了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等即可。你看，和Excel的函数都差不多。如果时间充裕，则学习row_number，substr，convert，contact等。
和Excel一样，学会搜索解决问题。不同引擎的函数也会有差异，例如Presto和phpMyAdmin。期间你不需要考虑优化和写法丑陋，查询几秒和几分钟对数据分析师没区别，跑数据时喝杯咖啡呗，以后你跑个SVM都能去吃饭了。网上搜索SQL相关的练习题，刷一遍就行。也能自己下载数据库管理工具，找些数据练习。
我用的是Sequel Pro。第五周：统计知识学习统计学是数据分析的基础之一。统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。这一周努力掌握描述性统计，包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。详细的数学推导不用细看，谁让我们是速成呢，只要看到数据，知道不能怎么样，而是应该这样分析即可。
Excel中有一个分析工具库，简单强大。对列1的各名词做到了解。如果是多变量多样本，学会各种检验。《统计数字会撒谎》休闲读物，有趣的案例可以让我们避免很多数据陷阱。深入浅出统计学 (豆瓣)还是经典的HeadFirst系列，适应它一贯的啰嗦吧。多说一句，老板和非分析师不会有兴趣知道背后的统计学原理，通常要的是分析后的是与否，二元答案。
不要告诉他们P值什么的，告诉他们活动有效果，或者没效果。第六周：业务学习（用户行为、产品、运营）这一周需要了解业务。对于数据分析师来说，业务的了解比数据方法论更重要。当然很遗憾，业务学习没有捷径。我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。
总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，我们只知道送货员的送货水平距离，数据上根本不可能知道垂直距离这个指标。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。
对于业务市场的了解是数据分析师工作经验上最大优势之一。既然是零经验面试，公司肯定也知道刚入门分析师不会有太多业务经验，不会以这个卡人。所以简单花一周了解行业的各指标。《增长黑客》数据驱动业务的典型，里面包含产品运营最经典的AAARR框架，部分非数据的营销案例，《网站分析实战》如果应聘的公司涉及Web产品，可以了解流量的概念。
书中案例以Google Analytics为主。其实现在是APP Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。《精益数据分析》互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。
自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。第七周：Python/R学习终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。
掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。
Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。如果学习R，建议看《R语言实战》，照着书本打一遍代码，一星期绰绰有余。另外还有一本《统计学》，偏知识理论，可以复习前面的统计学知识。R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。
如果时间有余。可以再去学习ggplot2。Python拥有很多分支，我们专注数据分析这块，入门可以学习《深入浅出Python》。需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas Numpy。在速成后的很长一段时间，我们都要做调包侠。这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用 Anaconda。
