在招聘網站上檢視大廠資料分析師的任職要求，無一例外提出了需要掌握資料分析的工具，可見在成長的初期，避開分析工具的學習是不可能的。
將這些公司的需求整合一下，不難看出，在零基礎的情況下，需要在成長的初期快速掌握的工具主要是
SQL、EXCEL以及Python
。
分析工具的學習建議：
1.Excel
會用Excel是最基本的能力，在工作中Excel的使用頻率也很高，Excel的學習也比較簡單，集中學習幾天就能完成。由於Excel的功能非常多，逐個學習是沒有必要的，主要需要掌握的是vlookup等函式、透視表及常用圖表。
2.SQL
如果對SQL語言是完全的新手，不知道增刪查改等基本操作，建議先去看看影片講解：
《MySQL_基礎+高階篇- 資料庫 -sql -mysql教程_mysql影片_mysql入門_尚矽谷》B站播放400W+
掌握SQL基礎後，就要透過刷題反覆訓練，直到對這些SQL的命令和語法都瞭如指掌。專門刷題的網站有：牛客網，採用的是employees資料庫，共61道練習題；LeetCode，上面的題比較考驗邏輯，技巧性高，不過一些題庫需要付費解鎖。
3.Python
市場上的Python課程多如牛毛，但做資料分析需要用到的Python知識並不繁多，我們需要知道的是資料分析崗真正需要用到的Python知識點有哪些？以及資料分析最主要的Python工具庫有哪些？
運用Python做資料分析的人也很多，需要用到的知識主要是資料型別和結構、變數、函式、邏輯語句、匿名函式、錯誤處理、遍歷和迭代、程序和執行緒、庫的使用；用到的第三方資料分析庫主要有numpy、pandas、matplotlib、scikit-learn（機器學習庫，可以對資料進行分類、迴歸、降維、預處理等）。
鑑於題主是個程式設計小白，可以買一本Python資料分析的書來看看，相較於網路上的Blog教程，書本的講解會更有章法，也更詳盡一些。
《利用Python進行資料分析》：講的是利用Python進行資料控制、處理、整理、分析等方面的具體細節和基本要點，介紹Python程式設計和用於資料處理的庫和工具環境。
《Python資料視覺化程式設計實戰》：一本使用Python實現資料視覺化程式設計的實戰指南，介紹瞭如何使用Python最流行的庫，透過60餘種方法建立美觀的資料視覺化效果。
雖然SQL 、Excel、Python等工具是入門資料分析必不可少的敲門磚，但一個優秀的資料分析師不可能只靠運用
“工具”
，畢竟在這個全員轉向網際網路的時代，想要靠一些透過教程就可以習得的基礎技能就超過其他人，是不可能的。若想要在一眾新人中脫穎而出，在資料分析上更深入地發展，一定還要用
“腦”
：
具備資料分析的知識與核心技能，培養自己的思維能力
瞭解企業內資料分析崗的定位，如何依靠資料來進行決策
對於這一部分的進階知識，接下來我想配合貪心學院與騰訊課堂的聯合培養課程《商業資料分析》來進行講解。
市面上的課程裡，貪心AI的課程對邏輯思維、業務分析、工具/工程能力有較好的整合，課程不僅僅只是介紹EXCEL、SQL、Python、Pandas、NumPy、Matplotlib、PyEcharts、PowerBI、Tableau等必備工具，更注重有意識地培養形成一套解決問題的邏輯能力，以及面對不同的場景應用不同分析模型解決問題的能力，很適合用於學習與講解資料分析的進階知識。
一、瞭解企業內資料分析崗的定位
成為資料分析師，首先需要知道一般網際網路企業資料流轉流程，不能做只懂技術不懂業務的“工具人”。
資料流轉流程主要有以下六個節點：資料獲取、資料儲存、資料探勘分析、資料報表搭建、資料分析及視覺化、商業分析及決策建議。
其中，每一個節點都與資料分析息息相關，瞭解每一個節點的分工與任務，才能做好工作間的合作銜接，找準自己的工作定位。
以資料分析挖掘為例，資料探勘會挖掘出對決策有潛在價值的關係、模式和趨勢，並用於決策支援的模型，提供預測性決策支援的方法、工具和過程，一般企業內會有專門的資料探勘部門透過演算法挖掘資料指標間的內部聯絡，大資料分析、BI或演算法部門將會負責完成機器學習的演算法實踐。
為什麼資料分析師不能只懂技術？
1、從可行性角度出發，技術不是解決問題的萬能藥水：
•技術難關無法短期突破
•沒有足夠資金進行技術投入
2、從投資回報率的角度出發，技術投入的邊際效應明顯：
•對企業而言，避免“短板效應”需要均衡產品、營銷、技術等多維度的發展
•對個體而言，技術積累+業務經驗是提升能力稀缺度的不二之選
資料分析師與一線業務運營者的區別是什麼？
宏觀區別是資料量的不同導致了業務決策權的不同。
微觀區別是資料分析技能的不同導致了業務理解深度的不同。
• 生命週期分析：根據不同階段資料特徵判斷產品/使用者生命週期
• 使用者分層分析：以RFM分析為代表
• 使用者行為分析：線性迴歸分析+邏輯迴歸分析
• 倉儲供應鏈分析：模擬模擬+迴歸分析
二、掌握資料分析師的核心技能
資料分析師的核心技能——資料分析能力與思維邏輯能力
，這在貪心的資料分析課程的第二週就進行了詳細講解，可見它們的基礎不動搖地位。
簡單來說，網際網路資料分析的基本思路是：
找出問題（描述性分析）->分析問題（診斷性分析）->解決問題（資料報告+決策性分析）
描述性分析是指透過計算資料的集中性特徵和波動性特徵以瞭解資料的基本情況（關鍵知識點：平均數、標準差、分佈規律、視覺化方法）
診斷性分析指深入挖掘問題根源，識別依賴關係，找出影響因子（關鍵知識點：多變量回歸中如何找到關鍵性變數）
預測性分析用來說明未來可能發生的事情（關鍵知識點：線性迴歸、邏輯迴歸）
模擬模擬利用數學模擬來模擬各種條件下產生的結果
資料分析的老玩家對此已經輕車熟路，但乾巴巴的講解對於新手可能並不友好，所幸課程裡運用了許多例子作為講解。例如，以使用者畫像為例講解描述性統計指標的Excel處理，以電商零售銷量預測案例為例進行預測性分析，以零售倉儲備貨案例為例進行模擬練習……
當你掌握了資料分析的基本工具與核心技能，就可以開始動手做一些專案檢驗自己的學習成果了，專案不僅可以讓你在實踐中快速成長，對未來的求職也大有幫助。
但首先，我要給出一份爆款的專案經歷 ：泰坦尼克號生存預測、波士頓房價預測、共享單車需求預測……是不是覺得很熟悉？有些專案，在Kaggle上都能找到原始碼，含金量很低，HR對此也心知肚明。
所以專案一定要刷好、刷精，要具有高含金量與認可度，真正貼近企業對資料分析的需求。
如果沒有接觸好的企業專案的途徑，也可以看看上文推薦的貪心資料分析課程。
首先，它與騰訊課堂合作，在含金量與認可度上有保證；其次，課程的老師都是在百度、騰訊等網際網路大廠真正任職過的，專案本身也與企業聯絡緊密，與企業的需求相貼近。
舉個例子：嗶哩嗶哩會員購平臺訂單報表分析專案
相信很多年輕人對bilibili並不陌生，電商資料分析案例用了bilibili會員購的例子，講解時也更容易理解。
由於b站以ACG文化起家，使用者喜歡它的亞文化氛圍，於是b站購買了眾多日漫、國漫版權，圍繞知名IP做起了產業鏈和服務，如手辦商品的售賣。b站會員購直接給b站使用者傳送簡訊訊息，只要不換號，開啟b站就有可能看到推送訊息；比起可能跑路的某寶商家，b站作為大平臺更具有可靠性；b站採用大規模銷售模式，商品單價低，消費者更願意購買……
在該專案中，可以學會結合平臺內部資料與平臺外部資料進行分析，同時學會對資料的描述性分析（平均數、標準差、數學分佈、多維視覺化分析、關聯絡數、詞頻分析等），在應對多資料來源時，學會使用資料分析工具統一資料格式進行分析。分析工具的使用與資料思維的鍛鍊在專案中很好地結合。
剛剛在上文中也提到了簡歷的問題，面試的準備是進入資料分析崗的臨門一腳，
貪心專門利用最後一個章節講述了資料分析師的面試準備，對簡歷、發展規劃、關鍵問題與應對思路等相關問題都提出瞭解決策略，利用平臺優勢，在騰訊課堂就業專區也有崗位推薦。
不過話說回來，成功拿到offer，需要技巧的加持但更需要真正的實力，為了避免爆款簡歷的出現，最核心的其實是真正豐富自己的知識、技能以及專案經歷。穩紮穩打，以自己的節奏不斷進步，才能在資料分析這條路上走得更遠。
