大資料公司裡一般建立資料庫和分析資料的是兩撥人。

如果你想學習如何建立資料庫，就學SQL。結構化查詢語言（Structured Query Language），簡稱SQL，是一種資料庫查詢和程式設計語言，用於存取資料及查詢，更新和管理資料的系統。可以用來查詢檢索資料，新增修改和刪除資料等等。

如果你想學習拿到資料後如何進行分析，就學Python，統計和一些機器學習演算法。機器學習理論主要是設計和分析一些讓計算機可以自動學習的演算法，從資料中自動分析獲得規律，並利用規律對未知資料進行預測。因為這些演算法中涉及了大量的統計學理論，所以有一些統計學的知識是很有幫助的，但是也不需要統計什麼都懂。但是由於我們處理的資料很龐大，無法手算，必須藉助計算機來幫我們進行大量的計算，所以需要學習Python程式語言來幫助我們，每個機器學習的演算法都有相應的Python指令來幫你計算的。

機器學習的演算法有比如：

非監督式學習中的K-Means演算法，DBSCAN，t-SNE等等，主要不是用來預測，而是對整個資料有一定的深入瞭解。

監督式學習中常見的有：

迴歸演算法：試圖採用對誤差的衡量來探索變數之間的關係的一類演算法，常見的種類有最小二乘法（Ordinary Least Square），邏輯迴歸（Logistic Regression），逐步式迴歸（Stepwise Regression），多元自適應迴歸樣條（Multivariate Adaptive Regression Splines）以及本地散點平滑估計（Locally Estimated Scatterplot Smoothing）。

決策樹學習：根據資料的屬性採用樹狀結構建立決策模型，通常用來解決分類的問題。常見種類有：分類及迴歸樹（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林（Random Forest）， 多元自適應迴歸樣條（MARS）以及梯度推進機（Gradient Boosting Machine， GBM）

神經網路：模擬生物神經網路，通常用於解決分類和迴歸問題。神經網路是機器學習的一個龐大的分支，有幾百種不同的演算法。（其中深度學習就是其中的一類演算法，我們會單獨討論），重要的神經網路演算法包括：感知器神經網路（Perceptron Neural Network）, 反向傳遞（Back Propagation）， Hopfield網路，自組織對映（Self-Organizing Map, SOM）等等。

從文科的超級菜鳥一路摸爬滾打，到獨攬市場部的資料分析。我學習分為兩塊：學習資料分析知識、學習資料分析技能。

【資料分析知識-入門進階高階】一、入門必看，不需要會程式設計系列

1、《深入淺出資料分析》

資料分析入門第一本。通俗簡單，能夠讓你對資料分析的相關概念有大致的瞭解。這本書蘊含的思想邏輯和分析原則，要好好體會，會對你以後的學習有很大的幫助。

2、《深入淺出統計學》

號稱“文科生也能看懂”的統計書。閱讀起來相當容易，一口氣就能看完。這本書所講的知識在資料分析中都是常見且必須掌握的，比如基本的統計量，基本上每個分析專案中都會用到；比如基本的機率分佈，總體與樣本的概念、置信區間、假設檢驗、迴歸分析，都是關於資料分析的統計學知識。

“HeadFirst類的書籍，一向淺顯易懂形象生動，可以對分析概念有個全面的認知。”

3、《赤裸裸的統計學》

這本書是結合生活講解統計知識，生動有趣。從作者自身的生活經歷講述他與統計學的故事。處處見得統計學在生活中的智慧。

“可以避免統計學一上來就大講貝葉斯機率和隨機分析的枯燥。”二、進階：資料變多，不學程式設計搞不定系列資料分析領域的三把資料庫利器：R語言、Python、SQL

1、《R語言實戰》

如果要用R語言做資料分析，建議讀完《深入淺出資料分析》之後，就開始讀這本。從工具的安裝，到具體分析方法在R語言中的實現，講解詳細，可操作性極強，是一本非常值得讀的資料分析書。

2、《利用Python進行資料分析》

最經典的資料分析書之一，其中梳理介紹的pandas、Numpy、matplotlib 等庫，應對一般的資料分析，完全足夠。

3、《MySQL必知必會》

企業的資料，多是以資料庫的形式儲存起來的，那麼如果你要去呼叫你想要的那部分資料，SQL就是必須的技能。MySQL本身比較簡單，對於資料分析師來說，只需要掌握基本的語句和技巧，能夠進行基本的資料提取和處理就能夠應對一般的資料分析需求了。

三、高階：資料思維高度訓練系列

1、《精益資料分析》

“此書優勢在於將企業分成了幾個大的行業類別，並分門別類的講解了每個行業的商業模式特點及分析技巧，對使用者的分析能力要求較高，且必須具備相應的業務知識。”

書中並沒有講到具體的資料分析技術，主要分析了各種產品中用到的指標、模型和“資料驅動型產品”的一些思路。

2、《資料科學實戰》

“對於做了一段時間資料分析工作的人，這無疑是進階更高維度的好書，很難有一本書，能夠讓你從簡單的資料分析平滑地過渡到機器學習和資料探勘，這本書我認為是這方面做的最好的一本。”

這本書是資料分析和機器學習之間的橋樑。從探索性的資料分析，引出了機器學習的基本演算法：迴歸分析、k近鄰、k均值，並介紹了不同應用場景中最常見的機器學習演算法。

3、《決戰大資料》

阿里巴巴前資料副總裁車品覺所著，講解了阿里巴巴在企業內部治理資料過程中的心得，所講“存-通-用”資料管理三板斧和“從資料化運營到運營資料”，字字珠璣，可堪借鑑。

【資料分析技能-蒐集分析視覺化】一、資料蒐集

1、表單蒐集：由於我是社會學出身，為了快速分發問卷收集資料，迄今為止用過3個表單工具，簡道雲、金資料、問卷星。問卷星在學生時代發問卷用過，個人不推薦；簡道雲和金資料都比較推薦，尤其簡道雲是今年開始接觸，因為我個人很喜歡它的操作介面，後續的圖表製作以及資料關聯性較強，用的次數是最多的。

2、資料爬取：超級菜鳥還不至於到這一階段。再加上這方面我瞭解不多，就不班門弄斧了。有意者可以參考這篇回答：如何入門 Python 爬蟲？

二、資料分析與視覺化

1、配色學習：好的視覺化是一份資料分析報告的點睛之筆。資料視覺化主要透過程式設計和非程式設計類工具進行實現，在學習工具之前，需要先對配色設計有基礎的審美認知。

圖表設計教程：Excel圖表圖形

圖表配色參考地址：圖表配色

2、資料分析軟體

excel：

入門資料分析師都繞不開excel的魔掌。基礎公式與常用函式、高階函式、VBA、SmartArt圖形、資料透視表、互動圖表、宏開發……

excel教程不要太多，如何快速學習excel，我之前也回答過，反正就是逮住一本教程，照著練：

圖表製作上，可以使用一些excel外掛，拯救配色：Data Chart、EasyCharts

專業報表軟體：

不得不說，使用專業級的報表軟體，才能讓你的資料會“說話”。國外有tableau、Power BI，國內有Finereport、FineBI。這幾個都不錯，但鑑於我愛國，我更推薦國產的Finereport。但需要注意的是，這類專業軟體，學習難度對超級菜鳥來說較高，適合入門後攻克。

以上。

我是一枚做過產品運營，策劃，資料分析，資料探勘，大資料，在IT行業浸淫多年的最老的80後。

之前在剛畢業加入網際網路這行的時候，也很焦慮也很著急，那會兒特別想做網際網路產品序列的工作，但是腦袋裡一片漿糊，不知道從何入手。

我先說說我的經歷，然後再順著我的經歷講資料分析這塊的學習和提升的方法論，避免大家少走彎路，能用正確的方法快速成長。

我剛畢業那會兒是03年，面了很多網路遊戲公司，因為從小特別熱愛遊戲，也面了很多IT公司，因為那會兒網際網路剛起步沒多久是一個風口，自己也挺喜歡，最終還是選擇了遊戲行業，因為還是遵循內心最真實的想法，選擇自己熱愛的領域作為未來的事業，這個選擇一直到現在我都覺得很正確。

03年那會開始以管理培訓生的身份到北京的一家知名遊戲公司實習，機緣巧合，被選拔到了上海分公司做產品運營，負責一個moba+rpg專案的商業化和產品調優模組，剛去那會兒哪兒會這些專業的東西啊，去的時候甚至連封閉測試的目的都不知道，後來也是一個個問在工作中打磨出了方法論。說實話當時負責的是商業化和產品調優模組，如果你沒有資料，你怎麼去給研發提調優建議，怎麼去設計商業化活動，如果商業化活動有問題你連調整的依據都沒有，所以從那兒開始就開始接觸資料分析的工作。

最開始的時候，我們內部對於使用者流失的指標定義有很大的歧義，但是如果這個指標不確定下來，我們接下來的分析的結論會出現很大的偏差，最終會影響我們的調優決策，從而影響最終的業務，當時因為年輕也沒有考慮太多就按照公司統一標準來，但現在轉過頭髮現，真的很坑，當年的很多結論都是不對的，嚴重影響了大家的決策和判斷。這裡提到第一個點，叫做：業務資料指標的定義。這個東西至關重要！！！

當我們有了業務指標的定義的時候，需要去確定很多東西，比如說觀測資料的維度，統計的週期等，比如拿一個最簡單的流失分析來說，可能我的分析思路是抽絲剝繭，從大到小，逐項縮小範圍的分析方式，那麼具體分析的時候怎麼分析呢？很多人都知道是看流失時的等級，如果等級看不出具體問題，還得到任務，如果任務還看不出來要到具體的客戶端點選，當然這些都只是常規的操作，甚至如果有足夠的經驗和積累，不用做分析都大概知道哪裡有問題，我們需要的分析不僅僅只侷限於此，而是要更加的深入，深入的玩家背後的動機。這裡提到第二個點，叫做：資料觀測的維度，和統計的週期。這個東西同樣直觀重要！！！

在上海做了一年的產品運營之後，後續我調回北京總部，擔任資料分析師，我是從普通資料分析師一步步走上管理崗位的，現在是公司業務資料部門的負責人，當然在15-19年這四年的過程中，對於產品設計，產品運營，資料分析，機器學習等相關領域均有比較深度的涉獵，所以在資料驅動業務這個事務上還算處理得比較得心應手，也推動了公司往“資料驅動”和“精細化運營”的方向發展，公司在這塊的投入也逐步加大。

在這裡，對於新人而言，我不會只推薦一些沒啥卵用的書籍給你，比如《深入淺出資料分析》，這種書一點用都沒有，我會給你推薦有用的書籍和實用的學習方法，看不好的書，看無用的書，往往感動了自己，卻感動不了他人（你的上司和合作夥伴），你的能力並沒有得到提升。

對於資料分析的小白而言，對於我現在培養的應屆生而言，我有如下幾個要求：

2）python，python的學習是為了讓你後續處理繁雜龐大的資料集時更高效更方便更快速，以及後續有很多機器學習也好，或者深度學習也好的應用專案你能上手。

第二，掌握或精通一部分常用的數學原理：

1）基本數學原理，統計相關的原理，比如平均值，方差，標準差，導數，反函式，拉格朗日等等，這裡大家可以去csdn也好或者淘寶也好買一本相關的書籍就夠用。

2）機器學習演算法原理：迴歸演算法，分類演算法，聚類演算法等等，比如最簡單的分類演算法：決策樹，他的數學原理你真的掌握嗎？資訊熵和條件熵是啥意思，怎麼計算的知道麼？如果你只能調包，那麼解決簡單的問題ok，涉及到很多複雜的情形，比如樣本不均衡，比如特徵過少時，你就無從下手。這塊的話，推薦大家多去逛逛csdn這個論壇，很有用，能學到不少東西。

3）動手做一些虛擬案例，或者參與組裡同事的一些專案，比如一個遊戲內廣告聊天拉人識別的專案，其本質是透過分類演算法達成文字識別，這塊涉及到的知識點可能有：文字處理，分類演算法應用等，這塊可以多去github上轉轉，有一些也許是已經運營過的案例能夠給你啟發的。

第三，不斷加強自己對產品的感知力：

1）如果是遊戲行業的：

多玩不同品類的產品，每個品類選擇1-2款精品深度體驗，注意是深度體驗，而非淺嘗輒止隨著版本迭代深入體驗，並且需要思考每一次的版本迭代和周更新的原因，反推業務需要解決什麼問題帶著問題去玩遊戲，邊玩邊記錄自己的感受，有經濟能力就充點小錢，後續商業化分析部分會用得著做個有心人，記得多遊戲橫向之間做對比不要看gamelook等媒體上的測評稿，那些大多數是槍稿，要自己去體驗，用心去體驗，不要人云亦云多跟製作人層面的人交流宏觀的設計理念（如果有機會的話），多跟數值策劃學習數值規劃的流程（職業，屬性，戰鬥公式，屬性配比放出，商品定價，遊戲內經濟流轉設計等），多跟系統策劃學習系統架構的知識（做一個系統目的是啥，是為了解決什麼問題？），多跟產品運營學習運營知識（比如商業化設計，活動設計等等），多跟市場發行的同學學習相關知識（營銷方法論，買量等），還有很多，不一而足...這裡推薦幾個有用的資訊門戶或者app：騰訊GAD，遊資網，機核網另外推薦一本書：《遊戲設計的藝術》，這本書能帶你進入一個前所未有的世界，並且從入門到精通都可以隨手翻的工具書，注意是“設計的藝術”，而非“分析的藝術”

2）傳統網際網路（非遊戲）：

多體驗網際網路產品，要多而廣，因為網際網路產品跟遊戲產品還不一樣，他的體驗成本（時間和精力）比具體遊戲產品小很多，所以儘可能多而廣，我現在仍然保持著每週至少體驗5個新網際網路產品的習慣，比如社交類的，可以多體驗體驗陌生人社交的，熟人社交的，多思考產品之間有什麼共性和不同點帶著問題去體驗產品，主要反推產品做成這樣有什麼好，有什麼不好，產品主要為了解決什麼問題，他的業務目標有可能是什麼樣經常跟圈內人去探討和交流，跟遊戲不一樣的是，網際網路有很多的沙龍，可以多參加這種沙龍，但是不要雜而廣，要專而精，現在有很多的沙龍就是為了做而做，為了感動自己而做，這種沒有必要參加時刻關注競品，比如你是社交產品公司的，那麼微信也好，陌陌也好，每一次版本迭代，你都需要去思考他為了解決什麼問題，然後結合具體的內容去評估他的目的是否達到。這裡推薦1個能獲取到較新網際網路資訊的app：36kr，用這個基本上就足夠了第四，多做資料積累，多思考，多提問：

我們在做具體的資料分析的時候，有時候需要快速響應業務，有時候透過傳統分析方法很難找到問題點，這個時候積累就至關重要，遊戲行業的產品決策，40%依靠資料，30%依靠使用者反饋，還有30%依靠經驗，這個經驗就是積累。

積累是什麼？積累是過往的產品調整，活動設計，跟資料之間的關係，我們只有在每一項工作都認真嚴謹對待的基礎上，這個積累工作才能做好，這樣你的產品和資料敏銳度會越來越高，後續你可以跨界成為產品專家。

第五，給自己的定位不光是資料分析師，而是半個產品或運營負責人

我們有很多的資料分析師，一直都處於很被動的狀態，業務提什麼需求你照做，久而久之就變成一個機械式地接需求完成需求的人員，毫無存在感。怎麼改變這個現狀呢？第一是要多做積累就如同上述第四點所說，這塊急不得需要時間，第二是需要主動，把自己當作半個產品或運營負責人來對待，這樣面對日常資料的時候，你會主動去完善日常監控指標，你會每日去盯著資料的異常和變化，你會根據這些異常和變化往下去進行深度的挖掘，或者資料沒有異常時，按照經驗這個階段該做什麼分析了，趕緊做，發現了問題或者潛在風險趕緊跟業務聊解決方案，這樣才能將資料分析師的價值發揮到最大

以上五點，我認為是針對小白學習資料分析必備的方法和心理建設，職業道路漫漫，希望各位一切順利，這是我第一次發這麼長的回覆，還希望各位支援，後續我會陸陸續續開通個人專欄和訂閱號，爭取多跟大家分享資料分析，資料探勘，機器學習應用的一些案例，大家一起提升。

如有問題，隨時私信我。謝謝大家。

可以從Excel開始。

Excel最大行數為1048576也就是100萬行左右，對於比較小的資料分析是綽綽有餘的。

那麼如何透過excel進行資料分析呢？

以結合具體業務的資料分析來說，需要透過不同維度。

還可以根據使用者的區域劃分不同區域的產品利潤，銷售情況，從而最佳化不同地區銷售策略。

Excel中的函式，資料透析功能是分析過程中的常用功能，也可以透過Excel中的VBA功能實現自動化，提高效率。甚至是透過圖表如柱形，散點，折現，餅狀圖等等實現視覺化。

總之資料分析需要結合具體業務，Excel可以作為GB級別以下資料量的利器。

你是要走業務路線還是技術入線？零基礎最好還是找個系列課程跟著學習，這樣比較系統而且不容易花冤枉時間，畢竟課程也是一個團隊組織編排的，根據學習進度有效安排好了順序，沒什麼比找個有經驗的老師帶你最快的方式了

《深入淺出統計學》

《從零進階！資料分析的統計基礎》

《誰說菜鳥不會資料分析》

《精益資料分析》

《資料探勘與資料化運營實戰，思路、方法、技巧與應用》......

零基礎入門資料分析，建議先從Excel開始，因為Excel是資料分析最常用的工具，功能強大，入門容易。

從Excel開始

Excel需要學習的有3點，Excel公式、資料透視表和Excel圖表。

1、Excel公式

2、資料透視表

3、Excel圖表

學習一些SQL基礎

接著建議學習MySQL，因為資料分析跟資料打交道，懂點sql知識還是很有必要的。

懂點統計學理論很有必要

統計學是必須的，不懂統計學根本算不上資料分析師，具體內容有：統計學基礎、引數估計、假設檢驗、方差分析、線性迴歸、時間序列、聚類分析、主成分分析及因子分析等。

SPSS

分析工具除了Excel，推薦SPSS，使用廣泛，容易上手。

因為統計學很有些分析方法透過Excel就可以搞定；有些不行，必須透過其他工具才能搞定，例如多元線性迴歸、聚類分析、主成分分析及因子分析，都需要用到SPSS。

在掌握了統計學的基礎上，在學習SPSS是很容易的，因為SPSS只是一個工具而已。

程式設計學習（可選）

另外，有精力的話，懂點程式設計也是必須的，因為用Excel做資料分析，少量資料（大約幾十萬甚至百萬）沒有問題，但是再大一點的資料透過程式來程式會更高效。

1、Python/R

Python和R都可以，R在資料分析方面更加強大，也更成熟，但是想往機器學習方向發展的話，Python還是主流語言，推薦學習Python。

2、Excel VBA

雖然Excel為我們提供了很多好用的公式和功能，但是還有很多工作無法用現有的公式和功能批次完成，比如Excel表格的批次拆分、資料批次分類等，而藉助於VBA程式碼，可以很方便地處理這些問題。

回答完畢！

作為一名IT資料人來回答下：

零基礎如何做資料分析？

個人覺得 分三塊來學習來努力吧：

一是 學一些資料分析的基礎方法，基礎知識，比如統計基礎統計理論，資料分析方法如對比，Pest，杜邦分析等。

第二 一些資料分析的工具（器）如：word家族(excel,ppt,word)，Sql，後期可以學一些專門的分析工具Spss。

第三 也是比較重要的就是業務知識，行業知識。

最後推薦一本資料分析行業比較好的書：陳哲老師的新書《活用資料》。

資料分析思維概述：

資料分析的過程與做大盤雞有異曲同工之妙。如果一一對應，可以這麼來看：

1.客人到底想吃什麼？（分析目標）

2.要做一盤大盤雞（業務背景）

3.知道大盤雞的做法，需要哪些材料（分析思路）

4.有一塊雞肉（原始資料）

5.有配料（輔助資料）

6.有灶臺、鍋碗瓢盆（分析工具）

7.蒸煮炸等烹飪手法（資料處理）

想要零基礎如何入門資料分析，先要從整體認識資料分析，再從簡單處著手。

大資料時代，資料分析變得越來越普遍。即便有著不同的職業經歷，來自不同的國家或地區，數字都能發揮威力。資料分析不是簡單地把業績做成圖表提交上去，而要用合乎邏輯的方式證明“為什麼會這樣”，才能說服對方。

柏木吉基寫了《如何用資料分析解決實際問題》，作者柏木吉基在汽車公司的總部工作了11年，主要工作就是跟資料打交道，因此有著不尋常的見解。

柏木吉基在書中指出，將資料應用於實際業務分四種情況：

1.解讀資料。這是駕馭資料的基礎，關鍵要掌握觀察資料的“視點”，從靜態和動態兩方面去看一個數據。2.基本的資料分析方法。網際網路時代，要有基本的電子辦公技能。3.綜合技能。將思維方式有機地結合起來，不再孤立地看資料，而使資料具有整體一貫性。4.高階分析技能和IT系統。更專業，難度也更大。這本書裡同樣介紹了基本的統計學知識，如平均值、中位數、標準差、迴歸分析等，結合了作者柏木吉基工作的例項，簡單易懂，也更有實用價值。需要注意的是，資料分析方法從來都不是孤立使用的，組合運用威力更巨大，從而實現1+1的爆炸式效果。正如《如何用資料分析解決實際問題》中說，“複雜的管理問題不一定需要高難度的統計方法。簡單易懂的表達方式反而更為重要。”資料分析不是比拼難度，而是以終為始，服務於解決問題的目的。

　　上面有很多關於BOT的資訊：這並不是嗡嗡作響。歸根結底，BINO資料已經成為每個行業的驅動力，這充分說明了利用大資料分析的最大優勢。但是，僅B此字不只是因為我們知道而改變了業務。更重要的是，大資料分析分析系一直是開展業務的基礎。

　　大資料分析分析是企業的職責所在，IT領導者正在使用其中的許多趨勢來收集和了解所有的有價值的事物。在這種情況下，大資料分析分析技術和軟體非常重要，但仍是大資料分析工程師，資料分析工程師，業務專家，大資料分析架構師，所有專業人士都在使用“大資料分析”中最重要的資訊，這是因為它是所有的。

　　什麼是大資料分析分析?

　　從最大的意義上來說，“大資料分析”是由許多組織的和/或沒有結構的，位於其上的大量工具組成的。這完全是由感測器，流量，到兩個目的地，很多媒體(既不完整，又不完整)，記錄，

　　這種方法非常重要。術語，例如xx(20個zerr)和一個(18個零)。截至目前，該資訊已達2.5倍之多，而到現在為止，這顆行星上有90%的資訊是最新的。

　　學習大資料分析分析是什麼?

　　如果您問誰可以學習大資料分析?您應該瞭解，大資料分析是一種型別的資料。與之類似的分析是最大的可能性，而最大的可能性就是日期，這是足夠的。它給資訊帶來了很大的麻煩-它在所有情況下都無法正常工作。因此，在您考慮進行大資料分析學習之前，您應該先做好事後再進行學習。

　　怎樣學習大資料分析?

　　如果您遵循大資料分析學習的道路，那麼它可能是IT和其他專業人員的職業生涯。“大資料分析是由於無法瞭解和了解的IT資訊而造成的。在對某項d的所有版本進行修訂時，它可能只是一種新的角色-這會使您變得更加煩惱，並且使您的其他可有可無的東西變得很可能會生成自己所發現的未知的資訊。

　　在許多現代組織中，有很多未構造的資料是必需的。在所有資料的建立過程中，都必須先解決該問題，然後再對計算機進行計算機化處理：多數情況下，在網路上的影片，影片，臨時儲存，附加資訊，附加資訊以及其他資訊中，大多數都是非結構化的資料。在並行的環境中，計算機可以提供更大的價格和更便宜的儲存。如何學習大資料分析https://www.aaa-cg.com.cn/data/2217.html 透過這種方式，可以可靠地儲存大量資料，瞭解大資料分析，分析，提取業務並在社交方面進行有效研究。

　　資料分析在所有情況下都可能非常有用，因為它可以在任何情況下進行隱藏。在數字時代，我們一直在收集所有資料以及所有的資料，以至於找到了確定是否有可能成功的所有因素。但是，這是要弄清哪些資料是最新的。現在正處於一個沒有問題的時代。這是因為它和其他語言一起存在的問題。

　　在很多情況下，資料學習都是有用的，包括C語言。大資料分析和所有資料都代表著當今企業的巨大機遇。請儘早在工作中提供有關工作的見解，以幫助您解決問題。

　　但是，這並不是一種技術，而是一種嚴重的問題。它是領導者，可以透過人們的幫助來解決。高管配備了可以理解的大量資料，可以在所有業務中提高效率，因為它們在新業務中都可能破壞其競爭地位。

　　資料中心已經設定了所有解決關鍵業務問題的方法，但是它們的大小，複雜性以及原始資料的多樣性都可能會在所有資料中使用很多。資料無處不在，可能有不同的來源。可以透過多種方式獲取數字資料，影象，音訊以及各種資訊，並且這些資訊在所有情況下都已足夠。在這些資料集中，所有的資料集都可以提供真正的解決方案，並且是在進行技術，工程，技術等方面的工作。但是，這些資料的大小，複雜度和質量因其處理困難以及使用諸如標準統計方法之類的標準統計方法而非常困難。

　　有效的大資料分析還可以解決所有問題。可能會阻礙您的工作並最有效地收集和收集最新資料。瞭解大資料分析固然很棒，但這是因為它能夠以一種可以提高其質量的方式(例如，因為它是由客戶服務以及諸如此類)來提高其質量的。並且有效;在一項Dell調查中，有89%的人因為自己的病因而被懷疑。一家MGL公司在某種程度上說，一家零售商在其整個組織中使用dat時，其規模無法達到10%的成本，而在整個醫療行業中，這隻能節省8%的成本。

　　求取資料

　　以下是有關如何開始學習大資料分析的有用方法;

　　高校和沒有提供足夠的材料和完整的線上幫助。

　　您可以在諸如大專院校中線上學習大資料分析，並可以在網上學習大資料分析，以便隨時進行研究。如果您考慮如何線上學習大資料分析，事實是您並沒有因此而感到沮喪，但可能並非毫無道理。IBM一直是Kobielus在2013年提出的“學術要約”，但它並不是高質量資料科學的必要條件。有趣的是–好奇心，直截了當，非常流利，更準確，更嚴謹，持懷疑態度–這是因為它在整個過程中都是最糟糕的。這是Diggital時代的基礎。請了解如何立即對這些資訊進行新的，最準確的資訊查詢和處理。

　　如果您想線上學習大資料分析，那麼可能會有很多諸如此類的問題，例如，可能會定量，定量，統計和分析。　　如果您沒有經過兩年的長期磨合，那麼您可以在整個過程中保持同等的心得。

　　達特(DAT)和達特(BATI)都是因為它是企業的血液。因此，如果您想知道如何學習大資料分析?您應該知道，資料在任何情況下都與x以及x的相關性，都是基於d的原因而來的，其中包括如果您想透過某種方式來獲取資訊-無論您是在狩獵，釣魚，晉升還是最切實地進行釣魚，都可以證明您的能力–很好地證明了資料。某些情況下，Cerrtіf可以衡量您的知識和技巧，並根據供應商特定的錯誤來量度您的要求。資料證書的數量正在增加。

　　如果您知道如何線上學習大資料分析，則可能會用各種語言來精通各種語言，例如，這將使您無法掌握大量的知識，並且會介紹很多可用的知識。鑑於B的所有資料都已經被B的所有企業所預測，大約有數以百萬計的B資料已在空缺。這是學習大資料分析的全部原因，因為其中有很多沒有經歷的職業。藉助大量資源，您可以知道如何立即開始學習大資料分析。

　　如何瞭解大資料分析?

　　因此，有人提出了“大資料分析”的建議。是因為它提供了就業發展。您如何看待這種臨時食品?如果您沒有必要知道什麼建議，那麼您可能需要知道一個大資料分析庫嗎?

　　在大資料分析中學習什麼?

　　對於大資料分析學習路徑，這裡是學習大資料分析的一些先決條件，並且還可能提供某些特別的功能，導致：

　　資料和機器上的資料

　　資訊視覺化

　　資訊使用

　　ETL(соnсеntrаtе，dесірhеr，lоаd)

　　(Hadоор和Apache均未提供此資訊，以便在其庫中提供開放原始碼使用，以進行簡單，可適應，分散的處理以及無限的庫存。)

　　有先見之明的示範

　　請務必顯示所有錯誤，錯誤，R，SAS或SPSS的錯誤資訊

　　組織和未構建的資料庫

　　在將資料傳送到Léarrn中進行永久標記

　　對於想知道如何學習大資料分析的人來說，您應該意識到，您和其他人在掌握大資料分析分析方法方面必須掌握幾項其他知識。“ SAS，SPSS，R和SQL。使用任何您可能無法使用的工具進行填充。可能會確保您發現自己沒有真正在組織中找到的所有物品。在很多人看來，當時我是在與我的團隊一起獲得SAS許可的，當時我在一個團隊中一直是個成員。我跟著那個團隊成員一起去，我們發現在要使用的地方有一個SAS伺服器!

　　當您想學習大資料分析時，並不是要了解所有知識，而是要徹底瞭解大量資訊，並就所學的知識進行大量了解。公司可能會更喜歡在SPSS上進行迴歸的東西，而其中的一個已經知道了(幾乎不瞭解CHAID，並且對SPSS))如果您可以掌握一個工具以及一些軟體模組/技術，那麼您將有更多的機會獲得一個j的認證。

　　學習朗讀語言也是學習大資料分析的先決條件的一部分，並且證明了它是達標專家和分析師們的一項有用技能。“ R程式設計對於企業的整個資料來說非常容易。語言的名稱是否是唯一的，以便不同的和其他的處理器可以根據自己的意願進行選擇。在使用通用R時，大多數問題並沒有足夠的記憶體來儲存大量資料。但是，R會在其中顯示ScaleR，它會把這些資訊重新儲存在諸如此類的資訊中，例如Scaler。在其他方面，SSERAL可能是因為它有很大的麻煩而又沒有其他麻煩。以下是關於在很多情況下都可能會分析的資訊，以便進行分析的資訊。此外，在很多情況下，也有可能因為進行定期檢查和檢查資訊而對它們進行了儘可能的調查。這種好處是企業可以在所有情況下一直使用的，直到發現為止。

　　另外，當您想了解如何學習大資料分析時，您需要學習Python，但不要緊。在R和Python中，由於不建議您先閱讀R和Python，所以不建議您這樣做。因此，對於您的職業而言，Pуthоn是您最想做的事情。有很多原因讓P被某人用諸如此類的方法進行了處理，以及為什麼它只是一種用它來學習的工具呢?

　　學習大資料分析的其他想法

　　大資料分析已成為熱門話題，因為公共和私人都在收集大量的D-MSAS資訊，這樣就可以在所有應用程式中找到有用的資訊，例如安全性，欺詐性，市場營銷和醫療資訊等。公司如百度和騰訊以及根據業務分析和釋出的大資料分析資料，影響了現有和未來的技術。更高層學習的所有高階資訊都是基於資料的，這是非常重要的。複雜的摘要是在給定級別的基礎上，透過在其中的所有摘要中制定的更簡單的摘要而得出的。

　　為更多的資料集提供更多的資料

　　您應該先儲存更多資料，然後再儲存並儲存您要執行的資料。用另外的話說，不要隨意丟棄或隨意丟失所有丟失的資料，這些資料是我們將要儲存或儲存的所有資料。可能會被害。而且，這不是真的嗎?誰知道呢?將來可能還會有一些。

　　為您的資料提供有價值的資訊是因為您要從自己的資料中獲取價值

　　由於您可能會從您的資料中獲取足夠的資訊，因此需要付出巨大的努力。可能會令人難以置信地驗證資料，但不會提取這些資料。允許您的資料儘可能少地出現，但請確保您正在瀏覽的是更多圖片。

　　可以根據自己的需要進行兌換，但是您並不需要一個有效的流程就能得到可行的結果。仍存在重大改進。給您的最大可能是，您可以自由地檢視新資料，而不必像以前那樣反覆地尋找資料，因此可能不會為您的事情帶來麻煩。

　　當您想學習大資料分析時，請先確定您的目標，然後再提出正確的問題。在企業中，最有價值的是因為它預先確定了需要的資訊，並且正在考慮您的問題。許多公司實施了大資料分析解決方案，並在沒有決定什麼之前就進行了說明。含糊的疑問不會得到清楚的答覆。

https://www.toutiao.com/i6807287774043963918/

零基礎小白學習順序肯定是excel、sql、然後是視覺化軟體、spss統計基礎，最後技術性強的就是python和機器學習、演算法了。如果沒有基礎還是看看像CDA這種做資料培訓的好好學一些也能很快入行

要找好學習的方法，提前給自己設定目標。同時，找對自己的學習方法。

現場上課-學習效果最好，學習氛圍最好。

線上直播--學習效果較好，需要一定的自覺性，有一定的靈活性

影片---需要較高的自覺性，時間地點安排靈活

如果想要快速入門，可以到cda資料分析師學習

對於零基礎還真的需要掌握多方面的知識和技能，主要分為軟+硬兩大實力，軟實力包括溝通表達能力、設計能力、資料思維、產品思維、使用者思維等；另外業務理解能力以及資料敏感度，而這些能力需要逐步積累。那麼，對於入門，可從思維、心術、理論、工具四方面進行訓練。而思維和心術主要靠性格和長期訓練積累！

首先、資料分析需要具備多方面的理論基礎，比如基本的資料分析知識：統計、機率論、資料探勘基礎理論等；基本的商業意識：營銷理論、戰略規劃等；資料處理知識：資料庫、資料結構等。但是對於小白而言，這實在是資訊量太大了，所以在入門的階段，能清晰地知道資料分析能解決什麼問題、需要什麼方法論、需要掌握什麼基本技術及原理足夠。入門的小白懂得常規知識並能找到基礎的工作是此階段的目標。

對於入門資料分析小白書籍推薦：

比如：

《統計學》——紮實統計基礎

《誰說菜鳥不會資料分析》——瞭解基本知識、工具

《精益資料分析》——瞭解分析方法、案例

《資料思維：從資料分析到商業價值》——訓練思維能力

其次、為什麼很多人學了Pyhon、R、Spss等工具，依然做不好資料分析。因此，資料分析最關鍵的一定是理解業務以及整理分析思路的能力，其次才是動手能力，也就是操作工具的能力。至於工具，不論黑貓白貓能解決問題就是好貓，不是說會了pyhon就一定厲害，不同的場景不同的背景對工具的使用也不同。

作為新手，首先推薦學習Excel+PPT，Excel的強大無需多說了【Excel基礎知識】，小規模的資料處理、分析、展示都可以搞定，但對於大規模的資料處理而言，Sql是必備的取數手段，沒有資料來源就等於是無源之水，所以資料查詢和處理能力一定要具備。資料分析師很多時候的產出是分析報告，所以，PPT的展示能力就格外重要，如何將你的結論簡潔直觀的傳達，是必備的能力。

對於入門資料分析小白書工具推薦：Excel+PPT，有能力：+SQL。

最後、優秀的資料分析人員一定是主動發現問題、解決問題並扛得住壓力的。人生是漫長而持續的過程，不必太計較眼前的得與失，如果方向對，慢點也是快。（其實加入一些資料分析的專業社群也是一個不錯的入門法子）

在這之前，我想推薦吳軍老師的幾本書，《數學之美》、《浪潮之巔》和《大學之路》

做分析之前，不得不提一下分析思維，《金字塔原理》可能會比較適合

想要了解資料分析是什麼，不得不讀《深入淺出資料分析》、《誰說菜鳥不會資料分析》、《人人都會資料分析》、《如何用資料解決實際問題》、《Excel圖表之道》

不滿足於簡單的彙總統計、報表製作，進階之後的案例叢書，全方位瞭解傳統行業、網際網路行業中的分析案例、方法和模式，《網站分析實戰》、《增長駭客》、《資料化管理》、《資料化運營速成手冊》、《精益資料分析》……

會了一點分析，但是覺得理論不夠紮實，那有必要讀點統計學，《赤裸裸的統計學》、《統計數字會撒謊》

隨著工作內容的深入，越來越覺得工具不夠用，原來我只用excel，想要拓展點其他的工具，按照複雜程度，如下

sql類的書，《Mysql必知必會》、《SQL Cookbook》

spss的書，《spss統計分析基礎教程》

R的書，《R語言實戰》、《R cookbook》

python的書，《利用python進行資料分析》、《python cookbook》

資料演算法層面，西瓜書《machine learning 機器學習》、《machine learing in action》、《the elements of statistical learning》、《資料探勘與資料化運營實戰》、《資料探勘-市場營銷、銷售與客戶關係管理領域應用》

資深的資料分析，在方法論、工具上的使用已經爐火純青，對於模式和框架也已經瞭然於胸，這時候往往不侷限於一個行業或者一個方向，而是拓面立體，《決戰大資料》、《Doing Data Science》、《資料之巔》、《大資料時代》、《智慧時代》、《卓有成效的管理者》……

好的分析離不開好的視覺化呈現，《The Wall Street Journal Guide to Information Graphics》、《鮮活的資料：資料視覺化指南》、《ggplot2：資料分析與圖形藝術》、

資料集越來越大，sql已經不能滿足日常工作，要學習hadoop、hive、sprak，我的第一推薦仍然是官網，當然，這裡有個前提，就是你的英文閱讀能力得特別好，否則得話，還是推薦《Spark大資料分析》、《Data Analytics with Hadoop》

要做實時分析，可以關注下flink、kafka的生態圈

讓我來分享一個很不快速（需耗時一年），但包你從零基礎學到昏厥的學習教程吧：統計、SQL、R、Python、Tableau、Excel、Forecasting & Machine Learning

1. 統計

統計需要掌握的姿勢：

Descriptive StatisticsProbability Concepts and Probability DistributionsSampling Distributions and the Central Limit TheoremConfidence IntervalsHypothesis TestingAnalysis of VarianceChi Square and Nonparametric TestsSimple and Multiple Regression

想躲過統計？？？

入門課收好，Coursera上阿姆斯特丹大學的Basic Statistics，卡通配圖教學，和萌萌噠的你最配！！

University of Amsterdam：Basic Statistics | Coursera （旁聽免費）

喏，還有一本簡潔易懂的step by step英文教材，也是我們課上用的教材~

Basic Business Statistics by Mark L.Berenson & Others2. SQL

常用語句來來回回就那麼幾個，但是要熟，要熟，要熟！

簡歷上有SQL技能，很重要！！！很重要！！！

常用語句總結：SQL Quick Reference From W3Schools

再送你一門超好，超好，超好的MySQL課！Coursera！杜克大學！我太喜歡教課的那個溫柔美麗的大姐姐了~

Managing Big Data with MySQL | Coursera （旁聽免費）

我學R上的課是Coursera上Johns Hopkins University的經典R課程和在Data Application Lab實習的時候上的商業分析師培訓課。Coursera的那門課我上得不太走心，默默吐槽一下課程莫名散發著濃濃的時代感，老師有點面無表情，比較打擊我的學習激情...... 好吧，我知道我作......

後來實習的時候上公司的培訓課，教R的是個講話乾脆利落的小姐姐，才讓我重新喜歡上R......

R Programming | Coursera （旁聽免費）商業分析師 - Data Application Lab

作為一名主觀上比較站Python的小粉絲，我目前學過的R就這麼多啦！！大體瞭解了R的語言思維，碰到不會的問題再Google找程式碼就差不多了~

另外，我在Udemy上找到一門R的課，看課程設定覺得還是挺不錯的，想學R的可以試試~ 關於Udemy上課程的價格補充一句，原價是嚇人的，常年打折，但是打折力度經常變來變去的，最便宜的時候一般是10-20塊的價格可以買到好課...... BTW，下面這門課目前15刀。

R Programming A-Z™: R For Data Science With Real Exercises!4. Python

Python 是一門可以讓人渾然忘我的語言......

這輩子學過韓語、日語、英語，和一丟丟R，但Python是我學得最有激情的......

最沉浸的那段時間裡，不管幾點回家，晚上睡覺前一定要看一點Python爬蟲才能安心睡下，晚上做夢也是爬蟲程式碼......

我最開始接觸Python的時候上的課是Coursera上University of Michigan的經典系列：Python for Everybody，裡面包含五門專項課，除了最後一門Capstone，其他四門都刷過（沒寫作業）。

這門課非常實在，內容非常贊，上課的是個親切的老爺爺，學下來有助於你係統瞭解Python的功能~ 個人感覺 Using Python to Access Web 對於純小白來說可能有點難度~

提醒一下，如果你搜Python for Everybody，會發現...... 要交錢上啊！！！省錢小tip就是在搜尋欄裡一門一門搜專項課，進入專項課的頁面就可以免費旁聽了...... 同理適用於Coursera很多其他的系列課程。

University of Michigan: Python for Everybody | Coursera

Programming for Everybody (Getting Started with Python) | CourseraPython Data Structures | CourseraUsing Python to Access Web Data | CourseraUsing Databases with Python | CourseraCapstone: Retrieving, Processing, and Visualizing Data with Python | Coursera

密西根大學還出了Python的資料科學進階課，包含了資料分析、畫圖和機器學習等內容：

University of Michigan: Applied Data Science with Python | Coursera

另外，我還追過大神

@秦路

的運營大溼兄知乎專欄，從“開始Python的新手教程” 到“用Python分析使用者消費行為”，一共六篇文章，超快速入門Python資料分析。

Udemy上也有一門很棒的Python資料分析課，我目前在上，覺得好棒棒~

教numpy、pandas、畫圖、帶著練三個資料小專案，至此覺得內容量已經很良心了，老師竟然還教機器學習！！！20個機器學習影片，用SciKit Learn這個包！還有還有！11個統計影片！還沒完還沒完！還有幾個SQL和Web Scraping的小影片！滿滿的良心學習大禮包~

Learning Python for Data Analysis and Visualization

想必還有很多盆友們對爬蟲充滿了興趣......

學爬蟲當然要看崔慶才大神的系列教程啊！！！

文字版教程免費，使用的是Python 2.7版本↓

Python爬蟲學習系列教程 | 靜覓

影片教程499軟妹幣，之前有過折扣，印象中270多~

Python3爬蟲影片學習教程 | 靜覓

如果你只是比較隨意，不想玩那麼高深，或者你真的和我一樣窮，可以看看文字版教程，瞭解urlib庫、Requests庫、BeautifulSoup庫、Selenium庫以及正則表示式後，跟著崔大神的三個免費case練一遍~ 我覺得對於小白來說就差不多了~

Python3爬蟲三大案例實戰分享

對於資料分析師來說，會爬蟲不屬於必備技能，那麼學爬蟲的意義是什麼呢？大神

@董偉明

在他接近滿分的“爬蟲從入門到進階”的Live簡介中說得直戳心坎~

Hello World，醒醒啊！！！你的女神來了！！！

5. Tableau

終於，資料分析界的女神出場了！！！讓我們大聲喊出她的名字：T! A! B! L! E! A! U!

讀作“Tab-low”！！！

我身邊很多學Tableau的孩紙們，反應不是醬紫的，

就是醬紫的......

紛紛表示在這個看臉的時代，要好好學習女神軟體......

（Source: Best Practices for Designing Efficient Tableau Workbook）

憑藉著打孃胎起就異於常人的顏值，Tableau迅速躥紅，逐漸滲透進業界和美國高校。對於在美帝的資料分析師來說，Tableau也是簡歷上必備的技能之一。

我目前覺得學習Tableau的最好方式，還是去Coursera上上杜克大學的那門課，基本涵蓋入門到中高階操作，牆裂打call，牆裂推薦！！！真的好喜歡教課的杜克大姐姐......

Data Visualization and Communication with Tableau | Coursera

另外，Tableau為了推廣自家軟體，在免費培訓方面也是做得很拼......

Tableau Training & Tutorials (中英文都有)Live Training ResourcesWebinars

還有很多很棒的Tableau使用者的case展示~

Gallery

還有Moveover Monday Project，每週一po一個數據集和資料分析展示~

A weekly social data project

至於有些人說，下載都這麼貴，土豪才學得起吧...... 只要你乖乖去上Coursera杜克大姐姐的課，會有驚喜......

6. Excel

無論你多喜歡Excel或者多不喜歡Excel...... 作為資料分析師，簡歷上有Excel技能也是必備......

最重要的當然是會Pivot Tables~

我也是透過DAL的商業分析培訓課學的Pivot Tables，如果你只想學Pivot Tables，可以去Udemy上這門↓

Microsoft Excel - Data Analysis with Excel Pivot Tables

當然，還有一個免費的學習神器，YouTube啊~ 哈哈，Pivot Tables一搜一大把~

我真的非常熱愛YouTube，基本沒有YouTube不到的姿勢......

7. Forecasting

預測/時間序列也是我們資料分析僧要掌握的技能，不過學得比較淺顯，大概瞭解幾個預測模型的原理和會用軟體操作就行了。我們用過的教材是Business Forecasting，有中文版，不過我相信你不會想看的......

商業預測 (豆瓣)

Udemy上依舊有藥！介紹Moving Average, Simple Exponential Smoothing, Double Exponential Smoothing / Holts, Winters / HoltWinters等模型以及在R和Tableau中的操作。

Data Science-Forecasting/Time series Using XLMiner,R&Tableau

如果你對Tableau女神是真愛！可以去上Udemy新課，目前評價4.7分，感覺還挺不錯的樣子，反正是安利到我了~

Forecasting and Time Series Analysis in Tableau8. Data Mining and Machine Learning

想當年，剛接觸資料時，我還是個蠢萌的寶寶，在聽說“Machine Learning”這個東東的時候，內心是下面那樣的......

何方的妖魔鬼怪，尼瑪聽名字就不明覺厲......

入坑資料分析一年，但才剛接觸機器學習一個月（網課加這學期修的資料探勘專業課），感覺難度明顯拔高了一級，但越學越刺激，越學越稀飯~

目前還是個渣渣，不敢瞎說，就大概羅列一下機器學習入門需要掌握的知識點和網上的學習資源吧：

Linear RegressionLogistic RegressionDecision Treesk-Nearest NeighborsNaive Bayes ClassificationDiscriminant AnalysisNeural NetsSupport Vector MachinesCluster AnalysisRandom ForestNatural Language Processing

如果沒聽說過吳恩達男神的機器學習王牌課程，那你一定是假的資料猿......

Machine Learning | Coursera

說實話，沒上男神的Machine Learning前，我還挺不理解為什麼這個看上去其貌不揚的大叔，有這麼多死忠信眾...... 每次大叔的動向更新，都跟地震一樣...... 娶的老婆還是跟他智商一樣上天高的女神大牛！約翰霍普金斯的CS博士......

如果你和曾經的我一樣迷惑，請去Coursera上課...... 順帶必須提一句，男神還是Coursera的聯合創始人啊！！！我的前半生沒有Coursera，但是後半生必須要跟Coursera緊緊相依......

反正現在的我是痛哭流涕著入吳恩達教了......

之前我在Python部分介紹的Udemy的Python資料分析課中，也涉及一部分機器學習的內容：

Learning Python for Data Analysis and Visualization

內容設定很贊，也很系統的資料科學課程還有：

University of Michigan: Applied Data Science with Python | Coursera

以上就是我總結的一些資料分析經典姿勢~ 其實還有Decision Analysis（主要講機率）和Optimization，大家就自行去YouTube吧，影片很多~

一年前的今天，我沒開始刷網課，不會SQL，不會R，不會Python，不會Tableau，不懂Forecasting，更不知道機器學習是什麼鬼...... 就修了兩門專業課，統計和Optimization（Excel Modeling），僅此而已......

按照這份教程一點點啃完，其實你也可以在家DIY出半個名校學生（如果不提名校的校友資源和networking機會等的話）~

大家可以再參考一下幾個美國出名的資料分析專案的課程設定：

University of Texas -Austin | MS in Business AnalyticsUSC | MS in Business AnalyticsUniversity of Chicago | MS in Analytics

最後再來個勵志的故事，我最新關注的一個YouTuber，Harrison Kinsley。小哥畢業於Sam Houston State University（懵逼臉），專業是Philosophy and Criminology（茫然臉），畢業後就開始創業，自學python程式設計，並在網上po免費python教程，還創立了一個python學習網站，YouTube上目前有27萬多粉絲。

如果你好奇小哥怎麼賺錢存活？小哥說，他一週就能接好幾個offer...... 你們沒聽過的公司一堆一堆的，全宇宙人民都聽過的大公司Facebook和Apple的offer他都有...... 另外他還做諮詢賺錢，生計完全不愁......

既然你都讀到這兒了，看來也是資料的真愛，那就一起學到昏厥吧！

大家的回答都很好，但是有個問題。

一上來便是各種教程，二話不說給出一批書單，各種資料處理的方式，講怎麼樣用Python挖掘資料，怎麼用R進行資料視覺化，講AB測試。

他們給的教程都很好，資料處理的方式也很有借鑑意義。

且不說，有多少人是光收藏，而不去認真學習的，就算是認真去學習的，他們也會遇到這樣的問題

為什麼這麼用，為什麼這麼做。

比如，前兩天在我的這個回答中，零基礎如何學爬蟲技術？ - 知乎

一開始我是無語，後來想了想，這應該是一個普遍問題

這就是資料分析中最大問題，很多人學習資料分析，更多的是為了資料分析而資料分析，實際上根本不知道自己在做什麼，為什麼這麼做。

或者僅僅是為了在簡歷上增加一行

鄙人精通資料分析。

估計HR看了是要微笑著，然後把簡歷放入不予錄用的資料夾中。

資料分析，不論使用什麼樣的工具，使用什麼樣的方法，不論是Excel，還是Python，還是MySQL，都是工具，目的只有一個——

解決一個問題，或者給一個決策提供依據。

所以，學習資料分析的第一步，是要考慮，我要用資料，解決一個什麼樣的問題？

這點如果沒有考慮清楚，只是跟著網上的教程學習爬蟲，學習資料清洗，然後把那些公有的統計資料做成絢爛的圖表，又有什麼用呢？

1.哪裡開店

比如，有這樣一個現實的例子，你表嫂跟你說，小明啊，你最喜歡吃我煮的麻辣燙了，我想開麻辣燙店，就在大學城附近，你說哪裡好呢？

你是不是會想到以下幾個問題呢?

表嫂的麻辣燙真好吃，想想就流下了口水

咳咳，正事要緊，到底應該在哪裡開店呢？

所以，你有考慮到了這些可以量化的資料並且對應的你找到了這些資料的獲取方式

問題來了，雖然寫出來了大致的資料獲取方式，但是具體怎麼操作？

招生計劃怎麼獲得，學校官網還是相關報道？如何透過線上地圖分析學校面積及相關建築分佈的合理性，最小路徑還是順路路徑？如何獲學校食堂評價，爬取微博資料，獲得地理位置，並且對提及“食堂”的微博進行詞義褒貶分析？或者直接攔路問詢？人流量怎麼獲得，實地考察的時候，用本子畫正字嗎？

很好，這些問題你都想到了相應的解決方式，並且很順利的獲得這些資料，儘管有可能不太準確，但是你確確實實比以前更加了解了大學城附近大致的餐飲市場環境，不是麼？

這也就是，

資料分析必須緊貼業務本身

獲得資料之後，如何分析，人流量/商販個數？但是每個商販的服務能力又不一樣，是不是得加權，如何加權？

於是你考慮了很多情況，寫下來一個公式：

建議推薦開店係數=（人流量*XX/(YY*0.4)+租金*0.5）/ZZ

根據係數，你得出一個結論，建議開店的位置的前三家分別是

A大東門A大小西門B大女生宿舍小南門

你表嫂想了下，說，我知道你最喜歡B大的小姑娘們，胸大貌美腿子長。

於是麻辣燙店就開在了B大女生宿舍的小南門。

這個過程中，你有可能學會的或者僅僅瞭解（不一定掌握）資料分析的相關技能包括不限於以下：

Excel加減乘除，基礎函式；爬蟲的基本原理，及操作方式；正則表示式與資料清洗；語義分析的一般實現方式；線上地圖API可以獲取的資料有哪些；

2.最佳化資料的應用

一陣時間的忙碌，店終於開起來了，你表嫂的手藝真的很不錯，每天都有很多小姑娘過來吃麻辣燙，中午晚上的時候，都忙不過來。

你表嫂感覺很可惜，很多客戶就這樣被浪費掉了：我多賣一份，少賣一份都無所謂，但是小姑娘本來想吃咱們家的麻辣燙，結果爬不上隊餓著肚子走掉了，到別家說不定還要等，看見我都覺得挺過意不去的。

這時候聰明的你，有可能想到了透過獲取以下資料，並且進行相關的分析來最佳化當前這個問題

你連續跟蹤了三天這樣的資料，運用了相關的統計學的相關知識

等待時間>=13分鐘的時候，使用者放棄繼續等待的機率是78%！，然後你表嫂並不能理解，這78%到底是什麼意思

所以你畫了一張圖，說山峰越高，走的人就越多。

問題找到了，只要將最長等待時間最佳化到13分鐘之內，使用者放棄等待的機率有可能下降。

這時候聰明的你，想到了如下的解決方式：

使用者抵店之後，才開始點餐，然後烹飪，是不是可以透過網際網路的方式進行預點餐呢，所以你給表嫂申請了一個微訊號，日經貼就是：“今天你想吃什麼”，回覆留言及預計到店時間，即可預訂。你發現，使用者選完菜之後總是喜歡把菜夾放到最遠的地方，每次表嫂都需要把菜夾整理一次，拿到開始的地方。你考慮了一下，將菜筐的佈局進行更改，剛好菜夾能夠完成一次迴圈；或者你使用專菜專夾的方式。優化了店內桌椅佈局，行走了最短的距離到達全店……

資料分析必須落地才是有效的，不是提交統計結果，而且獲得統計結論

這個過程中，你有可能學會的或者僅僅瞭解（不一定掌握）資料分析的相關技能包括不限於以下：

資料清洗的一般方式，時間函式計算統計學中分佈的相關知識，這裡應該是泊松分佈資料視覺化，包括不限於Excel 圖表，js圖表庫，或者線上圖表工具

3.大資料的處理

生意越做越大，擴充了店面之後，又開了分店，這時候你表嫂已經不親自上一線熬煮麻辣燙了，但是又不放心那些僱來的人是否認真的在服務，於是制定了相應的店規，動不動還來一個突擊檢查。感覺比以前還要累了。

這時候，聰明的你，看在眼裡，疼在心裡，所以，你建議嫂嫂購買專業的餐飲管理軟體，來獲得相應的店鋪運營資料。

在餐飲軟體的後臺，會有這麼些個大致的運營資料，

當前訂單量，成交量，客流量，客單價，等等等等，一切看起來那麼完美。

等等，不對，為什麼這個月以來，C分店的客單價總是這麼低呢？事出有異，必定有妖！

還好，這個系統功能還算完善，能夠匯出一天所有的訂單明細，包含以下欄位，

下單時間，下單菜品，下單客戶，聯絡電話，消費金額，配餐人，操作人，收銀員，等等等

但是，你還是快掀桌子了，一個月，讓我匯出30次資料，然後在合併麼？這個方法簡直太土鱉了

你想著，要是能直接讀取資料庫不就好了麼？一看產品介紹，資料庫使用MySQL，於是你Google了一下，SQL入門，你發現，WHERE 和SELECT 基本上都滿足你的需求了

很順利的，你把這些資料匯出了。

你把這個20W條記錄的CSV用Excel開啟，風扇瘋狂的轉了起來，不一會，你表嫂孱弱的筆記本就卡死了。

你感嘆，Excel分析小一點的資料還行，資料量稍微大點，就顯得力不從心。所以，你拿起了一本書，名字叫《21天學習Python，從入門到放棄》，這不坑爹呢嗎？

你想著，反正我是為了處理這批很大的資料，沒必要全部瞭解Python的功能，只需要找到相關的操作方法就好了。

你在Google上分別搜尋了以下關鍵字

Python mysqlPython 資料分析庫

你還找到了一本，用Python進行資料分析的pdf，感覺這本書寫的通俗易懂，而且還有元資料示例。

在搜尋的過程中，你發現了有好多資料分析是程式碼示例，有的甚至，只需要改一下檔案路徑，搬過來就能用。

你會感嘆，原來，寫程式也是Ctrl+C,Ctrl+V啊

這個過程中，你有可能學會的或者僅僅瞭解（不一定掌握）資料分析的相關技能包括不限於以下：

SQL基礎語句Python常見的資料分析庫Python資料視覺化

聰明的你，搗鼓了三兩天，就發現了問題的所在？

那麼問題究竟在哪呢

我實在是寫不動了，明天再更

大資料時代，資料為王。用資料做分析，給公司決策提供指導性意見，是眾多公司在這個精細化運營，降本增效的時代必須要做的事情。各大企業都建立了資料分析部門。截止目前，中國共計1400萬資料分析人才缺口，市場規模預計將在2025年達到2000億！資料分析與其說是一個崗位，更是一個重要技能，擁有這項技能意味著你的就業前景更好，職業發展更廣。

那麼資料分析零基礎應該怎麼學呢？下面我將從資料分析的學習週期、學習內容以及職業發展規劃三個方面，帶大家充分了解資料分析這一行業。

1、 資料分析要學多久？

每個人的學習能力和基礎都不同，所以資料分析的學習週期也不同。如果是透過自學的方式，由於無專業老師指導及無法系統的學習，這個週期可能會很長。一般來講，如果零基礎的學習者進行系統的培訓，最快也要將近三、四個月的時間。資料分析的學習應該首先從熟悉表以及表結構開始，它的原點一定是在首先了解熟悉Excel的基礎上，在能夠從資料庫裡提數的基礎上再進行技能的升級。你的技能從能夠從資料庫裡提數，並且用Excel和BI處理幾萬行的小資料量，到使用python批次化處理幾十萬甚至百萬行中量級資料量，到最終使用大資料的相關元件，例如hadoop，spark，flume等元件處理千萬級甚至是億級大資料量。每一個階段所需要的工具加方法論都是不一樣的。一般而言，對於自學而成為能處理中量級資料量的分析師而言，得至少入門python的pandas，numpy等資料處理庫。這個零自學的週期，也一般跟悟性和自律有關，悟性和自律性高的同學，可能在4個月能夠掌握；如果悟性和自律性不高的同學，這個週期有可能就是半途而廢，無法估量時間了。這裡給大家推薦一下聚數學院的《資料分析實戰就業班》（聚數學院)，專注於培養資料分析師的資料處理能力、資料分析能力和資料探勘能力，課程內容從資料庫管理、統計理論方法、資料分析主流軟體的應用到資料探勘演算法等，對一整套資料分析流程技術進行系統講解並配以實戰練習，學完之後，學習者可以直接達到資料分析師的水平。

2、 資料分析要學什麼？

(1) Excel

說起Excel可能會有人覺得這個很簡單，但是Excel確實是一個功能強大的利器。零基礎學資料分析師一定要從Excel入門，因為Excel是處理小型資料量企業用的最多的工具，在基礎資料分析師與資料運營崗位中具有極其重要的地位。作為資料分析師的核心工具，具體學習內容有Excel函式技巧（查詢函式、統計函式、邏輯函式）、Excel快速處理技巧（格式調整、查詢定位、快捷鍵技巧等）和Excel視覺化技巧（組合圖、條形圖、資料氣泡地圖）等。

(2) Mysql

SQL同樣是零基礎學習資料分析的核心內容。因為作為資料分析師，你首先要解決的問題就是你要有資料來做分析。通常企業都會有自己的資料庫，資料分析師首先得根據業務需要知道自己要從企業資料庫中提取哪些資料。企業如果部署本地資料庫，那麼一定是SQL語言做提取資料的語言。SQL簡單易懂，非常容易上手，並且是非學不可的。SQL語言從學習MySQL資料庫開始，涉及對錶結構資料的增刪改查。真正在企業裡面，資料分析師一般不會有增刪改的許可權，只會有查的許可權。學員應該重點掌握查的各種句式。

(3) Python

Python的基礎對於資料分析師而言是非常重要的。對於十萬級或者百萬級資料量而言，Excel和BI都會因為執行卡頓而變得完全無法使用。然而在實際企業運用中，一次性處理十萬級以及百萬級資料又是非常常見的。而Python則是處理這種中量級資料的利器。因為Python有很多的第三方強大的庫，比如Numpy、Pandas、Matplotlib、Seaborn等。這些庫能讓資料分析師對百萬資料進行資料清理和畫圖分析。Python不僅能資料清洗，畫圖，還能用sklearn進行大資料演算法分析。雖然Python是資料分析的重要工具，但是不同的職業發展方向，Python掌握的程度也是不一樣的。

(4) BI商業智慧工具

BI可以理解成Excel圖表透視表的高階版。BI是將表與表相連，然後得出很多指標圖。它是一個大屏的看板，如下圖：

企業銷售指標，運營指標，物流指標等等。這些圖可以表示企業在過去5個月的平均銷售單價，過去24個月銷售的物流發貨量的變化曲線，甚至是現在實時的銷售額，這些都是企業關心的問題。有了這個看板，領導層在監控企業業務方面就有了非常直觀的資料，以供他們及時做出決策調整。現在市面上比較流行的BI軟體，有FineBI，PowerBI等。而這些BI軟體實際上都是非常類似的，學起來難度也不大。學習FineReport、FineBI由入門到精通，快速挖掘資料價值，將這些資料轉化成有用的資訊，讓企業決策有資料依據，從而驅動企業決策和運營。

(5) 數理統計與資料運營

數理統計和資料運營方法論是資料分析師的理論基石。數理統計包括機率論，統計學，線性代數，以及基礎的微積分理論。這些內容都不需要理解的很深，但是對它們的原理以及內涵都需要有所掌握。由於整個資料分析的源頭其實就是脫胎於描述性統計分析的。描述性統計分析是對樣本的總數、均值等指標做統計的；而資料分析後續涉及到的演算法則是架構在統計學上更深一層次的建模。因此，掌握數理統計的相關知識對於入門資料分析師而言是基礎且必要的。

那資料運營方法論是什麼呢？資料運營方法論實際上是學習各個行業所運營的分析模型。例如，對電商而言，漏斗分析可以分析出來進入主頁的人數PV1，到進入服裝板塊的人數PV2，PV2/PV1就可以得出一個進入服裝板塊的比率。還有很多通用的分析模型：相關分析，A/B test等。對於想往管理路線發展的資料分析師來講，資料運營是必須要學習的知識。其實資料運營知識也不復雜，就是根據自身業務需求將指標拆解到最細，然後運用同比和環比兩種資料分析方式。

(6) 機器學習

最後一個進階要求資料分析師掌握對大量資料分析的能力。這種分析就不只是停留在描述統計分析和運用資料運營方法進行分析了，而是進行預測分析。預測分析的本質是利用已有的資料做出一套變數x，與預測最終值y之間的關係（也就是數學演算法公式），然後利用這套演算法，將更多的x輸入演算法中去得出一個預測的y值，這裡聽不懂沒關係。總之，這個階段的資料分析是利用大量的歷史資料構建出一套數學公式（也就是演算法），用這個數學公式去對未來進行預測。比如說：一個人大量地刷體育短影片，根據演算法可以得出這個人可能對觀看足球比賽的騰訊體育會員感興趣。這類推斷和預測對於商業世界是有著極大變現意義的。要想成為掌握演算法的資料分析師，機器學習是不可跳過的入門。學員應該從簡單的一元迴歸，多元迴歸，以及邏輯迴歸學習等，逐漸學習更多像決策樹，隨機森林，SVM等更高階的演算法。

3、 資料分析的職業發展規劃？

一般來講，資料分析有兩條發揮路線，一條是管理路線，一條是技術路線。往管理端發展，比如初級資料分析師，到資料運營，到資料分析經理、資料運營總監等等。這條發展路徑主要要求統計學、Excel、PPT等技能，需要撰寫市場分析報告。這條路看似技術掌握不用太深，但是對業務的理解要極深。而精深的業務理解需要時間和深度的業務鑽研精神。如果你是非數學、計算機和統計學專業的朋友，比較適合這條非技術的職業發展之路。

而向技術方向發展，則目標會非常明確。一是深入往資料探勘方向發展，學習深度神經網路，NLP等前沿演算法。二是深入資料分析開發，把大資料元件hadoop，spark等等大資料元件學好學精。這是一條技術類的發展方向，要求更高的統計學能力、數理能力以及程式設計技巧。

實際上，無論是非技術的業務方向和技術專家方向都要的是兩個字：鑽研。當然聽到這裡，我們也需要重重地闡述一下：入門初級資料分析是不難的。而後半段，要成為一個優秀的資料分析師是難的，是需要刻苦鑽研精神的。

個人從上面成都的聚數學院的培訓機構學習經歷來看，主要還是要靠自己多學多練習吧，老師畢竟只是帶你入門，學習更多的知識和方法還是得靠自己大量的練習和專案實操，現在網上很多免費教程，多學多練。

隨著大資料技術在各行各業應用的越來越廣，資料驅動智慧產品和精細化運營已經成為企業經營的制勝法寶。資料分析對於新媒體行業更是指南針般的存在，指引著運營的正確方向，這是每個新媒體人不得不熟練掌握的一項技能。

什麼是資料分析？

廣義上講，資料分析是指用適當的統計分析方法對收集來的大量資料進行分析，將它們加以彙總和理解並消化，以求最大化地開發資料的功能，發揮資料的作用。資料分析是為了提取有用資訊和形成結論而對資料加以詳細研究和概括總結的過程。

對於新媒體運營而言，就是指我們釋出內容之後，監測和統計使用者對所釋出內容實施的一系列行為。

資料分析有多重要？

於公司而言，資料分析師的作用主要是支援和指導專案的發展，合格的資料分析師支援專案的發展，優秀的資料分析師指導專案的發展。

資料分析師，是資料分析行業的起點。有的公司會依照自身所處行業的特點，賦予分析師更為細分的崗位名稱，例如運營分析師、財務資料分析師、業務分析師和資料庫分析師等。

除了所處的行業不同、業務專案不同，對於技術而言是萬變不離其宗，所有資料分析師的最重要的職能就是針對業務專案或者運營的問題或需求，去獲取、研究、分析資料，並整合資料分析結果，幫助公司做出正確的判斷和決策。

對於新媒體運營人來說，資料分析更是必不可少的，這也是一個剛入行幾個月的運營專員和一個有多年經驗的新媒體運營師的區別所在。

對於公司來說，有效地資料分析可以更優質地瞭解運營的質量，預測運營的方向、控制運營的成本以及評估影響方案，這四個方面剛好就是新媒體運營資料分析的宗旨所在。

如何進行資料分析？

其次在創作者後臺還要檢視轉化率、推薦量、頁面停留時長、閱讀完成率等等，給運營人員一個直觀的正向反饋，保證自己的運營方向不會走偏，瞭解什麼樣的內容，適用於什麼樣的人群，適合在什麼平臺釋出，幾時釋出獲得的平臺推薦量最大。