如何快速成为数据分析师？

图片：Yestone.com 版权图片库

路人甲，喜欢用数据讲故事。

入行之后，我才发现数据分析其实可以分为两种：一种类似产品经理、一种偏向数据挖掘，类似产品经理向更加注重业务，对业务能力要求比较高；数据挖掘向更加注重技术，对算法代码能力要求比较高。

首先我说说这两种方向共同需要的技术面，当然以下只是按照数据分析入门的标准来写：

1. SQL（数据库），我们都知道数据分析师每天都会处理海量的数据，这些数据来源于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过 SQL 解决的，所以 SQL 是数据分析的最基础的技能，零基础学习 SQL 可以阅读这里：SQL 教程_w3cschool

2. 统计学基础，数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的平均值是什么？数据的最大值最小值指什么？数据相关与回归、时间序列分析和预测等等，这些在网易公开课上倒是有不错的教程：哈里斯堡社区大学公开课：统计学入门_全 24 集_网易公开课

3.Python 或者 R 的基础，这一点是必备项也是加分项，在数据挖掘方向是必备项，语言相比较工具更加灵活也更加实用。至于学习资料：R 语言我不太清楚，Python 方向可以在廖雪峰廖老师的博客里看 Python 教程，面向零基础。

再说说两者有区别的技能树：

1.数据挖掘向

我先打个前哨，想要在一两个月内快速成为数据挖掘向的数据分析师基本不可能，做数据挖掘必须要底子深基础牢，编程语言基础、算法、数据结构、统计学知识样样不能少，而这些不是你自习一两个月就能完全掌握的。

所以想做数据挖掘方向的，一定要花时间把软件工程专业学习的计算机基础课程看完，这些课程包括：数据结构、算法，可以在这里一探究竟：如何学习数据结构？

在此之后你可以动手用 Python 去尝试实现数据挖掘的十八大算法：数据挖掘 18 大算法实现以及其他相关经典 DM 算法

2.产品经理向

产品经理向需要你对业务感知能力强，对数据十分敏感，掌握常用的一些业务分析模型套路，企业经常招聘的岗位是：商业分析、数据运营、用户研究、策略分析等等。这方面的学习书籍就很多，看得越多掌握的方法越多，我说几本我看过的或者很多人推荐的书籍：《增长黑客》、《网站分析实战》、《精益数据分析》、《深入浅出数据分析》、《啤酒与尿布》、《数据之魅》、《Storytelling with Data》

总之一百个人眼中有一百个哈姆雷特，一百个数据分析师对快速入门有一百种方法，但是万变不离其中，以上是我的愚见，希望能对你有所启发，所以收藏的话不如点个赞啦！

秦路，什么都只知道一点点

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，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。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。

PPT - 热门问答

Excel 图表绘制 - 热门问答

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。

深入浅出数据分析 (豆瓣)

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）

统计数字会撒谎 (豆瓣)

休闲读物，有趣的案例可以让我们避免很多数据陷阱。

深入浅出统计学 (豆瓣)

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。

增长黑客 (豆瓣)

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。

网站分析实战 (豆瓣)

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。

精益数据分析 (豆瓣)

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。

所有内容都已经更新完毕了，因为知乎现在不允许帖链接，所以这里不放了。大家可以看专栏，或者关注公众号。