数据分析新人学习路线图
手册 · 覆盖 小红书、抖音、私域，约 17 分钟。
数据分析学习路线图
为数据分析学习小伙伴持续更新数据分析学习路线和建议的学习内容，新人可以参考以下路线图进行学习。
学习阶段对应内容
| 学习阶段 | 学习内容 | 具体要点 | 补充说明 |
|---|---|---|---|
| 数据分析全局了解 | 数据分析系统认知 | 总概览：明确数据分析概念、流程、作用和价值。 市场分析：剖析行业现状、发展趋势和人才需求。 与商业决策关系：阐述数据分析在商业决策中的支撑作用，如通过分析销售数据辅助企业制定营销策略 |
数据分析能从海量数据中提取有价值信息，帮助企业优化运营、降低成本、提升竞争力。商业智能利用数据分析结果辅助决策，两者紧密相关 |
| 数据分析技术总览 | 分析师思维：学会区分事实与观点，用客观标准判断，避免预设立场，运用演绎推理。 常用工具和软件：介绍 Excel、Python、SQL、PowerBI 等工具功能和适用场景。 商业分析技能：培养理解业务、定义问题、提出解决方案的能力。 人工智能与大数据技术：了解机器学习、深度学习等技术原理和应用场景 |
以“转化率下降”为例，不能仅说“转化率大幅下降”这种观点，而应明确“周一到周三转化率持续下降，周三相比周一下跌 5%”这种事实。在选择工具时，Excel 适合基础数据处理和可视化，Python 在复杂数据处理和建模方面优势明显 | |
| 数据分析师全岗位分析 | 岗位分类：如业务分析师、数据挖掘工程师、算法工程师等，明确职责和工作内容。 热招岗位分析：深入了解热门岗位技能要求、发展前景和薪资待遇。 招聘需求深度解读：剖析企业对数据分析师的技能、经验和素质要求 |
业务分析师侧重业务理解和数据解读，为业务部门提供决策支持；数据挖掘工程师专注于从大量数据中挖掘潜在信息和模式 | |
| 数据分析师岗位规划 | 能力模型：涵盖数据处理、分析、可视化、业务理解、沟通协作等能力。 学习路径规划：制定分阶段学习计划，明确各阶段学习目标和内容。 职业规划：规划职业发展路径，包括初级、中级、高级分析师及管理岗位晋升方向 |
初级分析师着重掌握基础工具和分析方法；中级分析师深入学习算法和模型，提升解决复杂问题的能力；高级分析师则要具备战略眼光，为企业提供决策建议 | |
| 数据分析认知高频面试题 | 流程面试题：考察对数据分析流程的理解和应用能力。软件面试题：检验对数据分析软件功能和操作的熟悉程度。 职业生涯规划面试题：了解职业规划合理性和稳定性 |
如在流程面试中，可能会问“如何进行数据清洗？”; 软件面试可能涉及“如何在 SQL 中进行多表关联查询？”等问题 | |
| Excel 数据分析实战 | Excel 核心功能 | 基础功能进阶：熟练掌握数据输入、编辑、格式设置等操作技巧。 高频函数与公式精通：学会 SUM、AVERAGE、VLOOKUP 等函数的使用。 数据透视表进阶：灵活运用数据透视表进行数据汇总和分析。 常见高阶图表制作：掌握柱状图、折线图、饼图等图表制作及优化。 Excel BI 相关功能：了解 PowerQuery 数据清洗和 M 函数，PowerPivot 数据建模和 DAX 函数 |
利用 VLOOKUP 函数可实现数据查找和匹配；数据透视表能快速对大量数据进行分类汇总，方便分析数据关系 |
| Excel 数据处理进阶操作 | 数据导入实战：掌握从不同数据源导入数据的方法。 数据清洗深度实操：处理缺失值、重复值、异常值等数据问题。 数据抽取实操：提取特定数据字段或记录。 数据合并实操：按条件合并多个数据表。 数据转换实操：进行数据类型转换、格式调整等操作。数据计算实操：运用公式和函数进行复杂数据计算 |
数据清洗时，可通过删除重复记录、填充缺失值等方式提高数据质量；数据合并可使用 VLOOKUP 函数或数据透视表的合并功能 | |
| Excel 数据分析实战 | 明确数据分析作用：辅助决策、发现问题、预测趋势等。 熟悉常用指标和术语：掌握销售额、转化率、留存率等指标含义和计算方法。 掌握常用分析方法：对比分析、趋势分析、关联分析等 |
对比分析可比较不同时间段或不同产品的销售数据，找出差异和优势；趋势分析通过绘制折线图等观察数据变化趋势 | |
| Excel 数据可视化实战 | 图表基础：了解图表类型选择和基本制作方法。 常用图表解读：解读不同图表适用场景和表达信息。 表格可视化技巧：优化表格布局、格式增强可视化效果。 动态图表制作：掌握制作动态图表实现数据交互展示的方法 |
制作图表时，要根据数据特点和分析目的选择合适图表类型，如展示数据占比用饼图，展示趋势用折线图 | |
| Excel 数据分析项目实战 | 电商交易额预测分析：根据历史数据预测未来交易额。 企业历年产品销售分析：分析产品销售趋势、市场份额等。 项目目标监控（Dashboard 构建）：构建仪表盘实时监控项目关键指标 |
在电商交易额预测中，可运用时间序列分析等方法；构建 Dashboard 时，需选择关键指标并以直观方式展示 | |
| Excel 数据分析高频面试题 | 函数题目：考核常用函数应用。 图表题目：考察图表制作和解读能力。 数据透视表题目：检验数据透视表操作和分析能力。 理论题目：考查 Excel 基础知识和原理。 综合实操题目：要求综合运用 Excel 知识解决实际问题 |
面试中可能会让用 SUMIFS 函数进行多条件求和计算，或根据给定数据制作合适图表并分析数据 | |
| SQL 数据分析实战 | 数据库与 SQL 准备 | 数据库简介：了解数据库概念、类型和作用。 MySQL、Navicat 安装：掌握数据库管理系统安装和配置方法。 SQL 系统详解：学习 SQL 语法、数据类型和操作符 |
数据库可存储和管理大量数据，MySQL 是常用开源数据库，Navicat 是数据库管理工具，方便操作数据库 |
| SQL 核心功能及数据处理 | 数据库与表操作：创建、删除数据库和表。 查询条件设置：使用 WHERE 子句筛选数据。 查询不重复值：运用 DISTINCT 关键字获取唯一值。 单表和多表查询：进行复杂数据查询操作。 窗口函数应用：实现数据分组和排序计算。 数据处理实战案例：通过实际案例巩固数据处理技能 |
在多表查询中，可使用 JOIN 语句关联不同表，根据业务需求查询相关数据 | |
| SQL 数据分析实战案例 | 留存分析：分析用户在一定时间内的留存情况。 RFM 分析：根据用户最近购买时间、购买频率和购买金额进行用户分类。 生命周期价值分析：评估用户在整个生命周期内为企业创造的价值 |
留存分析可帮助企业了解用户粘性，RFM 分析能为精准营销提供依据，针对不同类型用户制定个性化策略 | |
| SQL 数据分析面试高频试题 | 常见高频考点：考核 SQL 基础语法和操作。 MySQL 精品练习题：提供练习题巩固知识。 知名大厂分析师面试题：了解大厂面试题型和难度 |
面试可能会问“如何使用 SQL 进行数据去重？”等问题，通过练习大厂面试题可熟悉面试风格和要求 | |
| PowerBI 数据可视化 | PowerBI 概述 | 简介：了解 PowerBI 功能和优势。 Desktop 安装与体验：安装并熟悉操作界面。 |
PowerBI 是强大的数据可视化工具，能将数据转化为直观的可视化报表和仪表盘 |
| PowerQuery 数据清洗 | 数据列操作：进行数据列的添加、删除、重命名等操作。 数据合并与追加：合并多个数据源数据。 数据分组与透视：对数据进行分组统计和透视分析。 数据逆透视与转换：转换数据格式满足分析需求。 M 函数基础与进阶：运用 M 函数进行复杂数据处理。 数据清洗实战案例：通过案例掌握数据清洗技巧 |
在数据清洗中，利用 PowerQuery 可快速处理数据缺失、重复等问题，提高数据质量 | |
| PowerBI 数据建模及 DAX 函数 | 认识数据模型：理解数据模型概念和作用。 掌握基本概念：了解表、列、关系等基本概念。 认识度量值：学习度量值定义和使用方法。 常用 DAX 函数：掌握 SUMX、AVERAGEX 等函数使用。 VAR 变量定义：学会使用 VAR 定义变量简化表达式。 度量值、计算列、计算表区别：明确三者差异和适用场景。 数据分析实战案例：通过案例掌握数据建模和 DAX 函数应用 |
DAX 函数可进行复杂的数据计算和分析，如用 SUMX 函数对表中指定列进行求和计算 | |
| PowerBI 数据可视化及报告设计 | 图表制作步骤：掌握制作图表的基本流程。 表格及矩阵格式设置：优化表格和矩阵显示效果。 切片器设置：添加切片器实现数据交互筛选。 常用图表制作：制作柱状图、折线图、饼图等图表。交互功能应用：利用编辑交互、书签、钻取等功能增强报表交互性。 报告设计：设计报告颜色、布局、导航等提升可视化效果 |
利用切片器可方便用户筛选数据，查看不同维度的分析结果；合理设计报告布局能使信息展示更清晰 | |
| PowerBI 数据分析高频面试题 | 面试常见类型：了解面试中常见的问题类型。 考察技巧：掌握应对面试的技巧和方法。 项目案例素材及解析：分析项目案例加深对 PowerBI 应用的理解 |
面试可能会问“如何在 PowerBI 中创建动态报表？”，通过分析项目案例可积累实践经验 | |
| Python 数据分析实战 | Python 核心语法解析 | 基础语法与数据类型：学习变量、数据类型、运算符等基础语法。 运算符与表达式：掌握算术、比较、逻辑等运算符的使用。 程序三大结构：理解顺序、选择、循环结构的执行逻辑 |
Python 语法简洁，数据类型丰富，如数字、字符串、列表等，通过不同结构组合可实现复杂程序功能 |
| Python 复杂数据类型解析 | 列表、元组、映射、集合类型：掌握这些复杂数据类型的特点和操作方法 | 列表可动态存储多个元素，元组元素不可变，映射（字典）用于存储键值对，集合用于存储唯一元素 | |
| Python 面向对象编程与应用 | 对象和类基础概念：理解类、对象、属性和方法的概念。 函数定义与使用：学会定义和调用函数。 模块与包管理：掌握模块导入和包管理方法。 文件操作与爬虫基础：学习文件读写和简单爬虫开发 |
定义函数可提高代码复用性，模块和包能组织和管理代码，方便项目开发和维护 | |
| 数据分析三大库核心讲解 | NumPy 库：用于科学计算，处理数值数组。 Pandas 库：进行数据处理和分析，操作 DataFrame 数据结构。 Matplotlib 库：实现数据可视化，绘制各类图表 |
使用 Pandas 库可读取、清洗和分析数据，Matplotlib 库可将数据绘制成直观图表，辅助数据分析 | |
| 数据分析实战项目 | 金融投资风险管控分析：评估投资风险，制定风险管理策略。 上交所股票金融数据实时分析：实时监测和分析股票数据。 人力资源数据可视化与分析：对人力资源数据进行可视化展示和分析 |
在金融投资风险管控中，可通过计算风险指标评估投资组合风险；人力资源数据可视化可展示员工年龄分布、绩效情况等 | |
| Python 数据分析师面试题与案例精解 | 常用数据分析函数题：考核数据分析相关函数应用。 数据可视化高频题解析：考查数据可视化知识和技能。 数据清洗与预处理题：检验数据清洗和预处理能力 |
面试可能会问“如何使用 Pandas 库处理缺失值？”，通过练习面试题可提高应对面试的能力 | |
| 统计学与数据分析思维 | 数据洞察思维 | 问题发现与目标确定：从数据中发现问题，明确分析目标。 数据解读与决策应用：正确解读数据，为决策提供依据。 思维灵活性与创新：培养灵活分析和创新思维能力。 面试要点聚焦：明确面试中数据洞察思维的考查要点 |
以销售数据为例，通过分析发现某产品销量下降，确定分析目标为找出销量下降原因，为调整销售策略提供依据 |
| 描述性统计基础 | 集中趋势度量：掌握均值、中位数、众数等度量方法。离散程度度量：了解方差、标准差等度量数据离散程度的指标。 分布形态度量：学习偏度、峰度等度量分布形态的指标。 面试要素：明确面试中描述性统计的考查重点 |
均值反映数据集中趋势，方差体现数据离散程度，通过这些指标可了解数据的基本特征 | |
| 概率基础理论与统计分析方法 | 概率定义与运算：理解概率定义和基本运算规则。 条件概率与贝叶斯定理应用：运用条件概率和贝叶斯定理解决实际问题。 抽样分布原理：掌握抽样分布的概念和原理。 参数估计技巧：学会点估计和区间估计方法。 假设检验逻辑与应用：理解假设检验原理并进行假设检验 |
在市场调研中，可运用抽样分布原理抽取样本进行调查，通过参数估计和假设检验推断总体特征 | |
| 相关性与回归分析 | 相关系数计算与初步分析：计算相关系数判断变量相关性。 相关性可视化与深度解读：通过图表可视化相关性并深入分析。 线性回归模型构建与拟合：构建和拟合线性回归模型进行预测。 多元线性回归初步：了解多元线性回归模型和应用。非线性回归拓展与应用探索：探索非线性回归模型的应用场景 |
相关系数接近 1 或 -1 表示强相关，接近 0 表示弱相关；线性回归模型可用于预测变量之间的线性关系 | |
| 统计分析实战项目 | 房价购买人群预测案例：通过分析数据预测房价购买人群特征。 电影质量及总票房预测案例：预测电影质量和总票房。 啤酒与尿片购买相关性测试案例：验证啤酒与尿片购买行为的相关性。 面试核心要点与案例：明确面试中统计分析的考查要点和案例分析方法 |
在房价购买人群预测中，可收集房价、购房者年龄、收入等数据，运用统计方法建立模型进行预测 | |
| 大数据与机器学习 | 机器学习概述 | 概念：了解机器学习定义和基本原理。 有监督学习和无监督学习：掌握两种学习方式的区别和应用场景。 机器学习全流程：熟悉数据预处理、模型训练、评估和调优的流程。 机器学习与行业应用：了解在不同行业的应用案例 |
有监督学习利用标记数据训练模型进行预测，无监督学习用于发现数据中的模式和结构，如聚类分析 |
| 机器学习三大问题讲解 | 聚类问题：理解聚类算法原理和应用，如 K-means 算法。 分类问题：掌握分类算法，如决策树、逻辑回归等。 回归问题：学习回归算法，如线性回归、多项式回归等。 面试核心要素：明确面试中机器学习问题的考查重点 |
聚类算法可将数据分为不同类别，分类算法用于预测数据所属类别，回归算法用于预测连续数值 | |
| 机器学习十大算法 | K 近邻算法、线性回归、逻辑回归、朴素贝叶斯、分类树、回归树、随机森林、支持向量机、K-means、XGBoost 算法：掌握这些算法原理、应用场景和优缺点。 面试重点问题：明确面试中对十大算法的考查重点 |
逻辑回归常用于二分类问题，随机森林通过集成多个决策树提高模型准确性，面试中常考查算法原理和应用场景 | |
| 机器学习数据分析竞赛案例详解 | 鸢尾花数据集预测花朵案例、泰坦尼克号生存预测案例、数字识别系统案例、捷信违约风险预测案例：通过实际案例掌握机器学习算法应用 | 在鸢尾花数据集预测案例中，可运用分类算法根据花的特征预测品种 | |
| 数据分析十大方法 | 描述性分析、分组分析、结构分析、分布分析、交叉分析、矩阵分析、转化分析、RFM 分析、留存分析、生命周期价值分析：掌握这些分析方法的原理和应用场景 | 分组分析可按特定条件将数据分组，分析不同组的特征；RFM 分析用于用户分类和精准营销 | |
| 数据分析指标体系搭建 | 指标体系简介：了解指标体系概念和作用。 指标理解：明确常见指标含义和计算方法。 构建方法与实践：掌握构建指标体系的方法并进行实践。 面试题：了解面试中指标体系搭建的考查方式 |
指标体系能全面反映业务状况，如电商指标体系涵盖流量、转化率、销售额等指标 | |
| 数据分析报告撰写 | 报告概况：了解报告目的、结构和基本内容。 分析思路与框架：确定报告分析思路和框架结构。 数据可视化：运用图表展示数据。 数据与结论：准确呈现数据和得出结论。 报告排版：优化报告排版提升可读性。 行业优秀报告模版展示：参考优秀报告模板提高报告质量 |
报告应结构清晰，数据准确，结论有针对性，通过数据可视化使报告更直观易懂 | |
| 数据分析项目实操 | 多个行业项目实战 | 零售业务客户流失模型预测、金融风控信用逾期风险评级模型、游戏数据指标体系搭建、千万级电商用户行为数据分析、互联网广告投放 A/B 测试项目实战、医疗行业 Python 数据分析实战、京东用户购买意向预测实战等项目，通过实际项目积累经验，提高解决实际问题的能力 | 在零售业务客户流失模型预测中，可收集客户购买记录、行为数据等，运用机器学习算法建立模型预测客户流失可能性 |
| 求职与面试 | 数据分析岗位定位分析 | 个人能力和经验深入剖析：评估自身优势和不足。 数分岗位解析：了解不同数据分析师岗位要求和职责。数分求职方向定位：确定适合自己的求职方向 |
根据自身掌握的技能和兴趣，选择业务分析、数据挖掘等不同求职方向 |
数据分析学习社群
微信ID：