入行之后，我才发现数据分析其实可以分为两种：
一种类似产品经理、一种偏向数据挖掘，
类似产品经理向更加注重业务，对业务能力要求比较高；数据挖掘向更加注重技术，对算法代码能力要求比较高。
首先我说说这两种方向共同需要的技术面，当然以下只是按照数据分析入门的标准来写：
1. 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。
2. 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。
3.Python或者R的基础：
这一点
是必备项也是加分项，
在数据挖掘方向是必备项，语言相比较工具更加灵活也更加实用。
R和Python谁才是数据分析一哥，江湖上已经争论很多年了，至今没有定论...... 事实大概是
Python的主要功能是编程，
除了单纯的数据分析，在很多领域还有广泛利用，所以就业市场上对Python的需求是远大于R。
R主要侧重统计功能，
在统计方面显示出了很多的优势，用R做单纯的数据分析还是妥妥的稳稳的。但是往数据科学方向走的话，R就有点顶不住了，轮到Python扬眉吐气了......
数据挖掘方向
我先打个前哨，想要在一两个月内快速成为数据挖掘向的数据分析师基本不可能，做数据挖掘必须要底子深基础牢，编程语言基础、算法、数据结构、统计学知识样样不能少，而这些不是你自习一两个月就能完全掌握的
利用数据挖掘进行数据分析常用的3个方法：
分类、回归分析、聚类等
， 它们分别从不同的角度对数据进行挖掘。
①分类：
分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，
其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。
它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。
②回归分析：
回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，
其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
③聚类：
聚类分析是把一组数据按照相似性和差异性分为几个类别，
其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。
它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。
产品经理方向
产品经理向需要你
对业务感知能力强，对数据十分敏感，
掌握常用的一些业务分析模型套路，企业经常招聘的岗位是：商业分析、数据运营、用户研究、策略分析等等。
这方面的学习书籍就很多，看得越多掌握的方法越多，我说几本我看过的或者很多人推荐的书籍：《增长黑客》、《网站分析实战》、《精益数据分析》、《深入浅出数据分析》、《啤酒与尿布》、《数据之魅》、《Storytelling with Data》
同时产品经理也要监控相关数据
流量相关数据：
IP、PV、在线时间、跳出率、新用户比例;
订单相关数据：
总订单、有效订单、订单有效率、总销售额、客单价、毛利润、毛利率;
转化率相关：
下单转化率、付款转化率。
简要说明：
因为我们已经实现基础的WEB版数据分析系统(有些公司用进销存软件)，所以常规性的销售额、利润、利润率，都是可以通过系统实现的。
因为直接与商城后台对接，库存管理都已经做进去了，分析数据时候，后台的原始数据都有，设定好各项公式，想要的结果都出来了，这样实现比用软件效率更好，且可以根据各自的需求灵活开发。
由于会出现用户今日下单，明日付款，所以订单有效率、销售额、转化率、客单价会动态变化，靠EXCEL基本是做不来，所以
