去年我带了两个实习生，一个上来就买了Python数据分析课，学了两周pandas，结果让他算一下上周的订单转化率，愣了半天问我要原始数据在哪。另一个从Excel透视表开始，第三周就能自己拉数、做周报，还指出了我们一个渠道的投放漏洞。说实话，数据分析这行，工具从来不是门槛，思路才是。
我做了六年数据分析，从电商到SaaS都待过。回头看，新手最容易走弯路的地方不是技术难，而是顺序错了。下面这几件事，我觉得比学什么语言重要得多。
先把业务指标嚼碎了再动手
很多人一入门就想学写代码，但连自己公司靠什么赚钱都说不清。我面试过的人里，能准确说出"日活"和"月活"区别的不到一半，更别说留存、复购、LTV这些了。指标搞不清，你算出来的数就是自娱自乐。
我的建议是，先花一周时间把公司现有的报表全部翻一遍，搞清楚每个数字怎么来的、谁在看、看了会做什么决策。这几类指标新手必须搞懂：
- 规模类：DAU、GMV、订单量，先知道盘子多大
- 转化类：漏斗每一层的转化率，找出卡点在哪
- 留存类：次日、7日、30日留存，判断产品健康度
- 效率类：获客成本、客单价、LTV/CAC比值
这四类吃透了，你再看数据就不只是"涨了还是跌了"，而是能说出"为什么涨、能不能持续"。
Excel加SQL，够你干两年活
别不信，我上一家公司整个增长团队十来个人，日常80%的分析都是Excel加SQL完成的。Python和BI工具是加分项，不是入场券。
Excel重点练三样：数据透视表、VLOOKUP/XLOOKUP、以及条件格式和图表。透视表能让你五分钟把十万行明细汇总成一张业务能看懂的图。SQL则练到能熟练写JOIN、GROUP BY、窗口函数，基本上就够应付大部分取数需求了。
举个例子。有一次我们发现某款商品的复购率从18%掉到了11%，运营那边说是季节性波动。我写了个SQL按用户注册月份分组，发现掉的全是三个月前通过某个渠道进来的用户。再往下拆，那批用户的客单价只有平均值的六成。最后查出来是那个渠道的落地页改了，来的人跟目标人群不匹配。整个过程没用任何高级算法，就是分组、对比、找差异。
这才是数据分析的日常：拆维度，做对比，验证假设。
给自己排一个30天练手计划
光看教程没用，得有真实的数据练手。没有公司数据的话，去Kaggle找个电商订单数据集也行，重点是完整走一遍流程：
- 第1到7天：把数据集里的字段全部理解一遍，写出每个字段的业务含义
- 第8到15天：用透视表做出5张核心报表，日趋势、渠道分布、品类排行
- 第16到23天：导入数据库，用SQL重做一遍上面的报表，练习多表关联
- 第24到30天：挑一个异常数据，写一份三页的分析结论，说清原因和建议
最后一步最关键。分析的价值不在数字本身，在于你能不能给出一个别人能执行的建议。我见过太多报告，图表做得花里胡哨，结论一栏写"建议持续关注"，这种等于没写。
数据分析新手入门这件事，说穿了就是：先懂业务，再练工具，最后逼自己输出结论。工具会过时，这套逻辑不会。你要是刚开始学，别急着报几千块的课，拿手边的表格先做三张报表出来，比什么都强。