最近看了秦路关于数据分析学习的文章，感觉很实用，整理总结一下，供大家参考。
一、Excel学习掌握
Excel函数不需要学全，重要的是学会搜索。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。
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。
二、数据可视化
数据可视化是数据分析的主要方向之一。数据分析的最终都是要表达自己的观点和结论的。表达的最好方式就是做出观点清晰数据详实的PPT。
首先要了解常用的图表：
其次掌握BI，下图是微软的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。
最后需要学习可视化和信息图的制作。
这是最终展现出的成果，虽然更多的是美工，但是学好了绝对比其他人有更大的优势，值得花一点时间去学习。
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）。
三、分析思维的训练
好的数据分析首先要有结构化的思维，思维导图是必备的工具。
之后再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。
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。
四、数据库学习
Excel对十万条以内的数据处理起来没有问题，但是产品只要有一点规模，数据都是百万起。这时候就需要学习数据库。
SQL是数据分析的核心技能之一。
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。再有点追求，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。
五、统计知识学习
统计知识是数据分析的基础。我们需要掌握描述性统计，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。不需要学习更高阶的统计知识。
六、业务知识（用户行为、产品、运营）
对于数据分析师来说，业务的了解比数据方法论更重要。对业务市场的了解是数据分析在工作经验上最大的优势之一。在互联网行业，有几个宽泛的业务数据需要了解。
产品数据分析，以经典的AAARR框架学习，了解活跃留存的指标和概念。并且数据分析师需要知道如何用SQL计算。因为在实际的分析过程中，留存只是一个指标，通过userId 关联和拆分才是常见的分析策略。
网站数据分析，可以抽象出一个哲学问题：用户从哪里来（SEO／SEM），用户到哪里去（访问路径），用户是谁（用户画像／用户行为路径）。
用户数据分析，这是数据化运营的一种应用。在产品早期，可以通过埋点计算转化率，利用AB测试达到快速迭代的目的，在积累到用户量的后期，利用埋点去分析用户行为，并且以此建立用户分层用户画像等。
除了业务知识，业务层面的沟通也很重要。良好的业务沟通能力是数据分析的基础能力。
七、Python/R 学习
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。
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。
学习R，需要了解数据结构（matrix，array，data.frame，list等）、数据读取，图形绘制( ggplot2)、数据操作、统计函数(mean,median,sd,var,scale等)。
学习Python有很多分支，我们专注数据分析这块。需要了解调用包、函数、数据类型(list,tuple,dict)，条件判断，迭代等。高阶的Numpy和Pandas在有精力的情况下涉及。
把上面七项巩固和融会贯通，就是数据分析的开始。
