数据分析学习指南
如何学习数据分析？做数据分析师需要掌握哪些技能？有什么学习路径？
下面的学习指南，供你参考：
1、学习方法
知识有时候是相通的，面对一个很难理解的东西，不妨换个纬度想一想，或许就豁然开朗了。如今网络资源非常丰富，提炼好的关键词，善用搜索引擎，很多问题都能找到多种解决方案。
当遇到难题的时候，在充分思考的基础上，多提问。如果是问别人，应注意提问的技巧，把问题准确地描述清楚。如果是问自己，推荐使用5W2H分析法，又叫七问分析法，简单实用。
What：是什么？目的是什么？做什么工作？
Why：为什么要做？可不可以不做？有没有替代方案？
Who：谁？由谁来做？
When：何时？什么时间做？什么时机最适宜？
Where：何处？在哪里做？
How ：怎么做？如何提高效率？如何实施？方法是什么？
How mutch：多少？做到什么程度？数量如何？质量水平如何？费用产出如何？
问题解决后，鼓励多分享，在分享中学习和巩固提高，同时能帮助别人，提高自己的影响力。分享的方法可以包括公开学习笔记、发表微信公众号文章、给公司同事讲解、参与社群讨论、制作视频课程等等。
2、学习内容
数据分析的基础概念主要是一些统计学的相关知识，建议去考一下国家统计局颁发的「统计专业技术资格」证书，有初级、中级和高级三个级别，详情参考：
http://www.stats.gov.cn/tjfw/tjzyjszgks
刚好最近国家实行个税改革，在取得证书的当年，可以按照3600元定额扣除个人所得税，以此作为激励自己持续学习的一个动力，也是挺好的。
业务往往是在动态变化的，对业务逻辑的理解也应该与时俱进，积极与懂业务的人沟通交流。宏观的分析思维是基本相同的，「对比、细分、溯源」的分析方法通常在各种分析场景都适用。
网络上有大量数据分析工具的学习资源，我觉得「如何七周成为数据分析师」系列文章写得很好，文章合集地址：
https://ask.hellobi.com/blog/qinlu
其中还包括一些业务知识、数据运营和职业规划的相关文章，推荐阅读。
利用好数据分析工具，往往能够事半功倍，俗话说的好：「磨刀不误砍柴工」，但是要注意灵活运用，不能把时间花在磨刀背上，而应该把时间花在磨刀刃上。数据分析是为业务服务的，重点是要满足业务的需求，所以理解业务非常重要。
3、学习过程
数据分析需要学习的内容可以很多很多，而且数据分析工具也在不断推陈出新，如果每个领域都深入学习，恐怕一辈子都学不完。
贴一张IBM Watson执行架构师Swami Chandrasekaran绘制的图片：MetroMap to Data Scientist
（图片可点击放大）
它就像一个城市的地铁图，总共有10条线路，它们分别是：
基础原理（例如：矩阵和线性代数等）
统计学（例如：描述统计和贝叶斯理论等）
编程（例如：Python和R等）
机器学习（例如：决策树和神经网络等）
文本挖掘／自然语言处理（例如：支持向量机和关联规则等）
数据可视化（例如：D3.js和Tableau等）
大数据（例如：Hadoop和MongoDB等）
数据获取（例如：数据调查和ETL等）
数据清理（例如：主成分分析和分层抽样等）
常用工具（例如：Excel和Python等）
每条路深入走下去都不容易，很少有人能精通其中多个领域。以上这些还只是硬技能，事实上，职场中更重要的是软技能。根据领英的经济图谱团队发布的《2018新兴工作岗位报告》，职场最大的技能缺口是软技能。
口头交流、领导力和时间管理等，就属于软技能，软技能几乎占据了技能缺口的一半。报告建议，职场人士需要在快速变化的工作环境中，学习并保持软技能，因为拥有这些技能的人才具备更大的职场优势。。
写作和演讲也是非常重要的软技能，而且这些能力都是进无止境的。我觉得应该从自身的实际情况出发，不可能面面俱到，但可以树立终身学习的理念，先熟悉一些基本概念和业务逻辑，确立数据分析的目标，逐步培养数据分析思维，再利用数据分析工具去实现目标，不断积累数据分析的实践经验，从而丰富自己的数据分析知识体系。
数据（客观、真实）化（方法、工具）分析（科学、有效）