如何入门数据分析？

如今，大多数公司都意识到数据驱动的商业策略的价值，因此需要有数据分析才能的人来洞察不断收集的信息。随着我们继续将现实世界数字化，对分析师的需求只会增加。 可以了解之前讲解的《数据分析为什么火了》。

如果你刚开始学习数据分析，那么怎么入门呢？其实各大招聘网站的数据分析职位就是一个很好的参考。那么数据分析师究竟需要哪些技能呢？

数据分析必备技能：

• Excel

• SQL

• Python 或者 R

• 数据可视化

• 机器学习

• PPT

• 逻辑思维

下面我们一个个看下

一、Excel

说到 Excel，首先想到的可能是电子表格，但是这个工具背后有更多的分析能力，如编写宏和使用 VBA 查找，这样的高级 Excel 方法在处理小数据量时更轻松、快速的分析。比如散点图可以很方便的帮助我们发现数据分布特征，Excel 甚至可以做线性回归。因为 Excel 受数据量的影响，所以学习一门数据处理语言是非常有必要的。

二、SQL

SQL 是普遍存在的行业标准数据库语言，是数据分析师需要掌握的最重要的技能。这种语言通常被认为是 Excel 的“终极”版本，它能够处理 Excel 无法处理的大型数据集。

几乎每个数据分析组织都至少需要一个了解 sql 的人，更需要一个数据仓库团队。以前很多行业的业务逻辑全写在数据库存储过程中，那时候，只会写 SQL 就可以拿高薪。现在很多大数据计算引擎也都支持了 SQL 操作，所以你想使用大数据，那么学习 SQL 是第一步。

三、Python 或者 R

任何 Excel 能做的事情，R 或 Python 都能做得更好，甚至要快 10 倍。和 SQL 一样，R 和 Python 可以处理 Excel 不能处理大数据量的事情。它们是强大的统计编程语言，用于对大数据集执行高级分析和预测分析。要成为一名真正的数据分析师，您需要超越 SQL 并至少掌握其中一种语言。

那么你应该学习哪一个呢?R 和 Python 都是开源和免费的，公司招聘一般也是写明，会其中一个就可以。但是，由于 Python 现在有很多工具包，而且机器学习和深度学习也都和 Python 联系紧密，所以推荐大家优先学习 Python。

四、数据可视化

为什么要掌握可视化，举个例子。

你在买水果的时候肯定关系水果是不是坏的，你一看就知道，数据也一样，你可以通过可视化很快的发现异常数据、脏数据。

同样，厨师们除了要保证菜好吃，还要把菜做的好看，这样客人们才会更加满意，原因买单。数据分析的内容再好，最后都要可视化出来，让老板能看懂，这样才能升值加薪啊！

可见，可视化能够用数据讲述一个引人注目的故事，让你的观点更易被人理解。分析师使用吸引眼球的、高质量的图表和图形，以清晰简洁的方式展示分析的发现。所以，去学习 Python 的 Matplotlib 和 Seaborn 吧，可以参考之前的文章讲解《数据挖掘从入门到放弃（五）seaborn 的数据可视化》。

五、机器学习

现在 AI 和预测分析是数据科学领域最热门的两个主题，数据分析师不只是单单对历史数据的统计操作了，对机器学习的理解已被确定为分析师的工作之一。虽然并不是每个分析师都使用机器学习，但是为了在这个领域要走的更远，学习机器学习是很重要的。然而机器学习需要一定的统计学知识，需要理解算法的原理，然后才能更好的使用。可以参考文章结尾的历史文章精选。

六、PPT

数据可视化和 PPT 是相辅相成的。但是我们每个人基本都是程序员出身，不屑于写 PPT。但是你不能拿着代码给老板汇报吧。PPT 可以很好帮助你表达清楚自己的分析思路和分析结论，也帮让老板理解。但是 PPT 并不是直接把 word 粘贴过来，PPT 最主要的是图，字不用太多，因为 PPT 是用来讲解的，不是需求文档！

关于 PPT，还是要多谢，写的多了，被老板批评的多了，自然就会了……

七、逻辑思维能力

使用数据来找到问题的答案，意味着首先你要弄清楚要什么，也就是用户故事要想好。数据分析师的角色是发现并关联那些并不总是很清晰的联系。这个比以上 6 条都难，我遇到过有些分析师用机器学习或者深度学习跑出一些结果，最后告诉老板，结果是模型学习的，是不可解释的。我承认，比如神经网络跑出来的结果，很难解释。但是我们是数据分析师，不是算法工程师，我们首先要考虑的就是分析结果和我们之前的用户故事有什么联系，我们要找到这部分联系，解释给老板。那么如何来培养这种能力呢？比如问自己最初的用户故事是什么，怎么来的，联系当前的业务知识，看看结果和分析需求的哪个节点能联系起来，是否能够使用起初的用户故事。经常这样思考，可以帮助你在寻找解决方案时保持清醒，而不是被一个很难解释搞蒙。

结尾

如果你想进入数据分析这个行业，那么就从上述 7 个技能开始吧。

关注公众号【数据社】，回复【资料】，获取大数据学习资料。