首先是基础篇

　　1、首先是Excel，貌bai似这个很简单，其实未必。Excel不仅能够做简单二维表、复杂嵌套表，能画折线图/Column chart/Bar chart/Area chart/饼图/雷达图/Combo char/散点图/Win Loss图等，而且能实现更高级的功能，包括透视表(类似于BI的多维分析模型Cube)，以及Vlookup等复杂函数，处理100万条以内的数据没有大问题。最后，很多更高级的工具都有Excel插件，例如一些AI Machine Learning的开发工具。

　　2. SQL(数据库)

　　我们都知道数据分析师每天都会处理海量的数据，这些数据来源于数据库，那么怎么从数据库取数据?如何建立两表、三表之间的关系?怎么取到自己想要的特定的数据?等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。

　　3. 统计学基础

　　数据分析的前提要对数据有感知，数据如何收集?数据整体分布是怎样的?如果有时间维度的话随着时间的变化是怎样的?数据的平均值是什么?数据的最大值最小值指什么?数据相关与回归、时间序列分析和预测等等。

　　4、掌握可视化工具，比如BI，如Cognos/Tableau/FineBI等，具体看企业用什么工具，像我之前用的是FineBI。这些工具做可视化非常方便，特别是分析报告能含这些图，一定会吸引高层领导的眼球，一目了然了解，洞察业务的本质。另外，作为专业的分析师，用多维分析模型Cube能够方便地自定义报表，效率大大提升。

　　进阶阶段需要掌握的：

　　1、系统的学好统计学

　　纯粹的机器学习讲究算法预测能力和实现，但是统计一直就强调“可解释性”。比如说，针对今天微博股票发行就上升20%，你把你的两个预测股票上涨还是下跌的model套在新浪的例子上，然后给你的上司看。统计学就是这样的作用。

　　数据挖掘相关的统计方法(多元Logistic回归分析、非线性回归分析、判别分析等)

　　定量方法(时间轴分析、概率模型、优化)

　　决策分析(多目的决策分析、决策树、影响图、敏感性分析)

　　树立竞争优势的分析(通过项目和成功案例学习基本的分析理念)

　　数据库入门(数据模型、数据库设计)

　　预测分析(时间轴分析、主成分分析、非参数回归、统计流程控制)

　　数据管理(ETL(Extract、Transform、Load)、数据治理、管理责任、元数据)

　　优化与启发(整数计划法、非线性计划法、局部探索法、超启发(模拟退火、遗传算法))

　　大数据分析(非结构化数据概念的学习、MapReduce技术、大数据分析方法)

　　数据挖掘(聚类(k-means法、分割法)、关联性规则、因子分析、存活时间分析)

　　其他，以下任选两门(社交网络、文本分析、Web分析、财务分析、服务业中的分析、能源、健康医疗、供应链管理、综合营销沟通中的概率模型)

　　风险分析与运营分析的计算机模拟

　　软件层面的分析学(组织层面的分析课题、IT与业务用户、变革管理、数据课题、结果的展现与传达方法)

　　2、掌握AI Machine Learning算法，会用工具(比如Python/R)进行建模。

　　传统的BI分析能回答过去发生了什么?现在正在发生什么?但对于未来会发生什么?必须靠算法。虽然像Tableau、FineBI等自助式BI已经内置了一部分分析模型，但是分析师想要更全面更深度的探索，需要像Python/R的数据挖掘工具。另外大数据之间隐藏的关系，靠传统工具人工分析是不可能做到的，这时候交由算法去实现，无疑会有更多的惊喜。

　　其中，面向统计分析的开源编程语言及其运行环境“R”备受瞩目。R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。此外，它还具备称为CRAN(The Comprehensive R Archive Network)的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，个人建议从python入手，拥有丰富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。