1.學習數據分析需要多長時間？
每個人的學習能力和基礎不壹樣，所以數據分析的學習周期也不壹樣。如果是通過自學，這個周期可能會很長，因為沒有專業老師的指導，沒有系統的學習。壹般來說，零基礎學習者如果進行系統的訓練，最快也要近三四個月。數據分析的學習要從熟悉表格和表格結構開始，其本源必須建立在熟悉Excel和能夠從數據庫中提取數字的基礎上才能提升技能。妳的技能從能夠從數據庫中提取數字，用Excel和BI處理數萬行的小數據，到用python批量處理數十萬甚至數百萬行的中型數據，最後使用大數據的相關組件，如hadoop、spark、flume等組件處理數千萬甚至數十億的大數據。每個階段所需的工具和方法是不同的。壹般來說，對於能夠處理中等數據的自學型分析師來說，至少要了解壹下python的熊貓、numpy等數據處理庫。這種零自學的循環，壹般也與理解和自律有關。悟性和自律性高的同學，4個月可能就能掌握；如果學生沒有悟性和自律性，這個周期可能會半途而廢，無法估計時間。這裏推薦數據分析實戰就業班(聚聚學院)，重點培養數據分析師的數據處理能力、數據分析能力、數據挖掘能力。課程內容包括數據庫管理、統計理論和方法、主流數據分析軟件的應用以及數據挖掘算法等。，並以實戰練習系統講解了壹套數據分析流程技術。學習後，學習者可以直接達到數據分析師的水平。
2.數據分析應該學些什麽？
(1) Excel
說起Excel，可能有人會覺得這很簡單，但是Excel確實是壹個強大的武器。零基礎科學的數據分析師壹定要從Excel開始，因為Excel是處理小規模數據企業用的最多的工具，在基礎數據分析師和數據操作中起著極其重要的作用。作為數據分析師的核心工具，具體學習內容包括Excel函數技能(搜索函數、統計函數、邏輯函數)、Excel快速處理技能(格式調整、搜索定位、快捷鍵技能等。)和Excel可視化技能(組合圖、條形圖、數據氣泡圖)。
(2) Mysql
SQL也是零基礎學習數據分析的核心內容。因為作為數據分析師，妳首先要解決的問題是妳有數據要分析。通常情況下，企業會有自己的數據庫，數據分析師首先要知道自己要根據業務需求從企業數據庫中提取什麽數據。如果企業部署了本地數據庫，提取數據必須是SQL語言。SQL很好理解，非常好用，壹定要學。SQL語言從學習MySQL數據庫開始，涉及到添加、刪除、修改、查詢表結構數據。在現實企業中，數據分析師壹般沒有增刪改的權利，只有檢查的權利。學生要重點掌握各種句型。
(3) Python
Python的基礎對於數據分析師來說非常重要。對於10萬或者100萬的數據量，Excel和BI都會因為運行卡頓而完全無法使用。但是在實際的企業應用中，壹次處理十萬級、百萬級的數據是很常見的。Python是處理這種中量級數據的有力工具。因為Python有很多強大的第三方庫，比如Numpy，Pandas，Matplotlib，Seaborn等等。這些庫使數據分析師能夠清理和分析數百萬的數據。Python不僅可以清洗數據、畫圖，還可以用sklearn分析大數據算法。雖然Python是數據分析的重要工具，但是在不同的職業發展方向上，Python的掌握程度不同。
(4) BI商業智能工具
BI可以理解為Excel圖表透視表的高級版本。BI就是把表格相互連接起來，然後畫出很多指標圖。這是壹個大屏幕看板，如下所示:
BI看板圖
企業銷售指標、運營指標、物流指標等等。這些曲線圖可以顯示企業過去5個月的平均銷售單價，過去24個月銷售的物流出貨量變化曲線，甚至現在的實時銷售額。這些都是企業關心的問題。有了這個看板，領導層在監控企業的業務方面就有了非常直觀的數據，讓他們能夠及時做出決策調整。現在市面上比較流行的BI軟件有FineBI，PowerBI等等。這些BI軟件其實很像，學起來也不難。從入門到精通學習FineReport和FineBI，快速挖掘數據的價值，將這些數據轉化為有用的信息，為企業決策提供數據依據，從而驅動企業決策和運營。
(5)數理統計和數據運算
數理統計和數據操作方法論是數據分析師的理論基石。數理統計包括概率論、統計學、線性代數和基本微積分理論。這些內容不需要深入理解，但其原理和內涵需要掌握。因為整個數據分析的來源其實是脫胎於描述性統計分析。描述性統計分析是統計樣本總數和平均值；數據分析中涉及的算法是統計學中更深層次的架構建模。所以，掌握數理統計的相關知識，對於入門級的數據分析師來說，是基本的，也是必須的。
數據運營方法論是什麽？數據運營的方法論其實就是學習各個行業運營的分析模型。舉個例子，對於電子商務，漏鬥分析可以分析出進入首頁的人數PV1，進入服裝板塊的人數PV2，PV2/PV1可以得到壹個進入服裝板塊的比例。還有很多通用的分析模型:相關性分析，A/B檢驗等。對於想發展管理路線的數據分析師來說，數據操作是必須學習的知識。其實數據操作的知識並不復雜，就是根據自己的業務需求把指標拆解到最細，然後用同比和環比兩種數據分析方法。
(6)機器學習
最後壹個高級水平，需要數據分析師掌握分析大量數據的能力。這種分析不僅僅是描述統計分析和使用數據運算方法，還包括預測分析。預測分析的本質是利用已有的數據，算出壹組變量X與預測終值Y之間的關系(即數學算法公式)，然後用這個算法把更多的X輸入算法，得到壹個預測值Y，這裏不懂也沒關系。簡而言之，這個階段的數據分析就是利用大量的歷史數據構建壹套數學公式(即算法)，並利用這個數學公式來預測未來。比如壹個人刷了很多體育短視頻，根據算法可以得出這個人可能對騰訊體育會員看足球比賽感興趣。這種推斷和預測對商業世界意義重大。如果妳想成為壹個能掌握算法的數據分析師，機器學習是壹個不能跳過的入門。學生要從簡單的壹元回歸、多元回歸、logistic回歸學習，逐步學習決策樹、隨機森林、SVM等更高級的算法。
如果妳看到這裏，覺得妳已經對數據分析師的入門方向做好了心理準備，但是如果妳沒有基礎，真的不知道怎麽入行，歡迎妳私聊，免費獲取數據分析師知識點大綱，免費做數據分析師入門咨詢。