如何快速入门成为厉害的数据分析师，一份完整书单 - 简书
如何快速入门成为厉害的数据分析师，一份完整书单
“一切都被记录，一切都被分析”就了一个信息爆炸的时代，人类过去两年产生的数据占据了整个人类文明中所产生的数据的90%。而在这些无限丰富的数据中，蕴藏着巨大的价值，数据分析在数据爆炸式增长的前提下变得炙手可热，数据分析师甚至被称为“性感的职业”。由于需求的迫切增加和人才的短缺，数据人才显得弥足珍贵，数据分析师由此披上了华丽的光环。那么对于并非科班出身的人来说，如何通过自己的学习入门并成为厉害的数据分析师呢？下面是一份比较基础的书单，但也可以说是一个相对完整的入门学习体系。
1.基础 － 统计学
统计学是数据分析方法论中的核心基础，在数据分析的方法模型中，很大程度上都来源于统计学的方法，所以掌握统计原理是必须的。
《深入浅出统计学》Dawn Griffiths
目前市面上最具娱乐性、最能够抓住读者注意力的统计学研读指南。透过生动活泼的手法与素材，为这个困难的主题提供最容易被接受的学习方式，贯穿全书的精辟解说让各种程度的学生都能够充分地理解统计学。涵盖的知识点包括：信息可视化、概率计算、几何分布、二项分布及泊松分布、正态分布、统计抽样、置信区间的构建、假设检验、卡方分布、相关与回归等等。
《数学之美》吴军
此书名为数学之美，实为信息技术（自然语言处理）中的数学原理（统计语言模型）之美。更深刻地理解了大学所学的线性代数、概率论与数理统计和应该学而没学的随机过程、图论、机器学习的应用意义。作者深入浅出的宏观讲解，和恰到好处的细节展现，让读者很容易能感受到数学纵使在计算和证明上有许多繁琐巧妙的细节，但数学模型本身却是高度简洁高度具有概括力的，一些看似毫不相关的领域居然可以用同一个简单的数学模型来构建，这大概就是数学之"美”了吧。
《统计学》贾俊平 等
这本书应该算是很多统计学科班人士的入门书籍了，同时也是很多高校的统计专业的教材。这本书可能是你从专业系统性地了解统计知识的书目了，内容涵盖了描述统计方法，推断统计方法以及工商管理中常用的一些统计方法。作者将计算机紧密结合，大部分统计方法都给出了Excel的计算过程和结果。
《统计学习方法》李航
系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。你要知道，这些是之后可以直接应用到你的数据分析项目中去的一些方法。从统计向机器学习深入和过渡，对目前目前的统计学习方法有全面的介绍。
2.入门 － 数据分析
当了解了统计学的一些基础知识之后，你就可以正式上手学习较为基础的数据分析知识了，这一部分主要是了解数据分析和数据挖掘的方法、工具等理论上的东西，是为后续的数据分析实战打好基础。
《深入浅出数据分析》Michael Milton
数据分析入门的经典书籍了，你会发现几乎每个给你推荐数据分析、数据挖掘书单的人都会推荐此书。此书最大的优点就是非常的简明易懂，还给你填了很多统计方面的坑，让没有统计知识的你不至于一脸懵逼。数据分析基本步骤、实验方法、最优化方法、假设检验方法、误差处理、相关数据库、数据整理技巧等相关知识都有介绍。
《数据挖掘导论》Pang-Ning Tan，Michael Steinbach
这绝对是你进入数据分析和数据挖掘领域的核心书籍，也是数据挖掘的入门经典。书中对数据、分类、关联分析、聚类和异常检测作出了细致入微的阐述。书中还有一些常用的数据挖掘算法和伪代码，可以作为延伸学习的。当然数据挖掘的东西更多的是要去理解，而不是记忆，理解理论背后的原理会让你在后续的实战中能够更加得心应手。
《数据挖掘概念与技术》Jiawei Han，Micheline Kamber
范明 孟小峰
这本书的定位和《数据挖掘导论》的定位比较相似，都是在数据挖掘、分析技术的问题上的探讨。关于聚类、关联、分类的讲解都很到位。这本书虽然名为data mining，但其实思想都是machine learning的东西，这也可以是一个了解机器学习的不错的切入点。
3.实战 － 数据技术
经过前面对于数据分析和数据挖掘知识的积累，相信你已经形成了最基本的数据分析知识体系，也对数据分析的方法和流程有了较为全面的了解。那么接下来就是应用这些东西来进行数据分析实战了。当然这个部分，你还需要学习一门编程语言，这里推荐Python。
《利用Python进行数据分析》Wes McKinney
此书绝对是计算科学和数据分析经典中的经典，强大的地方在于，书中不仅建立了一个完善的python分析方法论体系，还有大量具体的实践建议，以及大量综合应用方法。将学会如何利用各种Python库（包括NumPy、pandas、matplotlib以及IPython等）高效地解决各式各样的数据分析问题，所以这将是你真正意义上数据分析实战的开始。
《Python数据分析与挖掘实战》 张良均
从数据挖掘的应用出发，以电力、航空、医疗、互联网、生产制造以及公共服务等行业真实案例为主线，深入浅出介绍Python数据挖掘建模过程，实践性极强。通过这本书，你完全可以阅读过程中，充分利用随书配套的案例建模数据，借助相关的数据挖掘建模工具，通过自己进行上机实战掌握Python的数据分析。
《Python核心编程（第二版）》 Wesley J. Chun
要用python进行数据分析，学习python这门语言是必须的了，这本书就是python编程的经典。尤其是每一小节后面的核心笔记，讲解了一些有用的编程技巧和知识，知识点非常细致，你可以学到很多以前不知道的编程知识。当然这本书用来扫盲可能有一定的难度，可能更适合进阶，让你打扎实python 的基础。
4.进阶 － 机器学习
经过前面的学习，你基本上已经能够进行简单的数据分析，并且能够较为完善地操作一些简单的数据了。那么机器学习这部分一定是提升你整个思维方式和数据分析水平的杀器。你将会有目的地去选择合适的方法应用在不同的场景，分析水平得以提升。
《机器学习》周志航
简明而深刻，厚积薄发的评注非常开拓思维，多是游刃有余之后才可得出的见解。这确实是机器学习里优秀的中文书籍了，大牛周志航将机器学习中的模型方法，应用场景、理论推导、优化过程、算法等进行了全面而细致的讲解，堆积初级的宏观学习机器学习分析方法可以说是既简洁而又实用。
《机器学习实战》Peter Harrington
用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！这本书会让你意识到那些被吹捧得出神入化的分类算法，竟然实现起来如此简单；那些看是高深的数学理论，其实一句话就能道明其本质；一切复杂的事物，出发点都是非常简单的想法。
《集体智慧编程》TOBY SEGARAN
以机器学习与计算统计为主题背景，述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论。想把 paper 上的公式转变为可以运行的代码，这是件考验功力的事情这本书就是是修炼此种功力的武林秘笈之一。 最显著的特点是，实战性极强！ 针对每个算法，他从头到尾演示了一个完整的实现过程：从获取数据，组织存储，到算法实现，加载运算，再到最后的结果的分析利用。
5.补充 － 数据库技术
在涉及到大量的数据之后，数据的存储可能会成为你要考虑的问题，所以关于SQL方面的知识作为一个数据分析师应该有所储备。好在这部分难度并不是很大，并且不要要特别深入的研究。
《深入浅出SQL》 贝里
O‘Reilly Taiwan公司
非常浅显易懂, 图表间的注释是本书精华所在. 细致到几近啰嗦，小白都可以轻松看懂，可能是因为数据库技术本身难度并不是特别大。作为入门的书相当的不错，有辅助理解的讲解和例子，同时有有练习题加深记忆。当然书的内容略多，如果你是需要快速学习的话，在你已经理解之后就不必过度扣细节，毕竟你可能需要更多在实战中应用。
《高性能MySQL》 Baron Schwartz 等
不可多得的分享MySQL实用经验的图书。它不但可以帮助MySQL初学者提高使用技巧，更为有经验的MySQL DBA指出了开发高性能MySQL应用的途径。经典自不必说，对于大多数的涉及数据存储的人来说，这都是一本好书。书中的知识点非常全面，但可能学习成本略高，并非全要掌握，作为遇到困难时的词典查阅也不错。
6.应用 － 商业问题处理
这个时候你应该把学到的数据分析技能应用到实践中去了，去处理实际商业模型中的问题，解决企业在运营过程中数据驱动问题，这个时候，相信你已经打开数据分析的大门，你可以拥有一份收入可观、并且学之所用的工作了。
《精益数据分析》Alistair Croll 等
这本书里讲解了创业公司该如何确定指标体系，如何用数据指导产品和运营。本书还针对电商、媒体、SaaS、双边市场、UGC等，列举了要关注的指标，并有丰富的案例。整个书的内容比较散，但依旧是讲互联网产品数据分析方面非常好的书了，对于想就职互联网数据分析的人来说非常实用。
7.如何学习
可能你看到那么多书就头大，但是总结下来你需要掌握的无非以下几个技能：统计学基础
1.常用模型理论2.编程语言（如PYTHON）3.机器学习方法4.数据库技术
这些书并不需要全部涉猎，一切以掌握以上的几个技能为准。比如你之前就有统计的基础那么，统计学部分的书你就没必要看了。你也完全可以看了《深入浅出统计学》之后有感觉了就进行下一阶段的学习。
所以更重要的事情是带着学到的理论知识进入到实战的环节中去，这样才能提升你实际应用的能力，同时检验你是否真正理解和掌握了书中的方法论。关于编程语言并非一定是要python，只是因为python比较接近自然语言更容易理解和入门，并且确实强大够用，因而在此推荐。如果你对R感兴趣，这方面也有不少的经典书籍可以查阅。
独自学习的时候你肯定会遇到很多瓶颈，甚至让你开始怀疑人生，千万别气馁，带着实际的问题再次进入书籍，你会发现一些不一样的东西，对理论也会有更佳深入的了解。有时候你还需要去大牛们的paper中去寻找实际问题的答案，但是每当你解决一个问题，你就在level上要高出不少。
所以你大可不必纠结于其中的某个小问题，越快让自己有做实践的能力越好，获得成就和反馈的喜悦会让你热情大增，让你在实践中更高效地学习。
当你真正完成这些基础的学习，你会发现，原来你已经可以参加DataCastle的竞赛并且取得不错的成绩了，你将在竞赛中以更快的速度获得成长。
在成为厉害的数据分析师的路上……
时刻保持求知的欲望，成为Team中不可替代的人！
机器学习交流群：中国领先的IT技术网站
51CTO旗下网站
浅谈如何才能快速成为数据分析师
我小时候的理想是将来做一名数学家，可惜长大了发现自己天赋不够，理想渐行渐远，于是开始考虑现实，开始做一些人生规划，我一直在思考将来从事何种职业，专注什么样的领域，重新定义着自己的职业理想。我现在的职业理想，比较简单，就是做一名数据分析师。
作者：来源：网络大数据| 10:24
我小时候的理想是将来做一名数学家，可惜长大了发现自己天赋不够，理想渐行渐远，于是开始考虑现实，开始做一些人生规划，我一直在思考将来从事何种职业，专注什么样的领域，重新定义着自己的职业理想。我现在的职业理想，比较简单，就是做一名数据分析师。
为什么要做数据分析师：
在通信、互联网、金融等这些行业每天产生巨大的数据量(长期更是积累了大量丰富的数据，比如客户交易数据等等)，据说到2020年，全球每年产生的数据量达到3500万亿GB;海量的历史数据是否有价值，是否可以利用为领导决策提供参考依据?随着软件工具、数据库技术、各种硬件设备的飞快发展，使得我们分析海量数据成为可能。
而数据分析也越来越受到领导层的重视，借助报表告诉用户什么已经发生了，借助OLAP和可视化工具等分析工具告诉用户为什么发生了，通过dashboard监控告诉用户现在在发生什么，通过预报告诉用户什么可能会发生。数据分析会从海量数据中提取、挖掘对业务发展有价值的、潜在的知识，找出趋势，为决策层的提供有力依据，为产品或服务发展方向起到积极作用，有力推动企业内部的科学化、信息化管理。
我们举两个通过数据分析获得成功的例子：
(1) Facebook广告与微博、SNS等网络社区的用户相联系，通过先进的数据挖掘与分析技术，为广告商提供更为精准定位的服务，该精准广告模式收到广大广告商的热捧，根据市场调研机构eMarketer的数据，Facebook年营收额超过20亿美元，成为美国最大的在线显示广告提供商。
(2) Hitwise发布会上，亚太区负责人John举例说明: 亚马逊30%的销售是来自其系统自动的产品推荐，通过客户分类，测试统计，行为建模，投放优化四步，运营客户的行为数据带来竞争优势。
此外，还有好多好多，数据分析，在营销、金融、互联网等方面应用是非常广泛的：比如在营销领域，有数据库营销，精准营销，RFM分析，客户分群，销量预测等等;在金融上预测股价及其波动，套利模型等等;在互联网电子商务上面，百度的精准广告，淘宝的数据魔方等等。类似成功的案例会越来越多，以至于数据分析师也越来越受到重视。
然而，现实却是另一种情况。我们来看一个来自微博上的信息：在美国目前面临14万~19万具有数据分析和管理能力的专业人员，以及150万具有理解和决策能力(基于对海量数据的研究)的管理人员和分析人员的人才短缺。而在中国，受过专业训练并有经验的数据分析人才，未来三年，分析能力人才供需缺口将逐渐放大，高级分析人才难寻。
也就是说，数据分析的需求在不断增长，然而合格的为企业做分析决策的数据分析师却寥寥无几。好多人想做数据分析却不知道如何入手，要么不懂得如何清洗数据，直接把数据拿来就用;要么乱套模型，分析的头头是道，其实完全不是那么回事。按俗话说就是：见过猪跑，没吃过猪肉。
我的职业规划：
对于数据分析，有一句话说的非常好：spss/sql之类的软件、决策树、时间序列之类的方法，这些仅仅就都是个工具而已，最重要的是对业务的把握。没有正确的业务理解，再牛的理论，再牛的工具，都是白搭。
做一名合格的数据分析师，除了对数据需要有良好的敏感性之外，对相关业务的背景的深入了解，对客户或业务部门的需求的清晰认识。根据实际的业务发展情况识别哪些数据可用，哪些不适用，而不是孤立地在&真空环境&下进行分析。
为此，我对自己的规划如下：
第一步：掌握基本的数据分析知识(比如统计，概率，数据挖掘基础理论，运筹学等)，掌握基本的数据分析软件(比如，VBA，Matlab，Spss，Sql等等)，掌握基本的商业经济常识(比如宏微观经济学，营销理论，投资基础知识，战略与风险管理等等)。这些基础知识，在学校里尽量的学习，而且我来到了和君商学院，这样我可以在商业分析、经济分析上面领悟到一些东西，增强我的数据分析能力。
第二步：参与各种实习。研一开始我当时虽然有课，不过很幸运的找到一份一周只需去一两天的兼职，内容是为三星做竞争对手分析，当然分析框架是leader给定了，我只是做整合资料和往ppt里填充的内容的工作，不过通过兼职，我接触到了咨询行业，也向正式员工学习了很多商业分析、思考逻辑之类的东西。
之后去西门子，做和VBA的事情，虽然做的事情与数据分析无关，不过在公司经常用VBA做一些自动化处理工作，为自己的数据分析工具打好了基础。再之后去了易车，在那里兼职了一个多月，参与了大众汽车销量数据短期预测的项目，一个小项目下来，数据分析的方法流程掌握了不少，也了解了企业是如何用一些时间序列模型去参与预测的，如何选取某个拟合曲线作为预测值。
现在，我来到新的地方实习，也非常幸运的参加了一个央企的码头堆场优化系统设计，其实也算数据分析的一种吧，通过码头的数据实施调度，通过码头的数据进行决策，最后写成一个可操作的自动化系统。而这个项目，最重要的就是业务流程的把握，我也参与项目最初的需求调研，和制定工作任务说明书SOW，体会颇多。
第三步：第一份工作，预计3-5年。我估计会选择咨询公司或者IT公司吧，主要是做数据分析这块比较强的公司，比如Fico，埃森哲，高沃，瑞尼尔，IBM，AC等等。通过第一份工作去把自己的知识打得扎实些，学会在实际中应用所学，学会数据分析的流程方*，让自己成长起来。
第四步：去自己喜欢的一个行业，深入了解这个行业，并讲数据分析应用到这个行业里。比如我可以去电子商务做数据分析师。我觉得我选择电子商务，是因为未来必将是互联网的时代，电子商务必将取代传统商务，最显著的现象就是传统零售商老大沃尔玛正在受到亚马逊的挑战。此外，电子商务比传统的零售商具有更好的数据收集和管理能力，可以更好的跟踪用户、挖掘潜在用户、挖掘潜在商品。
第五步：未知。我暂时没有想法，不过我希望我是在一直的进步。
有一位数据分析牛人曾经总结过数据分析师的能力和目标：
能力：一定要懂点战略、才能结合商业;一定要漂亮的presentation、才能一定要有global view、才能打单;一定要懂业务、才能结合市场;一定要专几种工具、才能干活;一定要学好、才能有效率;一定要有强悍理论基础、才能入门;一定要努力、才能赚钱;最重要的：一定要务实、才有不懂的话以后慢慢就明白了。
目标：1-做过多少个项目?2-业务背景有哪些，是否跨行业?3-做过多少种类型的模型?做了多少个模型?4-基于模型做过多少次完整的marketing闭环?以上四个问题，足以秒杀95%以上的忽悠和菜鸟!
【编辑推荐】【责任编辑： TEL：（010）】
大家都在看猜你喜欢
头条头条头条原创头条
24H热文一周话题本月最赞
讲师：5人学习过
讲师：29人学习过
讲师：5人学习过
精选博文论坛热帖下载排行
本书全面阐述Java应用安全的基本知识并介绍一种强大的结构化安全设计方法；介绍独立于厂商的安全架构；列出详细的评估核对表以及23种经过实...
订阅51CTO邮刊如何快速成为数据分析师？ - 知乎46189被浏览2206889分享邀请回答4312 条评论分享收藏感谢收起没有基础，如何成为数据分析师吗?-互联网的一些事
您的位置：
没有基础，如何成为数据分析师吗?
来源： 作者：秦路
　　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。
　　HTML+CSS—— 网页结构 ——网站分析——用户分析
　　HTML+CSS—— 爬虫工具——Python爬虫
　　HTML+CSS—— JS ——可视化JS
　　HTML+CSS——SEO——SEM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：
　　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：
　　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。
(转载请保留)
互联网的一些事，已超50万小伙伴关注！