花落♡KicaZ莫相離
現在發達城市北上廣，已經開始用大數據，運做基金了。而且門檻很高，必須金融和計算機的本科以上人員，研究生擇優錄取。
可見大數據，發展的力度。很多人不知道大數據怎麼交易股票，這這裡簡單說下，現在好多券商軟件支持，大數據自動化交易，也就是說，當你編寫好自己的預期策略後，由程序根據你的策略實行，自動化交易。現在名聲僅次於巴菲特的詹姆斯.西蒙斯，就是大數據量化交易的先驅，他名下的大獎章基金，就是根據大數據量化交易運行。
大數據量化交易，可以實現。一天成百上千次此交易，只要資金允許。這也是發達發達城市為什麼著重研究的對象。還有大數據是未來的趨勢。電腦在對市場熱度的分析，要強於人工識別。但是論單個交易，人工肯定強於電腦，但是從現在的基金規模來看。電腦交易是主要趨勢。不管多厲害的基金經理，精力都是有限的。
目前的大數據都是藉助python為主要語言編寫的，感興趣的可以看看相關方面的學習。券商對自動化交易的資金，一般是5w門檻。所以，隨著市場的發展。大數據量化交易，會慢慢普及。
以上就是本人對大數據的看法，喜歡的可以加個關注，點個贊。
散戶和大戶的區別
數據分析師是一個綜合的崗位，除了熟悉業務，還需要掌握多項技能，例如Excel、SQL、統計學及SPSS，R/Python，海量數據的情況下需要在大數據平臺下分析，所以還需要掌握Hadoop相關的技術，如Hive、HBase等。
由於涉及的技術較多，一下都學完不現實，所以，學習數據分析建議分成三個階段進行：
1、商業數據分析
2、涉及算法的數據挖掘
3、大數據平臺下的分析
階段一：商業數據分析
對於大部分公司來說，數據量不是很龐大，數據分析通過Excel，SPSS等工具就可以搞定，此時需要掌握的技能有Excel、MySQL、統計學及SPSS。
學完這些技能後，可以去很多公司做一名商業數據分析師，支撐市場部、運營部等的數據分析工作。
1、Excel
Excel這部分需要學習的內容有3塊：Excel公式、數據透視表及Excel數據圖表。
說明：關於每一塊需要掌握哪些技能，可以看我的另外一個回答：零基礎如何入門數據分析？
關於Excel的書籍、教程有很多，找幾本經典來學習一下，重要的是練習，看完教程後，一定要自己動手做一遍，才有可能掌握。
推薦書籍：
《誰說菜鳥不會數據分析》系列
《Excel圖表之道:如何製作專業有效的商務圖表》
《別怕，Excel VBA其實很簡單》
2、MySQL
作為數據分析師，需要跟數據打交道，所以懂點SQL也是必要的。
關於SQL的書籍、免費資料也有很多，這裡推薦2本，重點仍然是多動手練習。
推薦書籍：
入門書籍：《MySQL必知必會》，人郵出版社。
進階書籍：《SQL進階教程》，[日]MICK。
3、統計學
統計學是必須的，不懂統計學根本算不上數據分析師，具體內容有：
1、統計學：統計學基礎、參數估計、假設檢驗、方差分析、線性迴歸、時間序列。
2、多元統計分析：聚類分析、主成分分析及因子分析。
從上面可以看到，統計學學習可以分成兩個階段進行，統計學和多元統計分析，重點是多動手做題、思考。
推薦書籍：
第一階段，推薦書籍，賈俊平的《統計學》，人大出版社；
第二階段，推薦書籍，何曉群的《多元統計學分析》，人大出版社。
PS：數學零基礎的童鞋，可以先看下《Head First 統計學》（又名《深入淺出統計學》）
4、SPSS
因為統計學很有些分析方法通過Excel就可以搞定；有些不行，必須通過其他工具才能搞定，例如多元線性迴歸、聚類分析、主成分分析及因子分析，都需要用到SPSS。
在掌握了統計學的基礎上，在學習SPSS是很容易的，因為SPSS只是一個工具而已。
推薦書籍：
《統計分析與SPSS的應用》，薛微，人大出版社。
《PASW/SPSS Statistics中文版統計分析教程》，電子工業出版社。
附：數據分析必備SPSS主要知識點。
階段二：涉及算法的數據挖掘
有些數據分析工作，需要通過統計算法及機器學習算法來進行，所以還需要掌握Python或者R。
掌握了R數據分析或者Python數據分析技能後，可以去一些公司做基於統計算法或者機器學習算法的數據分析及挖掘工作。
1、Python
Python數據分析主要包括Python語法基礎、常用數據分析擴展包Numpy、Pandas、Matplotlib等、Python數據探索及預處理、Python機器學習等。
限於篇幅，具體需要掌握哪些技能這裡就不詳細列出了，可以去看我的另外一個回答：怎麼學習python數據分析？
推薦書籍：
《Python編程從入門到實踐，[美]Eric Matthes》
《利用Python進行數據分析，Wes McKinney，機械工業出版社》
《Python機器學習基礎教程》，[德]Andreas C. Müller [美]Sarah Guido
2、R
R數據分析包括R語言基礎、R數據可視化、R數據預處理、R統計分析及R機器學習。
附：數據分析必備R語言知識點。
推薦書籍：
-
《R語言初學者指南》，[英]Alian
F.Zuur
等，西安交通大學出版社 《R語言實戰（第2版）》，Robert
I.Kabacoff
，人民郵電出版社
階段三：大數據平臺下的分析
在一些大公司，海量數據的情況下，數據都是運行在大數據平臺上（Hadoop），還需要懂MapReduce、Hive、HBase數據倉庫等技術。當然這些可以在工作學習、積累。
回答完畢！
大數據研習社
想要成為數據分析師，給大家分享一份初級的入門指南！
它包含Excel、數據可視化、數據分析思維、數據庫、統計學、業務、以及Python。
這七part 的內容剛好涵蓋了一位數據分析師需要掌握的基礎體系，也是一位新人從零邁入數據大門的知識手冊。
第一part：Excel
每一位數據分析師都脫離不開Excel。
它是日常工作中最常用的工具，如果不考慮性能和數據量，它可以應付絕大部分分析工作。雖然現在機器學習滿地走，Excel依舊是無可爭議的第一工具。
Excel的學習分為兩個部分。
掌握各類功能強大的函數，函數是一種負責輸入和輸出的神秘盒子。把各類數據輸入，經過計算和轉換輸出我們想要的結果。
在SQL，Python以及R中，函數依舊是主角。掌握Excel的函數有助於後續的學習，因為你幾乎在編程中能找到名字一樣或者相近的函數。
在「數據分析：常見的Excel函數全部涵蓋在這裡了」中，介紹了常用的Excel函數。
清洗處理類：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text
關聯匹配類：lookup、vlookup、index、match、row、column、offset
邏輯運算類：if、and、or、is系列
計算統計類：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round
時間序列類：year、month、weekday、weeknum、day、date、now、today、datedif
搜索能力是掌握Excel的不二竅門，工作中的任何問題都是可以找到答案。
第二部分是Excel中的工具。
在「數據分析：Excel技巧大揭秘」教程，介紹了Excel最具性價比的幾個技巧。包括數據透視表、格式轉換、數組、條件格式、自定義下拉菜單等。正是這些工具，才讓Excel在分析領域經久不衰。
在大數據量的處理上，微軟提供了Power系列，它和Excel嵌套，能應付百萬級別的數據處理，彌補了Excel的不足。
Excel需要反覆練習，實戰教程「數據分析：手把手教你Excel實戰」，它通過網絡上抓取的數據分析師薪資數據作為練習，總結各類函數的使用。
除了上述要點，下面是附加的知識點，鋪平數據分析師以後的道路。
瞭解單元格格式，數據分析師會和各種數據類型打交道，包括各類timestamp，date，string，int，bigint，char，factor，float等。
瞭解數組，以及相關應用（excel的數組挺難用），Python和R也會涉及到 list，是核心概念之一。
瞭解函數，深入理解各種參數的作用。它會在學習Python中幫助到你。
瞭解中文編碼，UTF8、GBK、ASCII，這是數據分析師的坑點之一。
第二part：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。
數據可視化是分析的常用技巧之一，不少數據分析師的工作就是通過圖表觀察和監控數據。首先了解常用的圖表：
Excel的圖表可以100%繪製上面的圖形，但這只是基礎。
在「數據可視化：你想知道的經典圖表全在這」中介紹了各類數據分析的經典圖表，除了趨勢圖、直方圖，還包括桑基圖、空間圖、熱力圖等額外的類型。
數據可視化不是圖表的美化，而是呈現數據的邏輯之美，是揭示數據的內在關聯。瞭解圖表的維度和適用場景，比好看更重要。比如桑吉圖就是我一直推崇的圖表，它並不知名，但是它能清晰的揭露數據內在狀態的變化和流向。案例是用戶活躍狀態的趨勢。
Excel的圖表操作很傻瓜化，其依舊能打造出一份功能強大的可視化報表。「數據可視化：教你打造升職加薪的報表」教給大家常用的Excel繪圖技巧，包括配色選取，無用元素的剔除、輔助線的設立、複合圖表等方法。
Excel圖表的創造力是由人決定的，對數據的理解，觀察和認知，以及對可視化的應用，這是一條很長的道路。
圖表是單一的，當面板上繪製了多張圖表，並且互相間有關聯，我們常稱之為Dashboard儀表盤。
上圖就是用分析師薪資數據為數據源繪製的Dashboard，比單元格直觀不少。我們常常把繪製這類Dashboard的工具叫做BI。
BI（商業智能）主要有兩種用途。一種是利用BI製作自動化報表，數據類工作每天都會接觸大量數據，並且需要整理彙總，這是一塊很大的工作量。這部分工作完全可以交給BI自動化完成，從數據規整、建模到下載。
另外一種是使用其可視化功能進行分析，它提供比Excel更豐富的交互功能，操作簡單，而且美觀，如果大家每天作圖需要兩小時，BI能縮短大半。
在「數據可視化：手把手打造BI」教程中，以微軟的PowerBI舉例，教大家如何讀取數據，規整和清洗數據，繪製圖表以及建立Dashboard。最後的成果就是上文列舉的分析師案例。
BI還有幾個核心概念，包括OLAP，數據的聯動，鑽取，切片等，都是多維分析的技巧，也是分析的核心方法之一。
後續的進階可視化，將和編程配合。因為編程能夠提供更高效率和靈活的應用。而BI也是技術方向的工具，瞭解技術知識對應用大有幫助。
第三part：數據分析思維數據分析能力的高低，不以工具和技巧決定，而以分析思維決定。
在一場戰爭中，士兵裝備再好的武裝，進行再嚴苛的訓練，若是衝鋒的方向錯了，那麼迎接他們的唯有一敗塗地。
分析思維決定一場「數據戰爭」中的衝鋒方向。只有先養成正確的分析思維，才能使用好數據。
既然是思維，它就傾向於思考的方式，Excel函數學會了就是學會，分析則不同。大多數人的思維方式都依賴於生活和經驗做出直覺性的判斷，以「我覺得我認為」展開，好的數據分析首先要有結構化的思維。
麥肯錫是其中領域的佼佼者，創建了一系列分析框架和思維工具。最典型地莫過於金字塔思維。
這篇文章簡述了該思維的應用，「快速掌握麥肯錫的分析思維」。你能學會結構化思考，MECE原則，假設先行，關鍵驅動等方法論。
除此以外，還有SMART、5W2H、SWOT、4P4C、六頂思考帽等，這些都是不同領域的框架。框架的經典在於，短時間內指導新人如何去思考，它未必是最好的，但一定是性價比最優的。數據分析思維，是分析思維的引申應用。再優秀的思考方式，都需要佐證和證明，數據就是派這個用處的，「不是我覺得，而是數據證明」。
現代管理學之父彼得·德魯克說過一句很經典的話：如果你不能衡量它，那麼你就不能有效增長它。如果把它應用在數據領域，就是：如果你不能用指標描述業務，那麼你就無法有效增長它。每一位數據分析師都要有指標體系的概念，報表也好，BI也好，即使機器學習，也是圍繞指標體系建立的。
下圖就是一個典型的指標體系，描述了用戶從關注產品、下載、乃至最後離開的整個環節。每一個環節，都有數據及指標以查詢監控。
不同業務背景需要的指標體系不同，但有幾個建立指標的通用準則。這篇文章深入介紹了「如何建立數據分析的思維框架」。你將區分什麼是好指標、什麼是壞指標、比率和比例、指標的結構、指標設立的維度等概念。
數據分析不是一個結果，而是一個過程。幾乎所有的分析，最終目的都是增長業務。所以比分析思維更重要的是驅動思維落地，把它轉化為成果。
數據分析思維是常年累月養成的習慣，一週時間很難訓練出來，但這裡有一個縮短時間的日常習慣。以生活中的問題出發做練習。
這家商場的人流量是多少？怎麼預估？
上海地區的共享單車投放量是多少？怎麼預估？
街邊口的水果店，每天的銷量和利潤是多少？怎麼預估？
這些開放性問題起源於諮詢公司的訓練方法，通過不斷地練習，肯定能有效提高分析思維。另外就是刷各種CaseBook。
優秀的數據分析師會拷問別人的數據，而他本身的分析也經得起拷問。
第四part：數據庫
Excel很容易遇到瓶頸，隨著業務的發展，分析師接觸的數據會越來越多。對大部分人的電腦，超過十萬條數據，已經會影響性能。何況大數據時代就是不缺數據，這時候就需要學習數據庫了。
即使非數據崗位，也有越來越多的產品和運營被要求使用SQL。
很多數據分析師戲稱自己是跑SQL的，這間接說明SQL在數據分析中有多核心。從Excel到SQL絕對是處理效率的一大進步。
教程內容以MySQL為主，這是互聯網行業的通用標準。其實語法差異不大的。
新手首先應該瞭解表的概念，表和Excel中的sheet類似。「寫給新人的數據庫指南」是一篇入門基礎文章，包括表、ID索引、以及數據庫的安裝，數據導入等簡單知識。
SQL的應用場景，均是圍繞select展開。增刪改、約束、索引、數據庫範式均可以跳過。新手在「SQL，從入門到熟練」教程會學習到最常見的幾個語法，select、where、group by、if、count/sum、having、order by、子查詢以及各種常用函數。
數據還是分析師薪資數據，它可以和Excel實戰篇結合看，不少原理都是相通的。
想要快速掌握，無非是大量的練習。大家可以在leetcode上做SQL相關的練習題，難度從簡單到困難都有。「SQL，從熟練到掌握」教程中將會帶領大家去刷一遍。
join對新手是一個很繞的概念，教程會從圖例講解，逐步提高難度。從一開始的join關聯，到條件關聯、空值匹配關聯、子查詢關聯等。最後完成leetcode中的hard模式。
如果想要更進一步，可以學習row_number，substr，convert，contact等函數。不同數據平臺的函數會有差異，例如Presto和phpMyAdmin。再想提高，就去了解Explain優化，瞭解SQL的工作原理，瞭解數據類型，瞭解IO。知道為什麼union比or的效率快，這已經和不少程序員並駕齊驅。
第五part：統計學
很多數據分析師並不注重統計學基礎。
比如產品的AB測試，如果相關人員不清楚置信度的含義和概念，那麼好的效果能意味著好麼？如果看待顯著性？
比如運營一次活動，若不瞭解描述統計相關的概念，那麼如何判別活動在數據上的效果？可別用平均數。
不瞭解統計學的數據分析師，往往是一個粗糙的分析師。如果你想要往機器學習發展，那麼統計學更是需要掌握的基礎。
統計知識會教大家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。
在第一篇教程「解鎖數據分析的正確姿勢：描述統計」，會教給大家描述統計中的諸多變量，比如平均數、中位數、眾數、分位數、標準差、方差。這些統計標準會讓新手分析師從平均數這個不靠譜的泥潭中出來。
箱線圖就是描述統計的大成者，好的分析師一定是慣用箱線圖的常客。
第二篇「解鎖數據分析的正確姿勢：描述統計(2)」將會結合可視化，對數據的分佈進行一個直觀的概念講解。很多特定的模型都有自有的數據分佈圖，掌握這些分佈圖對分析的益處不可同日而語。
直方圖和箱線圖一樣，將會是長久伴隨分析師的利器。
統計學的一大主要分支是概率論，概率是度量一件事發生的可能性，它是介於0到1之間的數值。很多事情，都可以用概率論解釋，「概率論的入門指南」和「讀了本文，你就懂了概率分佈」都是對其的講解。
包括貝葉斯公式、二項概率、泊松概率、正態分佈等理論。理論不應用現實，那是無根之木，教程中會以運營活動最常見的抽獎概率為講解，告訴大家怎麼玩。
其實數據分析中，概率應用最廣泛和最全面的知識點，就是假設檢驗，大名鼎鼎的AB測試就是基於它的。俗話說得好，再優秀的產品經理也跑不過一半AB測試。
何為假設檢驗？假設檢驗是對預設條件的估計，通過樣本數據對假設的真偽進行判斷。
產品改版了，用戶究竟喜不喜歡？調研的評分下降了，這是用戶的評價降低了，還是正常的數據波動呢？這些都是可以做假設檢驗的。它可以說是兩面兩篇文章的回顧和應用。
「數據分析必須懂的假設檢驗」依舊以互聯網場景講解各種統計技巧的應用。假設檢驗並不難，通過Excel的幾個函數就能完成。它的難點在於諸多知識點和業務的結合使用，實際公式不需要掌握的多透徹，瞭解背後的意義更重要。
統計學是一個很廣闊的領域，包括方差分析，時間序列等，都有各自不同的應用。大家若感興趣，可以去閱讀各類教材，沒錯，教材是學習統計學最優的方式。我這類文章堪堪算入門罷了。
第六part：業務
對於數據分析師來說，業務的瞭解比數據方法論更重要。舉個例子，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，根本不知道垂直距離。這是數據的侷限，也是隻會看數據的分析師和接地氣分析師的最大差異。業務形態千千萬萬，數據分析師往往難窺一二。我的公眾號業務部分也涉及了不少，大家可以通過這幾篇文章瞭解。
一篇文章讀懂活躍數據；深入淺出，用戶生命週期的運營；獲取新增用戶，運營都應該知道的事；運營的商業邏輯：CAC和CLV；從零開始，構建數據化運營體系；讀懂用戶運營體系：用戶分層和分群，這些都是互聯網運營相關的內容，或多或少涉及了不少業務方面的概念，數據分析人員可以選擇性的挑選部分內容。瞭解業務的數據分析師在職場發展上會更加順利。
而在「最用心的運營數據指標解讀」中，我嘗試總結了幾個泛互聯網領域的指標和業務模型，它們都是通用的框架。
產品運營模型：以移動端APP為主體，圍繞AARRR準則搭建起數據框架。包括Acquisition用戶獲取、Activation用戶活躍、Retention用戶留存、Revenue營收、Refer傳播，以及細分指標。
市場營銷模型：以傳統的市場營銷方法論為基底，圍繞用戶的生命週期建立框架。包括用戶生命週期，生命週期價值、用戶忠誠指數、用戶流失指數、用戶RFM價值等。
流量模型：從早期的網站分析發展而來，以互聯網的流量為核心。包括瀏覽量曝光率、病毒傳播週期、用戶分享率、停留時間、退出率跳出率等。
電商和消費模型：以商品的交易、零售、購買搭建而起。包括GMV、客單價、復購率、回購率、退貨率、購物籃大小、進銷存，也包含SKU、SPU等商品概念。
用戶行為模型：通過用戶在產品功能上的使用，獲得精細的人群維度，以此作為分析模型。包括用戶偏好、用戶興趣、用戶響應率、用戶畫像、用戶分層，還包含點贊評論瀏覽收藏等功能的相關指標。
除了上述的幾個常見模型，數據分析還有其他分支。比如SEO/SEM，雖然可以歸類到流量模型，但它並不簡單。比如財務分析，商業的各種成本支出也需要專人負責。
在業務知識外，業務層面的溝通也很重要。業務線足夠長的時候，溝通往往成為老大難的問題。
業務學習沒有捷徑，哪怕掌握了諸多模型，不同行業間的業務壁壘會是分析師們的門檻。金融的各類專有領域知識，電子商務不同產品的特性，這些都會影響到分析報告的質量。
在早期，新人最好選擇一到兩個領域深入瞭解其業務，然後以此拓展邊界。
第七part：Python/R
第七週是最後的學習環節。
是否具備編程能力，是初級數據分析和高級數據分析的風水嶺。數據挖掘、BI、爬蟲、可視化報表都需要用到編程。掌握一門優秀的編程語言，可以讓數據分析師升職加薪，迎娶白富美。數據分析領域最熱門的兩大語言是R和Python。R的優點是統計學家編寫的，缺點也是統計學家編寫。涉及各類統計函數和工具的調用，R無疑有優勢。但是大數據量的處理力有不逮，學習曲線比較陡峭。
Python則是萬能的膠水語言，適用性強，可以將分析的過程腳本化。Pandas、Numpy、SKLearn等包也是非常豐富。
這裡的教程以Python為主。
「開始Python的新手教程」將會教大家搭建數據分析環境，Anaconda是功能強大的數據科學工具。Python建議安裝Python3+版本，不要選擇Python2了。
Python的語法相當簡潔，大家print出第一個hello world頂多半小時。就像在Excel上進行運算一樣方便。
「開始Python的數據結構」介紹給大家Python的三類數據結構，列表list，元組tuple，以及字典dict。萬變不離其宗，掌握這三種數據結構以及相對應的函數，足夠應付80%的分析場景。函數式編程為Python一大特色，Python自身就提供不少豐富的函數。很多都和Excel的函數相通，掌握起來非常迅速。另外還有控制流，for、while、if，通常配合函數組合使用。
「瞭解和掌握Python的函數」教大家如何自定義函數，豐富的函數雖然能偷懶，但是不少場景下，還是需要自己動手擼一個。
能夠調第三方包解決，就使用第三方的函數。如果是一個頻繁使用的場景，而第三方依靠不了，就自己編一個函數。如果是臨時性的場景，寫得粗糙點也無所謂。畢竟分析師的代碼能力不要求工程師那麼嚴格，所以Python的學習儘量以應用為主，不用像分析師那麼嚴格。
包、模塊和類的概念屬於進階知識，不學也不要緊。
「Python的數據分析: numpy和pandas入門」介紹了數據分析師賴以生存的兩個包，numpy和pandas，其他Python知識可以不紮實，這兩個最好認真掌握。它是往後很多技能樹的前置要求。
array，series，dataframe是numpy和pandas的三個數據結構，掌握它們，便算是入門了。後續的兩篇教程都是實戰。
「用pandas進行數據分析實戰」以分析師的薪資作為實戰數據。Excel、BI、SQL，一路走來，大家想必對它無比熟悉，這也是最後一次使用它了。教程通過Pandas的各類功能，繪製出一副詞雲圖。
最後一篇教程，將結合以往的知識點，包括業務指標，可視化，描述統計學等內容。「用Python分析用戶消費行為」，完成它，不說登堂入室，但也是一位合格的數據分析師了。
它使用某網站的用戶消費數據，計算各類常見指標：用戶的客單價、人均購買量、回購率、復購率、留存率、平均生命週期等，真正做到融會貫通。用一份數據報告作為畢業作品，也是七週系列最好的結業證書了。
對於沒有技術基礎的同學，第七part最吃力，但已經完成到這一步，不妨讓自己咬咬牙學習下去。
最後
如果能夠看完到這裡的同學，相信你是對數據分析真正感興趣的。
小A說職場
小白學習數據分析經常會遇到以下問題：
數據要從哪些渠道獲取？
數據分析有什麼方法論嗎？
分析數據要用到哪些工具？
需要分析哪些數據？
要不要學習Excel？SQL？Python？
所以，在學習數據分析之前，你需要破解這幾個誤區：
1.堆砌數據不等於會數據分析
數據分析，數據和分析缺一不可，簡單的數據堆砌沒有任何價值。
2.學習數據分析需要已經有一定的計算機基礎
不需要，有最基本的數學基礎就行，從零開始學完全沒問題。
3.數據分析不等於大數據分析
數據分析和大數據分析有很多差異，根本區別是分析的思維與分析所用工具的不同。數據分析可以說是通用技能，大數據分析則有一定門檻。
其實，數據分析的學習，也沒那麼簡單，也沒那麼難。不要”唯數據論“，也不要“無視數據”，只有真正理解數據背後的價值所在，才能學好數據分析。
刺蝟大學
總體來說，先學基礎，再學理論，最後是工具
1、學習數據分析基礎知識，包括概率論、數理統計
2、你的目標行業的相關理論知識。比如金融類的，要學習證券、銀行、財務等各種知識。
3、學習數據分析工具，如sas、spss，甚至excel也可以（數據分析模塊的功能很強大）
切記，第一步是必不可少的，是數據分析的基礎。
清華文墨
推薦先從數據分析思維、分析方法選擇、數據分析的應用開始學習，這樣上手會非常快，而且循序漸進，最開始學習的時候也不會有太大壓力。
對於學習而言，任何知識都是從零開始慢慢掌握起來的，所以不要有壓力，統計學實際上並不是我們想象中那種難啃的“硬骨頭”。其次，入門書的選擇（或者說是選擇學習思路更為恰當）還是比較重要的，一本易懂有趣實用的書籍就好比是一位風趣有料的名師，有了它就會大大提高初學者對這門學科的興趣，對學科的理解也會提高一大步！正所謂好的開始是成功的一半。
下面是具體的學習方法：
在學習數據分析的過程中，建議大家學習數據分析的路徑如下共三步曲：
一、基本統計概念掌握、數據類型的識別；二、研究方法的選擇；三、研究的注意事項
第一步：統計基本概念及數據識別
瞭解基本統計名詞概念，可有助於理解分析結果指標意義。
P值：顯著性值或Sig值，描述某事情發生的概率
數據類型：是一切研究的基石，也是數據研究思維的最基本且最關鍵的思維。在這裡我們把所有數據區分為兩類，分別是定類和定量數據。
定類數據即是分類的意思，可以計算百分比；定量數據是指數字可以對比大小，因而可以進行平均值計算。如果有的數據同時可以計算百分比，也可以計算平均值，此時就結合實際研究情況，將其似著定類或者定量數據。
SPSSAU將數據分為兩類，但在其它領域，或者學科時，數據類型的劃分並不完全相同，而且稱呼均不統一。這也給研究人員帶來一定困惑，下表列出不同稱呼時與這兩類數據類型的對應關係。
稱呼各不相同，但實際意義均一致，只需要理解一句話即“算百分比時叫定類數據，算平均值時叫定量數據”。
第二步：研究方法的選擇
數據類型確認後，此時即可理解數據分析方法的選擇。我們可以把任意變量間的關係看成X和Y的關係，除了區分數據類型，還要區分X和Y。比如性別和是否吸菸的關係，X是性別，Y為是否吸菸。X和Y均為定類數據。此時則應該選擇“交叉卡方”分析。
- 第一步即選對研究方法，即數據類型的識別。具體可參考：https://spssau.com/front/spssau/helps/basics/methodchoice.html
- 第二步即結合研究目的，常見的研究目的包括：數據基本描述、影響關係研究、差異關係研究及其它關係。下表格列出研究目的與研究方法的對應關係。
各類分析的具體學習可以參考
https://spssau.com/front/spssau/help.html
第三步：研究注意事項
- 數據正態性特質：很多研究方法都是基於正態性這一前提，如果不滿足時則可能使用其它方法。
- 數據編碼、生成變量等數據處理功能的使用。很多研究方法使用之前，是需要進行數據處理。比如問卷研究中1個維度對應5個量表題，此時可以使用生成變量的平均值功能先得到一個概括性的變量。或者有的研究方法需要進行數據標準化處理等。
綜上所述，如果可以區分數據類型，並且瞭解研究目的，則可以選擇出科學的研究方法進行研究。具體每個研究方法詳細分析建議，也可以參考SPSSAU的智能分析。
spssau
很高興回答您的問題。
作為一個數據分析師，結合工作我談談我自己的看法。
首先，做數據分析首先得學習數據庫，比較數據是最基本的資源。
其次，是數據分析相關的理論，為建模或者進行進一步分析打基礎。代數和統計知識要求較高。
再次，學習各種軟件。Excel是最最最基本的工具，各種函數、插件的學習;SPSS、R至少掌握一種吧，個人認為SPSS更容易上手，當然每個行業有自己相對認可的工具;Python建議掌握，很強大的工具，清洗數據、建模、可視化、爬蟲等等都可以完成。最後建議掌握一個可視化軟件比如Tableau。當然分析完需要寫報告，不管文字功底、概括能力、審美能力，都是有要求的。
最後，模型學習，這個沒的說，要知道每個模型是用來幹什麼，比如決策樹做畫像是經常會用到的。
特別想說一點，數據分析不能只看數據，還要相對了解業務，脫離業務的數據分析什麼都不是。
希望對您有幫助。
數據分析的漫漫路
高效的學習。把數據分析的那幾個公式背熟。能熟練應用就可以了。
