国企 3 年转行数据分析，经历小米、网易、微博等数分岗。
2 年前的万赞回答，超级菜鸟怎么学习数据分析？。
为了避免大家刻舟求剑，最近准备把数据分析的市场情况、岗位需求、求职方法更新下了，准备把新的认知，整理出来，也补充常见的数分职业困惑，也一起回馈到这里。
多了，回答底部，有更多数据干货，如果你是认真的，那辛苦就把这碗酒干到底。
————@20211025 更新 —————
这次准备用一周时间来写这个答案。
——————————- 下面正式开始回答 ———-
关于转行背景
先简单说自己转行的经历吧。
我是典型的完全不搭边的国企转行，进入数据分析师行业，目前 6 年 +。
并且成长为一名资深的老数据民工，游荡了不少厂，包括微博、小米、网易，也有垂类行业百万日活的 B 轮创业公司。
但是，经哥不建议完全没经验的人买，因为是写给 1-3 年数据分析师看的，只是让小编把名字改了。
放在上面，目的是让大家了解到，我自己是零经验转行的，大家也同样可以。
下面，经哥就开始，分享如何快速成为数据分析师。
强调一点，站在别人的肩膀上，躲过别人踩过的坑，绝对可以 “快速” 入行数据分析师，入行后能不能成为资深专家就是后面自己努力的问题了。
先放目录
0. 转行案例
经哥自己的转行过程，上面已经说过了，下面说说最近两年接触的其他人，都是咨询后一直保持联系的。
几个成功的案例
例子 1. 金融专业，国企工作 7 年，2019 年脱产，学习了 3 个月，拿到两个 offer，虽然不是大厂，现在工作接近 2 年时间，跳槽 double。
例子 2. 传统行业，通信行业，补课数分的基础技能，在武汉找到一家互联网公司做数分，今年刚换到武汉一家大厂。
例子 3. 某厂 HR，2019 年，通过自驱学习，成功转行数据 BI 工程师
例子 4. 魔都一家小电商公司做运营，转行进入魔都本地生活龙头大厂
例子 5. 杭州一家小电商公司做运营，转行进入一家短视频公司做数分
例子 6. 济南小电商公司运营，也成功转行。
… …
上面这些转行成功的同学，都有一个共同的特点，目标明确，执行力强，另外，我觉得有一点，她们非常懂得借助过来人经验。或者说，通过各种渠道收集信息，比如通过知乎，收集很多这个领域专家的回答，并主动咨询，建立弱关系，说实话开始我都被惊到了，但后来，发现他们的认知还是比一般同学超前的，当目标确立后，懂得借势，有懂得信息收集，加上执行力。转行一个小小数据分析师，做成功是太正常了。
也有没有成功的案例，有一位土木设计的同学，2019 年当时咨询转行的事情，前段时间看他在群里冒泡，我私问了下，没有转成功，我感觉特别抱歉没能帮到他。聊完后，我发现原因还是出在了自己身上，没有坚持下来，或者说他需要有个正确的环境，旁边有合适的人多鼓励，选择正确的教程去学习，减少碰壁的次数，增加抗受挫能力。
总结一下，如果要快速转行，请做到下面几点。
第一，了解岗位需求。除了知乎，可以直接到 BOSS 直聘上搜几条招聘 JD 就可以大概了解。
第二，看或最好直接向过来人取经儿。可以是师兄、师姐、同学，也可以是素未谋面的行业在职人员，想找总能找到。
第三，制定适合自己的学习路线图，撸起袖子开干！
1. 技能篇
数据分析工具四件套装 = Excel + SQL + Shell + Python
老大 Excel，老二 SQL，老三 Shell， 老四 Python，四兄弟各有所长。
这里面，Excel、SQL 是必须掌握的数据分析工具，它两个无论使用频率还是时长，都占绝大部分。
我之前专门录了一段小视频介绍 Excel 为什么是老大，SQL 为什么是老二，视频链接后面会有。
关于 Excel
Excel 是全世界应用最广泛的数据处理类型的办公软件。对于数据分析师，所有最后的统计结果都会在 Excel 再次汇总、透视、绘图。所以，一定要精通。
但是 Excel 功能很多，我们主要掌握下面数据相关技巧即可， 有点基础的同学，快速的话 1 小时就可以。
Excel 数据分析核心技巧
下面是经哥录的小视频，讲的是为什么 Excel 是老大。
关于 SQL
可以这样说，每个数据分析师都是 SQL 大神，因为每天要用这个 SQL 语言从数据库里取数据。也就是统计数据。这个一定要掌握。
SQL 学习，经哥到是给大家搭建了一个 web 练习网站，经哥自建 SQL 练习网站。
经哥为小白搭建的 SQL 练习网站
你可能会问，
第一，SQL 学习要学多久，推荐教程之类，下面经哥已经写的很全了。剧透下，SQL 入门级单表查询，最快 2 天，这个因人而异。
第二，应该 SQL 掌握到什么程度就可参加面试？自己也专门写一个回答。里面包括一些培训班不会讲给你的一些秘密，比如 Select 绝对是常用的，insert，delete，update 可以不学或少花时间学。
我定义的准数据民工， SQL 最后需要达到的水平:
第 2 部分: SQL 的基础语法
第二部分测试题目部分，如果能轻松作答，则可以跳过基础语法阶段
第 3 部分: SQL 的多表关联
考核目标一: 理解表关联的背景知识点，笛卡尔积，并举例说明
考核目标二: 理解 left join/right join/full 区别
考核目标三: 能独立完成三张甚至更多表的关联查询
第 4 部分: 高级函数用法
考核目标一: 日期转换、加减测试题
考核目标二: hive sql 分组排序函数 row_number
考核目标三: hive sql 字符串聚合函数 concat_ws\group_concat
考核目标四: hive sql 的 json 格式解析
第 5 部分: 如何将业务需求拆解为 SQL 脚本
考核目标一: 需求沟通，明确数据需求是否合理，是否能做
考核目标二: 将需求拆解到业务表中，并列出待统计的数据指标
关于 SQL 学习就讲到这里，下面说另外一个数据分析核心要掌握的知识。
具体见: 经哥自建 SQL 练习网站
关于 Shell
可能小白同学不懂是什么，下面我也录制了一个小视频来解答，不喜欢看视频的，也可以看下面文字介绍。
可能不方便看视频，所以，我简单说下，shell 其实是 linux 操作系统的命令集合，通过 shell，才能跟 Linux 系统进行交互，比如说查看文件路径，文件内容，执行定时任务等等。shell 界面如下:
经哥没有时间录制 Shell 教程给大家，但是写过一些文章，表达的是最最基础的常用命令
阅读对象: 没有任何经验，或者内心抵触技术的文科同学看
阅读时间: 每篇文章大约 5-15 分钟
阅读预期: 恩.. 看完怕有种体验, 貌似 Shell 也没辣么恐怖? 好像还挺有趣?
数据民工来取经儿：大白话 shell 命令系列：数据统计篇 (一)
数据民工来取经儿：大白话 shell 命令 awk：数据统计 (二)
可以介绍一些书籍给你们。
鸟哥的书，对于入门 Shell 是再好不过，建议入手。
关于 python
强调三点:
第一，真正工作中，数据分析使用 python 的场景并不多，尤其是偏业务的数据分析，主要使用的还是 Excel+SQL。
第二，python 作为一种强大计算高级编程语言，能做的事情很多，前后端开发，爬虫，机器学习，人工智能。数据分析只是一种应用场景。
第三，澄清一个点，大家对爬虫 <=> 数据分析师的误解。
不知从什么时候开始，爬虫开始跟数据分析师关联起来，但其实工作中极少有数据分析师需要爬虫来分析数据，因为 99% 的要分析的数据来自于公司自有业务数据库，比如自己 APP 用户的行为数据，订单数据等，而完全不需要网上爬虫别人的 APP 数据来分析自己的业务，对于数据分析师日常工作是极少极少的应用场景。
但，抛开数据分析师岗位来看，爬虫是一项看起来很酷的技能，能用机器来替代人力重复劳动，很多时候还是挺有用的，如果冲着这一点，学习爬虫没有问题，但真心不要老跟数据分析师扯上关系，因为机构可能会误导一些小白，参加这方面学习，如果目标是找数据分析的工作，面试又用不上，耽误时间。
来个友情提示:
大家如果是从零入行，重点掌握 Excel、SQL 以及一些基础的 Linux 命令，相对来讲这些也容易，如果集中精力学习的话，时间也不会太久。
对于 python，时间紧张的话，可以先不考虑学，也不要听培训班瞎忽悠，毕竟培训班希望做大客单价，只教 Excel，SQL，价格他们也不好意思收太高，所以，听经哥的没错，先搞基础常用的，先入行再迭代自己。
如果，你真的要学习，经哥一本电子书给你下载，《笨办法学习 python》
因为，数据分析师对于编程能力的要求是比较低的，如果跟开发工程师相比的话。
数据分析师对什么要求高呢？对思维和对业务的理解，对通过数据发现问题，并解决问题的能力，老板是招你来解决问题的，不是看你花里胡哨的玩代码，毕竟也玩不过开发工程师，这些，经哥后面会一步步讲。
Python 学习教程，经哥自己同样没有时间录制它，但幸运的是，已经有很多大佬贡献了很多优秀教程。
廖雪峰老师的 python 教程, 足够通俗易懂，还免费。
但你要问多久学会？我还是习惯回答因人而异，大家基础知识背景不同，自学能力不同，学习受挫后解决问题的能力不同。
但还是给大家一个参考的学习周期。
python 的基本语法学习，不同人的学习周期
- 零编程基础: 每天 2 小时，大概 2 周？
- 有任何计算机语言基础, 写过 100 行完整代码: 每天 2 小时, 大概 1 周？
- 熟悉其他计算机语言: 每天 2 小时, 1-3 天？
上面也只是了解，要熟练，那肯定要花时间，一定要动手敲！
python 数据分析包学习: pandas+numpy+matplotlib
pandas 等熟悉 python 基本语法后，下一步要学习的。这个要熟悉，花的时间要久一些，因为功能实在太多，但没关系，我们可以用到哪儿学习哪，你后来会发现，常用的就那些。
pandas，numpy
matplotlib, 主要用来绘图, 之前有整理 python 绘图的入门文章, 都一两行代码画一张图的实例, 嗯嗯, 这个每篇 10 分钟应该可以学会 (如果没有本地 python 环境, 我到时自己搭了个简易的云端环境, 你想用不, 哈哈)
下面，经哥简单写了几篇文章，目的是，让大家简单感受下，python 数据分析做那些事儿。真正学习，还是要看上面我推荐的官方文档，之后我推荐的书籍。
python 书籍推荐
下面最近两年的书，比较适合小白，因为是对标 Excel 来讲解 Python 如何统计数据。
下面是最经典的老外写的 pandas，numpy 相关教程书籍，应该是这两个包的开发者写的。
但是，零基础读起来就比较困难了，我当年读它收获很大，虽然经典，但是还是需要大家有点基础。
[
2. 思维篇
如果，熟练掌握数据工具，是决定入行数分必要条件以及最低门栏
那么，数据分析思维和业务思维，将决定数分岗位未来的高度。
谨记过来人经验: 当入行后，思维和业务慢慢成为核心，这时候就要忘掉酷炫技术那些事儿，一切不以解决问题为目的的技术，都是对工作对自己极其不负责的，同样也是得不到价值认可的。
下面，先分享常用分析方法论。
目的：告诉大家分析问题的常见思维方式，真正面试也不会直接问你这些方法的定义，而是给你一个具体的问题，让你回答，而问题基本可以套用下面方法来拆解、回答。
1）对比法
可以说是分析的第一步。单纯说一个指标大还是小，完全没有意义，需要对比看才能发现问题。
时间维度的对比:
同期比较，叫同比。比如，2021 年 6 月和 2020 年 6 月比较。场景，今年和去年 618 比较下？
相邻周期比较，叫环比。比如，2021 年 7 月与 2021 年 6 月比较。
空间对比: 不同区域对比。
大盘对比: A 渠道转化率 vs 大盘转化率
不同渠道对比: A 渠道转化率 vs B 渠道转化率
2）占比法
这说成一种方法，不如说是一种思维。
数据分析，单纯看一个数字的大小，没有意义，比如，经哥辛苦写了一周，只收到几个赞，是不是效果太差？
这样就是比较小白的说法，应该看阅读点赞比。比如，经哥的这篇回答点赞 / 阅读 = 2%，而整体回答这个值是 1%，那你说是效果好还是不好？肯定是好~ 哈哈
3）逻辑树法
就是将根部问题分解第二层问题，然后第二层问题再分解成第三层问题。看起就像思维脑图。
比如说，面试官常问的一些预估某个指标的问题，就可以通过逻辑树法拆分来解决。
北京有多少辆汽车？
学校对面的烧烤店估计下月流水？
4）RFM 模型
首先，不要被模型两个字吓到哈。至少 RFM 简单到小学生都可以理解，简单有效，这才是它被应用广泛的原因。
RFM 模型是通过 3 个指标，将用户进行价值分群的方法，目的就是真的不同用户，采用不同的营销策略。
- 最近一次消费 (Recency), 越小价值越高
- 消费频率 (Frequency), 越大价值越高
- 消费金额 (Monetary), 越大价值越高
5）漏斗分析法 —> 5 颗星
这个在互联网太常用了，其实就是打点关键转化路径的数据，计算每一步到下一步转化率是多少。这个名字起得比较形象，漏 (滤) 掉多少人，还剩多少人。
漏斗分析，方法很实用，逻辑很清晰，解决问题很高效！
前几天写了一篇文章，目的就是从数据上量化，为什么找对象那么难？使用的就是漏斗分析法。
数据民工来取经儿：经哥画了个相亲转化漏斗，看懂的，必早日脱单！
文中，关键就是下面这张图，直观感受下。
5) MECE —— 5 颗星
Mutually Exclusive Collectively Exhaustive的首字母缩写词，中文意思是 “相互独立、完全穷尽“，即所谓的”无重复、无遗漏 “。
这个方法，来源于麦肯锡公司的巴巴拉 · 明托在《金字塔原理》，是一种很有用的分析问题的思维方法。很多高手之所以逻辑缜密，离不开这种思维。
MECE 分类的五个方法：
第一，二分法
比如 “白天、黑夜”、“男人、女人”、“国内、国外” 等。
第二，流程法
流程法就是按照事情发展的时间、流程、程序，对过程进行逐一的拆解。
比如漏斗分析法中，曝光 -> 点击 -> 浏览 -> 加购物车 -> 下单 -> 支付。
第三，要素法
一个整体分成不同的构成部分；但是，在拆解要素时要保持维度的一致性，否则有可能出现有重叠和遗漏的问题。比如，学校包括哪些元素。
第四，公式法
按照公式设计的要素进行分类，公式若成立。比如，收入 = 日活 * ARPU
第五，矩阵法
矩阵法就是把事物按二维矩阵进行分类或划分。
时间管理: 紧急且重要、紧急不重要、不紧急但重要、不紧急也不重要是典型的矩阵法。
经哥，每天的工作很多很多，时间管理不当，就会被各种琐事吃掉，所以，我就按轻重缓急写下了每日 checklist 清单，至少每天头脑是清楚的。
下面就是，自己每日必看的 checklist，包括我写的这个回答，其实也是放到里面的。
6) AARRR
虽然常叫 2A3R 模型，但更恰当说是用户增长分析思路。
这表达的就是一个产品，比如游戏。
从拉新 -> 促活 -> 留存 -> 氪金 -> 自传播的过程，是不是很容易理解的 “模型”。
因为简单，科学，有效，所以才广为被圈内引用，顺便起了个更容易让大家记住的名字，更加速了该方法论的传播。
注意，不要觉得太简单了，但距离你能真正落地这个分析方法，可能还缺很多。
现在讲给你。
首先，AARRR 分别代表含义。
Acquisition：获取用户
Activation：提高活跃度
Retention：提高留存率
Revenue：获取收入
Refer：自传播
第一个，获取用户 (Acquisition)
获取用户，不是让大家看简单一个最终的结果数字，只说今天新增用户 1w，这个对老板来说没有信息量。
要拆开来一层层看。
从不同渠道的曝光，点击，下载，安装，激活，注册，告诉老板，那个渠道是优质的，那个渠道 ROI 高，那个渠道可能在作弊，这样下一步，如何更高效的获取新用户，TODO 是什么，干掉哪些渠道？哪些策略提升 ROI。这样看获取用户，才是公司里负责用户增长的同学日常干的活。
第二个，提高活跃度 (Activation)
提升活跃度，这个 KR 一般是运营和产品同学在背。
你可以这样理解，用户增长的同学负责广告投放、渠道合作等，目的是拉新用户。
而来的新用户，运营和产品来承接。体验差的内容和没有活动策略刺激用户，那用户为什么会选择继续打开 APP 呢？所以，运营、产品的工作非常重要，他们对每天核心数据也很关注。
数据同学，一般看哪些数据指标来提升活跃度？
活跃用户构成
新老用户占比、活跃率
忠诚用户、流失用户、回流用户
产品粘度
用户粘性，月活 / 日活，用户几天用一次产品，比如值为 30，表示天天使用，粘性极高
日均使用时长、登录次数
第三个，提高留存率
拉新成本很高，不同行业及时到几百甚至上千。
维护一个老用户的成本要远低于获取一个新用户。
- 产品整体的日、周、月留存率，用户 LTV
- 产品核心功能的留存率, 比如微博热搜的使用留存或者关系流的使用留存
- 流失漏斗，找到流失点
- 流失占比
第四个，获取收入
商业产品目标最后还是商业收入。
基础指标:
每日 APRU，即当天收入 / 当天活跃用户数
每日 APPPRU，即当天收入 / 当天支付的用户数
分新老用户的付费率等
第五个，自传播
优秀的产品靠口碑能够快速传播，从而自动实现拉新，促活，留存，付费，并再次触发自传播。
比如王者荣耀、拼多多抢红包等游戏
7) PEST 分析 —- 3 颗星
简单介绍，实际数据分析用的少。
3. 实战篇
10 小时快速入门 SQL: 如果特别小白，想要免费且好的 SQL 视频，到经哥公众号后台留言: SQL , 即可获取。
Shell 基础命令: 掌握 Shell 编程，一篇就够了
Python 基础语法: 最全数据分析学习资料汇总 (建议收藏)
Pandas 科学统计包
巧妇难为无米之炊，数据源哪里获得，看这一篇就足够了。
刷题网站推荐:
Leecode
牛客网
数据分析项目训练平台:
Heywhale 和鲸
阿里天池网
下面几个简单的可视化项目，适合小白入手
项目 1: “数智教育” 数据可视化创新大赛
项目 2：疫情数据可视化公益行动赛题与数据 - 天池大赛 - 阿里云天池
项目 3: 「公益云图 」数据可视化创新大赛赛题与数据 - 天池大赛 - 阿里云天池
4. 求职篇
简历: 作为展现自己到面试官最终的窗口，一定要认认真真写，花一周时间也不为过。
关于数据分析师简历: 简洁，突出优势，用数据说话，项目介绍遵循背景、问题、主要工作、角色、结果输出来写。
简历包括，几个模块，个人信息 + 技能 + 项目 + 工作经历 + 作品 (如果有)
下面点评一个一位同学简历，乍一看没问题，其实潜藏问题很多。
数据分析面经:
5. 书籍篇
6. 答疑篇
关于经哥
帝都北五环外，码农集聚村，回龙观的一位数据老民工，欢迎唠嗑、吐槽
- 知乎专栏: 大数据那些儿大白话
- 自建数据小白 SQL 学习网站(用户名: hi-zhihu, 密码: justdoit)
人走赞留，江湖再见，蟹蟹！
热门文章推荐
入门篇
技能篇
SQL 刷题, 完爆牛客网 | SQL 提数: 数据分析第一步
shell 命令篇: 文件查看 | 数据统计 | awk: 数据统计
Python 绘图篇: Matplotlib | Pandas | Seaborn
案例篇
短视频留存分析 | 社区内容生态建设分析 | 付费自习室的收入预估 | 相亲问题的数据量化
网站日志数据分析实战 | 网站被攻击的数据分析！| 大白话 Kaggle 入门 : Titanic 篇
思维篇
数据波动的异常分析 | 订单下降该如何排查 | 场景思维，咱要有这个习惯 | 数据需求处理场景
求职篇
互联网 10 大岗位 | 互联网就业大盘 | 没数据经验别慌
1400 位同学的数据分析入坑问答 | 求职咨询的数据小白 | 前端工程师转行数据分析的咨询 | 关于数据分析找工作咨询回复
资料篇
最全数据分析学习资料 | 行业报告数据源大全
https://www.zhihu.com/question/29265587/answers/updated
若有收获，就点个赞吧
0 人点赞
