可以的,数据分析要学什么？

(1) Excel

说起Excel可能会有人觉得这个很简单，但是Excel确实是一个功能强大的利器。零基础学数据分析师一定要从Excel入门，因为Excel是处理小型数据量企业用的最多的工具，在基础数据分析师与数据运营岗位中具有极其重要的地位。作为数据分析师的核心工具，具体学习内容有Excel函数技巧（查找函数、统计函数、逻辑函数）、Excel快速处理技巧（格式调整、查找定位、快捷键技巧等）和Excel可视化技巧（组合图、条形图、数据气泡地图）等。

(2) Mysql

SQL同样是零基础学习数据分析的核心内容。因为作为数据分析师，你首先要解决的问题就是你要有数据来做分析。通常企业都会有自己的数据库，数据分析师首先得根据业务需要知道自己要从企业数据库中提取哪些数据。企业如果部署本地数据库，那么一定是SQL语言做提取数据的语言。SQL简单易懂，非常容易上手，并且是非学不可的。SQL语言从学习MySQL数据库开始，涉及对表结构数据的增删改查。真正在企业里面，数据分析师一般不会有增删改的权限，只会有查的权限。学员应该重点掌握查的各种句式。

(3) Python

Python的基础对于数据分析师而言是非常重要的。对于十万级或者百万级数据量而言，Excel和BI都会因为运行卡顿而变得完全无法使用。然而在实际企业运用中，一次性处理十万级以及百万级数据又是非常常见的。而Python则是处理这种中量级数据的利器。因为Python有很多的第三方强大的库，比如Numpy、Pandas、Matplotlib、Seaborn等。这些库能让数据分析师对百万数据进行数据清理和画图分析。Python不仅能数据清洗，画图，还能用sklearn进行大数据算法分析。虽然Python是数据分析的重要工具，但是不同的职业发展方向，Python掌握的程度也是不一样的。

(4) BI商业智能工具

BI可以理解成Excel图表透视表的高级版。BI是将表与表相连，然后得出很多指标图。它是一个大屏的看板，如下图：

企业销售指标，运营指标，物流指标等等。这些图可以表示企业在过去5个月的平均销售单价，过去24个月销售的物流发货量的变化曲线，甚至是现在实时的销售额，这些都是企业关心的问题。有了这个看板，领导层在监控企业业务方面就有了非常直观的数据，以供他们及时做出决策调整。现在市面上比较流行的BI软件，有FineBI，PowerBI等。而这些BI软件实际上都是非常类似的，学起来难度也不大。学习FineReport、FineBI由入门到精通，快速挖掘数据价值，将这些数据转化成有用的信息，让企业决策有数据依据，从而驱动企业决策和运营。

(5) 数理统计与数据运营

数理统计和数据运营方法论是数据分析师的理论基石。数理统计包括概率论，统计学，线性代数，以及基础的微积分理论。这些内容都不需要理解的很深，但是对它们的原理以及内涵都需要有所掌握。由于整个数据分析的源头其实就是脱胎于描述性统计分析的。描述性统计分析是对样本的总数、均值等指标做统计的；而数据分析后续涉及到的算法则是架构在统计学上更深一层次的建模。因此，掌握数理统计的相关知识对于入门数据分析师而言是基础且必要的。

那数据运营方法论是什么呢？数据运营方法论实际上是学习各个行业所运营的分析模型。例如，对电商而言，漏斗分析可以分析出来进入主页的人数PV1，到进入服装板块的人数PV2，PV2/PV1就可以得出一个进入服装板块的比率。还有很多通用的分析模型：相关分析，A/B test等。对于想往管理路线发展的数据分析师来讲，数据运营是必须要学习的知识。其实数据运营知识也不复杂，就是根据自身业务需求将指标拆解到最细，然后运用同比和环比两种数据分析方式。

(6) 机器学习

最后一个进阶要求数据分析师掌握对大量数据分析的能力。这种分析就不只是停留在描述统计分析和运用数据运营方法进行分析了，而是进行预测分析。预测分析的本质是利用已有的数据做出一套变量x，与预测最终值y之间的关系（也就是数学算法公式），然后利用这套算法，将更多的x输入算法中去得出一个预测的y值，这里听不懂没关系。总之，这个阶段的数据分析是利用大量的历史数据构建出一套数学公式（也就是算法），用这个数学公式去对未来进行预测。比如说：一个人大量地刷体育短视频，根据算法可以得出这个人可能对观看足球比赛的腾讯体育会员感兴趣。这类推断和预测对于商业世界是有着极大变现意义的。要想成为掌握算法的数据分析师，机器学习是不可跳过的入门。学员应该从简单的一元回归，多元回归，以及逻辑回归学习等，逐渐学习更多像决策树，随机森林，SVM等更高级的算法。

不少人后台问我，如何转行做数据分析师，或毕业生怎样入行。我之前的文章都是围绕硬技能来写，这次以我知乎上的一篇答案为基础谈一下软技能。权当做杂谈。

我进入互联网行业完全是零基础，不是数据分析零基础，是样样能力零基础。

零基础到什么样子？我找工作花了三到四个月时间，最后以运营身份入职。

我从来不是数理强人，大学虽学习过高数、统计学、SQL和C语言，均是低空略过，考试还借助了小伙伴的力量。现在回头看，当时应该多学些。

最开始我不会vlookup，也没人教我，Excel只能做基础的操作。那时要关联多张报表，我仗着手速快，一个个搜索复制黏贴的…数据量一多肯定哭。后来我想这可不是办法啊。于是借助万能的百度：

“Excel怎么匹配多张表的数据。”

然后第一次看到vlookup函数。我也没有一次学会，每次用都要先看一遍网上的样例。后续我教组员的时候，他们学得比我快多了。

Excel一步一个脚印，学习都是依赖搜索和琢磨，抽空用工作中的内容练习分析：比如什么样的用户愿意用我们APP，用户哪些指标特别好。

即使在此期间，我也不会数据透视表。

记得15年初，老板给了我一个任务：网上收集数据，大约需要几万条，我不可能全部复制黏贴下来啊，便继续查询：

如何快速下载网页上的数据。

于是知道了爬虫，知道了Python，但我并不会。最后靠第三方爬虫工具，按照教程学习。早期已经学习过HTML+CSS，然后再了解网页结构，学习Get／Post，学习正则。花了一周时间加班，才下载下来。

可没有结束，数据是脏数据，我还需要清洗。再花一周时间学习Excel的find,right,mid,replace,trim等文本处理函数。那时候不知道这叫数据清洗，但是学会了很多技巧，即使我尽可能快速省力，还是花费数天。

当我现在写Python爬虫的时候，效率快速很多。包括文本清洗，用Levenshtein速度杠杠的。加起来一晚上就搞定。

任何学习都不是无用的，很多知识相通。我因为爬虫学习了HTML+CSS，后续便触理旁通地了解了网站结构和网站分析。

后续知道布置百度统计，知道JS，学习网页端的各类指标，了解访问路径、漏斗转化、跳出率退出率等。这些知识不止能用在网站上。也能用在APP分析、用户行为上。

我们把学习当成一个点，学完这本书就看下本书，其实这样发挥不出学习的效率。任何知识都具有关联性，A知识可以应用在B知识上，知识技能树应该是呈网状发散的。

上面链条是我基于前置知识掌握新知识的关系谱。数据分析涉及的领域很宽广，除了本身扎实的业务背景，还需要瑞士军刀般的技能树，属于T型能力（一专多才）。

比如你看到某个页面跳出率较高。除了常规的分析外，还要检查网络速度，用户弱网环境，是不是HTML页面加载过多，是否使用了缓存，网络DNS如何等。这些知识不会有人教你，但它左右业务结果。

看到这里别怕，虽然要学的多，但是随着学习的加深，很多知识是共通的。就像转化率来源于网站分析，却能用于产品路径，既能升华为桑基图，又能做用户分层。越学到后面，越容易一法通万法通。

驱动力

其实零基础学习数据分析，最难的门槛不是技能，而是学习动力。我从零培养过数据分析师，从零教过Excel、从零教过SQL、从零教过分析思维、从零教过Python。难点从不在于这些知识，而是你真的想不想学。

不是下载了十几G的资料就是学习，不是关注了很多公众号就是学习。因为十几G的资料最终不会打开，很多公众号最后都是未读。这能说明想学习？零基础太容易无从下手，难以坚持，浅尝则止了。

无从下手，这是不知道学什么，我说过数据分析是一门比较宽广的学科。它既有传统商业分析的方法论，也有数据时代的统计和编程。可它又偏偏是任何岗位任何职业都能用到的技能，绕不过。

学习是很主观的事情，我们从小学开始读到大学，数十年的学生生涯，最缺漏的能力是主动学习。中考高考打磨那么多年，很大情况是环境因素逼迫人去学习，本身没有任何学习的驱动力和习惯。大学四年再一度过，可能学习性就消磨殆尽了。

之所以说我们习惯被动学习，是大家都有一道题目做一道题目，只知道公式应用，不需要知晓原理。教材辅导题海战术，内容也不会超纲。整个大的学习环境都是为被动打造。

现在学习数据分析，拿起书籍、打开PDF资料、关注公众号。不会有老师纠正你辅导你，不会有作业鞭策你训练你。也不知道工作中哪个会经常用到，没有练手的数据题目，甚至连网络上的知识质量都难以辨别。

无从下手，对吧，可这才是主动学习。

心态要转变。

零基础学习数据分析，最大的老师只能是自己，不会有任何一篇文章一夜教人成为数据分析师。我带过愿意学习并且成长很快的实习生，也教导过有兴趣但依旧带不出节奏的同事。前者是主动学习，后者是止于兴趣的被动学习。

因为是零基础，所以才更需要主动性。数据分析本事是发展很快的行业，几年前会SQL就行，现在得了解些MR和HIVE，过几年SparkSQL也许就是必备，如果想在这一行做的好一些。持续的学习是必须的能力。或者基础不如其他人，至少学习性别输吧。

我也给出我的建议，学习应该是具体为解决某一个问题而设立目标，说透彻点，实战为王。不论是何种职业，一定或多或少能接触数据。先别去分析，而是想，能用这些数据干什么，做一个简单的假设。

我是HR，我的假设就是最近招人越来越困难啦，

我是市场，我的假设就是现在营销成本太高，又没有什么效果。

我是运营或者产品，更好办了，假设某指标的数据因为ABC等原因而无法提升。

哪怕是学生，也能假设在学校商圈赚钱是容易还是困难。

数据围绕假设去收集、生成、组合、利用、论证和分析。这是麦肯锡式的思维方法，也可以作为学数据的方法。新人容易陷入数据的迷途：我没有数据，有了数据也不知道干啥，知道干啥又不知道方法。想的太多，远不如有方向好用。

基于假设的好处是，我首先有了一个方向，别管它对不对，至少能按照方向做分析。

HR认为招人越来越困难，则可以拿出历史数据，以前我招人需要下载几份简历，打几个电话，发出几个Offer最终入职。现在呢？我还可以拿各个环节的数据观察，这不就是转化率嘛？时间维度放得宽一点，看看去年这时候招人困难不，是不是年底都难招，这样就了解折线图概念。

市场专员做分析，可以拿更多的数据作参考，假设营销成本太高，现在高到什么地步了，什么时候开始高的，找出时间点分析一下。效果不好，是什么时候效果不好，那时市场环境有什么变化吗？我假设市场环境有了变化，这又是一个新的假设，可以继续拎出一堆深入研究。

虽然各人分析效率和成果肯定不同，但是思路都能以这样训练出来。不是有了数据才有了分析，而是有了分析的方向才能收集分析数据。我的学习从来都是以解决问题为主，不是突然灵光一闪就会了。

如果把数据分析的学习旅程想成一条很长道路的话，我们不是一路开到终点，这没人能行。而是把这条道路分割成一段段，每段上面摆一个旗帜作目标，以旗帜为前行方向，不是以几十公里外的终点站作为目标。

好奇心

除了学习驱动力外，想成为数据分析师，还需要一颗好奇心。

好奇心就是问问题，想问题，琢磨问题，解决问题。如果你是一个天生八卦的人，那么将它用在数据分析上绝对是天选分析师，良材美玉。

很多人喜欢追求数据分析的工具、知识、要点、窍门。但是从来很少提到好奇心。

好奇心是解决问题的核心能力，编程可以锻炼，统计可以学习，这些最终都不是瓶颈。你学全了十八般武艺，临敌对战，最终需要的什么？是求胜心。数据的求胜心就是好奇。

知识决定解决问题的下限，好奇心决定解决问题的上限。好的数据分析师一定会有好奇心，会提问，会想问题，也能去解决问题。

我们最早期推的所有活动，都没有监控体系，整个运营也缺乏数据指导。对当时的我来说，很多运营的运作是黑箱。我不知道发什么了什么，怎么发生，只有一个结果输出。

别人若问我问什么，我只能做出假设，有可能一二三点。是否是这样，我也不知道。

运营活跃数上升，原因是什么？不知道。

短信推送后效果怎么样？不知道。

新注册用户来源有哪些？不知道。

那时随着公司业务线的拓展、用户数量提升。我用Excel做关联越来越吃力。我再一次向研发提数据需求时，CTO对我说：要不给你开个数据库权限，你自己查吧。

我告别了Excel，学习和了解数据库。从几张表的接触扩展到几百张表。

知道left join 和 inner join的区别。知道group by，知道数据结构，知道index。

那时期需要建立用户数据体系，包括留存、活跃、回流、分层等指标。我网上一边查运营指标的应用和解释，一边查SQL的实现。

和研发解释、沟通，因为了解数据库，很多需求以更合理的要求实现。这是我第一次开始接触、了解和建立以业务为核心的数据体系。

举一个例子：用户用过APP很长一段时间，我们管他叫忠诚用户，后来突然他连续几周不用，那么我们会通过SQL找出这类用户，分析他行为，电话访谈为什么不用，尝试唤回他。其他运营都是同理。

这时候，我才可以说我了解了活跃数，知道它为什么上升，为什么下降。

我们给不同用户推短信，借助SQL我能查询到数据的好坏，但是有没有更明确的指标？比如多少用户因为短信打开APP，短信打开率是多少？

当时短链用了url scheme，可以自动跳转到app，为了监控，我们也在短链中埋了参数。通过推送数据，观察这条短信会有多少人打开。

这是衡量一个文案的标准，好文案一定能触动用户打开。我们经常拿文案作为AB测试。举一个例子，我们会用短信营销，运营是和礼品挂钩的，当时有不少用户线上注册完并不下载APP，我们有那么一条针对此类的短信文案：

丨我们已经为您准备好了专属心意，XXXXX，请打开APP领取。

这条短信的打开率约在10%左右。但是还有优化空间，于是我不断修改文案，后续修改为：

丨既然您已经注册，为什么不来领取属于您的专属心意呢，XXXXX，请打开APP领取（中间内容不变）。

打开率被优化到18%。因为它用了营销心理，已经注册，契合了沉默成本的暗示：我做都做了，为什么不继续，不然白注册了。这种心理常见于旅游景点，景点很坑爹，但绝大多数人还是会说：既然来都来了，就是一种共通的心理。

后续短信又采取个性化方案，最终优化到25%。比最早期的文案效果好三倍左右。如果不好奇短信效果，如果不收集数据监控指标，那么优化无从谈起。我们可能凭感觉写出好文案，但你不知道具体效果，而数据能。

再来个例子，最开始我们借助微信朋友圈进行用户拉新，起初有多个渠道，但是我不知道哪个渠道效果好。然后我的好奇症又犯了，哪个渠道效果好？邀请转化率还能不能优化？渠道拉新成本是多少？

依旧是推动和落地数据分析的执行，因为微信的网页分享，会自动带from=timeline等参数，通过参数我能过滤出微信端浏览和访问的数据。后来又拜托研发针对不同渠道设置参数。通过参数统计转化率，并且给新用户打渠道来源标签。

期间发现一个渠道的转化率过低。我们大概分两类渠道，一个是落地页直接邀请用户注册，附加有礼品信息。一个是让用户先挑选礼品样式，最后领取步骤中跳到注册。通过转化率分析，后者的流失较为严重。因为步骤太冗余了，还有快递地址要填写，选取礼品的吸引力不足以支持用户走完流程。

于是便更改第二个渠道流程。不同注册渠道的用户来源，因为有标签，所以在后续新用户的运营中，可以有针对性地做措施。这也是短信通过个性化达到25%打开率的原因之一。

好奇是为了解决问题而服务的。通过不断的想问题，解决问题，数据分析相关的能力自然会提升。

幸运的是，好奇心能够后天锻炼，就是多问问题多想问题，锻炼难度不高。

非数据

零基础学习还会有另外一个问题，就是轻视业务的重要性。

实际上，想成为数据分析师，难点不在于Excel、SQL、统计等知识欠缺。而是业务知识的匮乏。

一个人懂业务不懂数据，另一个懂数据不懂业务，前者更有可能解决实际的问题。因为数据分析师始终是为业务而服务。

我曾向产品提出（没请吃饭）布置APP和Web埋点，通过用户的路径了解用户，也弥补百度统计的缺点。

当时通过Hadoop存储数据，使用Hive建立离线的脚本清洗、分区、加工。用户浏览产品的页面、使用的功能、停留的时间都能构成用户画像的基础。

我曾经很好奇什么是用户画像，因为网络上说用户的性别、地域、年龄、婚姻、财务、兴趣、偏好是构成用户画像的基础。但是我们的业务获取不到那么多数据。而我认为，用户画像是为了业务服务的，它不该有严格统一的标准。只要在业务上好用，就是好的用户画像。

就像在线视频的用户画像会收集电影的演员、上映时间、产地、语言、类型。还会细分到用户是否快进，是否拖拽。这些都是以业务为导向。甚至视频网站的分析师们本身就得阅片无数，才能根据业务分析。不然那么多电影类目和类型，如何细分各类指标？能通过拖拽快进去判断用户是否有兴趣，自身也得用过类似行为才能理解。

零基础怎么学习行业和业务知识？如果本身和业务接触，只是想做数据分析，难度小不少。如果像当初的我一样，既没有义务知识又不懂数据，也是可以的。

数据如果是假设性思维学习的话，那么业务应该是系统性思维学习。业务知识也需要一个目的和方向，但是和数据分析不同。业务注重的是系统性，系统性不是大而全，而是上而下的结构知识。先瞄准一个方向钻取深度，广度会随着深度的挖掘逐渐拓展。

比如你是一个外行，想学用户运营体系的分析，不要先考虑啥是用户运营，这问题太大。而是瞄准一个方向，例如活跃度，了解它的定义和含义，再想怎么应用。线下商场的活跃度如何定义，医院患者的活跃度如何定义，某个学校社团的活跃度如何？拿身边例子去思考活跃度。商场的活跃，可以是走来走去的人流，可以是进行消费购物的客流，可以是大包小包的土豪。什么因素会影响活跃？促销还是打折，节假日还是地理。等这些问题想通了，上手用户运营会很快。

再通过同样的思维去想留存、去想拉新。就会知道，如果商场的人流下次继续来消费，就是留存，有新客人来，就是拉新。这又有哪些因素互相影响？最后的知识思维一定是金字塔结构的。上层是用户运营，中间是拉新、活跃、留存。下层是各个要点和要素。

数据分析的学习注重演绎和推理，业务的学习注重关联和适用，学以致用就是说的这种情况。期间也会用到好奇心和假设，这两点都是加速学习的途径之一。

实际上说了这么多，对于零基础想当数据分析师的同学来说，可能仍旧有一些云山雾罩吧。这些软技能也不会助人一步登天的，其实的七周成为数据分析师，从最开始我也说过是入门的大纲。重要的是自己是否真的想学和学好，师傅领进门，修行靠个人，其他一切都是虚的。

想起很久以前看的一句鸡汤话，当你想要前行时，一切都会为你让路。我想这比我说的一切都更有力。

所以你问我零基础能成为数据分析师吗？我的回答是能。

文章其实有一些赶，最后祝大家圣诞快乐。