最近由于疫情的影响，我们好多人都宅在家里整天虚度，刚好也是趁最近段这有点时间，就来给大家分享一下微软旗下的数据可视化的学下方法，我们的团队也在整理相关视频教程课件，后续将会带给大家！
之前的一篇文章 ，后台有很多朋友私信，如何来学习？今天就来给大家聊聊。。
其实好多朋友不太清楚数据可视化是干什么用的？
我们每一个人，每天无时无刻都在生产数据，比如，你每天的上下班的位置信息，你每天点的外卖数据，你跑步时的身体心跳数据、这些数据可能对我们自身来说，无关紧要，但如果千万个我们汇集起来的数据呢？
想学好数据分析？总结了一下大概七周时间就可以学习到！当然只是给大家提供份入门到熟练的数据分析能力养成提纲，并不包含数据挖掘等高阶内容。
记得先码后看哈！
1、Excel学习掌握
如果Excel玩的顺溜，你可以略过。不过介于我入行时也不会vlookup，所以有必要讲下。
重点是了解各种函数，包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换等。Excel函数不需要学全，重要的是学会搜索。即如何将遇到的问题在搜索引擎上描述清楚。
- 学会vlookup，SQL中的join，Python中的merge很容易理解。
- 学会数据透视表，SQL中的group，Python中的pivot_table也是同理。
这两个搞定，基本10万条以内的数据统计没啥难度，80%的办公室白领都能秒杀。
Excel是熟能生巧，多找练习题。还有需要养成好习惯，不要合并单元格，不要过于花哨。表格按照原始数据（sheet1）、加工数据（sheet2），图表（sheet3）的类型管理。
下面是为了以后更好的基础而附加的学习任务。
- 了解单元格格式，后期的数据类型包括各类timestamp，date，string，int，bigint，char，factor，float等。
- 了解数组，以及怎么用（excel的数组挺难用），Python和R也会涉及到 list。
- 了解函数和参数，当进阶为编程型的数据分析师时，会让你更快的掌握。
- 了解中文编码，UTF8和ASCII，包括CSV的delimiter等，以后你会回来感谢我的。
这是一道练习题，我给你1000个身份证号码，告诉我里面有多少男女，各省市人口的分布，这些人的年龄和星座。如果能完成上述过程，那么这一过程就直接略过吧。（身份证号码规律可以网上搜索）
2、数据可视化
数据分析界有一句经典名言，字不如表，表不如图。数据可视化是数据分析的主要方向之一。除掉数据挖掘这类高级分析，不少数据分析就是监控数据观察数据。
数据分析的最终都是要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，不落地的数据分析价值又在哪里？
1. 首先要了解常用的图表：
Excel的图表可以100%完成上面的图形要求，但这只是基础。后续的进阶可视化，势必要用到编程绘制。为什么？比如常见的多元分析，你能用Excel很轻松的完成？但是在IPython只需要一行代码。
2. 其次掌握BI、Query、Map、Pivot
BI（商业智能）和图表的区别在于BI擅长交互和报表，更擅长解释已经发生和正在发生的数据。将要发生的数据是数据挖掘的方向。BI的好处在于很大程度解放数据分析师的工作，推动全部门的数据意识，另外降低其他部门的数据需求（万恶的导数据）。BI市面上的产品很多，基本都是建立仪表盘
Dashboard，通过维度的联动和钻取，获得可视化的分析。Power Map （地图增强版）是Power BI组件之一。是一种新的3D可视化的Excel地图插件，可以让你探索地理与时间维度上的数据变换。
Power Query 是基于Excel BI组件里面的一种数据连接技术，可用于发现、连接、合并和优化数据源以满足分析的需要。它主要是通过图形界面对数据进行整理、清洗、组合等，常规的操作基本不需要使用者使用复杂函数就可以得到想要的结果。数据整理功能强大且好用。特别是瞬间合并成千上万的工作簿数据，游刃有余。真正的数据乾坤大挪移。
Power Pivot是Excel BI组件里面的核心。它通过使用其内存中的引擎和高效的压缩算法，能以极高的性能处理大型数据集。处理数百万行和几百行的性能基本相同。可以处理各种数量级数据，获取几乎市面上所有格式的数据，快速建立多表之间的关系。
通过DAX函数，可以实现更高级和更复杂的分组、计算和分析。
它们是微软官方推出的可视化数据探索和交互式报告工具。核心理念就是让我们用户不需要强大的技术背景，只需要掌握Excel这样好用的工具就能快速上手商业大数据分析及可视化。（团队正在整理相关教程，接下来会带给大家共同学习）这四套工具组件是目前数据分析行业必备的数据分析&数据可视化软件。
3. 最后需要学习可视化和信息图的制作
这和数据本事没有多大关系，更看重审美、解读、PPT、信息化的能力。但值得花一点时间去学习。
数据可视化的学习就是三个过程，了解数据（图表），整合数据，展示数据（信息化）。
3、分析思维的训练
其实就是学学理论知识，好的数据分析首先要有结构化的思维，也就是我们俗称的金字塔思维。思维导图是必备的工具。
之后再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。
分析也是有框架和方法论的，我会主要围绕三个要点展开：
- 一个业务没有指标，则不能增长和分析；
- 好的指标应该是比率或比例；
- 好的分析应该对比或关联。
举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析？
- 这1000人的数量，和附近其他超市比是多是少？（对比）
- 这1000人的数量比昨天多还是少？（对比）
- 1000人有多少产生了实际购买？（转化比例）
- 路过超市，超市外的人流是多少？（转化比例）
这是一个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结果。
优秀的数据分析师会拷问别人的数据，而他本身的分析也是经得起拷问，这就是分析思维能力。需要确切明白的是，一周时间锻炼不出数据思维，只能做到了解。数据思维是不断练习的结果，我只是尽量缩短这个过程。
4、数据库学习
Excel对十万条以内的数据处理起来没有问题，但是互联网行业就是不缺数据。但凡产品有一点规模，数据都是百万起。这时候就需要学习数据库。
越来越多的产品和运营岗位，会在招聘条件中，将会SQL作为优先的加分项。
SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。
学习围绕Select展开。增删改、约束、索引、数据库范式均可以跳过。
- 主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等。
- 如果想要跟进一步，可以学习row_number，substr，convert，contact等。另外不同数据平台的函数会有差异，例如Presto和phpMyAdmin。
- 再有点追求，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。以后就可以和技术研发们谈笑风生，毕竟将“这里有bug”的说话，换成“这块的数据死锁了”，逼格大大的不同。
SQL的学习主要是多练，网上寻找相关的练习题，刷一遍就差不多了。
5、统计知识学习
这是数据分析的基础。我看过很多产品和运营相关的数据分析文章，没有多少提及统计知识。这是不严谨的。
比如产品的AB测试，如果产品经理并不清楚置信度的含义和概念，那么好的效果并不意味着真正的好。尤其是5%这种非显著的提高。
比如运营一次活动，运营若不了解检验相关的概念，那么如何去判别活动在数据上是有效果还是没有效果？别说平均数。
再讨论一下经典的概率问题，如果一个人获流感，实验结果为阳性的概率为90%；如果没有获流感，实验结果为阳性的概率为9%。现在这个人检验结果为阳性，他有多少几率是得了流感？
如果你觉得几率有50%、60%、70%等等，那么都犯了直觉性的错误。它还和得病的基础概率有关。
统计知识会教我们以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。
我们需要花一周的时间掌握描述性统计，包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。
不需要学习更高阶的统计知识，谁让我们是速成呢。只要做到不会被数据欺骗，不犯错误就好。
以Excel的分析工具库举例（图片网上找来）。在初级的统计学习中，需要了解列1的各名词含义，而不是停留在平均数这个基础上。
6、业务知识
对于数据分析师来说，业务的了解比数据方法论更重要。当然很遗憾，业务学习没有捷径。
我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。
这个案例中，我们只知道送货员的送货水平距离，即POI数据，根本不可能知道垂直距离的数据。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。
对业务市场的了解是数据分析在工作经验上最大的优势之一。不同行业领域的业务知识都不一样，我就不献丑了。在互联网行业，有几个宽泛的业务数据需要了解。
- 产品数据分析，以经典的AAARR框架学习，了解活跃留存的指标和概念。并且数据分析师需要知道如何用SQL计算。因为在实际的分析过程中，留存只是一个指标，通过userId 关联和拆分才是常见的分析策略。
- 网站数据分析，可以抽象吃一个哲学问题：用户从哪里来（SEO／SEM），用户到哪里去（访问路径），用户是谁（用户画像／用户行为路径）。虽然网站已经不是互联网的主流，但现在有很多APP+Web的复合框架，朋友圈的传播活动肯定需要用到网页的指标去分析。
- 用户数据分析，这是数据化运营的一种应用。在产品早期，可以通过埋点计算转化率，利用AB测试达到快速迭代的目的，在积累到用户量的后期，利用埋点去分析用户行为，并且以此建立用户分层用户画像等。例如用贝叶斯算法计算用户的性别概率，用K聚类算法划分用户的群体，用行为数据作为特征建立响应模型等。不过快速入门不需要掌握这些，只需要有一个大概的框架概念。
除了业务知识，业务层面的沟通也很重要。在业务线足够长的时候，我不止一次遇到产品和运营没有掌握所有的业务要点，尤其涉及跨部门的分析。良好的业务沟通能力是数据分析的基础能力。
7、Python/R 学习
到这个时候，就应该学习编程技巧。
学习R，需要了解数据结构（matrix，array，data.frame，list等）、数据读取，图形绘制( ggplot2)、数据操作、统计函数(mean,median,sd,var,scale等)。高阶的统计暂时不用去涉及，这是后续的学习任务。R语言的开发环境建议用RStudio。
2. Python
学习Python有很多分支，我们专注数据分析这块。需要了解调用包、函数、数据类型(list,tuple,dict)，条件判断，迭代等。高阶的Numpy和Pandas在有精力的情况下涉及。
Python的开发环境建议Anaconda，可以规避掉环境变量、包安装等大部分新手问题。Mac自带Python2.7，但现在Python 3已经比几年前成熟，没有编码问题，就不要抱成守旧了。
对于没有技术基础的运营和产品，第七周最吃力，虽然SQL＋Excel足够应付入门级数据分析，但是涉及到循环迭代、多元图表的分析部分，复杂度就呈几何上升。更遑论数据挖掘这种高阶玩法。
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。
如果还有时间，就要把上面的巩固和融会贯通，毕竟这只是目的性极强的速成，是开始，而不是数据分析的毕业典礼。
最后还需要补充，如果希望数据分析能力更近一步，或者成为优秀的数据分析师，每一项内容都要能继续学习至精通。实际上，业务知识、统计知识仅靠两周时间是非常不牢固的。
再往后的学习，会有许多分支。比如偏策划的数据产品经理，比如偏统计的机器学习，比如偏商业的市场分析师，比如偏工程的大数据工程师。
可能说的比较长远，但学习还是一个慢过程，学如逆水行舟，既然要定下心来学习，那就祝你早日成功！
如果你喜欢这篇文章，记得点点关注，分享给你身边更多的朋友们哦！
閱讀更多 Martin先生 的文章
