Excel和SQL是数据分析师不可或缺的工具。Excel擅长快速处理中小量数据，SQL则用于管理和查询大型数据库，处理海量数据，支持复杂查询，两者结合，让数据分析师能够应对从简单到复杂多样的数据分析挑战。

1. 1、掌握行，列，单元格合并，拆分等15种excel基础操作设置，可以设置和美化报表模版。
2. 2、掌握删除重复项，条件格式，排序，筛选，数据分组，数据透视表等20种数据的处理与分析的用法。
3. 3、掌握VLOOKUP，IF，SUM，MAX等30个常见excel函数的用法，可以实现报表自动化
4. 4、掌握柱状图，折线图，雷达图，瀑布图，漏斗图等20种常见图的做法
5. 5、掌握单元格保护，工作表保护，工作簿保护，密码保护，共享工作簿等5种数据保护操作等
6. 6、通过作业加深上面知识的学习，同时可以独自完成工作日报，周报等涉及到excel操作的工作。
7. 7、理解服务器，数据库，数据表的基本概念，以及数据的存储类型。
8. 8、掌握数据表的创建，删除，插入，更新，查询等基础操作
9. 9、掌握sql的查询包括条件筛选，排序，去重，模糊查询，以及聚合函数等用法
10. 10、掌握左连接，右连接，内连接，全连接，报表合并以及子查询等可以进行跨表查询。
11. 11、掌握字符串函数、日期时间函数，逻辑函数，数学函数，转换函数等30种函数的用法，可以满足复杂数据的取数需求。
12. 12、掌握ROW_NUMBER()，RANK()、DENSE_RANK() 等窗口函数的用法，进行排名查询（面试常考）。
13. 13、通过实战面试题和作业练习，可以将sql运用到业务中，满足日常分析中取数的工作。

Tableau与Power BI作为顶级数据可视化工具，极大提升分析效率与洞察力。Tableau能够快速创造复杂视图，Power BI无缝对接微软生态，云服务丰富，更适合企业级需求。成为现代数据分析师必备技能。

1. 第5周 ：
2. 简介
3. 1、掌握Tableau格式的格式，新增字段，连表，数据转换，数据过滤，等数据清洗操作。
4. 2、掌握Tableau直方图，散点图，面积图，热力图，地图等15种图表的制作。
5. 3、掌握仪表板框架的设计，页面的布局，图表的选择，交互的设计，色彩字体的选择等
6. 4、掌握仪表板的分发，嵌入到网页，导出等操作，使他人能够访问仪表板
7. 5、掌握Power BI中数据的筛选，排序，合并，拆分，函数的使用，数据类型的转换，异常值、重复数据、缺失数据等数据的清洗。
8. 6、掌握 Power BI 的数据建模功能，创建关系模型、定义计算字段、编写复杂的 DAX（Data Analysis Expressions）表达式等
9. 7、掌握Power BI图表的制作，包括柱状图，散点图，树形图，瀑布图，甘特图等15种图表的制作。
10. 8、掌握Power BI仪表板的制作，包括图表的选择，页面的布局，交互设计与配色等，可以制作一份漂亮的仪表板。
11. 9、掌握Power BI数据的共享，包括共享链接，嵌入到网页，发送链接和快照，安全与权限等共享数据分析和洞察，促进团队间的合作和决策制定。
12. 10、通过案例实战可以了解到仪表板创建的整个过程，以及作业的练习可以完全掌握Power BI可视化的操作。

Python对数据分析师极为重要，Python让数据清洗、处理、分析、可视化及建模变得高效而直观，即便是非编程背景的分析师也能快速上手。对于提升数据驱动决策的能力至关重要。是数据分析师的首选语言

1. 1、了解python与Anaconda的下载与安装。
2. 2、掌握python的基础语法，包括变量与数据类型，条件语句，循环结构，异常处理，def定义函数，导入包和模块。可以进行简单的python代码开发。
3. 3、掌握python中Pandas库的操作，包括数据分导入/导出，处理缺失数据、重复数据、数据类型转换，数据过滤操作，数据聚合与分组，数据可视化操作等，可以进行数据的清洗。
4. 4、掌握python中Numpy库的操作，包括数组进行数学运算，数学函数，如三角函数、指数函数、对数函数，矩阵乘法、逆矩阵、特征值，随机数的生成等，可以高效地处理数据和进行数学运算。
5. 5、掌握python中Matplotlib库图表的制作，包括折线图，散点图，雷达图，气泡图等20种图表的制作。
6. 6、掌握python中Scikit-learn库中相关分析，回归分析，时间序列分析，聚类分析等算法的操作。

指标体系搭建与数据埋点为数据分析师提供了精准的测量标尺与数据来源，是理解业务表现的基础。对比分析则如同一面镜子，让分析师能从差异中洞察趋势、问题与机会，助力优化决策。这一过程至关重要，是驱动业务增长与策略调整的关键环节。

1. 1、了解指标和北极星指标的定义，作用以及指标的选择的方法论。
2. 2、了解北极星指标选择的方法论以及北极星指标的考虑因素。
3. 3、解指标体系的设计规则以及搭建指标体系的方法论实现自己搭建任意一个指标体系。
4. 4、掌握指标体系评估的方法论，可以评估一个指标体系的好坏。
5. 5、了解到数据的来源比如公司数据库，传感器，第三方数据等以及采集方法包括埋点采集，API采集，传感器采集，问卷调查等。
6. 6、了解数据采集的流程：明确需求和目标-选择数据来源-制定数据采集方案-数据采集-数据存储与管理。
7. 7、掌握数据埋点的方法代码埋点，后端埋点，可视化埋点，全埋点等4种埋点方法的技术，工具，操作人员以及优缺点。
8. 8、了解数据埋点的流程以及埋点文档的制作，可以进行数据埋点。
9. 9、了解对比分析的分类包括定量对比，定性对比，以及横向对比，纵向对比等分类的用法。
10. 10、掌握SWOT分析方法（战略规划工具）评估企业和个人的优势，劣势，机会和威胁，并制定相应的对策。
11. 11、掌握波特五力模型（竞争对手的竞争力，潜在进入者的威胁，供应商的议价能力，买家的议价能力，替代品或服务的威胁）用于评估企业或个人内竞争环境的吸引力和竞争激烈程度。
12. 12、掌握工作中的对比分析方法同比和环比的定义，计算公式，可以判断当前业务的好坏。
13. 13、掌握对比分析的流程和注意事项，可以进行描述性统计分析，并分析当前业务的状况等。

异动分析能敏感捕捉数据波动，及时发现业务异常，为数据分析师提供即时干预的依据。漏斗分析则揭示用户旅程中的转化瓶颈，优化流程，提升转化率。两者结合，助力数据分析师精准定位问题节点，对优化用户体验、和驱动增长至关重要。

1. 1、了解异动数据分析的概述以及作用，降低公司损失，提升公司业务等。
2. 2、掌握异动数据判断的方法论，可以判断任一数据是否属于异动数据。
3. 3、掌握异动数据分析的方法论（判断数据准确性，业务是否发生变化，点-线-面分析），可以进行任何指标异动表现的分析。
4. 4、通过作业可以完全掌握异动数据分析，并进行实操，可以进行0-1的异动数据分析。
5. 5、了解漏斗分析的定义，应用场景，作用以及特点。
6. 6、了解常用的漏斗模型，包括注册转化漏斗，销售漏斗，AAARRR模型，招聘漏斗等6种常见模型，以及识别模型可优化点的方法论及优化策略的思维。
7. 7、掌握漏斗分析模型搭建的方法论和注意事项，可以搭建一个合理的漏斗分析模型。
8. 8、通过案例实战可以加深对漏斗分析模型的理解，同时还可以提升招聘效率（也可以提升入职机会）。通过作业练习可以完全掌握漏斗分析，帮助企业提升对应的转化率。

归因分析帮助数据分析师理解用户转化的全链路影响因素，用户行为分析则深入洞察用户互动模式，为个性化推荐与用户体验优化提供数据支持。二者合力，使分析师能更科学地指导产品设计、营销策略等对实现数据驱动的精细化运营至关重要。

1. 1、掌握归因分析的概述以及应用场景
2. 2、了解末次归因分析，首次归因分析，线性归因分析，时间衰退归因分析，位置归因分析，算法模型归因分析等6种归因方法的适用场景，计算方法，以及优缺点。
3. 3、掌握归因分析模型选择的方法论，可以选择合适的模型进行评估，同时掌握归因分析的流程可以评估一个营销活动的效果。
4. 4、通过案例实战可以了解到广告效果评估的方法论，通过作业实战可以灵活运用归因分析帮助运营对营销活动进行客观的评估（运营数据分析的一项工作内容）
5. 5、了解用户行为分析的定义，作用以及应用场景，包括网站和APP优化，个性化推荐，风险识别等。
6. 6、掌握行为事件分析，用户行为路径分析，漏斗分析，预测性分析等用户行为分析方法的定义，应用场景，分析流程，结果解读以及注意事项。

留存分析数据分析师识别用户流失节点，优化产品功能与运营策略，提升用户忠诚度。购物篮分析则揭示商品间的关联性，指导交叉销售与商品陈列优化，提升客单价和销售效率。二者对理解用户粘性与消费行为至关重要

1. 1、掌握留存率的计算公式，包括次日留存率，3日留存率，7日留存率，周留存率以及月留存率等（面试常考留存率的sql）。
2. 2、掌握留存率的分析方法，包括渠道同期群分析，新老用户同期群分析，产品功能留存矩阵以及魔法数字等分析方法分析企业留存率。
3. 3、掌握发现不同用户流失的原因以及找到对应策略的方法论来提升留存率（原因和对应策略可复制）
4. 4、掌握留存率分析的流程包括明确分析目标，留存率分析方法的选择，流失原因的挖掘，提升策略的输出与落地等，可以灵活运用留存率分析解决企业问题。
5. 5、通过案例和作业可以了解到音乐媒体平台留存率分析的方法，用户流失的原因以及解决策略，通过作业可以强化留存率分析的应用。
6. 6、了解购物篮分析的定义和应用场景包括交叉销售，商品布局规划，营销策略制定等。
7. 7、掌握关联规则挖掘算法包括Apriori算法，FP-Growth算法的原理和应用场景。
8. 8、掌握支持度、置信度和提升度三个指标的定义，计算方式以及代表的业务意义。
9. 9、掌握购物篮分析的流程，包括数据的收集与清洗，发现频繁项集，生成关联规则，结果的解释和应用等步骤的具体操作（或计算）步骤，可以自主进行购物篮分析解决企业问题。

AB测试通过对比实验验证策略效果，指导精准决策，优化产品与市场策略；神策数据平台借助深度行为分析、智能预警等工具，加速洞察用户行为，驱动数据决策，确保数据安全，共同促进业务增长与数字化转型，大幅提升分析效率与效果。

1. 1、了解AB测试的定义和应用场景
2. 2、掌握AB测试的原理控制变量法和假设检验（T检验和Z检验）的定义，适用条件，原理等。
3. 3、掌握AB测试的流程包括制定假设，样本量计算，实验周期计算，用户分组，分流等具体操作步骤和计算方法。
4. 4、了解到AB测试结果的解读，以及没有显著性差异的原因有哪些，帮助企业做正确的决策。
5. 5、了解到AB测试过程中优缺点，同时了解AB测试的平台工具（火山引擎）的操作步骤。
6. 6、了解神策数据系统在企业中的作用，以及包括数据采集模块，数据存储模块，数据处理与分析模块，数据可视化模块，用户行为分析模块，风险监测与预警模块等6大功能模块。
7. 7、掌握时间分析与漏斗分析，留存分析与分布分析，间隔分析与归因分析，session分析与路径分析，网页热力分析与用户分群等10种分析方法在神策系统中操作步骤
8. 8、掌握神策系统中自定义查询，数据导出等功能，可以依据业务的需求，通过sql取数完成自己的分析。

相关分析识别变量间关系的方向与强度，回归分析进一步量化这些关系，建立预测模型，评估因素变化对结果的影响。两者结合，不仅增强问题理解的深度与广度，还助力预测未来趋势，优化决策策略，是数据驱动决策的关键工具。

1. 1、了解相关分析的定义，作用以及应用场景包括市场营销，客户关系管理，人力资源管理，供应链管理等。
2. 2、掌握相关关系的分类包括线性相关关系，非线性相关关系，正相关关系，负相关关系等8种关系的定义，以及在企业中的应用。
3. 3、掌握皮尔逊相关分析，斯皮尔曼相关分析的计算原理，使用场景
4. 4、了解相关矩阵的定义和解释，增加相关分析的可视化展示。
5. 5、掌握python相关分析的代码，利用相关分析解决业务实际问题。
6. 6、了解回归分析的定义，作用（预测）以及应用场景
7. 7、掌握一元线性回归，多元线性回归，非线性回归，逻辑回归，多项式回归等5种回归分析的原理，应用场景。
8. 8、掌握回归分析的流程，包括数据准备、变量的选择，模型构建、参数估计和模型评价等步骤。
9. 9、用python做回归分析的代码，同时通过作业练习可以加深回归分析的理解的灵活运用。

时间序列分析能预测未来趋势，通过分析历史数据随时间的变化规律，帮助数据分析师识别季节性、趋势及周期性，为库存管理、销量预测等提供依据。聚类分析则将数据分组，发现潜在的用户细分、市场划分，利于定制化策略和资源优化。

1. 1、了解时间序列分析的定义，作用（预测）以及应用场景包括销售预测，风险管理等。
2. 2、了解平稳序列和白噪声序列的定义，特点，应用和区别。
3. 3、掌握朴素法，移动平均法，自回归移动平均，自回归积分移动平均模型，霍尔特-温特斯方法等8种时间序列分析方法的定义，原理，应用场景
4. 4、通过案例掌握时间序列分析在制造业中的应用，并且掌握python在进行时间序列分析时数据的处理过程。
5. 5、了解聚类算法的定义，作用（分类和预测）以及应用场景包括客户细分，流失用户预测等。
6. 6、了解到高纬度距离的计算方法包括欧式距离，曼哈顿距离等。
7. 7、掌握K最近邻（KNN），，K-means++聚类，k-modes聚类，层次聚类等6种聚类算法的原理，应用场景
8. 8、掌握python进行聚类分析的操作流程。

RFM模型通过最近消费、消费频率和消费金额三个维度评估用户价值，助力识别高价值客户，优化营销策略。用户生命周期分析追踪用户从获取到流失的全过程，帮助理解用户行为变迁，适时介入，延长用户活跃周期，提升用户生命周期价值。

1. 1、习RFM模型的定义以及在企业中的作用：客户分层精细化运营。
2. 2、学习RFM的应用场景客户忠诚度评估，市场定位等以及RFM模型在其他行业的变形应用。
3. 3、掌握RFM模型进行客户分层的原理及实现步骤（均值法，定档法，打分法）。
4. 4、学习RFM模型的优缺点，以及在运用RFM模型进行客户分层面临的困难及对应解决方案。
5. 5、通过作业强化RFM的理解，并且可以利用RFM模型驱动企业业务的增长。
6. 6、掌握用户生命周期的定义包括导入期，成长期，成熟期，休眠期，流失期等5个阶段
7. 7、学会提升获取，激活，留存三个阶段的方法，以及休眠，流失两个阶段的原因，以及对应的召回策略
8. 8、通过作业加深了解各阶段采取的策略，提升业务能力和解决问题能力。

LTV分析帮助数据分析师评估用户长期贡献，优化用户获取成本，指导资源分配至高回报渠道，促进利润最大化。AARRR模型（获取、激活、留存、收入、传播）为分析用户旅程提供框架，助力理解各阶段转化效率，推动产品与营销策略迭代

1. 1、学习LTV的定义和重要性，以及应用场景包括客户关系管理等
2. 2、掌握LTV分析的计算公式并对用户的价值进行计算。
3. 3、掌握LTV分析的流程，可以进行LTV分析，同时了解LTV分析的相关指标包括平均订单价值（AOV），平均订单频率，客户寿命等。
4. 4、掌握LTV的预测方法包括预测未来客户的行为模式，预测不同客户群体的未来LTV，生命周期价值模型（CLV模型）等。
5. 5、学习AARRR模型的五个阶段获取，激活，留存，收入，推荐的定义和界限，以及AARRR模型的应用场景
6. 6、掌握AARRR模型各阶段指标选择的方法论，以及各阶段目标的制定。
7. 7、掌握寻找各阶段转化率低的原因，以及提升策略的方法论，灵活运用到各行业来提高业务转化率。

用户画像帮助数据分析师深刻理解目标群体特征与需求，定制个性化策略；竞品分析让分析师洞察市场态势，指导产品优化与创新方向；数据报告综合呈现分析成果，为管理决策提供量化依据，促进数据驱动的业务决策。

1. 1、学习用户画像的定义，应用场景包括个性化推荐，广告投放，营销策略制定，客户关系管理等。
2. 2、掌握用户画像包含的内容信息，包括个人属性，兴趣爱好，行为偏好，消费行为，社交信息等。
3. 3、掌握用户画像的构建流程，可以自己构建用户画像。
4. 4、掌握竞品分析包含的分析内容，包括产品和服务特征分析，客户群体和定位分析，定价策略和销售模式分析，市场份额和趋势分析等内容。
5. 5、了解竞品数据收集方法，包括市场调研，第三方网站，社交媒体，客户提供商等方法获取数据。
6. 6、了解竞品分析报告内容，撰写方法和注意事项
7. 7、学习数据分析报告的定义以及在企业中的作用：问题识别，决策支持等。
8. 8、掌握数据分析的分类：专题分析报告，综合分析报告，日常数据报告等3类报告的特征。
9. 9、掌握数据分析报告的结构“总-分-总”以及包含的内容，可以写一份数据分析报告。
10. 10、掌握数据分析报告的评估标准，可以判断任一评估报告的可靠性。

综合实战项目不仅让同学们掌握技术技能，更重要的是培养其在复杂情境下运用数据解决问题的能力，为其职业生涯奠定坚实基础。

1. 1、掌握到渠道分析的思路与方法，以及投放渠道的优化，可以进行渠道分析（市场数据分析师工作内容）。
2. 2、掌握如何通过数据发现APP的问题，以及APP版本迭代效果评估，可以通过数据驱动产品迭代，并进行效果评估（产品数据分析师工作内容）。
3. 3、学习活动效果评估方法，可以进行活动效果评估，并进行活动迭代的思路（运营数据分析师工作内容）。
4. 4、学会销售分析的思路，找到优化点的思路和解决方案（销售数据分析师工作内容）
5. 5、学习如何发现业务流程存在的问题，并进行策略输出的方法论（运营数据分析或风控数据分析的工作内容）
6. 6、掌握目标的拆解，通过数据分析发现增长点，策略的输出以及落地，并验证效果（企业及项目）

本章通过项目复盘、岗位JD拆解、简历构建与优化的策略，包括SMART原则撰写工作经验，大幅提升同学们的简历脱颖而出并顺利通过面试的概率，助力同学们打造高质量简历，在数据分析岗位面试中游刃有余，成功斩获理想offer。

1. 1、掌握项目复盘的方法论，可以对自己过往项目进行复盘。
2. 2、掌握岗位JD的拆解方法论，可以拆解任何岗位JD。
3. 3、掌握到简历模版选择依据，简历的排版，以及简历上体现的内容
4. 4、掌握简历中工作经验写法的方法论以及项目经验的方法论SMART原则。
5. 5、掌握从接到面试邀请电话-offer谈判过程中沟通的方法以及话术。
6. 6、加强业务知识的重点内容包括行业知识，业务流程图，商业模型画布，用户旅程地图以及面试前需要了解到的内容，掌握到逻辑树拆分思维拆解面试官的开放性问题。
7. 7、了解excel常见的面试题，数据透视表，高级图表的制作，以及sql的面试题聚合函数，窗口函数，连表查询。
8. 8、了解指标体系和异常数据分析在面试过程中的考点以及对应的答案。
9. 9、了解各种分析方法在工作中的运用场景，发现问题和解决问题的思路以及分析算法的建模运用。
10. 10、掌握面试过程中各环节问题的注意事项以及对应的答案。