随着互联网迅猛发展，各大公司沉淀了很多的数据，如何找出藏在这些数据背后的规律，利用这些数据来给公司创造价值，作为一个新手面对这些问题的时候，你是不是考虑怎么快速学习数据分析呢？
如果你的自学能力很强，那么你可以参考网上的推荐书籍，自己拿起书本，找些案例开始学习。
如果你需要前辈的指导，那么你可以按照CDA数据分析研究院的老师推荐的学习方法来学习数据分析：
首先，数据分析师需要三个方面的能力：技术（编程），数据分析方法，行业知识。
一、技术
主要包括excel，sql，power BI，python
1)技术方面就是 SQL，主要学习数据库语言的增删查改，
建议从mysql入手，主要学习关系数据库管理系统，主要学习单表查询以及多表查询，利用数据库进行简单的分析
2)Excel 也是要会一点的。不过 Excel
这种常用的办公软件，比如说做个图，算算总合、平均之类的，熟练使用vlookup等几个常用函数，稍微复杂点的数据透视表 (pivot)
就够了。
3)如果SQL 上手比较快，时间充裕，那就练练 power BI,
主要目的是看看都有什么样的图表，感受一下各自适用什么样的场景。具体怎么做图不是非常重要，真要用的时候搜索一下现学就好了。最后就是学会使用power
BI制作报表以及通过报表思考业务遇到的问题。
二、数据分析方法
常用的数据分析方法包括以下13种：
1.
描述统计
描述性统计是指运用制表和分类，图形以及计算概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。
2.
假设检验
参数检验
参数检验主要包括U验和T检验
1）U验
使用条件：当样本含量n较大时，样本值符合正态分布
2）T检验
使用条件：当样本含量n较小时，样本值符合正态分布
非参数检验
非参数检验是针对总体分布情况做的假设，
主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。
3.
信度分析：检査测量的可信度，例如调查问卷的真实性。
4.
列联表分析：用于分析离散变量或定型变量之间是否存在相关。
5.
相关分析：研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。
6.
方差分析
使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。
7.
回归分析
包括：一元线性回归分析、多元线性回归分析、Logistic回归分析以及其他回归方法：非线性回归、有序回归、加权回归等
8.
聚类分析：样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量。
9.
判别分析：根据已掌握的一批分类明确的样品建立判别函数，使产生错判的事例最少，进而对给定的一个新样品，判断它来自哪个总体
10.
主成分分析：将彼此相关的一组指标转化为彼此独立的一组新的指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息。
11.
因子分析：一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法
12.
R0C分析
R0C曲线是根据一系列不同的二分类方式(分界值或决定阈）.以真阳性率（灵敏度)为纵坐标，假阳性率（1-特异度)为横坐标绘制的曲线
本学习资料包含了数据分析师的必备技能，包含sql，python，以及统计学，机器学习的资料，获得方法点击这里
