零基礎(chǔ)入門數(shù)據(jù)分析，建議先從Excel開始，因為Excel是數(shù)據(jù)分析最常用的工具，功能強大，入門容易。

從Excel開始

Excel需要學(xué)習(xí)的有3點，Excel公式、數(shù)據(jù)透視表和Excel圖表。

1、Excel公式

2、數(shù)據(jù)透視表

3、Excel圖表

學(xué)習(xí)一些SQL基礎(chǔ)

接著建議學(xué)習(xí)MySQL，因為數(shù)據(jù)分析跟數(shù)據(jù)打交道，懂點sql知識還是很有必要的。

懂點統(tǒng)計學(xué)理論很有必要

統(tǒng)計學(xué)是必須的，不懂統(tǒng)計學(xué)根本算不上數(shù)據(jù)分析師，具體內(nèi)容有：統(tǒng)計學(xué)基礎(chǔ)、參數(shù)估計、假設(shè)檢驗、方差分析、線性回歸、時間序列、聚類分析、主成分分析及因子分析等。

SPSS

分析工具除了Excel，推薦SPSS，使用廣泛，容易上手。

因為統(tǒng)計學(xué)很有些分析方法通過Excel就可以搞定；有些不行，必須通過其他工具才能搞定，例如多元線性回歸、聚類分析、主成分分析及因子分析，都需要用到SPSS。

在掌握了統(tǒng)計學(xué)的基礎(chǔ)上，在學(xué)習(xí)SPSS是很容易的，因為SPSS只是一個工具而已。

編程學(xué)習(xí)（可選）

另外，有精力的話，懂點編程也是必須的，因為用Excel做數(shù)據(jù)分析，少量數(shù)據(jù)（大約幾十萬甚至百萬）沒有問題，但是再大一點的數(shù)據(jù)通過程序來程序會更高效。

1、Python/R

Python和R都可以，R在數(shù)據(jù)分析方面更加強大，也更成熟，但是想往機器學(xué)習(xí)方向發(fā)展的話，Python還是主流語言，推薦學(xué)習(xí)Python。

2、Excel VBA

雖然Excel為我們提供了很多好用的公式和功能，但是還有很多工作無法用現(xiàn)有的公式和功能批量完成，比如Excel表格的批量拆分、數(shù)據(jù)批量分類等，而借助于VBA代碼，可以很方便地處理這些問題。

回答完畢！

大數(shù)據(jù)公司里一般建立數(shù)據(jù)庫和分析數(shù)據(jù)的是兩撥人。

如果你想學(xué)習(xí)如何建立數(shù)據(jù)庫，就學(xué)SQL。結(jié)構(gòu)化查詢語言（Structured Query Language），簡稱SQL，是一種數(shù)據(jù)庫查詢和程序設(shè)計語言，用于存取數(shù)據(jù)及查詢，更新和管理數(shù)據(jù)的系統(tǒng)?？梢杂脕聿樵儥z索數(shù)據(jù)，添加修改和刪除數(shù)據(jù)等等。

如果你想學(xué)習(xí)拿到數(shù)據(jù)后如何進行分析，就學(xué)Python，統(tǒng)計和一些機器學(xué)習(xí)算法。機器學(xué)習(xí)理論主要是設(shè)計和分析一些讓計算機可以自動學(xué)習(xí)的算法，從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預(yù)測。因為這些算法中涉及了大量的統(tǒng)計學(xué)理論，所以有一些統(tǒng)計學(xué)的知識是很有幫助的，但是也不需要統(tǒng)計什么都懂。但是由于我們處理的數(shù)據(jù)很龐大，無法手算，必須借助計算機來幫我們進行大量的計算，所以需要學(xué)習(xí)Python編程語言來幫助我們，每個機器學(xué)習(xí)的算法都有相應(yīng)的Python指令來幫你計算的。

機器學(xué)習(xí)的算法有比如：

非監(jiān)督式學(xué)習(xí)中的K-Means算法，DBSCAN，t-SNE等等，主要不是用來預(yù)測，而是對整個數(shù)據(jù)有一定的深入了解。

監(jiān)督式學(xué)習(xí)中常見的有：

1. 回歸算法：試圖采用對誤差的衡量來探索變量之間的關(guān)系的一類算法，常見的種類有最小二乘法（Ordinary Least Square），邏輯回歸（Logistic Regression），逐步式回歸（Stepwise Regression），多元自適應(yīng)回歸樣條（Multivariate Adaptive Regression Splines）以及本地散點平滑估計（Locally Estimated Scatterplot Smoothing）。

2. 決策樹學(xué)習(xí)：根據(jù)數(shù)據(jù)的屬性采用樹狀結(jié)構(gòu)建立決策模型，通常用來解決分類的問題。常見種類有：分類及回歸樹（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林（Random Forest）， 多元自適應(yīng)回歸樣條（MARS）以及梯度推進機（Gradient Boosting Machine， GBM）

3. 神經(jīng)網(wǎng)絡(luò)：模擬生物神經(jīng)網(wǎng)絡(luò)，通常用于解決分類和回歸問題。神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個龐大的分支，有幾百種不同的算法。（其中深度學(xué)習(xí)就是其中的一類算法，我們會多帶帶討論），重要的神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network）, 反向傳遞（Back Propagation）， Hopfield網(wǎng)絡(luò)，自組織映射（Self-Organizing Map, SOM）等等。

想要零基礎(chǔ)如何入門數(shù)據(jù)分析，先要從整體認(rèn)識數(shù)據(jù)分析，再從簡單處著手。

大數(shù)據(jù)時代，數(shù)據(jù)分析變得越來越普遍。即便有著不同的職業(yè)經(jīng)歷，來自不同的國家或地區(qū)，數(shù)字都能發(fā)揮威力。數(shù)據(jù)分析不是簡單地把業(yè)績做成圖表提交上去，而要用合乎邏輯的方式證明“為什么會這樣”，才能說服對方。

柏木吉基寫了《如何用數(shù)據(jù)分析解決實際問題》，作者柏木吉基在汽車公司的總部工作了11年，主要工作就是跟數(shù)據(jù)打交道，因此有著不尋常的見解。

柏木吉基在書中指出，將數(shù)據(jù)應(yīng)用于實際業(yè)務(wù)分四種情況：

1.解讀數(shù)據(jù)。這是駕馭數(shù)據(jù)的基礎(chǔ)，關(guān)鍵要掌握觀察數(shù)據(jù)的“視點”，從靜態(tài)和動態(tài)兩方面去看一個數(shù)據(jù)。

2.基本的數(shù)據(jù)分析方法?；ヂ?lián)網(wǎng)時代，要有基本的電子辦公技能。

3.綜合技能。將思維方式有機地結(jié)合起來，不再孤立地看數(shù)據(jù)，而使數(shù)據(jù)具有整體一貫性。

4.高級分析技能和IT系統(tǒng)。更專業(yè)，難度也更大。

要多看多練習(xí)還有就是要有興趣，越看越想學(xué)越有動力才能學(xué)好

數(shù)據(jù)分析思維概述：

數(shù)據(jù)分析的過程與做大盤雞有異曲同工之妙。如果一一對應(yīng)，可以這么來看：

1.客人到底想吃什么？（分析目標(biāo)）

2.要做一盤大盤雞（業(yè)務(wù)背景）

3.知道大盤雞的做法，需要哪些材料（分析思路）

4.有一塊雞肉（原始數(shù)據(jù)）

5.有配料（輔助數(shù)據(jù)）

6.有灶臺、鍋碗瓢盆（分析工具）

7.蒸煮炸等烹飪手法（數(shù)據(jù)處理）

以上可以形象幫你理解數(shù)據(jù)分析。當(dāng)然其中最重要的是分析思路，當(dāng)然我感覺數(shù)據(jù)分析還是應(yīng)該從 獲取數(shù)據(jù)以及可視化開始。希望對你有幫助

《深入淺出統(tǒng)計學(xué)》

《從零進階！數(shù)據(jù)分析的統(tǒng)計基礎(chǔ)》

《誰說菜鳥不會數(shù)據(jù)分析》

《精益數(shù)據(jù)分析》

《數(shù)據(jù)挖掘與數(shù)據(jù)化運營實戰(zhàn)，思路、方法、技巧與應(yīng)用》......

大數(shù)據(jù)時代，數(shù)據(jù)為王。用數(shù)據(jù)做分析，給公司決策提供指導(dǎo)性意見，是眾多公司在這個精細(xì)化運營，降本增效的時代必須要做的事情。各大企業(yè)都建立了數(shù)據(jù)分析部門。截止目前，我國共計1400萬數(shù)據(jù)分析人才缺口，市場規(guī)模預(yù)計將在2025年達(dá)到2000億！數(shù)據(jù)分析與其說是一個崗位，更是一個重要技能，擁有這項技能意味著你的就業(yè)前景更好，職業(yè)發(fā)展更廣。

那么數(shù)據(jù)分析零基礎(chǔ)應(yīng)該怎么學(xué)呢？下面我將從數(shù)據(jù)分析的學(xué)習(xí)周期、學(xué)習(xí)內(nèi)容以及職業(yè)發(fā)展規(guī)劃三個方面，帶大家充分了解數(shù)據(jù)分析這一行業(yè)。

1、 數(shù)據(jù)分析要學(xué)多久？

每個人的學(xué)習(xí)能力和基礎(chǔ)都不同，所以數(shù)據(jù)分析的學(xué)習(xí)周期也不同。如果是通過自學(xué)的方式，由于無專業(yè)老師指導(dǎo)及無法系統(tǒng)的學(xué)習(xí)，這個周期可能會很長。一般來講，如果零基礎(chǔ)的學(xué)習(xí)者進行系統(tǒng)的培訓(xùn)，最快也要將近三、四個月的時間。數(shù)據(jù)分析的學(xué)習(xí)應(yīng)該首先從熟悉表以及表結(jié)構(gòu)開始，它的原點一定是在首先了解熟悉Excel的基礎(chǔ)上，在能夠從數(shù)據(jù)庫里提數(shù)的基礎(chǔ)上再進行技能的升級。你的技能從能夠從數(shù)據(jù)庫里提數(shù)，并且用Excel和BI處理幾萬行的小數(shù)據(jù)量，到使用python批量化處理幾十萬甚至百萬行中量級數(shù)據(jù)量，到最終使用大數(shù)據(jù)的相關(guān)組件，例如hadoop，spark，flume等組件處理千萬級甚至是億級大數(shù)據(jù)量。每一個階段所需要的工具加方法論都是不一樣的。一般而言，對于自學(xué)而成為能處理中量級數(shù)據(jù)量的分析師而言，得至少入門python的pandas，numpy等數(shù)據(jù)處理庫。這個零自學(xué)的周期，也一般跟悟性和自律有關(guān)，悟性和自律性高的同學(xué)，可能在4個月能夠掌握；如果悟性和自律性不高的同學(xué)，這個周期有可能就是半途而廢，無法估量時間了。這里給大家推薦一下聚數(shù)學(xué)院的《數(shù)據(jù)分析實戰(zhàn)就業(yè)班》（聚數(shù)學(xué)院)，專注于培養(yǎng)數(shù)據(jù)分析師的數(shù)據(jù)處理能力、數(shù)據(jù)分析能力和數(shù)據(jù)挖掘能力，課程內(nèi)容從數(shù)據(jù)庫管理、統(tǒng)計理論方法、數(shù)據(jù)分析主流軟件的應(yīng)用到數(shù)據(jù)挖掘算法等，對一整套數(shù)據(jù)分析流程技術(shù)進行系統(tǒng)講解并配以實戰(zhàn)練習(xí)，學(xué)完之后，學(xué)習(xí)者可以直接達(dá)到數(shù)據(jù)分析師的水平。

2、 數(shù)據(jù)分析要學(xué)什么？

(1) Excel

說起Excel可能會有人覺得這個很簡單，但是Excel確實是一個功能強大的利器。零基礎(chǔ)學(xué)數(shù)據(jù)分析師一定要從Excel入門，因為Excel是處理小型數(shù)據(jù)量企業(yè)用的最多的工具，在基礎(chǔ)數(shù)據(jù)分析師與數(shù)據(jù)運營崗位中具有極其重要的地位。作為數(shù)據(jù)分析師的核心工具，具體學(xué)習(xí)內(nèi)容有Excel函數(shù)技巧（查找函數(shù)、統(tǒng)計函數(shù)、邏輯函數(shù)）、Excel快速處理技巧（格式調(diào)整、查找定位、快捷鍵技巧等）和Excel可視化技巧（組合圖、條形圖、數(shù)據(jù)氣泡地圖）等。

(2) Mysql

SQL同樣是零基礎(chǔ)學(xué)習(xí)數(shù)據(jù)分析的核心內(nèi)容。因為作為數(shù)據(jù)分析師，你首先要解決的問題就是你要有數(shù)據(jù)來做分析。通常企業(yè)都會有自己的數(shù)據(jù)庫，數(shù)據(jù)分析師首先得根據(jù)業(yè)務(wù)需要知道自己要從企業(yè)數(shù)據(jù)庫中提取哪些數(shù)據(jù)。企業(yè)如果部署本地數(shù)據(jù)庫，那么一定是SQL語言做提取數(shù)據(jù)的語言。SQL簡單易懂，非常容易上手，并且是非學(xué)不可的。SQL語言從學(xué)習(xí)MySQL數(shù)據(jù)庫開始，涉及對表結(jié)構(gòu)數(shù)據(jù)的增刪改查。真正在企業(yè)里面，數(shù)據(jù)分析師一般不會有增刪改的權(quán)限，只會有查的權(quán)限。學(xué)員應(yīng)該重點掌握查的各種句式。

(3) Python

Python的基礎(chǔ)對于數(shù)據(jù)分析師而言是非常重要的。對于十萬級或者百萬級數(shù)據(jù)量而言，Excel和BI都會因為運行卡頓而變得完全無法使用。然而在實際企業(yè)運用中，一次性處理十萬級以及百萬級數(shù)據(jù)又是非常常見的。而Python則是處理這種中量級數(shù)據(jù)的利器。因為Python有很多的第三方強大的庫，比如Numpy、Pandas、Matplotlib、Seaborn等。這些庫能讓數(shù)據(jù)分析師對百萬數(shù)據(jù)進行數(shù)據(jù)清理和畫圖分析。Python不僅能數(shù)據(jù)清洗，畫圖，還能用sklearn進行大數(shù)據(jù)算法分析。雖然Python是數(shù)據(jù)分析的重要工具，但是不同的職業(yè)發(fā)展方向，Python掌握的程度也是不一樣的。

(4) BI商業(yè)智能工具

BI可以理解成Excel圖表透視表的高級版。BI是將表與表相連，然后得出很多指標(biāo)圖。它是一個大屏的看板，如下圖：

企業(yè)銷售指標(biāo)，運營指標(biāo)，物流指標(biāo)等等。這些圖可以表示企業(yè)在過去5個月的平均銷售單價，過去24個月銷售的物流發(fā)貨量的變化曲線，甚至是現(xiàn)在實時的銷售額，這些都是企業(yè)關(guān)心的問題。有了這個看板，領(lǐng)導(dǎo)層在監(jiān)控企業(yè)業(yè)務(wù)方面就有了非常直觀的數(shù)據(jù)，以供他們及時做出決策調(diào)整?，F(xiàn)在市面上比較流行的BI軟件，有FineBI，PowerBI等。而這些BI軟件實際上都是非常類似的，學(xué)起來難度也不大。學(xué)習(xí)FineReport、FineBI由入門到精通，快速挖掘數(shù)據(jù)價值，將這些數(shù)據(jù)轉(zhuǎn)化成有用的信息，讓企業(yè)決策有數(shù)據(jù)依據(jù)，從而驅(qū)動企業(yè)決策和運營。

(5) 數(shù)理統(tǒng)計與數(shù)據(jù)運營

數(shù)理統(tǒng)計和數(shù)據(jù)運營方法論是數(shù)據(jù)分析師的理論基石。數(shù)理統(tǒng)計包括概率論，統(tǒng)計學(xué)，線性代數(shù)，以及基礎(chǔ)的微積分理論。這些內(nèi)容都不需要理解的很深，但是對它們的原理以及內(nèi)涵都需要有所掌握。由于整個數(shù)據(jù)分析的源頭其實就是脫胎于描述性統(tǒng)計分析的。描述性統(tǒng)計分析是對樣本的總數(shù)、均值等指標(biāo)做統(tǒng)計的；而數(shù)據(jù)分析后續(xù)涉及到的算法則是架構(gòu)在統(tǒng)計學(xué)上更深一層次的建模。因此，掌握數(shù)理統(tǒng)計的相關(guān)知識對于入門數(shù)據(jù)分析師而言是基礎(chǔ)且必要的。

那數(shù)據(jù)運營方法論是什么呢？數(shù)據(jù)運營方法論實際上是學(xué)習(xí)各個行業(yè)所運營的分析模型。例如，對電商而言，漏斗分析可以分析出來進入主頁的人數(shù)PV1，到進入服裝板塊的人數(shù)PV2，PV2/PV1就可以得出一個進入服裝板塊的比率。還有很多通用的分析模型：相關(guān)分析，A/B test等。對于想往管理路線發(fā)展的數(shù)據(jù)分析師來講，數(shù)據(jù)運營是必須要學(xué)習(xí)的知識。其實數(shù)據(jù)運營知識也不復(fù)雜，就是根據(jù)自身業(yè)務(wù)需求將指標(biāo)拆解到最細(xì)，然后運用同比和環(huán)比兩種數(shù)據(jù)分析方式。

(6) 機器學(xué)習(xí)

最后一個進階要求數(shù)據(jù)分析師掌握對大量數(shù)據(jù)分析的能力。這種分析就不只是停留在描述統(tǒng)計分析和運用數(shù)據(jù)運營方法進行分析了，而是進行預(yù)測分析。預(yù)測分析的本質(zhì)是利用已有的數(shù)據(jù)做出一套變量x，與預(yù)測最終值y之間的關(guān)系（也就是數(shù)學(xué)算法公式），然后利用這套算法，將更多的x輸入算法中去得出一個預(yù)測的y值，這里聽不懂沒關(guān)系?？傊?，這個階段的數(shù)據(jù)分析是利用大量的歷史數(shù)據(jù)構(gòu)建出一套數(shù)學(xué)公式（也就是算法），用這個數(shù)學(xué)公式去對未來進行預(yù)測。比如說：一個人大量地刷體育短視頻，根據(jù)算法可以得出這個人可能對觀看足球比賽的ucloud體育會員感興趣。這類推斷和預(yù)測對于商業(yè)世界是有著極大變現(xiàn)意義的。要想成為掌握算法的數(shù)據(jù)分析師，機器學(xué)習(xí)是不可跳過的入門。學(xué)員應(yīng)該從簡單的一元回歸，多元回歸，以及邏輯回歸學(xué)習(xí)等，逐漸學(xué)習(xí)更多像決策樹，隨機森林，SVM等更高級的算法。

3、 數(shù)據(jù)分析的職業(yè)發(fā)展規(guī)劃？

一般來講，數(shù)據(jù)分析有兩條發(fā)揮路線，一條是管理路線，一條是技術(shù)路線。往管理端發(fā)展，比如初級數(shù)據(jù)分析師，到數(shù)據(jù)運營，到數(shù)據(jù)分析經(jīng)理、數(shù)據(jù)運營總監(jiān)等等。這條發(fā)展路徑主要要求統(tǒng)計學(xué)、Excel、PPT等技能，需要撰寫市場分析報告。這條路看似技術(shù)掌握不用太深，但是對業(yè)務(wù)的理解要極深。而精深的業(yè)務(wù)理解需要時間和深度的業(yè)務(wù)鉆研精神。如果你是非數(shù)學(xué)、計算機和統(tǒng)計學(xué)專業(yè)的朋友，比較適合這條非技術(shù)的職業(yè)發(fā)展之路。

而向技術(shù)方向發(fā)展，則目標(biāo)會非常明確。一是深入往數(shù)據(jù)挖掘方向發(fā)展，學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)，NLP等前沿算法。二是深入數(shù)據(jù)分析開發(fā)，把大數(shù)據(jù)組件hadoop，spark等等大數(shù)據(jù)組件學(xué)好學(xué)精。這是一條技術(shù)類的發(fā)展方向，要求更高的統(tǒng)計學(xué)能力、數(shù)理能力以及編程技巧。

實際上，無論是非技術(shù)的業(yè)務(wù)方向和技術(shù)專家方向都要的是兩個字：鉆研。當(dāng)然聽到這里，我們也需要重重地闡述一下：入門初級數(shù)據(jù)分析是不難的。而后半段，要成為一個優(yōu)秀的數(shù)據(jù)分析師是難的，是需要刻苦鉆研精神的。

如果看到這里，你覺得自己心理上已經(jīng)就入門數(shù)據(jù)分析師方向做好了準(zhǔn)備，但是你是零基礎(chǔ)實在不知道如何入行的話，歡迎私聊獲取免費的數(shù)據(jù)分析師知識點大綱，并且免費做數(shù)據(jù)分析師的入門咨詢。

我是一枚做過產(chǎn)品運營，策劃，數(shù)據(jù)分析，數(shù)據(jù)挖掘，大數(shù)據(jù)，在IT行業(yè)浸淫多年的最老的80后。

之前在剛畢業(yè)加入互聯(lián)網(wǎng)這行的時候，也很焦慮也很著急，那會兒特別想做互聯(lián)網(wǎng)產(chǎn)品序列的工作，但是腦袋里一片漿糊，不知道從何入手。

我先說說我的經(jīng)歷，然后再順著我的經(jīng)歷講數(shù)據(jù)分析這塊的學(xué)習(xí)和提升的方法論，避免大家少走彎路，能用正確的方法快速成長。

我剛畢業(yè)那會兒是03年，面了很多網(wǎng)絡(luò)游戲公司，因為從小特別熱愛游戲，也面了很多IT公司，因為那會兒互聯(lián)網(wǎng)剛起步?jīng)]多久是一個風(fēng)口，自己也挺喜歡，最終還是選擇了游戲行業(yè)，因為還是遵循內(nèi)心最真實的想法，選擇自己熱愛的領(lǐng)域作為未來的事業(yè)，這個選擇一直到現(xiàn)在我都覺得很正確。

03年那會開始以管理培訓(xùn)生的身份到北京的一家知名游戲公司實習(xí)，機緣巧合，被選拔到了上海分公司做產(chǎn)品運營，負(fù)責(zé)一個moba+rpg項目的商業(yè)化和產(chǎn)品調(diào)優(yōu)模塊，剛?cè)ツ菚耗膬簳@些專業(yè)的東西啊，去的時候甚至連封閉測試的目的都不知道，后來也是一個個問在工作中打磨出了方法論。說實話當(dāng)時負(fù)責(zé)的是商業(yè)化和產(chǎn)品調(diào)優(yōu)模塊，如果你沒有數(shù)據(jù)，你怎么去給研發(fā)提調(diào)優(yōu)建議，怎么去設(shè)計商業(yè)化活動，如果商業(yè)化活動有問題你連調(diào)整的依據(jù)都沒有，所以從那兒開始就開始接觸數(shù)據(jù)分析的工作。

最開始的時候，我們內(nèi)部對于用戶流失的指標(biāo)定義有很大的歧義，但是如果這個指標(biāo)不確定下來，我們接下來的分析的結(jié)論會出現(xiàn)很大的偏差，最終會影響我們的調(diào)優(yōu)決策，從而影響最終的業(yè)務(wù)，當(dāng)時因為年輕也沒有考慮太多就按照公司統(tǒng)一標(biāo)準(zhǔn)來，但現(xiàn)在轉(zhuǎn)過頭發(fā)現(xiàn)，真的很坑，當(dāng)年的很多結(jié)論都是不對的，嚴(yán)重影響了大家的決策和判斷。這里提到第一個點，叫做：業(yè)務(wù)數(shù)據(jù)指標(biāo)的定義。這個東西至關(guān)重要?。?！

當(dāng)我們有了業(yè)務(wù)指標(biāo)的定義的時候，需要去確定很多東西，比如說觀測數(shù)據(jù)的維度，統(tǒng)計的周期等，比如拿一個最簡單的流失分析來說，可能我的分析思路是抽絲剝繭，從大到小，逐項縮小范圍的分析方式，那么具體分析的時候怎么分析呢？很多人都知道是看流失時的等級，如果等級看不出具體問題，還得到任務(wù)，如果任務(wù)還看不出來要到具體的客戶端點擊，當(dāng)然這些都只是常規(guī)的操作，甚至如果有足夠的經(jīng)驗和積累，不用做分析都大概知道哪里有問題，我們需要的分析不僅僅只局限于此，而是要更加的深入，深入的玩家背后的動機。這里提到第二個點，叫做：數(shù)據(jù)觀測的維度，和統(tǒng)計的周期。這個東西同樣直觀重要?。?！

在上海做了一年的產(chǎn)品運營之后，后續(xù)我調(diào)回北京總部，擔(dān)任數(shù)據(jù)分析師，我是從普通數(shù)據(jù)分析師一步步走上管理崗位的，現(xiàn)在是公司業(yè)務(wù)數(shù)據(jù)部門的負(fù)責(zé)人，當(dāng)然在15-19年這四年的過程中，對于產(chǎn)品設(shè)計，產(chǎn)品運營，數(shù)據(jù)分析，機器學(xué)習(xí)等相關(guān)領(lǐng)域均有比較深度的涉獵，所以在數(shù)據(jù)驅(qū)動業(yè)務(wù)這個事務(wù)上還算處理得比較得心應(yīng)手，也推動了公司往“數(shù)據(jù)驅(qū)動”和“精細(xì)化運營”的方向發(fā)展，公司在這塊的投入也逐步加大。

在這里，對于新人而言，我不會只推薦一些沒啥卵用的書籍給你，比如《深入淺出數(shù)據(jù)分析》，這種書一點用都沒有，我會給你推薦有用的書籍和實用的學(xué)習(xí)方法，看不好的書，看無用的書，往往感動了自己，卻感動不了他人（你的上司和合作伙伴），你的能力并沒有得到提升。

對于數(shù)據(jù)分析的小白而言，對于我現(xiàn)在培養(yǎng)的應(yīng)屆生而言，我有如下幾個要求：

1）sql語句，你必須要給我學(xué)精通了，增刪改查，以及存儲過程你都需要樣樣精通，這塊的話，給大家推薦一個學(xué)習(xí)地址，如果大家感興趣或者有問題可以私信我要我之前整理學(xué)習(xí)文檔資料

2）python，python的學(xué)習(xí)是為了讓你后續(xù)處理繁雜龐大的數(shù)據(jù)集時更高效更方便更快速，以及后續(xù)有很多機器學(xué)習(xí)也好，或者深度學(xué)習(xí)也好的應(yīng)用項目你能上手。

1）基本數(shù)學(xué)原理，統(tǒng)計相關(guān)的原理，比如平均值，方差，標(biāo)準(zhǔn)差，導(dǎo)數(shù)，反函數(shù)，拉格朗日等等，這里大家可以去csdn也好或者淘寶也好買一本相關(guān)的書籍就夠用。

2）機器學(xué)習(xí)算法原理：回歸算法，分類算法，聚類算法等等，比如最簡單的分類算法：決策樹，他的數(shù)學(xué)原理你真的掌握嗎？信息熵和條件熵是啥意思，怎么計算的知道么？如果你只能調(diào)包，那么解決簡單的問題ok，涉及到很多復(fù)雜的情形，比如樣本不均衡，比如特征過少時，你就無從下手。這塊的話，推薦大家多去逛逛csdn這個論壇，很有用，能學(xué)到不少東西。

3）動手做一些虛擬案例，或者參與組里同事的一些項目，比如一個游戲內(nèi)廣告聊天拉人識別的項目，其本質(zhì)是通過分類算法達(dá)成文本識別，這塊涉及到的知識點可能有：文本處理，分類算法應(yīng)用等，這塊可以多去github上轉(zhuǎn)轉(zhuǎn)，有一些也許是已經(jīng)運營過的案例能夠給你啟發(fā)的。

1）如果是游戲行業(yè)的：

• 多玩不同品類的產(chǎn)品，每個品類選擇1-2款精品深度體驗，注意是深度體驗，而非淺嘗輒止
• 隨著版本迭代深入體驗，并且需要思考每一次的版本迭代和周更新的原因，反推業(yè)務(wù)需要解決什么問題
• 帶著問題去玩游戲，邊玩邊記錄自己的感受，有經(jīng)濟能力就充點小錢，后續(xù)商業(yè)化分析部分會用得著
• 做個有心人，記得多游戲橫向之間做對比
• 不要看gamelook等媒體上的測評稿，那些大多數(shù)是槍稿，要自己去體驗，用心去體驗，不要人云亦云
• 多跟制作人層面的人交流宏觀的設(shè)計理念（如果有機會的話），多跟數(shù)值策劃學(xué)習(xí)數(shù)值規(guī)劃的流程（職業(yè)，屬性，戰(zhàn)斗公式，屬性配比放出，商品定價，游戲內(nèi)經(jīng)濟流轉(zhuǎn)設(shè)計等），多跟系統(tǒng)策劃學(xué)習(xí)系統(tǒng)架構(gòu)的知識（做一個系統(tǒng)目的是啥，是為了解決什么問題？），多跟產(chǎn)品運營學(xué)習(xí)運營知識（比如商業(yè)化設(shè)計，活動設(shè)計等等），多跟市場發(fā)行的同學(xué)學(xué)習(xí)相關(guān)知識（營銷方法論，買量等），還有很多，不一而足...
• 這里推薦幾個有用的資訊門戶或者app：ucloudGAD，游資網(wǎng)，機核網(wǎng)
• 另外推薦一本書：《游戲設(shè)計的藝術(shù)》，這本書能帶你進入一個前所未有的世界，并且從入門到精通都可以隨手翻的工具書，注意是“設(shè)計的藝術(shù)”，而非“分析的藝術(shù)”

2）傳統(tǒng)互聯(lián)網(wǎng)（非游戲）：

• 多體驗互聯(lián)網(wǎng)產(chǎn)品，要多而廣，因為互聯(lián)網(wǎng)產(chǎn)品跟游戲產(chǎn)品還不一樣，他的體驗成本（時間和精力）比具體游戲產(chǎn)品小很多，所以盡可能多而廣，我現(xiàn)在仍然保持著每周至少體驗5個新互聯(lián)網(wǎng)產(chǎn)品的習(xí)慣，比如社交類的，可以多體驗體驗?zāi)吧松缃坏?，熟人社交的，多思考產(chǎn)品之間有什么共性和不同點
• 帶著問題去體驗產(chǎn)品，主要反推產(chǎn)品做成這樣有什么好，有什么不好，產(chǎn)品主要為了解決什么問題，他的業(yè)務(wù)目標(biāo)有可能是什么樣
• 經(jīng)常跟圈內(nèi)人去探討和交流，跟游戲不一樣的是，互聯(lián)網(wǎng)有很多的沙龍，可以多參加這種沙龍，但是不要雜而廣，要專而精，現(xiàn)在有很多的沙龍就是為了做而做，為了感動自己而做，這種沒有必要參加
• 時刻關(guān)注競品，比如你是社交產(chǎn)品公司的，那么微信也好，陌陌也好，每一次版本迭代，你都需要去思考他為了解決什么問題，然后結(jié)合具體的內(nèi)容去評估他的目的是否達(dá)到。
• 這里推薦1個能獲取到較新互聯(lián)網(wǎng)資訊的app：36kr，用這個基本上就足夠了

我們在做具體的數(shù)據(jù)分析的時候，有時候需要快速響應(yīng)業(yè)務(wù)，有時候通過傳統(tǒng)分析方法很難找到問題點，這個時候積累就至關(guān)重要，游戲行業(yè)的產(chǎn)品決策，40%依靠數(shù)據(jù)，30%依靠用戶反饋，還有30%依靠經(jīng)驗，這個經(jīng)驗就是積累。

積累是什么？積累是過往的產(chǎn)品調(diào)整，活動設(shè)計，跟數(shù)據(jù)之間的關(guān)系，我們只有在每一項工作都認(rèn)真嚴(yán)謹(jǐn)對待的基礎(chǔ)上，這個積累工作才能做好，這樣你的產(chǎn)品和數(shù)據(jù)敏銳度會越來越高，后續(xù)你可以跨界成為產(chǎn)品專家。

我們有很多的數(shù)據(jù)分析師，一直都處于很被動的狀態(tài)，業(yè)務(wù)提什么需求你照做，久而久之就變成一個機械式地接需求完成需求的人員，毫無存在感。怎么改變這個現(xiàn)狀呢？第一是要多做積累就如同上述第四點所說，這塊急不得需要時間，第二是需要主動，把自己當(dāng)作半個產(chǎn)品或運營負(fù)責(zé)人來對待，這樣面對日常數(shù)據(jù)的時候，你會主動去完善日常監(jiān)控指標(biāo)，你會每日去盯著數(shù)據(jù)的異常和變化，你會根據(jù)這些異常和變化往下去進行深度的挖掘，或者數(shù)據(jù)沒有異常時，按照經(jīng)驗這個階段該做什么分析了，趕緊做，發(fā)現(xiàn)了問題或者潛在風(fēng)險趕緊跟業(yè)務(wù)聊解決方案，這樣才能將數(shù)據(jù)分析師的價值發(fā)揮到最大

如有問題，隨時私信我。謝謝大家。

在這之前，我想推薦吳軍老師的幾本書，《數(shù)學(xué)之美》、《浪潮之巔》和《大學(xué)之路》

做分析之前，不得不提一下分析思維，《金字塔原理》可能會比較適合

想要了解數(shù)據(jù)分析是什么，不得不讀《深入淺出數(shù)據(jù)分析》、《誰說菜鳥不會數(shù)據(jù)分析》、《人人都會數(shù)據(jù)分析》、《如何用數(shù)據(jù)解決實際問題》、《Excel圖表之道》

不滿足于簡單的匯總統(tǒng)計、報表制作，進階之后的案例叢書，全方位了解傳統(tǒng)行業(yè)、互聯(lián)網(wǎng)行業(yè)中的分析案例、方法和模式，《網(wǎng)站分析實戰(zhàn)》、《增長黑客》、《數(shù)據(jù)化管理》、《數(shù)據(jù)化運營速成手冊》、《精益數(shù)據(jù)分析》……

會了一點分析，但是覺得理論不夠扎實，那有必要讀點統(tǒng)計學(xué)，《赤裸裸的統(tǒng)計學(xué)》、《統(tǒng)計數(shù)字會撒謊》

隨著工作內(nèi)容的深入，越來越覺得工具不夠用，原來我只用excel，想要拓展點其他的工具，按照復(fù)雜程度，如下

sql類的書，《Mysql必知必會》、《SQL Cookbook》

spss的書，《spss統(tǒng)計分析基礎(chǔ)教程》

R的書，《R語言實戰(zhàn)》、《R cookbook》

python的書，《利用python進行數(shù)據(jù)分析》、《python cookbook》

數(shù)據(jù)算法層面，西瓜書《machine learning 機器學(xué)習(xí)》、《machine learing in action》、《the elements of statistical learning》、《數(shù)據(jù)挖掘與數(shù)據(jù)化運營實戰(zhàn)》、《數(shù)據(jù)挖掘-市場營銷、銷售與客戶關(guān)系管理領(lǐng)域應(yīng)用》

資深的數(shù)據(jù)分析，在方法論、工具上的使用已經(jīng)爐火純青，對于模式和框架也已經(jīng)了然于胸，這時候往往不局限于一個行業(yè)或者一個方向，而是拓面立體，《決戰(zhàn)大數(shù)據(jù)》、《Doing Data Science》、《數(shù)據(jù)之巔》、《大數(shù)據(jù)時代》、《智能時代》、《卓有成效的管理者》……

好的分析離不開好的可視化呈現(xiàn)，《The Wall Street Journal Guide to Information Graphics》、《鮮活的數(shù)據(jù)：數(shù)據(jù)可視化指南》、《ggplot2：數(shù)據(jù)分析與圖形藝術(shù)》、

數(shù)據(jù)集越來越大，sql已經(jīng)不能滿足日常工作，要學(xué)習(xí)hadoop、hive、sprak，我的第一推薦仍然是官網(wǎng)，當(dāng)然，這里有個前提，就是你的英文閱讀能力得特別好，否則得話，還是推薦《Spark大數(shù)據(jù)分析》、《Data Analytics with Hadoop》

要做實時分析，可以關(guān)注下flink、kafka的生態(tài)圈

大家的回答都很好，但是有個問題。

一上來便是各種教程，二話不說給出一批書單，各種數(shù)據(jù)處理的方式，講怎么樣用Python挖掘數(shù)據(jù)，怎么用R進行數(shù)據(jù)可視化，講AB測試。

他們給的教程都很好，數(shù)據(jù)處理的方式也很有借鑒意義。

且不說，有多少人是光收藏，而不去認(rèn)真學(xué)習(xí)的，就算是認(rèn)真去學(xué)習(xí)的，他們也會遇到這樣的問題

為什么這么用，為什么這么做。

比如，前兩天在我的這個回答中，零基礎(chǔ)如何學(xué)爬蟲技術(shù)？ - 知乎

有很多人都有這樣的評論

一開始我是無語，后來想了想，這應(yīng)該是一個普遍問題

這就是數(shù)據(jù)分析中最大問題，很多人學(xué)習(xí)數(shù)據(jù)分析，更多的是為了數(shù)據(jù)分析而數(shù)據(jù)分析，實際上根本不知道自己在做什么，為什么這么做。

或者僅僅是為了在簡歷上增加一行

鄙人精通數(shù)據(jù)分析。

估計HR看了是要微笑著，然后把簡歷放入不予錄用的文件夾中。

數(shù)據(jù)分析，不論使用什么樣的工具，使用什么樣的方法，不論是Excel，還是Python，還是MySQL，都是工具，目的只有一個——

解決一個問題，或者給一個決策提供依據(jù)。

所以，學(xué)習(xí)數(shù)據(jù)分析的第一步，是要考慮，我要用數(shù)據(jù)，解決一個什么樣的問題？

這點如果沒有考慮清楚，只是跟著網(wǎng)上的教程學(xué)習(xí)爬蟲，學(xué)習(xí)數(shù)據(jù)清洗，然后把那些公有的統(tǒng)計數(shù)據(jù)做成絢爛的圖表，又有什么用呢？

1.哪里開店

比如，有這樣一個現(xiàn)實的例子，你表嫂跟你說，小明啊，你最喜歡吃我煮的麻辣燙了，我想開麻辣燙店，就在大學(xué)城附近，你說哪里好呢？

你是不是會想到以下幾個問題呢?

表嫂的麻辣燙真好吃，想想就流下了口水

咳咳，正事要緊，到底應(yīng)該在哪里開店呢？

所以，你有考慮到了這些可以量化的數(shù)據(jù)并且對應(yīng)的你找到了這些數(shù)據(jù)的獲取方式

問題來了，雖然寫出來了大致的數(shù)據(jù)獲取方式，但是具體怎么操作？

• 招生計劃怎么獲得，學(xué)校官網(wǎng)還是相關(guān)報道？
• 如何通過在線地圖分析學(xué)校面積及相關(guān)建筑分布的合理性，最小路徑還是順路路徑？
• 如何獲學(xué)校食堂評價，爬取微博數(shù)據(jù)，獲得地理位置，并且對提及“食堂”的微博進行詞義褒貶分析？或者直接攔路問詢？
• 人流量怎么獲得，實地考察的時候，用本子畫正字嗎？

很好，這些問題你都想到了相應(yīng)的解決方式，并且很順利的獲得這些數(shù)據(jù)，盡管有可能不太準(zhǔn)確，但是你確確實實比以前更加了解了大學(xué)城附近大致的餐飲市場環(huán)境，不是么？

這也就是，

數(shù)據(jù)分析必須緊貼業(yè)務(wù)本身

獲得數(shù)據(jù)之后，如何分析，人流量/商販個數(shù)？但是每個商販的服務(wù)能力又不一樣，是不是得加權(quán)，如何加權(quán)？

于是你考慮了很多情況，寫下來一個公式：

建議推薦開店系數(shù)=（人流量*XX/(YY*0.4)+租金*0.5）/ZZ

根據(jù)系數(shù)，你得出一個結(jié)論，建議開店的位置的前三家分別是

• A大東門
• A大小西門
• B大女生宿舍小南門

你表嫂想了下，說，我知道你最喜歡B大的小姑娘們，胸大貌美腿子長。

于是麻辣燙店就開在了B大女生宿舍的小南門。

這個過程中，你有可能學(xué)會的或者僅僅了解（不一定掌握）數(shù)據(jù)分析的相關(guān)技能包括不限于以下：

• Excel加減乘除，基礎(chǔ)函數(shù)；
• 爬蟲的基本原理，及操作方式；
• 正則表達(dá)式與數(shù)據(jù)清洗；
• 語義分析的一般實現(xiàn)方式；
• 在線地圖API可以獲取的數(shù)據(jù)有哪些；

2.優(yōu)化數(shù)據(jù)的應(yīng)用

一陣時間的忙碌，店終于開起來了，你表嫂的手藝真的很不錯，每天都有很多小姑娘過來吃麻辣燙，中午晚上的時候，都忙不過來。

你表嫂感覺很可惜，很多客戶就這樣被浪費掉了：我多賣一份，少賣一份都無所謂，但是小姑娘本來想吃咱們家的麻辣燙，結(jié)果爬不上隊餓著肚子走掉了，到別家說不定還要等，看見我都覺得挺過意不去的。

這時候聰明的你，有可能想到了通過獲取以下數(shù)據(jù)，并且進行相關(guān)的分析來優(yōu)化當(dāng)前這個問題

你連續(xù)跟蹤了三天這樣的數(shù)據(jù)，運用了相關(guān)的統(tǒng)計學(xué)的相關(guān)知識

等待時間>=13分鐘的時候，用戶放棄繼續(xù)等待的概率是78%！，然后你表嫂并不能理解，這78%到底是什么意思

所以你畫了一張圖，說山峰越高，走的人就越多。

問題找到了，只要將最長等待時間優(yōu)化到13分鐘之內(nèi)，用戶放棄等待的幾率有可能下降。

這時候聰明的你，想到了如下的解決方式：

• 用戶抵店之后，才開始點餐，然后烹飪，是不是可以通過互聯(lián)網(wǎng)的方式進行預(yù)點餐呢，所以你給表嫂申請了一個微信號，日經(jīng)貼就是：“今天你想吃什么”，回復(fù)留言及預(yù)計到店時間，即可預(yù)訂。
• 你發(fā)現(xiàn)，用戶選完菜之后總是喜歡把菜夾放到最遠(yuǎn)的地方，每次表嫂都需要把菜夾整理一次，拿到開始的地方。你考慮了一下，將菜筐的布局進行更改，剛好菜夾能夠完成一次循環(huán)；或者你使用專菜專夾的方式。
• 優(yōu)化了店內(nèi)桌椅布局，行走了最短的距離到達(dá)全店
• ……

數(shù)據(jù)分析必須落地才是有效的，不是提交統(tǒng)計結(jié)果，而且獲得統(tǒng)計結(jié)論

這個過程中，你有可能學(xué)會的或者僅僅了解（不一定掌握）數(shù)據(jù)分析的相關(guān)技能包括不限于以下：

• 數(shù)據(jù)清洗的一般方式，時間函數(shù)計算
• 統(tǒng)計學(xué)中分布的相關(guān)知識，這里應(yīng)該是泊松分布
• 數(shù)據(jù)可視化，包括不限于Excel 圖表，js圖表庫，或者在線圖表工具

3.大數(shù)據(jù)的處理

生意越做越大，擴充了店面之后，又開了分店，這時候你表嫂已經(jīng)不親自上一線熬煮麻辣燙了，但是又不放心那些雇來的人是否認(rèn)真的在服務(wù)，于是制定了相應(yīng)的店規(guī)，動不動還來一個突擊檢查。感覺比以前還要累了。

這時候，聰明的你，看在眼里，疼在心里，所以，你建議嫂嫂購買專業(yè)的餐飲管理軟件，來獲得相應(yīng)的店鋪運營數(shù)據(jù)。

在餐飲軟件的后臺，會有這么些個大致的運營數(shù)據(jù)，

當(dāng)前訂單量，成交量，客流量，客單價，等等等等，一切看起來那么完美。

等等，不對，為什么這個月以來，C分店的客單價總是這么低呢？事出有異，必定有妖！

還好，這個系統(tǒng)功能還算完善，能夠?qū)С鲆惶焖械挠唵蚊骷?xì)，包含以下字段，

下單時間，下單菜品，下單客戶，聯(lián)系電話，消費金額，配餐人，操作人，收銀員，等等等

但是，你還是快掀桌子了，一個月，讓我導(dǎo)出30次數(shù)據(jù)，然后在合并么？這個方法簡直太土鱉了

你想著，要是能直接讀取數(shù)據(jù)庫不就好了么？一看產(chǎn)品介紹，數(shù)據(jù)庫使用MySQL，于是你Google了一下，SQL入門，你發(fā)現(xiàn)，WHERE 和SELECT 基本上都滿足你的需求了

很順利的，你把這些數(shù)據(jù)導(dǎo)出了。

你把這個20W條記錄的CSV用Excel打開，風(fēng)扇瘋狂的轉(zhuǎn)了起來，不一會，你表嫂孱弱的筆記本就卡死了。

你感嘆，Excel分析小一點的數(shù)據(jù)還行，數(shù)據(jù)量稍微大點，就顯得力不從心。所以，你拿起了一本書，名字叫《21天學(xué)習(xí)Python，從入門到放棄》，這不坑爹呢嗎？

你想著，反正我是為了處理這批很大的數(shù)據(jù)，沒必要全部了解Python的功能，只需要找到相關(guān)的操作方法就好了。

你在Google上分別搜索了以下關(guān)鍵字

• Python mysql
• Python 數(shù)據(jù)分析庫

你還找到了一本，用Python進行數(shù)據(jù)分析的pdf，感覺這本書寫的通俗易懂，而且還有元數(shù)據(jù)示例。

在搜索的過程中，你發(fā)現(xiàn)了有好多數(shù)據(jù)分析是代碼示例，有的甚至，只需要改一下文件路徑，搬過來就能用。

你會感嘆，原來，寫程序也是Ctrl+C,Ctrl+V啊

這個過程中，你有可能學(xué)會的或者僅僅了解（不一定掌握）數(shù)據(jù)分析的相關(guān)技能包括不限于以下：

• SQL基礎(chǔ)語句
• Python常見的數(shù)據(jù)分析庫
• Python數(shù)據(jù)可視化

聰明的你，搗鼓了三兩天，就發(fā)現(xiàn)了問題的所在？

那么問題究竟在哪呢

我實在是寫不動了，明天再更