不少人后台问我，如何转行做数据分析师，或毕业生怎样入行。我之前的文章都是围绕硬技能来写，这次以我知乎上的一篇答案为基础谈一下软技能。权当做杂谈。

　　我进入互联网行业完全是零基础，不是数据分析零基础，是样样能力零基础。

　　零基础到什么样子?我找工作花了三到四个月时间，最后以运营身份入职。

　　我从来不是数理强人，大学虽学习过高数、统计学、SQL和C语言，均是低空略过，考试还借助了小伙伴的力量。现在回头看，当时应该多学些。

　　最开始我不会vlookup，也没人教我，Excel只能做基础的操作。那时要关联多张报表，我仗着手速快，一个个搜索复制黏贴的…数据量一多肯定哭。后来我想这可不是办法啊。于是借助万能的百度：

　　“Excel怎么匹配多张表的数据。”

　　然后第一次看到vlookup函数。我也没有一次学会，每次用都要先看一遍网上的样例。后续我教组员的时候，他们学得比我快多了。

　　Excel一步一个脚印，学习都是依赖搜索和琢磨，抽空用工作中的内容练习分析：比如什么样的用户愿意用我们APP，用户哪些指标特别好。

　　即使在此期间，我也不会数据透视表。

　　记得15年初，老板给了我一个任务：网上收集数据，大约需要几万条，我不可能全部复制黏贴下来啊，便继续查询：

　　如何快速下载网页上的数据。

　　于是知道了爬虫，知道了Python，但我并不会。最后靠第三方爬虫工具，按照教程学习。早期已经学习过HTML+CSS，然后再了解网页结构，学习Get/Post，学习正则。花了一周时间加班，才下载下来。

　　可没有结束，数据是脏数据，我还需要清洗。再花一周时间学习Excel的find,right,mid,replace,trim等文本处理函数。那时候不知道这叫数据清洗，但是学会了很多技巧，即使我尽可能快速省力，还是花费数天。

　　当我现在写Python爬虫的时候，效率快速很多。包括文本清洗，用Levenshtein速度杠杠的。加起来一晚上就搞定。

　　任何学习都不是无用的，很多知识相通。我因为爬虫学习了HTML+CSS，后续便触理旁通地了解了网站结构和网站分析。

　　后续知道布置百度统计，知道JS，学习网页端的各类指标，了解访问路径、漏斗转化、跳出率退出率等。这些知识不止能用在网站上。也能用在APP分析、用户行为上。

　　我们把学习当成一个点，学完这本书就看下本书，其实这样发挥不出学习的效率。任何知识都具有关联性，A知识可以应用在B知识上，知识技能树应该是呈网状发散的。

　　HTML+CSS—— 网页结构 ——网站分析——用户分析

　　HTML+CSS—— 爬虫工具——Python爬虫

　　HTML+CSS—— JS ——可视化JS

　　HTML+CSS——SEO——SEM上面链条是我基于前置知识掌握新知识的关系谱。

　　数据分析涉及的领域很宽广，除了本身扎实的业务背景，还需要瑞士军刀般的技能树，属于T型能力(一专多才)。

　　比如你看到某个页面跳出率较高。除了常规的分析外，还要检查网络速度，用户弱网环境，是不是HTML页面加载过多，是否使用了缓存，网络DNS如何等。这些知识不会有人教你，但它左右业务结果。

　　看到这里别怕，虽然要学的多，但是随着学习的加深，很多知识是共通的。就像转化率来源于网站分析，却能用于产品路径，既能升华为桑基图，又能做用户分层。越学到后面，越容易一法通万法通。

　　驱动力

　　其实零基础学习数据分析，最难的门槛不是技能，而是学习动力。我从零培养过数据分析师，从零教过Excel、从零教过SQL、从零教过分析思维、从零教过Python。难点从不在于这些知识，而是你真的想不想学。

　　不是下载了十几G的资料就是学习，不是关注了很多公众号就是学习。因为十几G的资料最终不会打开，很多公众号最后都是未读。这能说明想学习?零基础太容易无从下手，难以坚持，浅尝则止了。

　　无从下手，这是不知道学什么，我说过数据分析是一门比较宽广的学科。它既有传统商业分析的方法论，也有数据时代的统计和编程。可它又偏偏是任何岗位任何职业都能用到的技能，绕不过。

　　学习是很主观的事情，我们从小学开始读到大学，数十年的学生生涯，最缺漏的能力是主动学习。

　　中考高考打磨那么多年，很大情况是环境因素逼迫人去学习，本身没有任何学习的驱动力和习惯。大学四年再一度过，可能学习性就消磨殆尽了。

　　之所以说我们习惯被动学习，是大家都有一道题目做一道题目，只知道公式应用，不需要知晓原理。教材辅导题海战术，内容也不会超纲。整个大的学习环境都是为被动打造。

　　现在学习数据分析，拿起书籍、打开PDF资料、关注公众号。不会有老师纠正你辅导你，不会有作业鞭策你训练你。也不知道工作中哪个会经常用到，没有练手的数据题目，甚至连网络上的知识质量都难以辨别。

　　无从下手，对吧，可这才是主动学习。

　　心态要转变。

　　零基础学习数据分析，最大的老师只能是自己，不会有任何一篇文章一夜教人成为数据分析师。我带过愿意学习并且成长很快的实习生，也教导过有兴趣但依旧带不出节奏的同事。前者是主动学习，后者是止于兴趣的被动学习。

　　因为是零基础，所以才更需要主动性。数据分析本事是发展很快的行业，几年前会SQL就行，现在得了解些MR和HIVE，过几年SparkSQL也许就是必备，如果想在这一行做的好一些。

　　持续的学习是必须的能力。或者基础不如其他人，至少学习性别输吧。

　　我也给出我的建议，学习应该是具体为解决某一个问题而设立目标，说透彻点，实战为王。不论是何种职业，一定或多或少能接触数据。先别去分析，而是想，能用这些数据干什么，做一个简单的假设。

　　我是HR，我的假设就是最近招人越来越困难啦，

　　我是市场，我的假设就是现在营销成本太高，又没有什么效果。

　　我是运营或者产品，更好办了，假设某指标的数据因为ABC等原因而无法提升。

　　哪怕是学生，也能假设在学校商圈赚钱是容易还是困难。

　　数据围绕假设去收集、生成、组合、利用、论证和分析。

　　这是麦肯锡式的思维方法，也可以作为学数据的方法。新人容易陷入数据的迷途：我没有数据，有了数据也不知道干啥，知道干啥又不知道方法。想的太多，远不如有方向好用。

　　基于假设的好处是，我首先有了一个方向，别管它对不对，至少能按照方向做分析。

　　HR认为招人越来越困难，则可以拿出历史数据，以前我招人需要下载几份简历，打几个电话，发出几个Offer最终入职。现在呢?我还可以拿各个环节的数据观察，这不就是转化率嘛?时间维度放得宽一点，看看去年这时候招人困难不，是不是年底都难招，这样就了解折线图概念。

　　市场专员做分析，可以拿更多的数据作参考，假设营销成本太高，现在高到什么地步了，什么时候开始高的，找出时间点分析一下。效果不好，是什么时候效果不好，那时市场环境有什么变化吗?我假设市场环境有了变化，这又是一个新的假设，可以继续拎出一堆深入研究。

　　虽然各人分析效率和成果肯定不同，但是思路都能以这样训练出来。不是有了数据才有了分析，而是有了分析的方向才能收集分析数据。我的学习从来都是以解决问题为主，不是突然灵光一闪就会了。

　　如果把数据分析的学习旅程想成一条很长道路的话，我们不是一路开到终点，这没人能行。而是把这条道路分割成一段段，每段上面摆一个旗帜作目标，以旗帜为前行方向，不是以几十公里外的终点站作为目标。

　　好奇心

　　除了学习驱动力外，想成为数据分析师，还需要一颗好奇心。

　　好奇心就是问问题，想问题，琢磨问题，解决问题。如果你是一个天生八卦的人，那么将它用在数据分析上绝对是天选分析师，良材美玉。

　　很多人喜欢追求数据分析的工具、知识、要点、窍门。但是从来很少提到好奇心。

　　好奇心是解决问题的核心能力，编程可以锻炼，统计可以学习，这些最终都不是瓶颈。你学全了十八般武艺，临敌对战，最终需要的什么?是求胜心。数据的求胜心就是好奇。

　　知识决定解决问题的下限，好奇心决定解决问题的上限。好的数据分析师一定会有好奇心，会提问，会想问题，也能去解决问题。

　　我们最早期推的所有活动，都没有监控体系，整个运营也缺乏数据指导。对当时的我来说，很多运营的运作是黑箱。我不知道发什么了什么，怎么发生，只有一个结果输出。

　　别人若问我问什么，我只能做出假设，有可能一二三点。是否是这样，我也不知道。

　　运营活跃数上升，原因是什么?不知道。

　　短信推送后效果怎么样?不知道。

　　新注册用户来源有哪些?不知道。

　　那时随着公司业务线的拓展、用户数量提升。我用Excel做关联越来越吃力。我再一次向研发提数据需求时，CTO对我说：要不给你开个数据库权限，你自己查吧。

　　我告别了Excel，学习和了解数据库。从几张表的接触扩展到几百张表。

　　知道left join 和 inner join的区别。知道group by，知道数据结构，知道index。

　　那时期需要建立用户数据体系，包括留存、活跃、回流、分层等指标。我网上一边查运营指标的应用和解释，一边查SQL的实现。

　　和研发解释、沟通，因为了解数据库，很多需求以更合理的要求实现。这是我第一次开始接触、了解和建立以业务为核心的数据体系。

　　举一个例子：用户用过APP很长一段时间，我们管他叫忠诚用户，后来突然他连续几周不用，那么我们会通过SQL找出这类用户，分析他行为，电话访谈为什么不用，尝试唤回他。其他运营都是同理。

　　这时候，我才可以说我了解了活跃数，知道它为什么上升，为什么下降。

　　我们给不同用户推短信，借助SQL我能查询到数据的好坏，但是有没有更明确的指标?比如多少用户因为短信打开APP，短信打开率是多少?

　　当时短链用了url scheme，可以自动跳转到app，为了监控，我们也在短链中埋了参数。通过推送数据，观察这条短信会有多少人打开。

　　这是衡量一个文案的标准，好文案一定能触动用户打开。我们经常拿文案作为AB测试。举一个例子，我们会用短信营销，运营是和礼品挂钩的，当时有不少用户线上注册完并不下载APP，我们有那么一条针对此类的短信文案：

　　我们已经为您准备好了专属心意，XXXXX，请打开APP领取。这条短信的打开率约在10%左右。但是还有优化空间，于是我不断修改文案，后续修改为：

　　既然您已经注册，为什么不来领取属于您的专属心意呢，XXXXX，请打开APP领取(中间内容不变)。打开率被优化到18%。因为它用了营销心理，已经注册，契合了沉默成本的暗示：我做都做了，为什么不继续，不然白注册了。这种心理常见于旅游景点，景点很坑爹，但绝大多数人还是会说：既然来都来了，就是一种共通的心理。

　　后续短信又采取个性化方案，最终优化到25%。比最早期的文案效果好三倍左右。如果不好奇短信效果，如果不收集数据监控指标，那么优化无从谈起。我们可能凭感觉写出好文案，但你不知道具体效果，而数据能。

　　再来个例子，最开始我们借助微信朋友圈进行用户拉新，起初有多个渠道，但是我不知道哪个渠道效果好。然后我的好奇症又犯了，哪个渠道效果好?邀请转化率还能不能优化?渠道拉新成本是多少?

　　依旧是推动和落地数据分析的执行，因为微信的网页分享，会自动带from=timeline等参数，通过参数我能过滤出微信端浏览和访问的数据。后来又拜托研发针对不同渠道设置参数。通过参数统计转化率，并且给新用户打渠道来源标签。

　　期间发现一个渠道的转化率过低。我们大概分两类渠道，一个是落地页直接邀请用户注册，附加有礼品信息。一个是让用户先挑选礼品样式，最后领取步骤中跳到注册。通过转化率分析，后者的流失较为严重。因为步骤太冗余了，还有快递地址要填写，选取礼品的吸引力不足以支持用户走完流程。

　　于是便更改第二个渠道流程。不同注册渠道的用户来源，因为有标签，所以在后续新用户的运营中，可以有针对性地做措施。这也是短信通过个性化达到25%打开率的原因之一。

　　好奇是为了解决问题而服务的。通过不断的想问题，解决问题，数据分析相关的能力自然会提升。

　　幸运的是，好奇心能够后天锻炼，就是多问问题多想问题，锻炼难度不高。

　　非数据

　　零基础学习还会有另外一个问题，就是轻视业务的重要性。

　　实际上，想成为数据分析师，难点不在于Excel、SQL、统计等知识欠缺。而是业务知识的匮乏。

　　一个人懂业务不懂数据，另一个懂数据不懂业务，前者更有可能解决实际的问题。因为数据分析师始终是为业务而服务。

　　我曾向产品提出(没请吃饭)布置APP和Web埋点，通过用户的路径了解用户，也弥补百度统计的缺点。

　　当时通过Hadoop存储数据，使用Hive建立离线的脚本清洗、分区、加工。用户浏览产品的页面、使用的功能、停留的时间都能构成用户画像的基础。

　　我曾经很好奇什么是用户画像，因为网络上说用户的性别、地域、年龄、婚姻、财务、兴趣、偏好是构成用户画像的基础。

　　但是我们的业务获取不到那么多数据。而我认为，用户画像是为了业务服务的，它不该有严格统一的标准。只要在业务上好用，就是好的用户画像。

　　就像在线视频的用户画像会收集电影的演员、上映时间、产地、语言、类型。还会细分到用户是否快进，是否拖拽。

　　这些都是以业务为导向。甚至视频网站的分析师们本身就得阅片无数，才能根据业务分析。

　　不然那么多电影类目和类型，如何细分各类指标?能通过拖拽快进去判断用户是否有兴趣，自身也得用过类似行为才能理解。

　　零基础怎么学习行业和业务知识?如果本身和业务接触，只是想做数据分析，难度小不少。如果像当初的我一样，既没有义务知识又不懂数据，也是可以的。

　　数据如果是假设性思维学习的话，那么业务应该是系统性思维学习。业务知识也需要一个目的和方向，但是和数据分析不同。业务注重的是系统性，系统性不是大而全，而是上而下的结构知识。先瞄准一个方向钻取深度，广度会随着深度的挖掘逐渐拓展。

　　比如你是一个外行，想学用户运营体系的分析，不要先考虑啥是用户运营，这问题太大。而是瞄准一个方向，例如活跃度，了解它的定义和含义，再想怎么应用。线下商场的活跃度如何定义，医院患者的活跃度如何定义，某个学校社团的活跃度如何?拿身边例子去思考活跃度。商场的活跃，可以是走来走去的人流，可以是进行消费购物的客流，可以是大包小包的土豪。什么因素会影响活跃?促销还是打折，节假日还是地理。等这些问题想通了，上手用户运营会很快。

　　再通过同样的思维去想留存、去想拉新。就会知道，如果商场的人流下次继续来消费，就是留存，有新客人来，就是拉新。这又有哪些因素互相影响?最后的知识思维一定是金字塔结构的。上层是用户运营，中间是拉新、活跃、留存。下层是各个要点和要素。

　　数据分析的学习注重演绎和推理，业务的学习注重关联和适用，学以致用就是说的这种情况。期间也会用到好奇心和假设，这两点都是加速学习的途径之一。

　　实际上说了这么多，对于零基础想当数据分析师的同学来说，可能仍旧有一些云山雾罩吧。

　　这些软技能也不会助人一步登天的，其实的七周成为数据分析师，从最开始我也说过是入门的大纲。重要的是自己是否真的想学和学好，师傅领进门，修行靠个人，其他一切都是虚的。

　　想起很久以前看的一句鸡汤话，当你想要前行时，一切都会为你让路。我想这比我说的一切都更有力。