1. 第一阶段(一般岗位叫数据专员)
基本学会excel(VBA最好学会;会做透视表;熟练用筛选、排序、公式)，做好PPT。这样很多传统公司的数据专员已经可以做了
2. 第二阶段(数据专员~数据分析师)
这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。
3. 第三阶段(数据分析师)
统计学熟练(回归、假设检验、时间序列、简单蒙特卡罗)，可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。
4. 第四阶段(分裂)
数据分析师(数据科学家)、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用(调参+选模型+优化)，取数、ETL、可视化啥的都是基本姿态。
可视化工程师：这部分国内比较少，其实偏重前端，会high charts，d3.js, echarts.js。技术发展路线可以独立，不在这四阶段，可能前端转行更好。
ETL工程师：顾名思义，做ETL的。
大数据工程师：熟悉大数据技术，hadoop系二代。
数据工程师(一部分和数据挖掘工程师重合)：机器学习精通级别(往往是几种，不用担心不是全部，和数据分析师侧重点不同，更需要了解组合模型，理论基础)，会组合模型形成数据产品;计算机基本知识(包括linux知识、软件工程等);各类数据库(RDBMS、NoSQL(4大类))
数据挖掘：和上基本相同。
爬虫工程师：顾名思义，最好http协议、tcp/ip协议熟悉。技术发展路线可以独立，不在这四阶段
发现回答的有点文不对题额，不过大致是所有从底层数据工作者往上发展的基本路径。往数据发展的基本学习路径可以概括为以下内容：
1. EXCEL、PPT(必须精通)
数据工作者的基本姿态，话说本人技术并不是很好，但是起码会操作;要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。
2. 数据库类(必须学)
初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。
NoSQL可以在之后和统计学啥的一起学。基本的NoSQL血MongoDB和Redis(缓存，严格意义上不算数据库)，然后(选学)可以了解各类NoSQL，基于图的数据库Neo4j，基于Column的数据库BigTable，基于key-value的数据库redis/cassendra，基于collection的数据库MongoDB。
3. 统计学(必须学)
如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归(特别是广义线性回归)、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。
其他数学知识：线性代数常用(是很多后面的基础)，微积分不常用，动力系统、傅里叶分析看自己想进的行业了。
4. 机器学习(数据分析师要求会选、用、调)
常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯;不常用的也稍微了解一下;深度学习视情况学习。
5. 大数据(选学，有公司要求的话会用即可，不要求会搭环境)
hadoop基础，包括hdfs、map-reduce、hive之类;后面接触spark和storm再说了。
6. 文本类(选学，有公司要求的话会用即可)
这部分不熟，基本要知道次感化、分词、情感分析啥的。
7. 工具类
语言：非大数据类R、Python最多(比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab);大数据可能还会用到scala和java。
1. 第一阶段（一般岗位叫数据专员）
基本学会excel（VBA最好学会；会做透视表；熟练用筛选、排序、公式），做好PPT。这样很多传统公司的数据专员已经可以做了
2. 第二阶段（数据专员~数据分析师）
这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。
3. 第三阶段（数据分析师）
统计学熟练（回归、假设检验、时间序列、简单蒙特卡罗），可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。
4. 第四阶段（分裂）
- 数据分析师（数据科学家）、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用（调参+选模型+优化），取数、ETL、可视化啥的都是基本姿态。可视化工程师：这部分国内比较少，其实偏重前端，会high charts，d3.js, echarts.js。技术发展路线可以独立，不在这四阶段，可能前端转行更好。ETL工程师：顾名思义，做ETL的。大数据工程师：熟悉大数据技术，hadoop系二代。数据工程师（一部分和数据挖掘工程师重合）：机器学习精通级别（往往是几种，不用担心不是全部，和数据分析师侧重点不同，更需要了解组合模型，理论基础），会组合模型形成数据产品；计算机基本知识（包括linux知识、软件工程等）；各类数据库（RDBMS、NoSQL(4大类)）数据挖掘：和上基本相同。爬虫工程师：顾名思义，最好http协议、tcp/ip协议熟悉。技术发展路线可以独立，不在这四阶段
学习数值分析，不应盲目记公式，因为公事通常很长且很乏味。我个人认为，应从公式所面临的问题以及用途出发。比如插值方法，就是就是把实验所得的数据看成是公式的解（好比函数图像上的各个点），由这些解反推出一个近似公式，可以具有局部一般性。再比如说拟合，在插值的基础上考虑实验误差，通过拟合能将误差尽可能缩小，之后目的也是得到一个具有一定条件下的一般性的公式。
好好学吧，数值分析挺实用，与数学建模一起构成数学学科中最实用的两门学科，在工程，经济等许多邻域都有广泛的用途。
基本学会excel（VBA最好学会；会做透视表；熟练用筛选、排序、公式），做好PPT。这样很多传统公司的数据专员已经可以做了
2. 第二阶段（数据专员~数据分析师）
这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。