我進入互聯網行業完全是零基礎，不是數據分析零基礎，是樣樣能力零基礎。
零基礎到什麽樣子？我找工作花了三到四個月時間，最後以運營身份入職。
我從來不是數理強人，大學雖學習過高數、統計學、SQL和C語言，均是低空略過，考試還借助了小夥伴的力量。現在回頭看，當時應該多學些。
最開始我不會vlookup，也沒人教我，Excel只能做基礎的操作。那時要關聯多張報表，我仗著手速快，壹個個搜索復制黏貼的…數據量壹多肯定哭。後來我想這可不是辦法啊。於是借助萬能的百度：
“Excel怎麽匹配多張表的數據。”
然後第壹次看到vlookup函數。我也沒有壹次學會，每次用都要先看壹遍網上的樣例。後續我教組員的時候，他們學得比我快多了。
Excel壹步壹個腳印，學習都是依賴搜索和琢磨，抽空用工作中的內容練習分析：比如什麽樣的用戶願意用我們APP，用戶哪些指標特別好。
即使在此期間，我也不會數據透視表。
記得15年初，老板給了我壹個任務：網上收集數據，大約需要幾萬條，我不可能全部復制黏貼下來啊，便繼續查詢：
如何快速下載網頁上的數據。
於是知道了爬蟲，知道了Python，但我並不會。最後靠第三方爬蟲工具，按照教程學習。早期已經學習過HTML+CSS，然後再了解網頁結構，學習Get／Post，學習正則。花了壹周時間加班，才下載下來。
可沒有結束，數據是臟數據，我還需要清洗。再花壹周時間學習Excel的find,right,mid,replace,trim等文本處理函數。那時候不知道這叫數據清洗，但是學會了很多技巧，即使我盡可能快速省力，還是花費數天。
當我現在寫Python爬蟲的時候，效率快速很多。包括文本清洗，用Levenshtein速度杠杠的。加起來壹晚上就搞定。
任何學習都不是無用的，很多知識相通。我因為爬蟲學習了HTML+CSS，後續便觸理旁通地了解了網站結構和網站分析。
後續知道布置百度統計，知道JS，學習網頁端的各類指標，了解訪問路徑、漏鬥轉化、跳出率退出率等。這些知識不止能用在網站上。也能用在APP分析、用戶行為上。
我們把學習當成壹個點，學完這本書就看下本書，其實這樣發揮不出學習的效率。任何知識都具有關聯性，A知識可以應用在B知識上，知識技能樹應該是呈網狀發散的。
上面鏈條是我基於前置知識掌握新知識的關系譜。數據分析涉及的領域很寬廣，除了本身紮實的業務背景，還需要瑞士軍刀般的技能樹，屬於T型能力（壹專多才）。
比如妳看到某個頁面跳出率較高。除了常規的分析外，還要檢查網絡速度，用戶弱網環境，是不是HTML頁面加載過多，是否使用了緩存，網絡DNS如何等。這些知識不會有人教妳，但它左右業務結果。
看到這裏別怕，雖然要學的多，但是隨著學習的加深，很多知識是***通的。就像轉化率來源於網站分析，卻能用於產品路徑，既能升華為桑基圖，又能做用戶分層。越學到後面，越容易壹法通萬法通。
驅動力
其實零基礎學習數據分析，最難的門檻不是技能，而是學習動力。我從零培養過數據分析師，從零教過Excel、從零教過SQL、從零教過分析思維、從零教過Python。難點從不在於這些知識，而是妳真的想不想學。
不是下載了十幾G的資料就是學習，不是關註了很多公眾號就是學習。因為十幾G的資料最終不會打開，很多公眾號最後都是未讀。這能說明想學習？零基礎太容易無從下手，難以堅持，淺嘗則止了。
無從下手，這是不知道學什麽，我說過數據分析是壹門比較寬廣的學科。它既有傳統商業分析的方法論，也有數據時代的統計和編程。可它又偏偏是任何崗位任何職業都能用到的技能，繞不過。
學習是很主觀的事情，我們從小學開始讀到大學，數十年的學生生涯，最缺漏的能力是主動學習。中考高考打磨那麽多年，很大情況是環境因素逼迫人去學習，本身沒有任何學習的驅動力和習慣。大學四年再壹度過，可能學習性就消磨殆盡了。
之所以說我們習慣被動學習，是大家都有壹道題目做壹道題目，只知道公式應用，不需要知曉原理。教材輔導題海戰術，內容也不會超綱。整個大的學習環境都是為被動打造。
現在學習數據分析，拿起書籍、打開PDF資料、關註公眾號。不會有老師糾正妳輔導妳，不會有作業鞭策妳訓練妳。也不知道工作中哪個會經常用到，沒有練手的數據題目，甚至連網絡上的知識質量都難以辨別。
無從下手，對吧，可這才是主動學習。
心態要轉變。
零基礎學習數據分析，最大的老師只能是自己，不會有任何壹篇文章壹夜教人成為數據分析師。我帶過願意學習並且成長很快的實習生，也教導過有興趣但依舊帶不出節奏的同事。前者是主動學習，後者是止於興趣的被動學習。
因為是零基礎，所以才更需要主動性。數據分析本事是發展很快的行業，幾年前會SQL就行，現在得了解些MR和HIVE，過幾年SparkSQL也許就是必備，如果想在這壹行做的好壹些。持續的學習是必須的能力。或者基礎不如其他人，至少學習性別輸吧。
我也給出我的建議，學習應該是具體為解決某壹個問題而設立目標，說透徹點，實戰為王。不論是何種職業，壹定或多或少能接觸數據。先別去分析，而是想，能用這些數據幹什麽，做壹個簡單的假設。
我是HR，我的假設就是最近招人越來越困難啦，
我是市場，我的假設就是現在營銷成本太高，又沒有什麽效果。
我是運營或者產品，更好辦了，假設某指標的數據因為ABC等原因而無法提升。
哪怕是學生，也能假設在學校商圈賺錢是容易還是困難。
數據圍繞假設去收集、生成、組合、利用、論證和分析。這是麥肯錫式的思維方法，也可以作為學數據的方法。新人容易陷入數據的迷途：我沒有數據，有了數據也不知道幹啥，知道幹啥又不知道方法。想的太多，遠不如有方向好用。
基於假設的好處是，我首先有了壹個方向，別管它對不對，至少能按照方向做分析。
HR認為招人越來越困難，則可以拿出歷史數據，以前我招人需要下載幾份簡歷，打幾個電話，發出幾個Offer最終入職。現在呢？我還可以拿各個環節的數據觀察，這不就是轉化率嘛？時間維度放得寬壹點，看看去年這時候招人困難不，是不是年底都難招，這樣就了解折線圖概念。
市場專員做分析，可以拿更多的數據作參考，假設營銷成本太高，現在高到什麽地步了，什麽時候開始高的，找出時間點分析壹下。效果不好，是什麽時候效果不好，那時市場環境有什麽變化嗎？我假設市場環境有了變化，這又是壹個新的假設，可以繼續拎出壹堆深入研究。
雖然各人分析效率和成果肯定不同，但是思路都能以這樣訓練出來。不是有了數據才有了分析，而是有了分析的方向才能收集分析數據。我的學習從來都是以解決問題為主，不是突然靈光壹閃就會了。
如果把數據分析的學習旅程想成壹條很長道路的話，我們不是壹路開到終點，這沒人能行。而是把這條道路分割成壹段段，每段上面擺壹個旗幟作目標，以旗幟為前行方向，不是以幾十公裏外的終點站作為目標。
好奇心
除了學習驅動力外，想成為數據分析師，還需要壹顆好奇心。
好奇心就是問問題，想問題，琢磨問題，解決問題。如果妳是壹個天生八卦的人，那麽將它用在數據分析上絕對是天選分析師，良材美玉。
很多人喜歡追求數據分析的工具、知識、要點、竅門。但是從來很少提到好奇心。
好奇心是解決問題的核心能力，編程可以鍛煉，統計可以學習，這些最終都不是瓶頸。妳學全了十八般武藝，臨敵對戰，最終需要的什麽？是求勝心。數據的求勝心就是好奇。
知識決定解決問題的下限，好奇心決定解決問題的上限。好的數據分析師壹定會有好奇心，會提問，會想問題，也能去解決問題。
我們最早期推的所有活動，都沒有監控體系，整個運營也缺乏數據指導。對當時的我來說，很多運營的運作是黑箱。我不知道發什麽了什麽，怎麽發生，只有壹個結果輸出。
別人若問我問什麽，我只能做出假設，有可能壹二三點。是否是這樣，我也不知道。
運營活躍數上升，原因是什麽？不知道。
短信推送後效果怎麽樣？不知道。
新註冊用戶來源有哪些？不知道。
那時隨著公司業務線的拓展、用戶數量提升。我用Excel做關聯越來越吃力。我再壹次向研發提數據需求時，CTO對我說：要不給妳開個數據庫權限，妳自己查吧。
我告別了Excel，學習和了解數據庫。從幾張表的接觸擴展到幾百張表。
知道left join 和 inner join的區別。知道group by，知道數據結構，知道index。
那時期需要建立用戶數據體系，包括留存、活躍、回流、分層等指標。我網上壹邊查運營指標的應用和解釋，壹邊查SQL的實現。
和研發解釋、溝通，因為了解數據庫，很多需求以更合理的要求實現。這是我第壹次開始接觸、了解和建立以業務為核心的數據體系。
舉壹個例子：用戶用過APP很長壹段時間，我們管他叫忠誠用戶，後來突然他連續幾周不用，那麽我們會通過SQL找出這類用戶，分析他行為，電話訪談為什麽不用，嘗試喚回他。其他運營都是同理。
這時候，我才可以說我了解了活躍數，知道它為什麽上升，為什麽下降。
我們給不同用戶推短信，借助SQL我能查詢到數據的好壞，但是有沒有更明確的指標？比如多少用戶因為短信打開APP，短信打開率是多少？
當時短鏈用了url scheme，可以自動跳轉到app，為了監控，我們也在短鏈中埋了參數。通過推送數據，觀察這條短信會有多少人打開。
這是衡量壹個文案的標準，好文案壹定能觸動用戶打開。我們經常拿文案作為AB測試。舉壹個例子，我們會用短信營銷，運營是和禮品掛鉤的，當時有不少用戶線上註冊完並不下載APP，我們有那麽壹條針對此類的短信文案：
丨我們已經為您準備好了專屬心意，XXXXX，請打開APP領取。
這條短信的打開率約在10%左右。但是還有優化空間，於是我不斷修改文案，後續修改為：
丨既然您已經註冊，為什麽不來領取屬於您的專屬心意呢，XXXXX，請打開APP領取（中間內容不變）。
打開率被優化到18%。因為它用了營銷心理，已經註冊，契合了沈默成本的暗示：我做都做了，為什麽不繼續，不然白註冊了。這種心理常見於旅遊景點，景點很坑爹，但絕大多數人還是會說：既然來都來了，就是壹種***通的心理。
後續短信又采取個性化方案，最終優化到25%。比最早期的文案效果好三倍左右。如果不好奇短信效果，如果不收集數據監控指標，那麽優化無從談起。我們可能憑感覺寫出好文案，但妳不知道具體效果，而數據能。
再來個例子，最開始我們借助微信朋友圈進行用戶拉新，起初有多個渠道，但是我不知道哪個渠道效果好。然後我的好奇癥又犯了，哪個渠道效果好？邀請轉化率還能不能優化？渠道拉新成本是多少？
依舊是推動和落地數據分析的執行，因為微信的網頁分享，會自動帶from=timeline等參數，通過參數我能過濾出微信端瀏覽和訪問的數據。後來又拜托研發針對不同渠道設置參數。通過參數統計轉化率，並且給新用戶打渠道來源標簽。
期間發現壹個渠道的轉化率過低。我們大概分兩類渠道，壹個是落地頁直接邀請用戶註冊，附加有禮品信息。壹個是讓用戶先挑選禮品樣式，最後領取步驟中跳到註冊。通過轉化率分析，後者的流失較為嚴重。因為步驟太冗余了，還有快遞地址要填寫，選取禮品的吸引力不足以支持用戶走完流程。
於是便更改第二個渠道流程。不同註冊渠道的用戶來源，因為有標簽，所以在後續新用戶的運營中，可以有針對性地做措施。這也是短信通過個性化達到25%打開率的原因之壹。
好奇是為了解決問題而服務的。通過不斷的想問題，解決問題，數據分析相關的能力自然會提升。
幸運的是，好奇心能夠後天鍛煉，就是多問問題多想問題，鍛煉難度不高。
非數據
零基礎學習還會有另外壹個問題，就是輕視業務的重要性。
實際上，想成為數據分析師，難點不在於Excel、SQL、統計等知識欠缺。而是業務知識的匱乏。
壹個人懂業務不懂數據，另壹個懂數據不懂業務，前者更有可能解決實際的問題。因為數據分析師始終是為業務而服務。
我曾向產品提出（沒請吃飯）布置APP和Web埋點，通過用戶的路徑了解用戶，也彌補百度統計的缺點。
當時通過Hadoop存儲數據，使用Hive建立離線的腳本清洗、分區、加工。用戶瀏覽產品的頁面、使用的功能、停留的時間都能構成用戶畫像的基礎。
我曾經很好奇什麽是用戶畫像，因為網絡上說用戶的性別、地域、年齡、婚姻、財務、興趣、偏好是構成用戶畫像的基礎。但是我們的業務獲取不到那麽多數據。而我認為，用戶畫像是為了業務服務的，它不該有嚴格統壹的標準。只要在業務上好用，就是好的用戶畫像。
就像在線視頻的用戶畫像會收集電影的演員、上映時間、產地、語言、類型。還會細分到用戶是否快進，是否拖拽。這些都是以業務為導向。甚至視頻網站的分析師們本身就得閱片無數，才能根據業務分析。不然那麽多電影類目和類型，如何細分各類指標？能通過拖拽快進去判斷用戶是否有興趣，自身也得用過類似行為才能理解。
零基礎怎麽學習行業和業務知識？如果本身和業務接觸，只是想做數據分析，難度小不少。如果像當初的我壹樣，既沒有義務知識又不懂數據，也是可以的。
數據如果是假設性思維學習的話，那麽業務應該是系統性思維學習。業務知識也需要壹個目的和方向，但是和數據分析不同。業務註重的是系統性，系統性不是大而全，而是上而下的結構知識。先瞄準壹個方向鉆取深度，廣度會隨著深度的挖掘逐漸拓展。
比如妳是壹個外行，想學用戶運營體系的分析，不要先考慮啥是用戶運營，這問題太大。而是瞄準壹個方向，例如活躍度，了解它的定義和含義，再想怎麽應用。線下商場的活躍度如何定義，醫院患者的活躍度如何定義，某個學校社團的活躍度如何？拿身邊例子去思考活躍度。商場的活躍，可以是走來走去的人流，可以是進行消費購物的客流，可以是大包小包的土豪。什麽因素會影響活躍？促銷還是打折，節假日還是地理。等這些問題想通了，上手用戶運營會很快。
再通過同樣的思維去想留存、去想拉新。就會知道，如果商場的人流下次繼續來消費，就是留存，有新客人來，就是拉新。這又有哪些因素互相影響？最後的知識思維壹定是金字塔結構的。上層是用戶運營，中間是拉新、活躍、留存。下層是各個要點和要素。
數據分析的學習註重演繹和推理，業務的學習註重關聯和適用，學以致用就是說的這種情況。期間也會用到好奇心和假設，這兩點都是加速學習的途徑之壹。
實際上說了這麽多，對於零基礎想當數據分析師的同學來說，可能仍舊有壹些雲山霧罩吧。這些軟技能也不會助人壹步登天的，其實的七周成為數據分析師，從最開始我也說過是入門的大綱。重要的是自己是否真的想學和學好，師傅領進門，修行靠個人，其他壹切都是虛的。
想起很久以前看的壹句雞湯話，當妳想要前行時，壹切都會為妳讓路。我想這比我說的壹切都更有力。
所以妳問我零基礎能成為數據分析師嗎？我的回答是能。
文章其實有壹些趕，最後祝大家聖誕快樂。