1、学好数学相关课程

       数学是学科之王，物理、化学的终极领域就是数学。工业革命的首先是科学技术的革命，数学在其中扮演了非常重要的作用，17世纪的英国、18世纪的法国、德国，19世纪的俄国和美国，无一例外是数学强国。数学科学分析和研究的对象就是业务和数据的关系，而数据在脱离了上下文的时候就是数字，要处理数据必须运用大量的软件工具和数学知识。

       如果你还在学校，最重要任务就是打好数学基础，学好高等数学、线性代数、概率与数理统计、数值分析、多元分析、泛函分析等相关课程。数学是一门基础学科，需要长时间的学习和知识积累，而且数学课程离开学校是没地方补的，数据分析的其他能力(如编程)可以通过其他渠道学习。

2、多关注领域知识

       学习一门技术要和行业靠拢，没有行业背景的技术如空中楼阁。大数据是技术工具，最终的应用需要深入理解业务企业的业务场景和商业模式，甚至有人说不懂业务就不要谈大数据，可见领域知识的重要性。近几年在顶尖科学杂志《Nature》与《Science》上发表的大数据文章都是来自行业专家，而并非计算机专家，这从另外一个方面反映了业务知识的重要性。在PPV课课堂上有一个案例是《电力系统偷漏电分析》，在这个案例中，如果你不了解工厂的生产规律是无法进行特征提取的，更不要说建立有效的数学模型。

3、掌握泛编程能力

       先看一份国外的调查报告：O’Reilly关于数据科学职位薪酬的第四次研究》本次研究的983个样本来自45个国家以及美国45个州的不同行业。通过本次调查的64个问题，研究了数据科学家、分析师与工程师所要使用的工具，工作涉及的任务以及薪酬的内容。