說來我正式接觸數據分析也快一年，對速成還是有一些心得。優秀的數據分析師是不能速成的，但是零經驗也有零經驗的捷徑。
以上的前提針對入門，目的是達到數據分析師的門檻，順利拿到一份offer，不涉及資料探勘等高級技巧。我的方法傾向互聯網領域，不論是分析師這個職位，還是營運、產品的能力發展都是適用的。其他領域就仁者見仁了。
市面上有【七周七資料庫】，【七周七程式語言】。今天我們就【七周七學習成為數據分析師】。
沒錯，七周。
第一周：Excel學習掌握
如果Excel玩的順溜，你可以略過這一周。不過介於我入行時也不會vlookup，所以有必要講下。
重點是了解各種函式，包括但不限於sum，count，sumif，countif，find，if，left/right，時間轉換等。
Excel函式不需要學全， 重要的是學會搜尋 。即如何將遇到的問題在搜尋引擎上描述清楚。
我認為掌握vlookup和數據透視表足夠，是最具價效比的兩個技巧。 學會vlookup，SQL中的join，Python中的merge很容易理解。 學會數據透視表，SQL中的group，Python中的pivot_table也是同理。
這兩個搞定，基本10萬條以內的數據統計沒啥難度，80%的辦公室白領都能秒殺。
Excel是熟能生巧，多找練習題。還有需要養成好習慣，不要合並單元格，不要過於花哨。表格按照原始數據（sheet1）、加工數據（sheet2），圖表（sheet3）的型別管理。
專欄上寫了三篇Excel的文章，比較簡單，大體介紹了Excel套用，可以作為職場新人的指南。
第一篇數據分析—函式篇。主要簡單講解常用的函式，以及與之對應的SQL/Python函式。
第二篇數據分析—技巧篇。主要簡單講解我認為很有新價比的功能，提高工作效率。
第三篇數據分析—實戰篇。主要將前兩篇的內容以實戰方式進行，簡單地進行了一次數據分析。資料來源采用了真實的爬蟲數據，是5000行數據分析師崗位數據。
下面是為了以後更好的基礎而附加的學習任務。
了解單元格格式，後期的數據型別包括各類timestamp，date，string，int，bigint，char，factor，float等。
了解陣列，以及怎麽用（excel的陣列挺難用），Python和R也會涉及到 list。
了解函式和參數，當進階為編程型的數據分析師時，會讓你更快的掌握。
了解中文編碼，UTF8和ASCII，包括CSV的delimiter等，以後你會回來感謝我的。
養成一個好習慣，不要合並單元格，不要過於花哨。表格按照原始數據、加工數據，圖表的型別管理。
如果時間還有剩余，可以看大數據時代 (豆瓣)，培養職業興趣。
再來一道練習題，我給你1000個身份證號碼，告訴我裏面有多少男女，各省市人口的分布，這些人的年齡和星座。（身份證號碼規律可以網上搜尋）
第二周：數據視覺化
數據分析界有一句經典名言，字不如表，表不如圖。數據視覺化是數據分析的主要方向之一。除掉資料探勘這類高級分析，不少數據分析就是監控數據觀察數據。
數據分析的最終都是要兜售自己的觀點和結論的。兜售的最好方式就是做出觀點清晰數據詳實的PPT給老板看。如果沒人認同分析結果，那麽分析也不會被改進和最佳化，不落地的數據分析價值又在哪裏？
首先要了解常用的圖表：
各類圖表的詳細介紹可以檢視第四篇文章：數據視覺化：你想知道的經典圖表全在這
了解圖表後，還應該學會報表制作，這裏準備了第五篇：數據視覺化：打造高端的數據報表。將教會大家Excel的高級圖表用法。
如果還不過癮，我們得掌握資訊圖和BI，下圖就是微軟的Power BI：
BI（商業智慧）和圖表的區別在於BI擅長互動和報表，更擅長解釋已經發生和正在發生的數據。將要發生的數據是資料探勘的方向。
BI的好處在於很大程度解放數據分析師的工作，推動全部門的數據意識，另外降低其他部門的數據需求（萬惡的導數據）。
BI市面上的產品很多，基本都是建立儀表盤Dashboard，透過維度的聯動和鉆取，獲得視覺化的分析。第六篇：數據視覺化：深入淺出BI 將以第一周的實戰數據學習BI，上圖的就是學習後的成果。
數據視覺化的學習就是三個過程，了解數據（圖表），整合數據（BI），展示數據（資訊化）。
視覺化也和審美息息相關，很多直男代表並不擅長做圖，沒關系，抽空可以看書：數據之美 (豆瓣)
PPT也別落下，Excel作圖多練習，不會有壞處的。
PPT - 熱門問答
Excel 圖表繪制 - 熱門問答
第三周：分析思維的訓練
這周我們輕松一下，學學理論知識。
分析思維首推大名鼎鼎的金字塔原理 (豆瓣)，幫助數據分析師結構化思維。如果金字塔原理讓你醍醐灌頂，那麽就可以學思維導圖，下載一個XMind中文網站，或者線上用百度腦圖（百度難得不被罵的產品）。
如果不想看金字塔原理，那麽就看第七篇文章：如何培養麥肯錫式的分析思維。將書本的內容提煉了大部份。
再了解SMART、5W2H、SWOT、4P理論、六頂思考帽等框架。這些框架都是大巧不工的經典。你要快速成為數據分析師，思考方式也得跟著改變。網上搜咨詢公司的面試題，搜Case Book。題目用新學的思維導圖做，先套那些經典框架，做一遍，然後去看答案對比。
等思維框架建立好，我們應該往裏面塞點數據分析的思維了，如何建立數據分析的思維框架。兩篇文章相結合，就能出師了。
這裏送三條金句：
一個業務沒有指標，則不能增長和分析
好的指標應該是比率或比例
好的分析應該對比或關聯。
舉一個例子：我告訴你一家超市今天有1000人的客流量，你會怎麽分析？
這1000人的數量，和附件其他超市比是多是少？（對比）
這1000人的數量比昨天多還是少？（對比）
1000人有多少產生了實際購買？（轉化比例）
路過超市，超市外的人流是多少？（轉化比例）
這是一個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結果。
優秀的數據分析師會拷問別人的數據，而他本身的分析也是經得起拷問，這就是分析思維能力。需要確切明白的是，一周時間鍛煉不出數據思維，只能做到了解。 數據思維是不斷練習的結果 ，我只是盡量縮短這個過程。
深入淺出數據分析 (豆瓣)
這本書太啰嗦了，我看到一半放棄了…但推薦人不少，可以快速翻看一下。
第四周：資料庫學習
Excel對十萬條以內的數據處理起來沒有問題，但是互聯網行業就是不缺數據。但凡產品有一點規模，數據都是百萬起。這時候就需要學習資料庫。
資料庫入門看這篇文章：寫給新人的資料庫指南
越來越多的產品和營運崗位，會在招聘條件中，將會SQL作為優先的加分項。
SQL是數據分析的核心技能之一，從Excel到SQL絕對是數據處理效率的一大進步。
學習圍繞Select展開。增刪改、約束、索引、資料庫範式均可以跳過。SQL學習不需要買書，W3C學習就行了，SQL 教程。大多數互聯網公司都是MySQL，我也建議學，價效比最高。
主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的邏輯，時間轉換函式等。
如果想要跟進一步，可以學習row_number，substr，convert，contact等。另外不同數據平台的函式會有差異，例如Presto和phpMyAdmin。
你看，和Excel的函式都差不多。按照SQL，從入門到熟練SQL，從熟練到掌握這兩篇的內容學習。雖然沒有實戰的打磨，但是了解一個大概夠了。
期間你不需要考慮最佳化和寫法醜陋，查詢幾秒和幾分鐘對數據分析師沒區別，跑數據時喝杯咖啡唄，以後你跑個SVM都能去吃飯了。
網上也能搜尋SQL相關的練習題，刷一遍就行。也能自己下載資料庫管理工具，找些數據練習。我用的是Sequel Pro。
附加學習：
如果這周的學習充裕，可以了解MapReduce原理。
來一道練習題，表A是使用者的註冊時間表，表B是使用者所在地，寫出各地區每月新註冊使用者的查詢SQL。掌握到這個程度，基本夠用，雖然往後工作中會有更多變態數據需求。
第五周：統計知識學習
很遺憾，統計知識是我最薄弱的地方，也是數據分析的基礎之一。
統計知識會要求我們以另一個角度看待數據。當你知道AB兩組的差異用平均值看是多傻的事情，你的分析技巧也會顯著提高。
這一周努力掌握描述性統計，包括均值、中位數、標準差、變異數、機率、假設檢驗、顯著性、總體和抽樣等概念。詳細的數學推導不用細看，誰讓我們是速成呢，只要看到數據，知道不能怎麽樣，而是應該這樣分析即可。
Excel中有一個分析工具庫，簡單強大。對列1的各名詞做到了解。如果是多變量多樣本，學會各種檢驗。
（圖片網上找來的）
統計數位會撒謊 (豆瓣)
休閑讀物，有趣的案例可以讓我們避免很多數據陷阱。
深入淺出統計學 (豆瓣)
還是經典的HeadFirst系列，適應它一貫的啰嗦吧。
多說一句，老板和非分析師不會有興趣知道背後的統計學原理，通常要的是分析後的是與否，二元答案。不要告訴他們P值什麽的，告訴他們活動有效果，或者沒效果。
第六周：業務學習（使用者行為、產品、營運）
這一周需要了解業務。對於數據分析師來說， 業務的了解比數據方法論更重要。 當然很遺憾，業務學習沒有捷徑。
我舉一個數據沙龍上的例子，一家O2O配送公司發現在重慶地區，外賣員的送貨效率低於其他城市，導致使用者的好評率降低。總部的數據分析師建立了各個指標去分析原因，都沒有找出來問題。後來在訪談中發覺，因為重慶是山城，路面高低落差比較誇張，很多外賣人員的小電瓶上不了坡…所以導致送貨效率慢。
這個案例中，我們只知道送貨員的送貨水平距離，數據上根本不可能知道垂直距離這個指標。這就是數據的局限，也是只會看數據的分析師和接地氣分析師的最大差異。
對於業務市場的了解是數據分析師工作經驗上最大優勢之一。既然是零經驗面試，公司肯定也知道剛入門分析師不會有太多業務經驗，不會以這個卡人。所以簡單花一周了解行業的各指標。
以知乎最多的互聯網行業為例。至少了解活躍使用者數，活躍使用者率，留存率，流失率，傳播系數等通用概念。
增長黑客 (豆瓣)
數據驅動業務的典型，裏麵包含產品營運最經典的AAARR框架。部份非數據的行銷案例，如果時間不夠可以略過。此外產品和營運的入門讀物也能看，這裏就不推薦了。
網站分析實戰 (豆瓣)
如果應聘的公司涉及Web產品，可以了解流量的概念。書中案例以Google Analytics為主。其實作在是APP+Web的復合框架，比如朋友圈的傳播活動肯定需要用到網頁的指標去分析。
精益數據分析 (豆瓣)
互聯網數據分析的入門書籍，歸納總結了幾個常用的分析框架。比較遺憾的是案例都是歐美。
還有一個小建議，現在有不少第三方的數據套用，囊括了不少產品領域的數據分析和統計。自學黨們即使沒有生產環境的數據，也可以看一下套用Demo，有好處的。
除了業務知識，業務層面溝通也需要掌握。另外建議在面試前幾天收集該行業的業務強化一下。
第七周：Python/R 學習
終於到第七周，也是最痛苦的一周。這時應該學習編程技巧。
是否具備編程能力，是初級數據分析和高級數據分析的風水嶺。資料探勘，爬蟲，視覺化報表都需要用到編程能力。掌握一門優秀的程式語言，可以讓數據分析師事半功倍，升職加薪，迎娶白富美。（SAS/SPSS我不了解，所以不做指導）
這裏有兩條支線，學習R語言或Python。速成只要學習一條，以後再補上另外一門。
我剛好兩類都學過。R的優點是統計學家編寫的，缺點也是統計學家編寫。如果是各類統計函式的呼叫，繪圖，分析的前驗性論證，R無疑有優勢。但是大數據量的處理力有不逮，學習曲線比較陡峭。Python則是萬能的膠水語言，適用性強，可以將各類分析的過程指令碼化。Pandas，sklearn等各包也已經追平R。
如果學習R，我建議看R語言實戰 (豆瓣)， 照著書本打一遍程式碼，一星期綽綽有余。另外還有一本 統計學 (豆瓣) ，偏知識理論，可以復習前面的統計學知識。
R學習和熟悉各種包。知道描述性統計的函式。掌握DataFrame。如果時間有余。可以再去學習ggplot2。
Python擁有很多分支，我們專註數據分析這塊，入門可以學習 深入淺出Python（影印版） (豆瓣) 。也是把程式碼寫一遍。
需要學會條件判斷，字典，切片，迴圈，叠代，自訂函式等。知道數據領域最經典的包Pandas+Numpy。
在速成後的很長一段時間，我們都要做調包俠。
這兩門語言最好安裝IDE，R語言我建議用RStudio，Python我建議用 Anaconda。都是數據分析的利器。
Mac內建Python2.7，但現在Python 3已經比幾年前成熟，而且沒有編碼問題。各類教程也足夠多，不要抱成守舊了。Win的電腦，安裝Python會有環境變量的問題，是個大坑（R的中文編碼也是天坑）。
到這裏，剛剛好是七周。如果還需要第八周+，則是把上面的鞏固和融會貫通，畢竟速成是以轉崗或拿offer為目的。
成為數據分析師後，坑才剛剛開始，努力吧。
所有內容都已經更新完畢了，因為知乎現在不允許帖連結，所以這裏不放了。大家可以看專欄，或者關註公眾號。
——我是無恥的軟廣——
歡迎關註我的公眾號（tracykanc），粉絲稀少，急需關愛。更新內容以營運和數據為主。
