七周养成互联网数据分析能力？这些内容超关键

创作此系列，初衷在于对知乎上某个回答进行深化，独立编制一套面向互联网产品与运营人员的专业教程。无论是数据分析还是数据运营领域，我都期望它能成为一部质量上乘的教科书。更确切地讲，这实际上是一份为期七周的互联网数据分析技能提升大纲。

我将根据大纲要求，专门补充关于互联网方面的内容，例如对网站进行深入分析，研究用户行为轨迹等。我的目标并非仅仅停留在表面，而是希望进行系统性的阐述。例如，我会详细讲解什么是产品埋点？获取埋点数据之后，需运用Python和Pandas库中的shift函数对数据进行清洗，将其转化为用户行为session。接着，计算用户在各个页面上的停留时长。之后，探讨如何将这些数据转换成统计宽表，并基于此建立用户标签。

下面是各周的学习概述。

第一周：Excel学习掌握

若你对Excel操作熟练，便可以跳过本周的学习。然而，考虑到我刚开始工作时对vlookup函数也不甚了解，所以这里有必要为大家进行讲解。

关键在于掌握众多函数的运用，诸如求和、计数、条件求和、条件计数、查找、条件判断、文本提取以及时间格式转换等。

在掌握Excel函数时，无需悉数精通，关键在于掌握搜索技巧。换言之，要学会如何将遇到的问题在搜索引擎上准确表述。

我认为，熟练运用VLOOKUP函数以及数据透视表功能，这两项技能就足以应对各种需求，堪称性价比最高的技巧组合。

掌握VLOOKUP、SQL中的JOIN操作以及Python中的MERGE函数，对于理解来说并不复杂。

掌握数据透视表的使用，了解SQL中的group函数，以及Python中的pivot_table功能，这些方法在处理数据时具有相似性。

这两个问题解决之后，对于10万条数据以内的统计工作来说，难度不大；大多数的办公室工作人员都能轻松应对，甚至可以说是轻而易举。

熟练掌握Excel需要不断练习，多寻找练习题进行实践。同时，应培养良好的使用习惯，避免随意合并单元格，也勿使界面过于复杂。对表格进行分类管理，原始数据存于sheet1，加工后的数据存于sheet2，图表则存于sheet3。

下面是为了以后更好的基础而附加的学习任务：

这一周的内容我会拆分成两部分：函数篇和技巧篇。

这是一道测试题，请提供我1000个身份证号码，我需统计其中的男女人数，以及不同省市的人口分布情况。此外，还需了解这些人的年龄段和星座信息。若你能顺利完成这些任务，本周的练习就可以免做了（相关信息规律可在网络上查找）。

第二周：数据可视化

在数据分析领域，流传着一句至理名言：文字不如表格，表格不如图表。数据可视化已成为数据分析领域的重要分支。在数据挖掘等高级分析之外，许多数据分析工作实际上涉及对数据的监控与观察。

数据分析的最终目的在于推销个人观点与结论。推销的绝佳途径是向老板展示观点明确、数据详尽的PPT。若分析结果无人认可，那么分析便无法得到改进与优化，如此一来，缺乏实际应用价值的数据分析又有什么意义呢？

首先要了解常用的图表：

Excel图表能够完全满足上述图形设计需求，然而这仅仅是入门级别。若要实现更高级别的可视化效果，编程技能则是不可或缺的。以多元分析为例，虽然用Excel也能轻松完成，但在IPython中仅需一条指令即可实现。

其次掌握BI，下图是微软的BI。

商业智能（BI）与图表的不同之处在于，BI在交互和报表制作方面更为出色，它更擅长对已发生及正在发生的数据进行解读。而预测未来数据则是数据挖掘领域的研究重点。

BI的优势主要体现在极大地减轻了数据分析师的负担，同时促进了整个部门对数据的重视程度，此外，还能有效减少其他部门对于数据获取的依赖（那令人头疼的数据导入工作）。

BI市场中的产品种类繁多，大多是以构建仪表盘Dashboard为基础，通过不同维度的相互关联与深入挖掘，实现了数据的可视化分析。

最后需要学习可视化和信息图的制作。

这是安身立命的根本所在。它与数据本身关联不大，反而更重视审美、解读、制作演示文稿以及信息化技能。然而，这些技能是值得投入时间去学习的。

数据可视化的学习就是三个过程：

第三周：分析思维的训练

这周轻松一下，学学理论知识。

优质的数据分析离不开系统化的思考，这种思考方式通常被称作金字塔式的思维方式。而思维导图则是实现这种思考不可或缺的辅助工具。

在之后的时间里，我将深入研究SMART、5W2H、SWOT、4P理论以及六顶思考帽等众多框架。这些框架均被誉为匠心独运的典范之作。

分析也是有框架和方法论的，主要围绕三个要点展开：

举例来说，若我向你透露某家商场今日接待了多达一千名顾客，你又将如何进行解读呢？

这是一种迅速构建分析模型的技术。仅以1000人为例，是无法得出任何有价值的分析结论的。

出色的数据分析师会深入挖掘他人的数据，同时，他们自己的分析同样能够经受住严格的检验，这正是分析能力的体现。必须明确一点：短短一周时间无法培养出数据思维，最多只能达到初步了解的水平。数据思维的形成需要持续的练习，而我正努力使这一过程变得更加高效。

第四周：数据库学习

Excel在处理不超过十万条数据时表现良好，然而在互联网领域，数据量却极为庞大。一旦产品达到一定规模，数据量便往往突破百万。在这种情形下，掌握数据库知识便显得尤为重要。

众多产品和运营职位在招聘要求中，将掌握SQL技能列为重要的加分因素。

SQL是数据分析领域的关键技术之一，它将Excel的使用与SQL技术相结合，显著提升了数据处理的效率。

围绕Select这一主题进行学习。在此过程中，增删改操作、约束设置、索引创建以及数据库范式等内容均可暂不考虑。

深入掌握where、group by、order by、having、like、count、sum、min、max、distinct、if、join、left join、limit、and以及or等关键语句的逻辑运用，同时熟悉时间转换的相关函数。

若想深入探索，可以研究诸如row_number、substr、convert以及contact等函数。此外，不同数据平台上的函数存在一定差异，比如Presto与phpMyAdmin之间。

若你有所追求，不妨深入探究Explain优化之精髓，掌握SQL运作机制，熟悉各类数据类型，以及了解输入输出的相关知识。届时，你将与技术研发者们畅谈技术，轻松自如。毕竟，将“这里有bug”的表述，升级为“这块数据出现了死锁”的专业说法，你的格调将大大提升。

学习SQL的关键在于勤加实践，通过在网上搜寻相关习题，进行一番练习，基本就能掌握。

第五周：统计知识学习

很遗憾，统计知识也是我薄弱的地方，可这是数据分析的基础。

我阅读了大量涉及产品与运营领域的数据分析文献，却发现其中鲜少涉及统计学的相关知识。这种现象显得不够严谨。

举例来说，对于产品的A/B测试，若产品经理对置信度的定义和内涵缺乏理解，那么即便测试结果显示出令人满意的效果，也可能并不代表实际效果确实优秀。特别是当提升幅度仅为5%，这种提升并不具备统计学意义时。

若运营人员对检验的相关知识一无所知，他们又怎能准确判断活动在数据上是否真正取得了成效呢？更不用说去计算平均数了。

再来探讨一个著名的概率难题：假设某人感染了流感，那么其检测结果呈阳性的可能性高达90%；而若此人并未感染流感，其检测结果呈阳性的可能性仅为9%。目前，此人的检测结果为阳性，那么他感染流感的可能性有多大呢？

若你认为概率达到五成、六成、七成等，这实则是一种直觉上的误判。此外，这还与患病的根本可能性紧密相连。

统计学的知识能够引导我们从不同的视角审视数据。若您曾阅读过《统计数据会撒谎》一书，便会明白众多基于数据分析的决策往往缺乏稳固的依据。

为了全面理解描述性统计，我们需投入整整一周的时间，期间将学习均值、中位数、标准差、方差等核心概念，以及概率、假设检验、显著性检验等技巧，并对总体与抽样方法有所掌握。

我们并非旨在深入学习高级统计学，既然这是速成课程；关键在于确保我们不会被数据误导，且尽量避免出错即可。

以Excel的分析工具库为例（图片可从网络上搜寻）。在初步学习统计学时，我们应掌握列1中各个名词的具体含义，而不仅仅是停留在计算平均数的层面。

第六周：业务知识

（用户行为、产品、运营）

本周需掌握业务知识。对数据分析师而言，熟悉业务的重要性远超数据分析理论。遗憾的是，业务学习并无捷径可循。

在一场数据沙龙中，我提到了一个案例：一家O2O配送企业在重庆区域发现，外卖骑手的配送速度比其他城市的同行要慢，这直接影响了用户对服务的满意度。公司总部派出的数据分析师对多个指标进行了深入分析，但并未找到问题的根源。经过一番访谈，我们了解到，重庆地形复杂，地势起伏较大，许多外卖骑手的小型电动车难以爬坡，这就造成了配送速度的减慢。

在这个案例里，我们仅掌握了送货员送货的横向距离信息，也就是所谓的POI数据，而对于垂直距离的数值却一无所知。这便是数据本身的局限性，也正是那些仅依赖数据分析的观察者和那些深入实际、贴近基层的分析师之间最显著的差别。

对业务市场的深入认知构成了数据分析领域工作经验的一项显著优势。各行各业所涉及的业务知识各有差异，因此在此不便过多展开。以互联网行业为例，其中涉及一些基础的业务数据是必须掌握的。

通过运用AAARR经典框架进行产品数据剖析，我们能够深入理解并掌握用户活跃度与留存率的各项指标及其相关概念。

数据分析师必须掌握运用SQL进行计算的方法，因为在其分析实践中，保留数据仅作为一项衡量标准，而基于userId进行关联与拆分则是更为普遍的分析手段。

网站数据分析，可以抽象成一个哲学问题：

尽管该网站已不再是互联网的焦点，然而，目前市面上充斥着众多APP与Web相结合的复合型架构，而在朋友圈的传播过程中，不可避免地需要借助网页数据进行分析。

用户数据分析，这是数据化运营的一种应用。

在产品初期阶段，我们能够通过设置数据监测点来计算转化效率，借助AB测试方法实现快速的产品迭代。随着用户数量的逐渐增多，我们便可以利用这些监测点来深入分析用户的行为模式，并据此构建用户分群和用户画像等。

运用贝叶斯算法估算用户性别可能性，采用K聚类算法对用户进行分组，以及基于行为数据构建响应模型等，这些内容在快速入门阶段并非必须精通。实际上，只需对相关框架有一个基本的理解即可。

在业务领域，除了专业知识，有效的沟通同样至关重要。当业务链条拉得较长时，我常常发现产品与运营团队并未全面掌握业务的核心要素，尤其是在跨部门协作的分析工作中。具备出色的业务沟通技巧，是进行数据分析不可或缺的基本能力。

第七周：Python/R 学习

终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。

具备编程技能与否，构成了初级与高级数据分析之间的分水岭。在数据挖掘、网络爬虫、可视化报表等方面，编程能力是必不可少的（如文中提到的多元散点图）。精通一门出色的编程语言，能够让数据分析师的工作效率大幅提升，有助于晋升加薪，甚至实现人生梦想。

以当前最受欢迎的R语言和Python作为学习路径，掌握其中之一即可迅速提升技能。

我恰巧对这两种语言都有所涉猎。R语言的优势在于它是由统计学家所编写的，而其不足之处同样源于统计学家之手。在执行诸如调用统计函数、绘图以及进行前验性论证等任务时，R语言无疑展现出其独特的优势。然而，当涉及到处理大量数据时，R语言的能力有所局限，而且学习曲线相对较为陡峭。相比之下，Python则是一种功能强大的胶水语言，其适用性极广，能够将各种分析过程转化为脚本。Pandas、SKLearn等众多库包的发展已经使得Python在数据分析方面与R语言不相上下。

学习R语言，首先要掌握数据结构知识，包括矩阵、数组、数据框以及列表等；其次，要熟悉数据读取方法；再者，要精通图形绘制的技能，特别是使用ggplot2包；此外，还需精通数据操作技巧和统计函数的使用，如均值、中位数、标准差、方差和缩放等。目前，高阶的统计内容可以先放一放，它们将是后续学习的内容。

R语言的开发环境建议用RStudio。

Python的学习领域广泛，我们特别关注其中的数据分析领域。在此过程中，必须掌握如何使用各类库、函数以及数据结构，如列表、元组、字典等，同时还需要熟悉条件语句和循环等编程技巧。在有余力的情况下，我们还会探讨更高级的Numpy和Pandas库的应用。

推荐使用Anaconda作为Python的开发环境，它能有效避免新手在环境变量配置和包安装过程中遇到的大部分难题。虽然Mac系统自带Python 2.7，但Python 3相较于几年前已经更加成熟稳定，不存在编码上的问题，因此无需继续坚持使用旧版本。

对于缺乏技术背景的运营和产品人员来说，第七周的工作尤为艰难；尽管SQL和Excel足以应对基础数据分析任务，但一旦触及需要循环迭代和多元图表分析的环节，难度便急剧增加。至于数据挖掘这类高级操作，更是难以驾驭。

我也相信，未来了解数据挖掘的产品和运营会有极强的竞争力。

迄今为止，刚好过去了七个星期。若需再延长至第八周，那便是对先前所学内容进行深化理解和综合运用，因为这样的学习主要是为了快速掌握知识，它标志着学习的起点，而非数据分析领域的毕业庆典。

若期望数据分析技能有更深入的提升，抑或立志成为卓越的数据分析专家，那么必须确保每周的学习内容都能达到精通的程度。事实上，仅凭两周的学习，对业务和统计知识的掌握是相当不稳固的。

接下来的学习阶段，将会涉及众多不同的方向。诸如专注于策划领域的数据产品经理，又或是侧重于统计学的机器学习专家，还有擅长商业分析的市场分析师，以及偏向工程领域的大数据工程师。这些内容，我们将在后续的讨论中进一步探讨。