能希望定制你的搜索以找到专注于或包含你感兴趣领域的工作。例如如果一个职位描述将数据清洗列为一项工作职责并且你认为自己会非常享受这个过程你可以将该职位作为你的首选。结合过往背景同时考虑你的其他兴趣。如果你有零售、医疗或金融方面的背景并且有过良好的经验你可以申请与你背景相匹配的工作。作为一个额外的好处你的经验在你的简历上会显得非常出色。探索个人兴趣领域但在你没有任何专业经验的个人兴趣领域寻找工作也是可以的。如果你一直热爱汽车可以看看汽车行业有哪些职位。如果你对公用事业公司的运作方式着迷可以在能源和公用事业行业寻找工作。找到一份工作很棒。找到一份你热爱的工作则更棒。请始终记住数据分析正在许多不同的行业中不断发展。因此职位头衔和招聘需求也可能发生变化。但无论你在搜索时遇到什么机会总是存在的。预览数据分析师职位类型现在让我们预览一下市面上众多数据分析师职位中的一些类型。你在这里获得的证书将最适用于初级或助理数据分析师职位。但这并不意味着你必须将求职范围仅限于初级或助理分析师的招聘信息。职位头衔形式多样。新的分析师在广泛的行业中工作。以下是几种常见类型医疗保健分析师他们收集和解释来自电子健康记录和患者调查等来源的数据。他们的工作帮助组织提高护理质量。医疗保健分析师也可能寻找降低护理成本和改善患者体验的方法。市场营销数据分析师他们完成定量和定性的市场分析。他们识别重要的统计数据并解释和展示他们的发现以帮助利益相关者理解其营销策略背后的数据。商业智能分析师他们帮助公司利用收集到的数据来提高效率并最大化利润。这些分析师通常处理大量数据以识别趋势并产生商业洞察。金融分析师他们也处理大量数据实际上所有分析师都如此但金融分析师利用数据来识别并可能推荐商业和投资机会。如果你是这一领域的初级分析师你可能会从大量的数据收集、财务建模以及电子表格维护工作开始。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-dtanls-4/img/4f303680c81da8bdd1e5dcf8069d4600_2.png这仅仅是数据分析师职位类型的一小部分示例。我们介绍的每种类型也可以扩展到其他行业例如商业智能分析师可以在医疗保健、政府、电子商务等领域工作。总结想到这些可能性是令人兴奋的。当然你还有更多的工作要做但展望未来并无不妥。当你到达你所展望的那个阶段时你将能够主动出击为自己找到最适合的工作。目前我们将继续探索你的简历构建。下次见。037谷歌数据分析师第四课《从脏数据到干净数据的处理》课程总结 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-dtanls-4/img/a36ecb027cbd20ac88f5dd1ad0cb925d_0.png在本节课中我们共同学习了如何将原始、混乱的数据转化为可用于分析的干净数据。现在让我们对这门课程的核心内容进行回顾与总结。课程回顾恭喜你完成了这门课程。你已经涵盖了大量内容并学到了很多知识。目前只剩下一件事要做继续前进。但如果你需要回顾所学内容这些视频将始终为你开放。现在我很高兴向你介绍下一门课程的讲师Ayana。她已准备好在你继续成为数据分析师的旅程中指导你完成项目的下一部分。下一阶段展望你已经学会了如何准备和处理数据。在下一门课程中Ayana将向你展示如何分析数据。我们将探索如何理解你已收集和清理的所有数据你将学习如何提出正确的问题并使用数据来寻找答案。我们还将再次展示如何组织和格式化数据使其完全准备好进行分析。核心数据处理技术我们将讨论聚合和连接这是两个允许你收集所需全部数据并为利益相关者进行总结的关键过程。以下是这两个核心概念的简要说明聚合指将多行数据汇总为单行摘要统计信息的过程常用函数如SUM()、AVG()、COUNT()。连接指基于相关列将两个或多个表中的行组合起来的过程例如SQL中的JOIN语句。工具应用电子表格和SQL也将再次登场。我们将为你提供更多使用它们进行计算练习的机会并解释SQL中临时表的工作原理。到目前为止你的表现非常出色。祝你在接下来的学习中一切顺利。总结本节课中我们一起学习了数据清洗与处理的全流程为数据分析奠定了坚实的基础。下一阶段我们将聚焦于数据分析本身运用处理好的数据来探索问题并发现洞见。请继续保持学习的热情我们下一课程见