Excel
表格按照原始數(shù)據(jù)（sheet1）、加工數(shù)據(jù)（sheet2），圖表（sheet3）的類型管理
vlookup和數(shù)據(jù)透視表是極具性價(jià)比的兩個(gè)技巧
數(shù)據(jù)可視化
數(shù)據(jù)分析界有一句經(jīng)典名言，字不如表，表不如圖。
Excel可以100%完成上面的圖表，但這知識(shí)基礎(chǔ)。后期的進(jìn)階可視化，勢必會(huì)用到編程繪制，比如Python一行代碼就可以完成常見的多元分析。
還有BI（商業(yè)智能，實(shí)際上就是省去了報(bào)表的工作，數(shù)據(jù)多了都會(huì)用BI的），BI和圖表的區(qū)別在于BI擅長交互和報(bào)表，更擅長解釋已經(jīng)發(fā)生和正在發(fā)生的數(shù)據(jù)。將要發(fā)生的數(shù)據(jù)屬于數(shù)據(jù)挖掘的方向。
數(shù)據(jù)可視化的學(xué)習(xí)就是三個(gè)過程：了解數(shù)據(jù)（圖表）、整合數(shù)據(jù)（BI）、展示數(shù)據(jù)（信息化）
思維、框架、方法論
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(jīng)典
數(shù)據(jù)思維是不斷練習(xí)的結(jié)果
數(shù)據(jù)庫/Python/R
Excel對十萬條以內(nèi)的數(shù)據(jù)處理起來沒有問題，但是互聯(lián)網(wǎng)行業(yè)就是不缺數(shù)據(jù)，但凡產(chǎn)品有一點(diǎn)規(guī)模，數(shù)據(jù)量都是百萬起，這時(shí)候就需要學(xué)習(xí)數(shù)據(jù)庫。從Excel到數(shù)據(jù)庫是數(shù)據(jù)處理效率的一大進(jìn)步
主要圍繞著查詢（Select展開學(xué)習(xí)）
雖然SQL＋Excel足夠應(yīng)付入門級數(shù)據(jù)分析，但是涉及到循環(huán)迭代、多元圖表的分析部分，復(fù)雜度就呈幾何上升。更遑論數(shù)據(jù)挖掘這種高階玩法，我相信未來了解數(shù)據(jù)挖掘的產(chǎn)品和運(yùn)營會(huì)有極強(qiáng)的競爭力
統(tǒng)計(jì)知識(shí)
很多產(chǎn)品和運(yùn)營相關(guān)的數(shù)據(jù)分析文章，沒有多少提及統(tǒng)計(jì)知識(shí)。這是不嚴(yán)謹(jǐn)?shù)?。比如產(chǎn)品的AB測試，如果產(chǎn)品經(jīng)理并不清楚置信度的含義和概念，那么好的效果并不意味著真正的好。尤其是5%這種非顯著的提高。比如運(yùn)營一次活動(dòng)，運(yùn)營若不了解檢驗(yàn)相關(guān)的概念，那么如何去判別活動(dòng)在數(shù)據(jù)上是有效果還是沒有效果？
這里推薦一本書《統(tǒng)計(jì)數(shù)字會(huì)撒謊》，很多的數(shù)據(jù)分析決策并不牢靠。這本書講的都是統(tǒng)計(jì)學(xué)最基本的常識(shí)，可是卻往往被人忽視，值得所有的產(chǎn)品經(jīng)理以及統(tǒng)計(jì)人員一讀
業(yè)務(wù)知識(shí)（用戶行為、產(chǎn)品、運(yùn)營）
舉一個(gè)數(shù)據(jù)沙龍上的例子，一家O2O配送公司發(fā)現(xiàn)在重慶地區(qū)，外賣員的送貨效率低于其他城市，導(dǎo)致用戶的好評率降低?？偛康臄?shù)據(jù)分析師建立了各個(gè)指標(biāo)去分析原因，都沒有找出來問題。后來在訪談中發(fā)覺，因?yàn)橹貞c是山城，路面高低落差比較夸張，很多外賣人員的小電瓶上不了坡…所以導(dǎo)致送貨效率慢。
這個(gè)案例中，我們只知道送貨員的送貨水平距離，即POI數(shù)據(jù)，根本不可能知道垂直距離的數(shù)據(jù)。這就是數(shù)據(jù)的局限，也是只會(huì)看數(shù)據(jù)的分析師和接地氣分析師的最大差異。
最后，和數(shù)據(jù)相關(guān)的崗位
數(shù)據(jù)產(chǎn)品經(jīng)理（偏策劃）
機(jī)器學(xué)習(xí)（偏統(tǒng)計(jì)）
市場分析師（偏商業(yè)）
大數(shù)據(jù)工程師（偏工程）
