• 先掌握 BI 工具的運用，幫助快速熟悉起資料分析的流程。

• 知名的 BI 產品有 Tableau，Power BI，還有 FineBI

• BI 需要掌握資料的連結，連不上資料怎麼分析。

• 還有儀錶盤 Dashboard 的概念，知道絕大多數圖表適用的場景和怎麼繪製，維度和指標的區分。

• 一些資料的清洗，如果 BI 掌握得透徹也可以放 BI 處理，但不熟悉還是用 SQL 處理吧。

• 或是整能用GA的話，可參考此文章學習 https://ithelp.ithome.com.tw/users/20091306/ironman/6547

金字塔/結構化思維

3要件，建立邏輯架構

• 要件1：結論

• 要件2：So What?/Why So?

• 要件3：MECE(Mutually Exclusive, Collectively Exhaustive) 互不重複，全無遺漏

  • 確認問題是什麼？

  • 尋找符合 MECE 的切入點

  • 從大分類中思考能否以MECE再細分

  • 確認有無遺漏，或是否有同一項目可分屬不同類別

公式化思維

• 將這些論點進行量化分析（可計算的公式），從而驗證論點

業務化思維

• 業務化即是深入了解業務情況，結合該項目的具體業務進行分析，並且能讓分析結果進行落地執行

基礎

簡單的表格資料處理、篩選、排序

函數和公式

• 常用函數（日期、數據、統計、查找和引用、文本、邏輯）

• 高級資料計算

• 數組公式

• 多維引用

• function

視覺化圖表

• 圖形圖示展示

• 高級圖表

• 圖表插件

• 資料透視表 （分類匯總、取平均、最大最小值、自動排序、自動篩選、自動分組；可分析佔比、同比、環比、定比、自定義公式）

• VBA程序開發

大綱

• week1 - 資料分析的思維和方法

• week2 - Excel 進階

• week3 - 資料庫理解和 SQL 入門

• week4 - 數理統計學

• week5 - Python/R 語言掌握

• week6 - 資料分析軟體應用

• week7 - 資料視覺化

• week8 - 常見的業務分析模型

• week9 - 業務理解和指標設計

• week10 - 增長黑客：資料驅動增長

• 集中趨勢(中數、眾數、平均數)

• 變異（四分位數、四分位距、異常值、方差）

• 歸一化(標準分數)

• 正態分布

• 抽樣分布（中心極限、抽樣分布）

• 估計(置性度、置信區間)

• 假設檢驗

• T檢驗

學會用 select 語句添加欄位和找出需要的資料

例如：

select colA,colB,colC into newtable from oldtable where
colA='x' and colB is not null；
select colA from oldtable group by colA;

select 進階學習，可能要講講 join、union，以及多個查詢組合成的嵌套查詢，或者是子查詢的模式，以及模糊查詢。

學會 alter 學會增加，減少欄位

學會更新資料

• R 語言傾向於統計分析、繪圖，統計學家或者學統計學的喜歡用R 語言

• Python 是面向未來的語言，無論從流行度、可用性還是學習難度來講，Python 都是最好的入門語言。

• 從 code academy 開始學起，完成上面的所有練習

• 掌握三個庫 Numpy、Pandas、Matplotlib，

• Numpy 是利用 Python 科學計算的基礎包，對 Numpy 好的掌握將會幫助你有效地使用其他工具例如Pandas。

• 這個學習計劃更多是偏業務的資料分析

• 事實上目前大多的資料崗主要工作都是不斷完善與優化資料指標體系

基於一些資料分析方法，如象限法、多維法、假設法、指數法、二八法、對比法、漏鬥法，在特定業務場景下，還衍生了通用的業務分析模型，常用的有購物籃分析模型，RFM模型，漏斗分析模型，客戶生命周期，以及預測、聚類分析等挖掘模型。

直接套用實做看看。

• 任何一個崗位的設定都是要為企業帶來價值或利潤的，資料分析師也是如此。要搞清未來價值所在，升職加薪之路才會明朗。

• 目前有一個非常火的詞來形容一類資料分析師，叫「增長黑客」，所做的事也很時髦，叫「資料驅動」。字面意思很好理解，就是利用資料分析技術給業務帶來增長，驅動企業轉型。

資料分析結果表達的是否到位，領導是否認同，工資漲不漲，全靠這一紙 dashboard（當然還有「講故事」的功力）。