随着Cloudera、Neo4j、MongoDB和Ayasdi等公司展示出激动人心的未来，正迎来下一代工具和产品的诞生。在这样的发展速度下，学习策略也需要相应地改变。不能再仅仅学习一个工具，然后在未来2-3年内都能保持竞争力。需要持续学习。
如果是认真的想要在数据分析领域有所建树，那么以下规则应该铭记在心：
开源工具因其成本效益高、社区支持强大和开发速度快而日益流行。对于独立工作的科学家或自由职业者来说，这些工具也是他们能够获得的工具。除了那些刚进入数据分析行业（主要关注就业）的人之外，学习R（或Python）几乎是未来保障自己的必备技能。因此，如果想要一个长期的数据分析职业，现在就开始学习其中之一吧！
工具的个人免费试用将成为常态（如果还不是的话）。意思是，越来越多的公司将提供免费的基本版工具。例如，Qlikview提供免费下载的个人版，但如果想共享仪表板，需要购买许可证。Google的大查询（Big query）提供一定数据量内的免费查询。这有什么关系呢？作为初学者，可以访问任何想要的工具。可以在购买/部署它们之前测试工具。此外，可以通过下载和实验这些工具来加速学习。
尤其是在职业生涯的早期。为了区分自己，需要至少在一个领域有专长。如果是商业智能专业人士，需要了解所有可用工具的全谱，它们的优缺点。大数据专家和数据科学家也是如此。变化的速度不允许在所有这些科目中都有专长。可以选择偏好的任何专长，因为每个专长都提供了良好的职业前景。
领导者需要知道整个领域发生了什么，以及这如何能够使组织受益。所以，在在一个主题领域有了深入的知识之后，需要同等地关注其他领域（虽然是在更高的层次上）。
随着数据量的每秒增加，不能再依赖条形图和饼图来讲述故事。新的创意可视化有助于有效和高效地传递故事。无论是信息图表、网络的图形表示还是地理空间热图——所有这些都比条形图/表格讲述相同故事时更能产生影响。
由于强有力的基本原因，机器学习变得越来越重要。无论是谷歌的无人驾驶汽车，还是智能手机试图理解需求，或者是手腕上的传感器定期监测健康，所有这些都需要人机协调。认为这里的职业机会几乎可以分成两类：从各种传感器和机器收集数据，以及分析数据流以得出洞察和个性化体验。
喜欢这些竞赛，希望也喜欢。遗憾的是，没有太多时间参加这些竞赛。但这些是理想的平台，让可以与同龄人一起学习。看看在Kaggle上各种竞赛的讨论，就会明白意思，可以通过这些竞赛学到很多。作为一个额外的好处，它们可以成为招聘平台。
这是不言而喻的！学的越多，就越好。重要的是要定期和持续地学习。无论是Coursera上的课程、YouTube教程、博客还是GitHub上的iPython笔记本，都要花时间定期学习。
相信这些规则中的每一个。内化它们将帮助在学习旅程中变得更加清晰。对这些有什么看法？还有其他规则/视角要补充吗？请在下面的评论中告诉。
照片版权归giulia.forsythe所有，通过photopin cc发布。