转载至知乎
作者：秦路链接：https://www.zhihu.com/question/29265587/answer/125091104
[if !supportLineBreakNewLine]
[endif]
说来我正式接触数据分析也快一年，对速成还是有一些心得。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。
以上的前提针对入门，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。我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。
市面上有《七周七数据库》，《七周七编程语言》。今天我们就《七周七学习成为数据分析师》。
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。
专栏上写了三篇Excel的文章，比较简单，大体介绍了Excel应用，可以作为职场新人的指南。
第一篇数据分析—函数篇。主要简单讲解常用的函数，以及与之对应的SQL/Python函数。
第二篇数据分析—技巧篇。主要简单讲解我认为很有新价比的功能，提高工作效率。
第三篇数据分析—实战篇。主要将前两篇的内容以实战方式进行，简单地进行了一次数据分析。数据源采用了真实的爬虫数据，是5000行数据分析师岗位数据。
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 (豆瓣)，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：
各类图表的详细介绍可以查看第四篇文章：数据可视化：你想知道的经典图表全在这
了解图表后，还应该学会报表制作，这里准备了第五篇：数据可视化：打造高端的数据报表。将教会大家Excel的高级图表用法。
如果还不过瘾，我们得掌握信息图和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。第六篇：数据可视化：深入浅出BI将以第一周的实战数据学习BI，上图的就是学习后的成果。
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 (豆瓣)
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 (豆瓣)，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）。
如果不想看金字塔原理，那么就看第七篇文章：如何培养麦肯锡式的分析思维。将书本的内容提炼了大部分。
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，如何建立数据分析的思维框架。两篇文章相结合，就能出师了。
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，和附近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。
这本书太啰嗦了，我看到一半放弃了…但推荐人不少，可以快速翻看一下。
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。
数据库入门看这篇文章：写给新人的数据库指南
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，从入门到熟练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。
（图片网上找来的）
休闲读物，有趣的案例可以让我们避免很多数据陷阱。
还是经典的HeadFirst系列，适应它一贯的啰嗦吧。
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。
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。
数据驱动业务的典型，里面包含产品运营最经典的AAARR框架。部分非数据的营销案例，如果时间不够可以略过。此外产品和运营的入门读物也能看，这里就不推荐了。
如果应聘的公司涉及Web产品，可以了解流量的概念。书中案例以Google Analytics为主。其实现在是APP+Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。
互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。
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。
我刚好两类都学过。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，我建议看R语言实战 (豆瓣)， 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 (豆瓣)，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（影印版） (豆瓣)。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。
网友评论