数据分析师 L1：入门筑基#

[!quote] 写在前面如果你正在读这篇文档，说明你对数据分析产生了兴趣，或者已经决定往这个方向发展。不管你现在是什么背景——在校学生、刚毕业的应届生、想转行的职场人，还是想给自己加一项技能的业务人员——我都想先告诉你一件事：你选择了一个正确的方向。

数据分析不是什么高不可攀的技术，它本质上是一种用事实说话的思维方式。这篇文档会尽可能真诚地告诉你，在入门阶段你需要学什么、会遇到什么困难、以及如何避开我们踩过的坑。

这个阶段的你，可能是这样的#

在开始学习之前，我想先描述几个典型的 L1 学习者画像。看看有没有和你相似的：

画像一：在校学生，想找份数据相关的工作#

你可能是大三大四的学生，专业可能是统计、经济、计算机，也可能完全不相关。你听说数据分析师是个不错的岗位，薪资还可以，门槛也不像程序员那么高。但你打开招聘网站，发现要求写着”熟练使用 SQL”、“精通 Python”、“有数据分析经验”，你有点慌——这些你都不太会。

给你的建议：不要被招聘要求吓到。那些”精通”往往是 HR 的模板用语。L1 阶段你需要做的就是：能用 SQL 从数据库里把数据取出来，能用 Excel 或 Python 做基本的数据处理和图表。这两件事，认真学 2-3 个月完全可以做到。

画像二：刚入职的新人，工作中需要用到数据#

你可能刚入职一家公司，岗位是运营、产品、市场，甚至是销售。老板经常让你”拉个数据”、“做个分析”，你发现 Excel 透视表已经不够用了，同事们都在用一个叫 SQL 的东西从”数据库”里取数。你想学，但不知道从哪开始。

给你的建议：你的优势是有真实的业务场景。很多人学数据分析最大的困难是”不知道分析什么”，而你天天都有真实问题要解决。建议你从 SQL 开始学起，因为这是最快能在工作中用上的技能。学的时候直接用公司的数据练习（注意权限），进步会非常快。

画像三：想转行，但对自己的能力没信心#

你可能已经工作了几年，做的是和数据完全不相关的工作。你想转行，看了很多帖子，有人说”零基础三个月转行成功”，也有人说”没有统计学背景很难”。你不知道该信谁，也不确定自己能不能学会。

给你的建议：转行确实需要付出更多努力，但绝对不是不可能。数据分析的入门门槛没有你想象的那么高。我见过文科背景、完全零基础的人，通过半年的系统学习成功转行。关键是：不要只看教程，要动手做项目。哪怕是用公开数据集做一个分析，也比看十个视频有用。

L1 阶段的核心目标#

用一句话概括 L1 阶段的目标：

能够独立完成”发生了什么”这个层面的分析。

具体来说，就是：

业务方问你”上周的销售额是多少”，你能从数据库里查出来
老板说”做个用户画像”，你能用数据描述出用户的基本特征
产品问”这个功能上线后数据怎么样”，你能拉出数据做个前后对比

注意，L1 阶段不要求你解释”为什么会这样”（那是 L2 的事），也不要求你预测”接下来会怎样”（那是 L3 的事）。你的任务就是：准确地描述事实。

必须掌握的核心技能#

1. SQL —— 最重要的技能，没有之一#

我把 SQL 放在第一位，因为它真的是数据分析师吃饭的家伙。不管你在什么公司、什么行业，只要做数据分析，就一定要用 SQL 从数据库里取数。

需要掌握到什么程度？

L1 阶段，你需要能够：

写 SELECT ... FROM ... WHERE 基础查询
用 GROUP BY 做分组统计
用 JOIN 连接多张表
用 ORDER BY 排序，用 LIMIT 限制结果数量

就这些。不需要写存储过程，不需要懂数据库优化，不需要会窗口函数（那是 L2 的内容）。

推荐的学习路径：

先学基础语法：SQL基本概念 ↗ → SELECT语句结构 ↗ → WHERE条件筛选 ↗
学会聚合统计：聚合函数详解 ↗ → [GROUP BY分组](https://pro.ss-data.cc/knowledge/12-GROUP ↗ BY分组)
学会多表查询：JOIN连接 ↗ —— 这是 L1 阶段最难的部分，但也是最重要的

[!warning] 新手最常犯的错误不要在生产数据库直接运行 SELECT *，尤其是对大表。我见过新人这样拉数，直接把数据库搞崩了，整个公司的系统都受影响。养成习惯：先 SELECT COUNT(*) 看看有多少条数据，再决定怎么取。

怎么练习？

最好的方式是用真实数据。如果公司有数据权限，就用公司的数据练（当然要遵守数据安全规定）。如果没有，可以用公开数据集，比如 Kaggle 上的数据，导入到本地 MySQL 里练习。

2. Excel / Google Sheets —— 不要小看它#

很多人觉得 Excel 太 low，学数据分析就应该直接学 Python。这是个误区。

Excel 的优势是快。老板让你 5 分钟内给个数据，你打开 Excel 透视表几下就搞定了；如果你非要用 Python，等你把环境配好、代码写完，老板早就等不及了。

L1 阶段需要掌握的 Excel 技能：

透视表（Pivot Table）：这是 Excel 最强大的功能，必须熟练
VLOOKUP / XLOOKUP：用于多表关联
基础图表：柱状图、折线图、饼图
条件格式：快速发现数据中的异常

什么时候用 Excel，什么时候用 Python？

一个简单的判断标准：

数据量在 10 万行以内，用 Excel 通常更快
数据量超过 10 万行，或者需要重复处理，用 Python
需要快速给非技术人员展示，用 Excel
需要做复杂的数据清洗或建模，用 Python

3. Python + Pandas —— 入门即可#

L1 阶段对 Python 的要求不高。你不需要成为 Python 程序员，只需要会用 Pandas 这个库做基本的数据处理。

需要掌握的内容：

Python 基础语法：变量、循环、函数（不需要太深）
Pandas 的基本操作：读取数据、筛选、分组、合并
基础可视化：用 Matplotlib 或 Seaborn 画图

[!tip] 学 Python 的正确姿势不要花太多时间在语法细节上。很多人学 Python 花了一个月还在纠结”列表和元组有什么区别”，这就跑偏了。数据分析用的 Python 语法非常有限，你只需要会用 Pandas 处理数据就行。遇到不会的语法，随用随查。

4. 数据思维 —— 容易被忽视但很重要#

技术可以速成，但思维需要慢慢培养。什么是数据思维？简单说就是：

用数据说话，而不是用感觉：不说”我觉得用户喜欢这个功能”，而说”数据显示这个功能的使用率是 35%”
会问正确的问题：老板说”分析一下用户”，你要能追问”您想了解用户的哪个方面？是活跃度、付费还是留存？”
对数字敏感：看到”转化率提升了 50%“，你会想”基数是多少？是从 2% 提升到 3%，还是从 20% 提升到 30%？”

推荐阅读：数据思维基础 ↗、批判性思维 ↗

5. AI 工具 —— 你的新学习伙伴#

2024 年之后入行的数据分析师，有一个前辈们没有的优势：AI 助手。

ChatGPT、Claude、GitHub Copilot 这些工具，正在改变数据分析的学习和工作方式。L1 阶段，你应该学会把 AI 当作学习伙伴：

AI 可以帮你做什么？

解释代码和概念：

你：这段 SQL 是什么意思？
SELECT user_id, COUNT(*) FROM orders GROUP BY user_id HAVING COUNT(*) > 5

AI：这段 SQL 的意思是：从 orders 表中，按 user_id 分组，
统计每个用户的订单数量，只保留订单数大于 5 的用户。

plaintext

帮你写 SQL：

你：帮我写一个 SQL，统计每个月的新增用户数

AI：SELECT DATE_FORMAT(register_time, '%Y-%m') as month,
    COUNT(DISTINCT user_id) as new_users
FROM users
GROUP BY DATE_FORMAT(register_time, '%Y-%m')
ORDER BY month;

plaintext

Debug 和优化：当你的 SQL 报错或跑得很慢，可以把代码贴给 AI，让它帮你找问题。

但 AI 不能替代你做什么？

理解业务：AI 不知道你们公司的”活跃用户”是怎么定义的
判断结果是否合理：AI 给你的 SQL 可能语法正确但逻辑错误
提出正确的问题：AI 只能回答问题，不能帮你想出该问什么问题
沟通和汇报：最终还是要你来给老板讲清楚数据说明了什么

[!warning] AI 时代的学习建议不要因为有 AI 就跳过基础学习。如果你完全不懂 SQL，AI 给你的代码你也看不懂、改不了、不知道对不对。正确的姿势是：先学基础，再用 AI 提效。把 AI 当作”随时可以请教的师兄”，而不是”替你做作业的外挂”。

推荐的 AI 使用方式：

场景	推荐做法	不推荐做法
学习新语法	让 AI 解释概念，给出例子	直接复制 AI 的答案交差
写 SQL	先自己写，卡住了再问 AI	完全让 AI 代写
Debug	先尝试理解报错，再问 AI	每个报错都直接丢给 AI
面试准备	用 AI 模拟面试、解释概念	依赖 AI，实际面试不会答

你可能会遇到的困难#

”学了很多，但不知道怎么用”#

这是最常见的问题。你看了很多教程，语法都会了，但面对真实问题还是不知道怎么下手。

解决方案：找真实项目练习。可以是公司的真实需求，也可以是自己找的公开数据集。比如：

用电商数据分析用户购买行为
用打车数据分析出行规律
用自己的微信支付记录分析消费习惯

关键是带着问题去分析，而不是漫无目的地”探索数据”。

“SQL 写不出来”#

很多新手面对需求时脑子一片空白，不知道怎么把业务问题翻译成 SQL。

解决方案：先用自然语言描述你要做什么，再翻译成 SQL。比如：

业务需求：“统计每个城市的订单量”
自然语言：“从订单表里，按城市分组，统计每组的数量”
SQL：SELECT city, COUNT(*) FROM orders GROUP BY city

多练几次，这个翻译过程就会变得自然。

“不知道学得够不够”#

总觉得自己学的不够，一直在看教程，不敢去面试或接真实项目。

解决方案：设一个明确的验收标准。当你能做到以下几点时，L1 阶段就算过关了：

能独立写出包含 JOIN 和 GROUP BY 的 SQL 查询
能用 Excel 透视表 5 分钟内完成一个基础分析
能用 Python 读取一个 CSV 文件，做简单的数据清洗和可视化
能看懂公司的基础数据报表，知道各个指标是什么意思

L1 阶段可以胜任的岗位#

完成 L1 阶段的学习后，你可以尝试以下岗位：

初级数据分析师 / 数据分析助理

主要工作：日常取数、制作报表、简单的数据异动分析
薪资参考：一线城市 8-15K，二线城市 6-10K
面试重点：SQL 能力、Excel 能力、对业务指标的理解

数据运营专员

主要工作：活动效果分析、用户数据监控、运营报告撰写
特点：需要更多业务 sense，技术要求相对低一些

业务分析岗（BI 方向）

主要工作：搭建和维护数据报表、仪表盘
特点：可能需要学习一些 BI 工具，如 Tableau、Power BI

[!note] 关于薪资的真诚建议 L1 阶段不要太纠结薪资。这个阶段最重要的是进入行业、积累经验。如果有两个 offer，一个薪资高但学不到东西，一个薪资低但有好的导师和成长空间，建议选后者。入门阶段的成长速度远比起薪重要。

给 L1 学习者的真诚建议#

1. 不要追求完美，先跑起来#

很多人学 Python 之前先纠结”该学 Python 2 还是 3”、“该用 Anaconda 还是原生安装”。这些都不重要。随便选一个，先跑起来，遇到问题再说。

2. 主动找机会实践#

如果你还在学校，找实习；如果你已经工作，主动找数据相关的活干。实践中学到的东西，比看十遍教程都有用。

3. 不要闭门造车#

加入一些数据分析的社群，看看别人在讨论什么问题。你会发现，很多你纠结的问题，别人早就遇到过了，而且有现成的解决方案。

4. 做一个作品集#

哪怕只是用公开数据做的练习项目，也整理成一个作品集。面试时能展示的东西，比简历上的”熟练使用 SQL”有说服力多了。

接下来#

当你能够熟练完成日常取数和基础分析，开始有这样的困惑时：

“数据告诉我发生了什么，但我不知道为什么”
“老板让我给建议，但我只会描述现状”
“我想做更深入的分析，但不知道用什么方法”

恭喜你，你已经准备好进入下一个阶段了。

➡️ L2：实战进阶 ↗ —— 学习分析方法论，能够解释”为什么”

相关资源：

给不同阶段学习者的真诚建议 ↗ —— 找到适合你情况的学习建议
Python学习路线图 ↗ —— 系统学习 Python
SQL学习路线图 ↗ —— 系统学习 SQL
数据分析师求职全攻略 ↗ —— 准备面试

数据分析师 L1:入门筑基