优秀的数据分析师如何能速成？

　　欢迎各位阅读本篇,数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。本篇文章讲述了如何快速成为数据分析师。

　　优秀的数据分析师是不能速成的，但是零经验也有零经验的捷径。前提是针对入门，目的是达到数据分析师的门槛，顺利拿到一份offer，不涉及数据挖掘等高级技巧。本文所介绍的方法倾向互联网领域，不论是分析师这个职位，还是运营、产品的能力发展都是适用的。其他领域就仁者见仁了。

　　没错，七周。

　　第一周：Excel学习掌握

　　如果Excel玩的顺溜，你可以略过这一周。不过介于我入行时也不会vlookup，所以有必要讲下。

　　重点是了解各种函数，包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换等。

　　Excel函数不需要学全，重要的是学会搜索。即如何将遇到的问题在搜索引擎上描述清楚。

　　我认为掌握vlookup和数据透视表足够，是最具性价比的两个技巧。

　　学会vlookup，SQL中的join，Python中的merge很容易理解。

　　学会数据透视表，SQL中的group，Python中的pivot_table也是同理。

　　这两个搞定，基本10万条以内的数据统计没啥难度，80%的办公室白领都能秒杀。

　　Excel是熟能生巧，多找练习题。还有需要养成好习惯，不要合并单元格，不要过于花哨。表格按照原始数据(sheet1)、加工数据(sheet2)，图表(sheet3)的类型管理。

　　下面是为了以后更好的基础而附加的学习任务。

　　了解单元格格式，后期的数据类型包括各类timestamp，date，string，int，bigint，char，factor，float等。

　　了解数组，以及怎么用(excel的数组挺难用)，Python和R也会涉及到 list。

　　了解函数和参数，当进阶为编程型的数据分析师时，会让你更快的掌握。

　　了解中文编码，UTF8和ASCII，包括CSV的delimiter等，以后你会回来感谢我的。

　　养成一个好习惯，不要合并单元格，不要过于花哨。表格按照原始数据、加工数据，图表的类型管理。

　　如果时间还有剩余，可以看大数据时代，培养职业兴趣。

　　再来一道练习题，我给你1000个身份证号码，告诉我里面有多少男女，各省市人口的分布，这些人的年龄和星座。(身份证号码规律可以网上搜索)

　　第二周：数据可视化

　　数据分析界有一句经典名言，字不如表，表不如图。数据可视化是数据分析的主要方向之一。除掉数据挖掘这类高级分析，不少数据分析就是监控数据观察数据。

　　数据分析的最终都是要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，不落地的数据分析价值又在哪里?

　　首先要了解常用的图表：

　　如果还不过瘾，我们得掌握信息图和BI，下图就是微软的Power BI：

　　BI(商业智能)和图表的区别在于BI擅长交互和报表，更擅长解释已经发生和正在发生的数据。将要发生的数据是数据挖掘的方向。

　　BI的好处在于很大程度解放数据分析师的工作，推动全部门的数据意识，另外降低其他部门的数据需求(万恶的导数据)。

　　BI市面上的产品很多，基本都是建立仪表盘Dashboard，通过维度的联动和钻取，获得可视化的分析。

　　数据可视化的学习就是三个过程，了解数据(图表)，整合数据(BI)，展示数据(信息化)。

　　可视化也和审美息息相关，很多直男代表并不擅长做图，没关系，抽空可以看书：数据之美

　　PPT也别落下，Excel作图多练习，不会有坏处的。

　　第三周：分析思维的训练

　　这周我们轻松一下，学学理论知识。

　　分析思维首推大名鼎鼎的金字塔原理 ，帮助数据分析师结构化思维。如果金字塔原理让你醍醐灌顶，那么就可以学思维导图，下载一个XMind中文网站，或者在线用百度脑图(百度难得不被骂的产品)。

#p#分页标题#e#

　　再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。你要快速成为数据分析师，思考方式也得跟着改变。网上搜咨询公司的面试题，搜Case Book。题目用新学的思维导图做，先套那些经典框架，做一遍，然后去看答案对比。

　　等思维框架建立好，我们应该往里面塞点数据分析的思维了。

　　这里送三条金句：

　　一个业务没有指标，则不能增长和分析

　　好的指标应该是比率或比例

　　好的分析应该对比或关联。

　　举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析?

　　这1000人的数量，和附件其他超市比是多是少?(对比)

　　这1000人的数量比昨天多还是少?(对比)

　　1000人有多少产生了实际购买?(转化比例)

　　路过超市，超市外的人流是多少?(转化比例)

　　这是一个快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何结果。

　　优秀的数据分析师会拷问别人的数据，而他本身的分析也是经得起拷问，这就是分析思维能力。需要确切明白的是，一周时间锻炼不出数据思维，只能做到了解。数据思维是不断练习的结果，我只是尽量缩短这个过程。

　　第四周：数据库学习

　　Excel对十万条以内的数据处理起来没有问题，但是互联网行业就是不缺数据。但凡产品有一点规模，数据都是百万起。这时候就需要学习数据库。

　　越来越多的产品和运营岗位，会在招聘条件中，将会SQL作为优先的加分项。

　　SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。

　　学习围绕Select展开。增删改、约束、索引、数据库范式均可以跳过。SQL学习不需要买书，W3C学习就行了，SQL 教程。大多数互联网公司都是MySQL，我也建议学，性价比最高。

　　主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等。

　　如果想要跟进一步，可以学习row_number，substr，convert，contact等。另外不同数据平台的函数会有差异，例如Presto和phpMyAdmin。

　　你看，和Excel的函数都差不多。按照SQL，从熟练到掌握这两篇的内容学习。虽然没有实战的打磨，但是了解一个大概够了。

　　期间你不需要考虑优化和写法丑陋，查询几秒和几分钟对数据分析师没区别，跑数据时喝杯咖啡呗，以后你跑个SVM都能去吃饭了。

　　网上也能搜索SQL相关的练习题，刷一遍就行。也能自己下载数据库管理工具，找些数据练习。我用的是Sequel Pro。

　　附加学习：

　　如果这周的学习充裕，可以了解MapReduce原理。

　　来一道练习题，表A是用户的注册时间表，表B是用户所在地，写出各地区每月新注册用户的查询SQL。掌握到这个程度，基本够用，虽然往后工作中会有更多变态数据需求。

　　第五周：统计知识学习

　　很遗憾，统计知识是我最薄弱的地方，也是数据分析的基础之一。

　　统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。

　　这一周努力掌握描述性统计，包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。详细的数学推导不用细看，谁让我们是速成呢，只要看到数据，知道不能怎么样，而是应该这样分析即可。

　　Excel中有一个分析工具库，简单强大。对列1的各名词做到了解。如果是多变量多样本，学会各种检验。

　　多说一句，老板和非分析师不会有兴趣知道背后的统计学原理，通常要的是分析后的是与否，二元答案。不要告诉他们P值什么的，告诉他们活动有效果，或者没效果。

　　第六周：业务学习(用户行为、产品、运营)

　　这一周需要了解业务。对于数据分析师来说，业务的了解比数据方法论更重要。当然很遗憾，业务学习没有捷径。

　　我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。

#p#分页标题#e#

　　这个案例中，我们只知道送货员的送货水平距离，数据上根本不可能知道垂直距离这个指标。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。

　　对于业务市场的了解是数据分析师工作经验上最大优势之一。既然是零经验面试，公司肯定也知道刚入门分析师不会有太多业务经验，不会以这个卡人。所以简单花一周了解行业的各指标。

　　以知乎最多的互联网行业为例。至少了解活跃用户数，活跃用户率，留存率，流失率，传播系数等通用概念。

　　还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。

　　除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。

　　第七周：Python/R 学习

　　终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。

　　是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。(SAS/SPSS我不了解，所以不做指导)

　　这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。

　　R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。

　　如果学习R，笔者建议看R语言实战 ， 照着书本打一遍代码，一星期绰绰有余。另外还有一本 统计学 ，偏知识理论，可以复习前面的统计学知识。

　　R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。如果时间有余。可以再去学习ggplot2。

　　Python拥有很多分支，我们专注数据分析这块，入门可以学习 深入浅出Python 。也是把代码写一遍。

　　需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas+Numpy。

　　在速成后的很长一段时间，我们都要做调包侠。

　　这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用 Anaconda。都是数据分析的利器。

　　Mac自带Python2.7，但现在Python 3已经比几年前成熟，而且没有编码问题。各类教程也足够多，不要抱成守旧了。Win的电脑，安装Python会有环境变量的问题，是个大坑(R的中文编码也是天坑)。

　　到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟速成是以转岗或拿offer为目的。

　　成为数据分析师后，坑才刚刚开始，努力吧。

　　分享：数据分析师要求

　　1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

　　2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。

　　3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。

　　基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。

　　4、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。

　　5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

　　小结：越来越多的政府机关、企事业单位将选择拥有数据分析师资质的专业人士为他们的项目做出科学、合理的分析、以便正确决策。