成为一名优秀数据分析师的必经之路

在招聘网站上查看大厂数据分析师的任职要求，无一例外提出了需要掌握数据分析的工具，可见在成长的初期，避开分析工具的学习是不可能的。

将这些公司的需求整合一下，不难看出，在零基础的情况下，需要在成长的初期快速掌握的工具主要是SQL、EXCEL以及Python。

分析工具的学习建议：

1.Excel

会用Excel是最基本的能力，在工作中Excel的使用频率也很高，Excel的学习也比较简单，集中学习几天就能完成。由于Excel的功能非常多，逐个学习是没有必要的，主要需要掌握的是vlookup等函数、透视表及常用图表。

2.SQL

如果对SQL语言是完全的新手，不知道增删查改等基本操作，建议先去看看视频讲解：

《MySQL_基础+高级篇- 数据库 -sql
-mysql教程_mysql视频_mysql入门_尚硅谷》B站播放400W+

掌握SQL基础后，就要通过刷题反复训练，直到对这些SQL的命令和语法都了如指掌。专门刷题的网站有：牛客网，采用的是employees数据库，共61道练习题；LeetCode，上面的题比较考验逻辑，技巧性高，不过一些题库需要付费解锁。

3.Python

市场上的Python课程多如牛毛，但做数据分析需要用到的Python知识并不繁多，我们需要知道的是数据分析岗真正需要用到的Python知识点有哪些？以及数据分析最主要的Python工具库有哪些？

运用Python做数据分析的人也很多，需要用到的知识主要是数据类型和结构、变量、函数、逻辑语句、匿名函数、错误处理、遍历和迭代、进程和线程、库的使用；用到的第三方数据分析库主要有numpy、pandas、matplotlib、scikit-learn（机器学习库，可以对数据进行分类、回归、降维、预处理等）。

鉴于题主是个编程小白，可以买一本Python数据分析的书来看看，相较于网络上的Blog教程，书本的讲解会更有章法，也更详尽一些。

《利用Python进行数据分析》：讲的是利用Python进行数据控制、处理、整理、分析等方面的具体细节和基本要点，介绍Python编程和用于数据处理的库和工具环境。

《Python数据可视化编程实战》：一本使用Python实现数据可视化编程的实战指南，介绍了如何使用Python最流行的库，通过60余种方法创建美观的数据可视化效果。

虽然SQL 、Excel、Python等工具是入门数据分析必不可少的敲门砖，但一个优秀的数据分析师不可能只靠运用“工具”，毕竟在这个全员转向互联网的时代，想要靠一些通过教程就可以习得的基础技能就超过其他人，是不可能的。若想要在一众新人中脱颖而出，在数据分析上更深入地发展，一定还要用“脑”：

具备数据分析的知识与核心技能，培养自己的思维能力
了解企业内数据分析岗的定位，如何依靠数据来进行决策

对于这一部分的进阶知识，接下来我想配合贪心学院与腾讯课堂的联合培养课程《商业数据分析》来进行讲解。市面上的课程里，贪心AI的课程对逻辑思维、业务分析、工具/工程能力有较好的整合，课程不仅仅只是介绍EXCEL、SQL、Python、Pandas、NumPy、Matplotlib、PyEcharts、PowerBI、Tableau等必备工具，更注重有意识地培养形成一套解决问题的逻辑能力，以及面对不同的场景应用不同分析模型解决问题的能力，很适合用于学习与讲解数据分析的进阶知识。

一、了解企业内数据分析岗的定位

成为数据分析师，首先需要知道一般互联网企业数据流转流程，不能做只懂技术不懂业务的“工具人”。

数据流转流程主要有以下六个节点：数据获取、数据存储、数据挖掘分析、数据报表搭建、数据分析及可视化、商业分析及决策建议。其中，每一个节点都与数据分析息息相关，了解每一个节点的分工与任务，才能做好工作间的合作衔接，找准自己的工作定位。以数据分析挖掘为例，数据挖掘会挖掘出对决策有潜在价值的关系、模式和趋势，并用于决策支持的模型，提供预测性决策支持的方法、工具和过程，一般企业内会有专门的数据挖掘部门通过算法挖掘数据指标间的内部联系，大数据分析、BI或算法部门将会负责完成机器学习的算法实践。

为什么数据分析师不能只懂技术？

1、从可行性角度出发，技术不是解决问题的万能药水：

• 技术难关无法短期突破

• 没有足够资金进行技术投入

2、从投资回报率的角度出发，技术投入的边际效应明显：

• 对企业而言，避免"短板效应"需要均衡产品、营销、技术等多维度的发展

• 对个体而言，技术积累+业务经验是提升能力稀缺度的不二之选

数据分析师与一线业务运营者的区别是什么？

宏观区别是数据量的不同导致了业务决策权的不同。

微观区别是数据分析技能的不同导致了业务理解深度的不同。

• 生命周期分析：根据不同阶段数据特征判断产品/用户生命周期

• 用户分层分析：以RFM分析为代表

• 用户行为分析：线性回归分析+逻辑回归分析

• 仓储供应链分析：仿真模拟+回归分析

二、掌握数据分析师的核心技能

数据分析师的核心技能——数据分析能力与思维逻辑能力，这在贪心的数据分析课程的第二周就进行了详细讲解，可见它们的基础不动摇地位。

简单来说，互联网数据分析的基本思路是：找出问题（描述性分析）->分析问题（诊断性分析）->解决问题（数据报告+决策性分析）

描述性分析是指通过计算数据的集中性特征和波动性特征以了解数据的基本情况（关键知识点：平均数、标准差、分布规律、可视化方法）

诊断性分析指深入挖掘问题根源，识别依赖关系，找出影响因子（关键知识点：多变量回归中如何找到关键性变量）

预测性分析用来说明未来可能发生的事情（关键知识点：线性回归、逻辑回归）

仿真模拟利用数学仿真来模拟各种条件下产生的结果

数据分析的老玩家对此已经轻车熟路，但干巴巴的讲解对于新手可能并不友好，所幸课程里运用了许多例子作为讲解。例如，以用户画像为例讲解描述性统计指标的Excel处理，以电商零售销量预测案例为例进行预测性分析，以零售仓储备货案例为例进行仿真练习……

当你掌握了数据分析的基本工具与核心技能，就可以开始动手做一些项目检验自己的学习成果了，项目不仅可以让你在实践中快速成长，对未来的求职也大有帮助。

但首先，我要给出一份爆款的项目经历 ：泰坦尼克号生存预测、波士顿房价预测、共享单车需求预测……是不是觉得很熟悉？有些项目，在Kaggle上都能找到源代码，含金量很低，HR对此也心知肚明。

所以项目一定要刷好、刷精，要具有高含金量与认可度，真正贴近企业对数据分析的需求。

如果没有接触好的企业项目的途径，也可以看看上文推荐的贪心数据分析课程。首先，它与腾讯课堂合作，在含金量与认可度上有保证；其次，课程的老师都是在百度、腾讯等互联网大厂真正任职过的，项目本身也与企业联系紧密，与企业的需求相贴近。

举个例子：哔哩哔哩会员购平台订单报表分析项目

相信很多年轻人对bilibili并不陌生，电商数据分析案例用了bilibili会员购的例子，讲解时也更容易理解。

由于b站以ACG文化起家，用户喜欢它的亚文化氛围，于是b站购买了众多日漫、国漫版权，围绕知名IP做起了产业链和服务，如手办商品的售卖。b站会员购直接给b站用户发送短信消息，只要不换号，打开b站就有可能看到推送消息；比起可能跑路的某宝商家，b站作为大平台更具有可靠性；b站采用大规模销售模式，商品单价低，消费者更愿意购买……

在该项目中，可以学会结合平台内部数据与平台外部数据进行分析，同时学会对数据的描述性分析（平均数、标准差、数学分布、多维可视化分析、关联系数、词频分析等），在应对多数据来源时，学会使用数据分析工具统一数据格式进行分析。分析工具的使用与数据思维的锻炼在项目中很好地结合。

刚刚在上文中也提到了简历的问题，面试的准备是进入数据分析岗的临门一脚，贪心专门利用最后一个章节讲述了数据分析师的面试准备，对简历、发展规划、关键问题与应对思路等相关问题都提出了解决策略，利用平台优势，在腾讯课堂就业专区也有岗位推荐。

不过话说回来，成功拿到offer，需要技巧的加持但更需要真正的实力，为了避免爆款简历的出现，最核心的其实是真正丰富自己的知识、技能以及项目经历。稳扎稳打，以自己的节奏不断进步，才能在数据分析这条路上走得更远。