将Excel当作复制粘贴的工具，往往并不是不会计算，而是不清楚自己在计算什么。
对于数据分析师而言，并非是首先背诵一大堆函数，也并不是将简历中的工具栏填充，而是能够从数字中找到问题，然后把问题说明白。
统计学是基础，但不必一上来就啃复杂的理论。
互联网时代，按照本科教材将统计学学好，理解概率，均值，波动，抽样以及常见检验，能够支撑很多基本分析。
书是可以读的，不要把读完专业的书当成能力自己。
对于一组数据，要知道该不该进行比较，比较的结果到底可靠不可靠，这才算真正学会了。
编程是将手伸进数据中的工具。
仅仅只会在Excel里面复制，粘贴，拖公式，在面对大量的记录的时候，效率以及动手的能力都会被限制住。
Python上手比较快，代码也比较简单，适合清洗数据，批量处理以及重复执行的分析。
数据库这个问题绕不开。
许多数据分析师常常从数据库中取数，至少需要能够看懂表的结构，会建立表，并且用SQL来完成筛选，连接，分组以及计算。
不会SQL，有很多时候并非是分析能力欠缺，而是连所需要的数据也拿不到。
数据仓库不要和数据库混淆。
数据库就好像是业务运行过程中的记录一样，数据仓库就集中地保存历史的数据，并且根据分析的需要进行设计，以便分析人员能够高效地使用。
理解这一层差别，才不容易将业务系统中的零散记录作为完整的答案。
方法更容易被忽略。
对于互联网分析而言，可以去阅读《智慧创业》以及《智能数据分析》。熟悉常用的分析思路，并且结合公司产品的调整，可千万不要把书里面的方法死死地套用。
当产品数据出现下滑的情况时，分析师所要追求的并非是下降了多少，而是用户到底在哪一个环节出现了流失的状况，哪些人受到了影响，改动到底是不是真的有效果。
会取数，并不意味着会判断，这就是很多人学习了Python和SQL，在面试的时候还是答不出题来的原因。
就业的方向不只是互联网。
电商企业数据使用的场景比较多，对于分析价值的关注程度也比较高，适合将业务理解与数据技能一同练习。
咨询公司必须有数据分析人员，项目切换速度快，接触到的问题更多，专业能力也许更全面。
银行，证券，等金融机构依赖数据分析，但对于相关能力要求一般更具体。
电信企业有着大量的数据，也是在竞争压力之下重视分析的，只是进入的门槛比较高。
不要把会几个工具错误地认为是能够做数据分析。
可以用统计学来避免误判，SQL和Python处理数据，再翻译成业务可执行，才是可以就业的能力结合。
学习的时候不要按照软件清单来进行打卡，拿着一份业务方面的数据，从问题的提出、取数的、清洗的、分析的到表达完整的走一遍。
证书能够装进简历，而真正决定在考证之后是否能够就业、能否升迁的，则是你能不能用数据来回答问题，让别人愿意采取行动。
