最近由於疫情的影響，我們好多人都宅在家裡整天虛度，剛好也是趁最近段這有點時間，就來給大家分享一下微軟旗下的數據可視化的學下方法，我們的團隊也在整理相關視頻教程課件，後續將會帶給大家！
之前的一篇文章 ，後臺有很多朋友私信，如何來學習？今天就來給大家聊聊。。
其實好多朋友不太清楚數據可視化是幹什麼用的？
我們每一個人，每天無時無刻都在生產數據，比如，你每天的上下班的位置信息，你每天點的外賣數據，你跑步時的身體心跳數據、這些數據可能對我們自身來說，無關緊要，但如果千萬個我們彙集起來的數據呢？
想學好數據分析？總結了一下大概七週時間就可以學習到！當然只是給大家提供份入門到熟練的數據分析能力養成提綱，並不包含數據挖掘等高階內容。
記得先碼後看哈！
1、Excel學習掌握
如果Excel玩的順溜，你可以略過。不過介於我入行時也不會vlookup，所以有必要講下。
重點是瞭解各種函數，包括但不限於sum，count，sumif，countif，find，if，left/right，時間轉換等。Excel函數不需要學全，重要的是學會搜索。即如何將遇到的問題在搜索引擎上描述清楚。
- 學會vlookup，SQL中的join，Python中的merge很容易理解。
- 學會數據透視表，SQL中的group，Python中的pivot_table也是同理。
這兩個搞定，基本10萬條以內的數據統計沒啥難度，80%的辦公室白領都能秒殺。
Excel是熟能生巧，多找練習題。還有需要養成好習慣，不要合併單元格，不要過於花哨。表格按照原始數據（sheet1）、加工數據（sheet2），圖表（sheet3）的類型管理。
下面是為了以後更好的基礎而附加的學習任務。
- 瞭解單元格格式，後期的數據類型包括各類timestamp，date，string，int，bigint，char，factor，float等。
- 瞭解數組，以及怎麼用（excel的數組挺難用），Python和R也會涉及到 list。
- 瞭解函數和參數，當進階為編程型的數據分析師時，會讓你更快的掌握。
- 瞭解中文編碼，UTF8和ASCII，包括CSV的delimiter等，以後你會回來感謝我的。
這是一道練習題，我給你1000個身份證號碼，告訴我裡面有多少男女，各省市人口的分佈，這些人的年齡和星座。如果能完成上述過程，那麼這一過程就直接略過吧。（身份證號碼規律可以網上搜索）
2、數據可視化
數據分析界有一句經典名言，字不如表，表不如圖。數據可視化是數據分析的主要方向之一。除掉數據挖掘這類高級分析，不少數據分析就是監控數據觀察數據。
數據分析的最終都是要兜售自己的觀點和結論的。兜售的最好方式就是做出觀點清晰數據詳實的PPT給老闆看。如果沒人認同分析結果，那麼分析也不會被改進和優化，不落地的數據分析價值又在哪裡？
1. 首先要了解常用的圖表：
Excel的圖表可以100%完成上面的圖形要求，但這只是基礎。後續的進階可視化，勢必要用到編程繪製。為什麼？比如常見的多元分析，你能用Excel很輕鬆的完成？但是在IPython只需要一行代碼。
2. 其次掌握BI、Query、Map、Pivot
BI（商業智能）和圖表的區別在於BI擅長交互和報表，更擅長解釋已經發生和正在發生的數據。將要發生的數據是數據挖掘的方向。BI的好處在於很大程度解放數據分析師的工作，推動全部門的數據意識，另外降低其他部門的數據需求（萬惡的導數據）。BI市面上的產品很多，基本都是建立儀表盤
Dashboard，通過維度的聯動和鑽取，獲得可視化的分析。Power Map （地圖增強版）是Power BI組件之一。是一種新的3D可視化的Excel地圖插件，可以讓你探索地理與時間維度上的數據變換。
Power Query 是基於Excel BI組件裡面的一種數據連接技術，可用於發現、連接、合併和優化數據源以滿足分析的需要。它主要是通過圖形界面對數據進行整理、清洗、組合等，常規的操作基本不需要使用者使用複雜函數就可以得到想要的結果。數據整理功能強大且好用。特別是瞬間合併成千上萬的工作簿數據，遊刃有餘。真正的數據乾坤大挪移。
Power Pivot是Excel BI組件裡面的核心。它通過使用其內存中的引擎和高效的壓縮算法，能以極高的性能處理大型數據集。處理數百萬行和幾百行的性能基本相同。可以處理各種數量級數據，獲取幾乎市面上所有格式的數據，快速建立多表之間的關係。
通過DAX函數，可以實現更高級和更復雜的分組、計算和分析。
它們是微軟官方推出的可視化數據探索和交互式報告工具。核心理念就是讓我們用戶不需要強大的技術背景，只需要掌握Excel這樣好用的工具就能快速上手商業大數據分析及可視化。（團隊正在整理相關教程，接下來會帶給大家共同學習）這四套工具組件是目前數據分析行業必備的數據分析&數據可視化軟件。
3. 最後需要學習可視化和信息圖的製作
這和數據本事沒有多大關係，更看重審美、解讀、PPT、信息化的能力。但值得花一點時間去學習。
數據可視化的學習就是三個過程，瞭解數據（圖表），整合數據，展示數據（信息化）。
3、分析思維的訓練
其實就是學學理論知識，好的數據分析首先要有結構化的思維，也就是我們俗稱的金字塔思維。思維導圖是必備的工具。
之後再瞭解SMART、5W2H、SWOT、4P理論、六頂思考帽等框架。這些框架都是大巧不工的經典。
分析也是有框架和方法論的，我會主要圍繞三個要點展開：
- 一個業務沒有指標，則不能增長和分析；
- 好的指標應該是比率或比例；
- 好的分析應該對比或關聯。
舉一個例子：我告訴你一家超市今天有1000人的客流量，你會怎麼分析？
- 這1000人的數量，和附近其他超市比是多是少？（對比）
- 這1000人的數量比昨天多還是少？（對比）
- 1000人有多少產生了實際購買？（轉化比例）
- 路過超市，超市外的人流是多少？（轉化比例）
這是一個快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何結果。
優秀的數據分析師會拷問別人的數據，而他本身的分析也是經得起拷問，這就是分析思維能力。需要確切明白的是，一週時間鍛鍊不出數據思維，只能做到了解。數據思維是不斷練習的結果，我只是儘量縮短這個過程。
4、數據庫學習
Excel對十萬條以內的數據處理起來沒有問題，但是互聯網行業就是不缺數據。但凡產品有一點規模，數據都是百萬起。這時候就需要學習數據庫。
越來越多的產品和運營崗位，會在招聘條件中，將會SQL作為優先的加分項。
SQL是數據分析的核心技能之一，從Excel到SQL絕對是數據處理效率的一大進步。
學習圍繞Select展開。增刪改、約束、索引、數據庫範式均可以跳過。
- 主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的邏輯，時間轉換函數等。
- 如果想要跟進一步，可以學習row_number，substr，convert，contact等。另外不同數據平臺的函數會有差異，例如Presto和phpMyAdmin。
- 再有點追求，就去了解Explain優化，瞭解SQL的工作原理，瞭解數據類型，瞭解IO。以後就可以和技術研發們談笑風生，畢竟將“這裡有bug”的說話，換成“這塊的數據死鎖了”，逼格大大的不同。
SQL的學習主要是多練，網上尋找相關的練習題，刷一遍就差不多了。
5、統計知識學習
這是數據分析的基礎。我看過很多產品和運營相關的數據分析文章，沒有多少提及統計知識。這是不嚴謹的。
比如產品的AB測試，如果產品經理並不清楚置信度的含義和概念，那麼好的效果並不意味著真正的好。尤其是5%這種非顯著的提高。
比如運營一次活動，運營若不瞭解檢驗相關的概念，那麼如何去判別活動在數據上是有效果還是沒有效果？別說平均數。
再討論一下經典的概率問題，如果一個人獲流感，實驗結果為陽性的概率為90%；如果沒有獲流感，實驗結果為陽性的概率為9%。現在這個人檢驗結果為陽性，他有多少幾率是得了流感？
如果你覺得幾率有50%、60%、70%等等，那麼都犯了直覺性的錯誤。它還和得病的基礎概率有關。
統計知識會教我們以另一個角度看待數據。如果大家瞭解過《統計數據會撒謊》，那麼就知道很多數據分析的決策並不牢靠。
我們需要花一週的時間掌握描述性統計，包括均值、中位數、標準差、方差、概率、假設檢驗、顯著性、總體和抽樣等概念。
不需要學習更高階的統計知識，誰讓我們是速成呢。只要做到不會被數據欺騙，不犯錯誤就好。
以Excel的分析工具庫舉例（圖片網上找來）。在初級的統計學習中，需要了解列1的各名詞含義，而不是停留在平均數這個基礎上。
6、業務知識
對於數據分析師來說，業務的瞭解比數據方法論更重要。當然很遺憾，業務學習沒有捷徑。
我舉一個數據沙龍上的例子，一家O2O配送公司發現在重慶地區，外賣員的送貨效率低於其他城市，導致用戶的好評率降低。總部的數據分析師建立了各個指標去分析原因，都沒有找出來問題。後來在訪談中發覺，因為重慶是山城，路面高低落差比較誇張，很多外賣人員的小電瓶上不了坡…所以導致送貨效率慢。
這個案例中，我們只知道送貨員的送貨水平距離，即POI數據，根本不可能知道垂直距離的數據。這就是數據的侷限，也是隻會看數據的分析師和接地氣分析師的最大差異。
對業務市場的瞭解是數據分析在工作經驗上最大的優勢之一。不同行業領域的業務知識都不一樣，我就不獻醜了。在互聯網行業，有幾個寬泛的業務數據需要了解。
- 產品數據分析，以經典的AAARR框架學習，瞭解活躍留存的指標和概念。並且數據分析師需要知道如何用SQL計算。因為在實際的分析過程中，留存只是一個指標，通過userId 關聯和拆分才是常見的分析策略。
- 網站數據分析，可以抽象吃一個哲學問題：用戶從哪裡來（SEO／SEM），用戶到哪裡去（訪問路徑），用戶是誰（用戶畫像／用戶行為路徑）。雖然網站已經不是互聯網的主流，但現在有很多APP+Web的複合框架，朋友圈的傳播活動肯定需要用到網頁的指標去分析。
- 用戶數據分析，這是數據化運營的一種應用。在產品早期，可以通過埋點計算轉化率，利用AB測試達到快速迭代的目的，在積累到用戶量的後期，利用埋點去分析用戶行為，並且以此建立用戶分層用戶畫像等。例如用貝葉斯算法計算用戶的性別概率，用K聚類算法劃分用戶的群體，用行為數據作為特徵建立響應模型等。不過快速入門不需要掌握這些，只需要有一個大概的框架概念。
除了業務知識，業務層面的溝通也很重要。在業務線足夠長的時候，我不止一次遇到產品和運營沒有掌握所有的業務要點，尤其涉及跨部門的分析。良好的業務溝通能力是數據分析的基礎能力。
7、Python/R 學習
到這個時候，就應該學習編程技巧。
學習R，需要了解數據結構（matrix，array，data.frame，list等）、數據讀取，圖形繪製( ggplot2)、數據操作、統計函數(mean,median,sd,var,scale等)。高階的統計暫時不用去涉及，這是後續的學習任務。R語言的開發環境建議用RStudio。
2. Python
學習Python有很多分支，我們專注數據分析這塊。需要了解調用包、函數、數據類型(list,tuple,dict)，條件判斷，迭代等。高階的Numpy和Pandas在有精力的情況下涉及。
Python的開發環境建議Anaconda，可以規避掉環境變量、包安裝等大部分新手問題。Mac自帶Python2.7，但現在Python 3已經比幾年前成熟，沒有編碼問題，就不要抱成守舊了。
對於沒有技術基礎的運營和產品，第七週最吃力，雖然SQL＋Excel足夠應付入門級數據分析，但是涉及到循環迭代、多元圖表的分析部分，複雜度就呈幾何上升。更遑論數據挖掘這種高階玩法。
我也相信，未來了解數據挖掘的產品和運營會有極強的競爭力。
如果還有時間，就要把上面的鞏固和融會貫通，畢竟這只是目的性極強的速成，是開始，而不是數據分析的畢業典禮。
最後還需要補充，如果希望數據分析能力更近一步，或者成為優秀的數據分析師，每一項內容都要能繼續學習至精通。實際上，業務知識、統計知識僅靠兩週時間是非常不牢固的。
再往後的學習，會有許多分支。比如偏策劃的數據產品經理，比如偏統計的機器學習，比如偏商業的市場分析師，比如偏工程的大數據工程師。
可能說的比較長遠，但學習還是一個慢過程，學如逆水行舟，既然要定下心來學習，那就祝你早日成功！
如果你喜歡這篇文章，記得點點關注，分享給你身邊更多的朋友們哦！
閱讀更多 Martin先生 的文章
