▲ 点击上方卡片关注我，回复“8”，加入数据分析·领地， 一起学习数据分析，持续更新数据分析学习路径相关资料~ （精彩数据观点、学习资料、数据课程分享、读书会、分享会等你一起来乘风破浪~
）
前言
Data Analysis
在我们的实际工作场景中，可以通过 “数据分析” 对大量业务数据的观察、分析，得到一定的规律/趋势等情况，能客观地反映出当前业务线存在的一些问题，还能为决策者提供数据支持等，尤其在数字化时代，面对海量 的 数据，就需要一些数据分析工具和方法快速有效的处理那些数据，分析数据，产出有效地落地方案。在未来，“ 数据分析”将 在各行各业 的作用 越来越显著，突出，必要。
但是，随着越来越多的工作场景 需要“数据分析”做辅助 ，数据驱动业务 ，做一些常规性的业务分析，去发现问题，分析问题，解决问题，挖掘隐藏的潜在线索，并提供决策支撑时，伴随着未来经济形势整体下行趋势、企业将降本增效等原因， 诸多公司的一些业务线将不会再设立专门的“ 数据分析 ”岗位。
所以，不管你是做产品、运营、商务、市场、人力，还是技术开发、项目、管理，基本上都要掌握“数据分析”技能，在未来 “数据分析”将是一个底层的能力，属于通用技能，需要每个职场人都要必备的技能之一。
然而，一些在学习数据分析的伙伴，可能会遇到各种各样的问题而陷入迷茫，不知如何入手，感觉很多东西比较高不可攀，其 主要原因就是数据分析坑很大，需要掌握的知识又很多，很杂 。还有一些原因如下：
没有找到合适的资源/平台可以很好地学习有关数据的一切
对要学习的主题又缺乏明确性，懒癌晚期，无法坚持完成学习
有大量资源，但很难去选择最适合自己的， 很容易迷失在细节中很难把控学习进度
数据分析领域对应的岗位非常多，经常把一些同学们绕晕。数据分析、商业分析、运营分析、产品分析、销售分析、数据挖掘、算法模型等等。
·······
“ 数据分析 ” ，在我所有的工作经验中、在我创立并运营小飞象数据分析社群的过程中、在我与群友/大佬的沟通中、在我运营数据类公众号木木自由的经历中，处处离不开数据分析~
因此，在我接触“数据分析”的过程中，积累了一定认识，完善了数据分析知识体系，我 根据自己的思考，深刻认识 数据分析 是什么 和 梳理了 数据分析学习路径1.0 ，其中肯定有不足之处，后续将不断地，持续地完善更新补充，希望大家在评论区提出不同的观点，我会完善到其中，也希望刚入门 在学习的时候、 数据从业者在进阶的时候，慢慢地完善优化自己的技术栈和知识体系就好了。 （在评论区，提出你认为的数据分析学习路径以及学习感受一些建议和方法，若采纳任何一条，将获得星球免费体验资格~）
什么是数据分析
Data Analysis
数据 + 分析 ， 数据是基础，分析是主导 。数据并不意味着价值，分析和决策才能创造价值！
且数据分析： 思维方式大于实践方法
思维方式：业务目标及调研+思维逻辑+创新想法+可行建议
实践方法：数据汇总统计+工具使用+可视化
数据分析，即是基于某个目的对数据进行分析和总结概括的过程。 它的意义在于把隐藏在数据中的信息萃取和提炼出来，以便帮助人们找到所研究对象的内在规律，或者事物的发生、发展和未来变化的规律，进而帮助人们做出判断以及正确的决策。
现在领域内有很多数据分析岗。 BI（Business Intelligent）、DA（Data Analysis）、数据运营、数据科学家、数据产品经理等，工作内容可以说是大相径同，细分领域的专业度会存在不同程度的差异。 “数据分析”是有关“数据”类岗位的总称 ，而数据分析技能基本是职场里的标配技能，从事这类工作的人，通过分析数据发现业务问题，洞察商业机会点，为运营活动、业务增长及企业发展等，提供合理建议及参考依据。
我理解的数据分析不是从什么高大上的角度出发， 它绕不开是什么、是多少、为什么、会怎样、又如何这几个问题。
说明白点：
▶是什么（树立数据标准）
▶是多少（数据描述状况）
▶为什么（探索问题原因）
▶会怎样（预测业务走势）
▶又如何（综合判断状况）
总之， 我们 做好数据分析，要对数据分析的价值有清楚的定位 ，不能沦为单纯的 “取数”、“做表”、“写报告”，数据分析应该是对业务有实际的指导意义，并结合业务痛点去发现问题从而解决问题的工具。
数据分析学习路径
Data Analysis
数据分析的学习是流程化，标准化，是 一个 逐步地形成符合自己节凑的有效“闭环”过程 。 所谓“闭环”，就是要不断优化，不断迭代，除了要了解掌握数据分析流程、方法、工具以外，还需要不断的进行项目操练复盘总结，补充完善每个步骤中所需要技能栈，并在整个学习过程中持续地、不断的扩展完善提升数据分析思维。
根据 中 所梳理总结的 框架思路： 明确问题→分析原因→落地方案，可以延伸出 数据分析 学习路径地图，具体如下图：（后续将持续更新完善2.0，增加落地方案每个方向具体步骤~）
1、 明确目标，认清自己。（对应明确问题）
很多人认为定目标、设计划是假大空，但如果没有目标，你会发现时间过去，你依然停留在原地。 薪资涨幅、买房买车等，很多看似不是外界能决定的事情，都可以通过设立目标来实现。
数据分析的学习亦是如此，不同的目标方向，路径不经相同。 还有清楚的了解自己， 知道自己的优势是什么，现有的资源有哪些等？
学习数据分析主要有以下几个目的：
✔提升数据分析技能，辅助本职工作
✔转行数据分析相关岗位，零基础入门
✔数据分析从业者，技能思维进阶
2、 计算差距，弥补不足 。 （对应分析问题）
先确定目标，计算出自己差哪里，需要做的哪些弥补不足之处，其实就是倒推为了达到目标要做的事情，所谓的倒推做事法。 而不同的目标也有不同的侧重点，具体如下：
✔提升数据分析技能 辅助工作
主要侧重数据思维的培养和分析思路的完善。 熟知数据分析分析方法模型，理解业务，针对性的学习数据分析工具，如 excel的透视表可视化+ppt技能。
✔转行数据分析相关岗位
数据分析从业路线大致可以划分成四大方向： 数据分析，数据挖掘，数据产品，数据工程。 针对各个数据岗位侧重的技能栈，针对性的学习补充差距~
⑴数据分析/数据运营/商业分析 是 业务方向的数据分析师。主要 负责和支撑各部门相关的报表；建立和优化指标体系；监控数据的波动和异常，输出专题分析报告， 优化和驱动业务，推动数据化运营 ； 主要侧重数据分析工具以及业务知识的培养。
⑵数据挖掘/算法专家这是技术向的数据岗 ，有些归类在研发部门，有些则单独成立数据部门。 主要侧重于 更高的统计学能力、数理能力以及编程技巧。
⑶ 数据产品 是具备强数据分析能力的PM，公司数据产品的规划者。 负责大数据产品的设计，推荐算法的产品策略，分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据，报表展示工具的落地和应用； 主要侧重于 各类数据模型、指标、数据挖掘和数据工程的实现，但是聚焦点是把它作为一个项目去实现，故而不用精通。
⑷ 数据工程师其实更偏技术 ，从职业道路上看，程序员走这条路更开阔。 可以从数据分析师的SQL技能，往数据的底层收集、存储、计算、运维拓展。 从最初的SQL，逐步 侧重于 了解Hadoop集群、了解presto/impala/spark、了解分布式存储……
✔数据分析从业者 进阶
数据分析进阶讲具备更多的工具技能， 主要侧重 的是要掌握数据分析的各种工具的全栈技能，从能力增长上突破职业的天花板 。 一般如下：
·可视化辅助工具：excel、BI工具、python···
· 统计分析：抽样推测规律、 贝叶斯统计 、回归、预测····
·大数据处理框架：Hadoop、storm、spark···
·数据库：SQL、MySql、DB···
·数据仓库：SSIS、SSAS····
·数据挖掘工具：Matlab、R语言、python···
·人工智能：机器学习
·挖掘算法：数据结构、一致性
·编程语言：Java、python
3、 排除万难、穷尽所能的努力（对应落地方案，推动执行）
前面两步都很容易，因为动脑就够了，无需体力支持，而最后一步却是需要身体力行的去付出努力的。所以很多人完不成目标，都是因为“死”在了这一步。
数据分析技能栈
Data Analysis
总结了在 数据分析学习过程中所涉及的技能栈，如下图（后续持续补充）：
★数据分析思维
我们需要 在实际工作中，面对不同场景的时候，都需要建立自己对特定场景的认知思维。有些人比较聪明，是具备了高效建立认知 思维 的方法；有些人较为普通，没有建立一定认知 思维 ，多少会走点弯路。
所以，数据分析也是如此，不仅要手段，更要有思维！ 数据思维是帮你找到问题的方向，理清数据分析的思路，做出有深度，有价值的分析。 所谓数据分析思维，即通过各种方法收集数据，明确以及理解需求，然后改进你的个人决策，不断迭代。比 如，
▍ 看到一列数据 有波动 ，首先明确数据的准确性，去对比往期数据的环比同比，近期波动趋势等，判断数据波动是否异常，可能由哪些原因带来了这些波动，相关的原因是否有数据呈现等。
▍ 看到一个活动效果低，找到核心指标，并拆解指标，明确活动目的，针对人群、预期活动目标、投入成本、奖品爆率模型等进行分群，分层，精细化运营，提升活动效果。
▍ 看到一个产品功能点使用率低，在使用完毕之后去分析他的商业模式、面对的用户群体、群体的使用场景，进行分群分层，去做AB测试，观察后续运营动作是否验证了改进点。
·····
即明确问题-分析问题-给出落地方案。其中包括：对比，指标，结构化，拆解···等数据分析思维。 后续持续更新~
学习主要内容有：
✔对比， 通常把两个相互联系的指标数据进行比较，从数量上展示和说明研究对象规模的大小、水平的高低、速度的快慢，以及各种关系是否协调。 两个关键：维度与指标。
✔细分， 细分衍生出来的方法，比如矩阵、RFM模型等等，其实都算细分的方式。
✔ 分类， 客户分群、产品归类、市场分级··· 关键点在于，分类后的事物，需要在核心数据指标上显著的区别。
✔ 漏斗， 漏斗的环节不该超过5个，漏斗第一环节100%开始，到最后一个环节的转化率数值不要低于1%，主要看每个环节的转化率。
✔拆解/逻辑树 ，将一个数据指标进行拆解， 能找出影响指标变化的因素。
✔相关性， 观察数据指标，不仅要看单个指标的变化，还需要观察指标间的相互关系
✔趋势， 一般来说是按照时间的维度，对某一数据或者不同数据变化趋势进行差异化研究，以及对数据的下一步变化进行预测。
·······
在【数据分析·领地】星球里还分享一些关于思维的扩展学习资料，如图：
（ 加入星球获取 更多···· ）
★业务知识以及软技能 ；
· 业务知识
“数据分析”在实现业务目标和输出数据报告的过程中，就需要清晰地描述、并展示业务现状，解决业务痛点，帮助业务提升业绩等。 所以，“数据分析”就需要围绕业务展开。而现实当中，很多业务场景都可由数据体现出来。通过分析业务存在的问题并解决业务问题，数据分析才能创造价值。
对于公司来讲，解决业务问题可以提高收益或者降低成本；对于个人来讲，知道怎么利用数据解决业务问题，对个人的技能成长和职场生涯都有很大的助力。 要理解业务，其根本上来讲就是：数据从业务场景中来，要用回业务场景里去。 后续持续更新~
学习主要内容有：
✔行业分析， 了解行业趋势 ， 关键业务， 每个业务都有自己的价值链，价值链的每个环节也并不是都是关键环节。对于部分企业来说，研发和营销是最关键的环节，对于部分企业来说，客户服务是关键的环节。
✔业务分析， 了解关键指标，如 互联网电商来说，找准营运方向比卖多少货，赚多少钱更重要。这个阶段可以重点关注流量指标，包括访客数、注册用户数、浏览量、转化率等。通过数据分析提高销售额就是首要任务。此阶段重点指标是流量和销售指标，包括访新增会员数、会员流失率、客单价ROI、销售额等。
✔用户分析， 谁是我们的用户？ 满足 用户 什么需求？（价值定位） 提供什么实际价值？（价值提供）
✔竞品分析， 了解对手，比如 分析竞品推广节奏和用户数据，优化运营和推广策略等。
······
在 【数据分析·领地】 星球里分享了一些关于业务知识分享，包括指标体系，用户画像，产品，运营指标，竞品分析等扩展学习资料，感兴趣的去星球下载学习，如图：
（ 加入星球获取更多···· ）
· 软技能
包括有效管理任务的能力、工作能力以及与他人相处融洽的能力、 沟通技巧（ 向上沟通、横向沟通 ）、表达能力等 。主要是沟通，向上要资源，横向了解需求以及推动项目落地等， 这些技能决定了数据分析结果能否落地，决定数据分析项目能否有效管理冲突和运行顺利。
在【数据分析·领地】星球里分享一些软技能等资料，如图：‘
（加入星球获取更多····）
★ 数据分析工具软件以及可视化技巧 ；
数据分析工具主要用来做三件事情：数据预处理、数据建模、数据可视化。学会这三个技能，无论使用什么工具，都能满足最基本的数据处理与分析需求。但是不同的数据分析工具会有不同的特点， 使用者可以根据自己的数据和分析要求选择有相应适合的工具，但不要死磕。
工具如下：（后续将会持续更新）
·Excel： 最基础的数据处理工具，偏向于运营岗位的数据分析，作为一个数据分析师，Excel 无条件的熟练掌握，对于数据量较少，拿 Excel 进行分析、转换、运算即可，而且数据分析很大一部分时间是在与 Excel 在打交道。 Excel里性价比最高的两个技巧（数据透视表，vlookup）。 后续持续更新~
学习主要内容有
✔ 常用函数：加总求和、计数、平均、最值、排序、乘积、除余、取整···
✔ 逻辑运算：if、iferror、and、or···
✔ 文本编辑：文本提取、文本查找、文本替换、文本转换及合并··
✔ 引用与查找：vlookup、hlookup、lookup、indirect、index、match
✔数据透视表：入门数据可视化
✔VBA： VBA只限于Office软件中应用，并且很多功能Python可以代替， 可学可不学，使用起来涉及到问题比较多（比如控件，版本等），，和Excel贴合的很好，可以录制宏，一键完成很多Excel操作。进阶可以学习
·······
在【数据分析·领地】星球里分享 Excel的学习资料,如图:
（扫码加入星球获取更多····）
·SQL： 利用 SQL 把数据进行提取查询， SQL作为一门编程语言，相对Python比较简单，但是也具有编程的基本特性，作为一个零基础的人员入门学习是一个不错的阶梯。 因为这是跟数据库打交道最直接的语句了。 后续持续更新~
学习 主要 内容有
✔数据库的基本概念（入门） ： 如何安装数据库、表的创建、删除和更新、数据的插入、删除和更新数据等 （打基础） ···
✔ 简单查询： 基本的查询语句、 如何指定查询条件？注释和 SQL 语句注意事项、学会运算符指定复杂的查询条件、字符串模糊查询····
✔ 汇总分析： 如何进行汇总分析？如何对数据分组？如何对分组结果指定条件？····
✔ 复杂查询： 什么是视图，如何使用，有什么用，子查询、标量子查询、关联子查询、各种常用函数····
✔ 多表查询： 表的加法、联结，包括交叉联结、内联结、左联结、右联结、全联结、case表达式···
·······
在【数据分析·领地】星球里分享 SQL的一些学习资料,如图:
（加入星球获取更多····）
·pandas： （ 后续持续更新~ ）
pandas 常用于数据的清洗（重复、缺失、异常值等），把这些缺失的数据处理好，才能获得更加准确的分析；
在【数据分析·领地】星球里分享 pandas 的学习资料,如图:
（加入星球获取更多····）
·tableau：（ 后续持续更新~ ）
在【数据分析·领地】星球里分享 tableau 的学习资料,如图:
（加入星球获取更多····）
★ 数据分析方法/模型；
有了分析框架，就有了具体分析的方向；必须要掌握一些行之有效的的数据分析方法，并能灵活的与自身实际工作相结合。数据分析师常用的数据分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。 （后续更新~）
★ 统计学相关知识；
有了统计学的基本知识 ，就可以用量化数据，来描述数据的指标，规律，趋势等变化，对数据做出总结行描述等；
在进阶的阶段，还可以掌握一些主流算法的原理，比如线性回归、逻辑回归、决策树、神经网络、关联分析、聚类、协同过滤、随机森林。
再深入一点，机器学习和数据挖掘的话，还可以掌握文本分析、深度学习、图像识别等相关的算法。 后续持续更新~
学习 主要 内容有
✔ 基本的统计量：均值、中位数、众数、方差、标准差、百分位数等， 可以进行更多元化的可视化，以实现更加精细化的数据分析。同时还要了解更多的Excel函数来实现基本的计算，或者python、R里面一些对应的可视化方法；
✔ 概率分布：几何分布、二项分布、泊松分布、正态分布等，描述数据所呈现出的状态；
✔ 总体和样本：了解基本概念，抽样的概念， 在面对大规模数据的时候，怎样去进行抽样分析；
✔ 置信区间与假设检验：如何进行验证分析， 对一些感性的假设做出更加精确地检验；
✔ 相关性与回归分析：一般数据分析的基本模型， 对未来的一些数据、缺失的数据做基本的预测。
·······
在【数据分析·领地】星球里分享 统计学相关知识 资料,如图:
★ 产出数据报告能力
了解学习别人的数据报告。提升自己的数据报告审美，图表选择，PPT美化等， 并找到接近工作场景的数据源，尝试产出数据分析报告培养主动学习的好习惯，复盘和产出强化学习结果。 （后续持续更新~）
在【数据分析·领地】星球里分享一些经典的数据报告 ,如图:
★ 项目管理能力
使数据分析结果，有效的推动分析项目的执行，落地，同时尽力链接优秀前辈，获取靠谱的能力和发展建议，少走弯路。 （后续更新~）
在【数据分析·领地】星球里分享一些项目管理相关的学习资料 ,如图:
数据分析学习相关书籍推荐
Data Analysis
总结了在 数据分析学习过程中可以学习的推荐书籍，如下图（后续持续补充）：
（加入星球获取以上书籍····）
数据分析比较好的书籍，根据不同学习阶段有不同推荐， 对于数据分析的学习过程，千万不要抱着书一章一章的学习，这样很容易半途而废。 建议可以选择一些靠谱的数据分析平台资料库，先掌握基本原理知识和 常用的知识点 ，然后实践再实践。 假如有工作条件的，一定要在工作中，经常使用，这样的学习效率很高。多参加一些读书会等！
总结
Data Analysis
在 我 做小飞象数据分析社群与群友接触中，发现一些专职数据分析的主要工作包括统计数据、效果追踪、报表可视化展示、输出数据报告等。
但不同公司的数据分析做的工作是完全不一样的，有的感觉很无聊，有的还是有些技术含量的，当然，这取决于所在公司的业务与场景，以及大厂和小厂的数据分析的差别~
总之，数据分析的学习路径也不是固定不变的，需要自己实践，符合自己的节凑，但有些知识可以同步进行学习，甚至不学，有些知识需要一步一步来，必须学习， 要按照一定的步骤去学，去积累，不能跳过，是一个搭积木的过程。
在后续也会在【数据分析·领地】中，组织读书会，分享会等专项活动， 读书会主要学习技术类的书籍领读，分享会主要以数据分析思维分享，案例复盘分享等~
立即扫码
扫码加入星友群
即可各种数据分析思维、工具、课程、书籍、项目、运营、产品相关结构化体系资料~
内容持续更新，期待你来
