写出这个系列，是期望在当初知乎某一个问的基础上，分开完备出有针对互联网产品和运营们的教程。不论对数据分析或数据运营，我都期望它是一篇充足好的教材。

更加精确地说道，这是一份七周的互联网数据分析能力教导庐山会议。我会按照庐山会议针对性的减少互联网外侧的内容，比如网站分析，用户不道德序列等。我也想留于表面，而是系统性描写。

比如什么是产品挖出点？在取得挖出点数据后，怎么利用Python / Pandas的shift ( )函数将其清除为用户不道德session，进而计算出来出有用户在各页面的停留时间，先前如何转换成统计资料长表格，如何以此创建用户标签等。下面是各周的自学阐述。

第一周：Excel自学掌控如果Excel玩游戏的顺溜，你可以跳过这一周。不过介于我进行时也会vlookup，所以有适当讲下。

重点是理解各种函数，还包括但不仅限于sum，count，sumif，countif，find，if，left/right，时间切换等。Excel函数不必须学全，最重要的是学会搜寻。即如何将遇上的问题在搜索引擎上叙述确切。

我指出掌控vlookup和数据投影表格充足，是最不具性价比的两个技巧。学会vlookup，SQL中的join，Python中的merge很更容易解读。学会数据投影表格，SQL中的group，Python中的pivot_table也是同理。

这两个搞定，基本10万条以内的数据统计资料没啥可玩性，80%的办公室白领都能秒杀。Excel是熟能生巧，多去找练习题。

还有必须教导好习惯，不要拆分单元格，不要过分花哨。表格按照原始数据（sheet1）、加工数据（sheet2），图表（sheet3）的类型管理。下面是为了以后更佳的基础而可选的自学任务：理解单元格格式，后期的数据类型还包括各类timestamp，date，string，int，bigint，char，factor，float等。

理解数组，以及怎么用（excel的数组一挺难用），Python和R也不会牵涉到到 list。理解函数和参数，当进阶为编程型的数据分析师时，不会让你更加慢的掌控。理解中文编码，UTF8和ASCII，还包括CSV的delimiter等，以后你不会回去感激我的。

这一周的内容我会拆卸分为两部分：函数篇和技巧篇。这是一道练习题，我给你1000个身份证号码，告诉他我里面有多少男女，各省市人口的产于，这些人的年龄和星座。如果能已完成上述过程，那么这一周就必要跳过吧。

（身份证号码规律可以网上搜寻）第二周：数据可视化数据分析界有一句经典名言，字不如表格，表格不如图。数据可视化是数据分析的主要方向之一。

杀掉数据挖掘这类高级分析，不少数据分析就是监控数据观察数据。数据分析的最后都是要贩卖自己的观点和结论的。贩卖的最差方式就是作出观点明晰数据详尽的PPT给老板看。

如果没有人尊重分析结果，那么分析也会被改良和优化，不落地的数据分析价值又在哪里？首先要理解常用的图表：Excel的图表可以100%已完成上面的图形拒绝，但这只是基础。先前的进阶可视化，不致要中用编程绘制。为什么？比如少见的多元分析，你能用Excel很精彩的已完成？但是在IPython只必须一行代码。

其次掌控BI，右图是微软公司的BI。BI（商业智能）和图表的区别在于BI擅长于交互和报表，更加擅长于说明早已再次发生和正在再次发生的数据。

即将再次发生的数据是数据挖掘的方向。BI的益处在于相当大程度和平数据分析师的工作，推展全部门的数据意识，另外减少其他部门的数据市场需求（万恶的导数据）。

BI市面上的产品很多，基本都是创建仪表盘Dashboard，通过维度的同步和钻取，取得可视化的分析。最后必须自学可视化和信息图的制作。这是福（装有）身（迫）而立（特）命（薪）之本。这和数据本事没多大关系，更加重视审美、理解、PPT、信息化的能力。

但有一点花上一点时间去自学。数据可视化的自学就是三个过程：理解数据（图表）统合数据（BI）展出数据（信息化）第三周：分析思维的训练这周精彩一下，学学理论知识。

好的数据分析首先要有结构化的思维，也就是我们又称的金字塔思维。思维导图是不可或缺的工具。

之后再行理解SMART、5W2H、SWOT、4P理论、六顶思维帽等框架。这些框架都是大巧不工的经典。

分析也是有框架和方法论的，主要环绕三个要点进行：一个业务没指标，则无法快速增长和分析；好的指标应当是比率或比例；好的分析应当对比或关联。荐一个例子：我告诉他你一家餐馆今天有1000人的客流量，你不会怎么分析？这1000人的数量，和附近其他餐馆比是多是较少？（对比）这1000人的数量比昨天多还是较少？（对比）1000人有多少产生了实际出售？（转化成比例）路经餐馆，餐馆外的人流是多少？（转化成比例）这是一个较慢搭起分析框架的方法。

如果只看1000人，是没什么分析不出有任何结果。杰出的数据分析师不会审问别人的数据，而他本身的分析也是精辟审问，这就是分析思维能力。必须清楚明白的是，一周时间磨练不出有数据思维，不能做理解。

数据思维是大大锻炼的结果，我只是尽可能延长这个过程。第四周：数据库自学Excel对十万条以内的数据处理一起没问题，但是互联网行业就是不补数据。但凡产品有一点规模，数据都是百万起。

这时候就必须自学数据库。更加多的产品和运营岗位，不会在聘用条件中，将不会SQL作为优先的特分项。

SQL是数据分析的核心技能之一，从Excel到SQL意味著是数据处理效率的众多变革。自学环绕Select进行。增补改为、约束、索引、数据库范式皆可以跳过。

主要理解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间切换函数等。如果想跟更进一步，可以自学row_number，substr，convert，contact等。另外有所不同数据平台的函数不会有差异，例如Presto和phpMyAdmin。

再行有点执着，就去理解Explain优化，理解SQL的工作原理，理解数据类型，理解IO。以后就可以和技术研发们谈笑风生，却是将“这里有bug”的说出，替换成“这块的数据乱序执行了”，逼格大大的有所不同。

SQL的自学主要是多苦练，网上找寻涉及的练习题，刷一遍就差不多了。第五周：统计资料科学知识自学很失望，统计资料科学知识也是我脆弱的地方，可这是数据分析的基础。我看完很多产品和运营涉及的数据分析文章，没多少提到统计资料科学知识。这是不缜密的。

比如产品的AB测试，如果产品经理并不确切置信度的含义和概念，那么好的效果并不意味著确实的好。特别是在是5%这种非明显的提升。

比如运营一次活动，运营若不理解检验涉及的概念，那么如何去判断活动在数据上是有效果还是没效果？别说平均数。再行讨论一下经典的概率问题，如果一个人获得流感，实验结果为阳性的概率为90%；如果没获得流感，实验结果为阳性的概率为9%。

现在这个人检验结果为阳性，他有多少几率是得了流感？如果你实在几率有50%、60%、70%等等，那么都罪了直觉性的错误。它还和患病的基础概率有关。统计资料科学知识不会教教我们以另一个角度看来数据。

如果大家理解过《统计数据不会骗子》，那么就告诉很多数据分析的决策并不牢靠。我们必须花上一周的时间掌控描述性统计资料，还包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和取样等概念。

不必须自学更加高阶的统计资料科学知识，谁让我们是学兵呢。只要做会被数据愚弄，不犯错误就好。以Excel的分析工具库举例。

在初级的统计资料自学中，必须理解列1的各名词含义，而不是逗留在平均数这个基础上。图片源于网络第六周：业务知识（用户不道德、产品、运营）这一周必须理解业务。

对于数据分析师来说，业务的理解比数据方法论更加最重要。当然很失望，业务学习没捷径。我荐一个数据沙龙上的例子，一家O2O仓储公司找到在重庆地区，店内员的车主效率高于其他城市，导致用户的好评率减少。

总部的数据分析师创建了各个指标去分析原因，都没去找出来问题。后来在专访中察觉，因为重庆是山城，路面强弱高差较为滑稽，很多店内人员的小电瓶上没法坡…所以造成车主效率快。

这个案例中，我们只告诉送货员的车主水平距离，即POI数据，显然不有可能告诉垂直距离的数据。这就是数据的局限，也是只不会看数据的分析师和接地气分析师的仅次于差异。

对业务市场的理解是数据分析在工作经验上仅次于的优势之一。有所不同行业领域的业务知识都不一样，我就不献丑了。

在互联网行业，有几个明确的业务数据必须理解。产品数据分析，以经典的AAARR框架自学，理解活跃存留的指标和概念（这些内容，我的历史文章早已牵涉到了部分）。并且数据分析师必须告诉如何用SQL计算出来。因为在实际的分析过程中，存留只是一个指标，通过userId 关联和合并才是少见的分析策略。

网站数据分析，可以抽象化不吃一个哲学问题：用户从哪里来（SEO／SEM），用户到哪里去（采访路径），用户是谁（用户画像／用户不道德路径）。虽然网站早已不是互联网的主流，但现在有很多APP+Web的填充框架，朋友圈的传播活动认同必须中用网页的指标去分析。用户数据分析，这是数据化运营的一种应用于。

在产品早期，可以通过挖出点计算出来转化率，利用AB测试超过较慢递归的目的，在累积到用户量的后期，利用埋点去分析用户不道德，并且以此创建用户分层用户画像等。例如用贝叶斯算法计算出来用户的性别概率，用K聚类算法区分用户的群体，用不道德数据作为特征创建号召模型等。不过较慢入门不必须掌控这些，只必须有一个大约的框架概念。除了业务知识，业务层面的交流也很最重要。

在业务线充足宽的时候，我不止一次遇上产品和运营没掌控所有的业务要点，特别是在牵涉到跨部门的分析。较好的业务交流能力是数据分析的基础能力。第七周：Python/R自学再一到第七周，也是最伤痛的一周。

这时应当自学编程技巧。否不具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都必须中用编程能力（例如上文的多元散点图）。

掌控一门杰出的编程语言，可以让数据分析师事半功倍，升迁加薪，嫁给白富美。以时下最热门的R语言和Python为自学支线，学兵只要自学一条。我恰好两类都习过。

R的优点是统计学家撰写的，缺点也是统计学家撰写。如果是各类统计资料函数的调用，绘图，分析的前验性论证，R毫无疑问有优势。但是大数据量的处置力有不下狱，学习曲线较为平缓。

Python则是万能的胶水语言，适用性强劲，可以将各类分析的过程脚本化。Pandas，SKLearn等各包在也早已追平R。

自学R，必须理解数据结构（matrix，array，data.frame，list等）、数据加载，图形绘制( ggplot2)、数据操作者、统计资料函数(mean,median,sd,var,scale等)。高阶的统计资料继续不必去牵涉到，这是先前的自学任务。

R语言的研发环境建议用RStudio。自学Python有很多分支，我们专心数据分析这块。必须理解调用包在、函数、数据类型(list,tuple,dict)，条件辨别，递归等。

高阶的Numpy和Pandas在有精力的情况下牵涉到。Python的研发环境建议Anaconda，可以回避掉环境变量、包在加装等大部分新手问题。

Mac自带Python2.7，但现在Python 3早已比几年前成熟期，没编码问题，就不要抱成顽固了。对于没技术基础的运营和产品，第七周最吃力，虽然SQL＋Excel充足应付入门级数据分析，但是牵涉到到循环递归、多元图表的分析部分，复杂度就呈几何下降。更加遑论数据挖掘这种高阶玩法。

我也坚信，未来理解数据挖掘的产品和运营不会有极强的竞争力。到这里，刚刚好是七周。

如果还必须第八周+，则是把上面的稳固和融会贯通，却是这只是目的性极强的学兵，是开始，而不是数据分析的毕业典礼。如果期望数据分析能力更加将近一步，或者沦为杰出的数据分析师，每一周的内容都能之后自学至通晓。实质上，业务知识、统计资料科学知识只能靠两周是十分不稳固的。

再行往后的自学，不会有许多分支。比如稍策划的数据产品经理，比如稍统计资料的机器学习，比如稍商业的市场分析师，比如稍工程的大数据工程师。

这是后话了。(公众号：)录：本文由人人都是产品经理作者秦路许可公布，公众号：tracykanc。予以作者容许，禁令刊登。原创文章，予以许可禁令刊登。

下文闻刊登须知。

本文来源：彩神VI首页-www.maidelinoa.com