不论是从事编程相关工作，还是产品、运营出身，我们不难发现身边学习或者自己钻研数据分析的小伙伴越来越多了。其实我一直认为各行各业的人都应该尝试具备一定的数据分析能力，即便不是以成为一名数据分析师为理想。

原因在于数据分析是一种思想，是一种高效且行之有效的认识这个世界的能力。即便你本人并不做数据分析师，一旦具备了这种思想和能力，也能够让你在自己的领域看的更高、更远、更透彻。换句话话，学习数据分析，我们的工作将会变得更科学高效。2019年数据分析领域将会有怎么的发展趋势，我认为主要体现在以下四大方向：

一、BI迁移到应用程序

从本质上讲，业务应用程序正在获取它们自己的分析接口，根据它们的数据和用例进行定制。这种集成和自定义使得其分析接口比深奥的、复杂的通用BI更容易被用户接受。随着B2B应用程序开始在数据智能产品上展开竞争，这一趋势将会继续下去。

二、编译器超越分析引擎

历史上，数据分析有两种提供方式：通过预计算，或者通过分析引擎。分析引擎，如Spark和Tableau的数据引擎，负责执行所需的计算，以回答关于组织数据的关键问题。现在这个领域出现了一个新的玩家：分析编译器。分析编译器可以灵活地将计算部署到不同的基础设施。编译器比分析引擎灵活得多，因为它们可以进行数据处理，而且我们可以将它们进行转换，以在不同的基础设施中运行(在数据库中，在Spark中，在GPU中，等等)。在理论上，编译器也可以生成比任何解释引擎都快的工作流。甚至Spark也一直在获取基本的编译工具，这无疑是编译器在此驻留的标志，并且可能最终会使遗留的纯计算引擎相形见绌。

三、ETL多样化

ETL是现代、敏捷和数据驱动等关键词的对立面。ETL意味着不断重复的数据，无数的延迟，以及高额的费用。为了让ETL变得更加灵活，行业内已经开发出了各种各样的替代方案。这些解决方案包括高级的ETL工具——使ETL更容易进入Hadoop或数据仓库，到流ETL解决方案，再到利用机器学习交叉引用和删除重复数据的ETL解决方案。不管你如何看待它，ETL正在经历着戏剧性的演变，这将使组织能够比以往更容易地快速地利用数据，而无需耗费大量时间和昂贵的前期投入。

四、数据仓库开放

大型组织的问题多数在于无法从专注于精心设计的分析。大多数公司甚至无法合计和计算他们有多少数据。不是因为计数很困难，而是因为一个大型组织中的数据一般分散在万个数据竖井中。下一代数据管理解决方案将在利用这些技术进步中发挥重要作用，使所有的组织的数据能够及时地对所有合适的人进行分析。

对于并不在数据分析领域的同学来说，也许绝大多数人都没有办法成为一名数据科学家，但却更有可能成为自己领域的大牛，比如一名优秀的运营专家、产品经理、HR、财务、销售、咨询顾问等。数据分析能更好地帮助我们本身的职业发展，也许这才是学习数据分析的正确思路和定位。

获取更多编程干货和互联网行业动态欢迎大家关注我的头条号~