电商运营公式大全电商运营用到的excel函数叫什么，电商运营的数据表格怎么做 _睿知

一、作为一名电商运营，需要熟练掌握的excel技能有哪些
简单，学习打字、制表、四则数学运算、设置单元格格式等。进而学习一些常用的函数符号如SUMsum、条件SUMIF、条件countCOUNTIF、AVERAGEaverage、MAXimummax、MINimummin及其公式的设计。根据实践中的需要，学以致用，学会哪里需要用到哪里。

文章插图
二、电商运营需要精通excel表格的吗？
不一定要精通，但是作为一个电商运营，还是要了解一些excel的基本操作，对统计、报表、分析有帮助。1.先说函数IF，SUMIF/SUMIFS，COUNTIF/COUNTIFS，VLOOKUP，DATEDIF，ROUND，MAX/MINIF，可以根据条件判断。可以有多个条件，可以嵌套多个条件；SUMIF/SUMIFS，sum，根据条件求和，也可以使用通配符*；COUNTIF/COUNTIFS，计数，根据条件计数，SUMPRODUCT可用于重复计数；DATEDIF，计算年、月、日，=Datedif(开始日期，结束日期。y/m/d’)分别计算年、月、日的间隔；ROUND，对返回值进行舍入；MAX/MIN，MAX判断最大值，MIN判断最小值；最后，函数重点放在VLOOKUP上，这个真的很重要。这是一个多功能和强大的功能！初级电商运营必须学会这个功能。常见用途：数据搜索、表格检查、表格合并等功能。用法，=vlookup(搜索值，搜索区域，返回值所在的列数，精确或模糊搜索)是最重要的函数。还是一个简单的例子，根据商品求销量。这是最基本的用法。实际应用例子太多，需要更多操作。2.基本功能排序，筛选排序。这三个看似简单，其实很厉害。经常看到很多人问的问题，都可以用这三个内置函数解决。完全不需要函数或者VBA排序(当然函数和VBA的技术人员可以忽略我说的):一个正则列(字符、符号、长度等。)可以根据需要分成多列；过滤：可以按文字、颜色、包含、去重复制；排序：根据自己的要求排序，可以多次根据不同条件排序，自己筛选体验。3.常用功能数据的有效性：本来想把数据有效性放在2里，但是想想，还是放在最后，因为可以防止输入错误，也可以根据自己的要求输入；格式：这个函数非常类似于IF 。当满足条件时，单元格格式会发生变化，可以是图形、颜色、填充条等。透视表：excel中常用的一个强大的功能，基本的统计，然后利用它的一些小功能和技巧进行进一步的统计分析和操作。使用切片器，可以实现比较、筛选、动态图表等功能。上图是透视表最简单的统计功能。4.本人从事电子商务运营数年，图表和VBA 。我个人很少使用图表，也不熟练使用。那些华丽漂亮的动态图表需要深厚的excel功底，而VBA对我来说太难了，我自己做不出来。只有使用以上这些函数和功能，才能完全支持我的操作。别的不多说了，希望对你有帮助。
三、作为一名电商运营，需要熟练掌握的excel技能有哪些？
打开文件，制作表格，透视表公司，如sum，avg等。

文章插图
四、解锁数据分析的正确姿势描述统计
当你得到一个数据集时，你会怎么做？马上撩起袖子进行分析？这不是一个好的建议。无数的经验告诉我们，如果分析师不先了解数据集的质量，后续的推断分析就会事倍功半。正确的做法是先用描述性统计。什么是描述性统计？它是一种全面总结数据集的方法，包括数据处理和显示、数据集的分布特征等。它与推断统计数据相呼应。在进入统计学学习之前，先搞清楚基本概念。数据可以分为分类数据和数值数据。分类数据是确定变量的类型，如男女、地区和各种类别；I类数据表示数值的大小和个数，如18、19、20岁。最明显的区别是，加减法不能用于分类数据，而数值型数据可以。两者在一定程度上可以相互转换。比如年龄，18岁是数值数据，但也可以转换成分类数据“青少年” 。我们也可以用数值来表示分类数据，比如0代表女性，1代表男性。它仍然没有计算意义，更便于计算机存储。分类数据和数值数据的具体应用将在今后的研究中不断深入。本文将首先关注数值数据。数据的度量平均值是对数据位置的度量，用来了解整体数据。这是我小学学的。然而，平均值并不是一个权威的衡量标准。提到全国平均工资，我们都是被马云爸爸王健林爸爸平均的普通人。平均值很容易受到极值的影响，因为数据集并不“干净”，各种运算数据经常被干扰。例如，薅羊毛党将提高营销活动的平均价值。一般来说，可以用切尾均值来消除异常波动，删除数据集中一定比例的最大值和最小值，比如5%，然后重新计算均值。既然不靠谱，我们就求中位数。所有数据按升序排序后，中间的值就是中位数。当数据集是奇数且中位数是中间值时，当数据集
是偶数，中位数是中间两个数的平均值。这也是小学的内容。另外一种度量是众数，它是数据集出现频次最多的数据，当有多个众数时，称为多众数。众数使用的频率低于前两者，更多用于分类数据。平均数、中位数、众数构成了标准的衡量方法。但是还不够。数据分析师常将数据划分为四个部分，每一部分包含25%的数据集，划分的分割点叫做四分位数。依次将数据升序排列，位于第25%位置的叫做第一四分位数Q1，位于第50%位置的叫做第二四分位数Q2，即中位数，位于第75%的叫做第三分位数Q3 。这三个点，能辅助衡量数据的分布状态。丨数据的离散和变异我们考虑一个新的问题，现在一家电商公司要卖两个同类型的商品，它们的一周销量（单位：个）如下：商品A：10，10，10，11，12，12，12商品B：3，5，6，11，16，17，19它们的平均数一样，中位数也一样，可它们的真实情况呢？当然不。作为商品，我们更喜欢销量稳定的。方差是一种可以衡量数据「稳定性」的度量，更通俗的解释是衡量数据的变异性，从图形上说，也叫离散程度。方差的计算公式是各个数据分别与其平均数之差的平方和的平均数。上述公式是总体数据集的方差计算，当数据近为部分抽样样本时，n应该改为n-1 。数据集足够大时，两者的误差也可以忽略不计。现在计算上文商品的方差。Excel中的方差公式为VARP( )，如果是样本数据，则为VAR( ) 。不同Excel版本，函数会有微小差异。方差越大，说明数据集的离散程度越大，商品A的销量波动明显比商品B稳定。方差的计算中，因为涉及到了平方和，所以单位的量纲是平方（商品A和B的方差，单位为个^2），它很难有直观的诠释。于是我们又引入标准差。标准差是方差的开平方:Excel中，标准差的计算函数为stdevp( )，如果是样本数据，则为stdev( ) 。方差和标准差的意义是相同的，但是标准差与原始数据的单位量纲相同，它更容易与平均数等度量比较。比如商品A的平均销量为11个，标准差为0.85个，于是我们知道这个商品卖的比较稳。切比雪夫定理指出，至少有75%的数据值与平均数的距离在2个标准差以内，至少有89%的数据与平均数在3个标准差之内，至少有94%的数据与平均数在4个标准差以内。这是一个非常方便的定理，能快速掌握数据包含的范围。假设上海地区的平均薪资是20k，标准差是5K，那么大约有90%的薪资，都在5k～35k的区间内。如果数据本身符合正态（钟形）分布，那么切比雪夫定理的估算将进一步准确：68%的数据落在距离平均数一个标准差内，95%的数据值落在距离平均数2个标准差之内，几乎所有的数据落在三个标准差内。在Excel中，有一个重要的工具叫数据分析库（部分Excel版本需要安装，自行搜索），里面封装了大量的统计工具。点击描述统计，选择需要计算的区域，设置为逐列，输出区域选择旁边U2区块。输出计算结果。列1的所有内容，均属于描述统计中的各类度量。我们不用一个个函数去计算了。方差和标准差是重要的概念，在后续的统计学中将继续出现。丨数据的箱线图回到度量，上文提到的内容，都属于数值类的方法，可它们还是不够直观。先汇总五类数据：最小值、第一四分位数Q1、中位数、第三四分位数Q3、最大值。拿数据分析师的薪资数据作案例。以上是清洗后的数据。我们用Excel函数计算这五个度量。分别是median( )、max( )、min( )、quartile( ) 。按城市区分。通过数据，现在可以了解各城市的数据分析师薪资分布了，接下来把它们加工成箱线图，它是最常用的描述统计图表。箱线图通过我们求出的五个数据确定位置。箱线图的上下边缘分别是最大值和最小值（实际不是，这里为了方便，先这样理解），箱体的上下边界则是25%分位数和75分位数。箱内横线是中位数。异常值是箱线边缘外的数值，需要直接排除。Excel2016可以直接绘制箱线图，如果是早期版本，有两种作图思路。第一种，是利用股价图。将图表按25%分位数、最大值、最小值、75%分位数的顺序排列。然后直接生成图表:这个图表是没有中位数的，中位数需要添加上去。数据源新建一个系列，该系列应该调整到位于数据源的中间位置。选择中位数的数据系列格式，更改标记为「-」，大小为12榜，颜色为黑色。此时就有箱线图的雏形了。另外一种思路是利用散点图的误差线绘制，和甘特图的原理一样，大家自己练习吧。其实从图表中看到，虽然我们描绘出了箱线图，但是不同城市的数据区别并不直观，因为最大值撑高了箱线图的边缘。我们经常会遇到这些影响分析质量的异常值（过于异常的数值虽然存在合理性，但是很多分析必须移除掉它们）。我们需要清洗掉这批异常值。定义四分位差IQR=Q3（75%分位数）—Q1（25%分位数），箱线图的界限在（Q1-1.5IQR，Q3+1.5个IQR）处。界限外部所有值均为异常值。bottom和top就是新的界限，对于在界限外部的数据，均认为是异常值。界限内部的数据则是箱线图的主体，接下来找出界限内的最大值和最小值。比如上海的界限是-5～39之间，而界限内的数据实际范围为1.5～37.5，那么就以1.5~37.5绘制箱形。现在大家求出了真正的五个度量，可以重新绘制箱线图（我们要用bottom和top求出范围内新的最大值和最小值）。为了方便演示，我直接以Python生成（以前教过的BI也行，更好看）。比Excel绘制的图直观多了。红线位置，是各个城市中游水平的数据分析师能够获得的薪资标准，上边的蓝线区间为中上游，下边的蓝线区间为中下游，以此类推。简而言之，人群被四等分了。我们解读一下：上海、北京、深圳的数据分析师，薪资范围接近，但是中上游水平的人，北京地区能获得更高的薪资，因为中位数的位置更高。西安、长沙、天津则不利于数据分析师的发展。杭州的水平接近北上深，但是薪资上限受到一定限制。这张图能一眼看出不少内容，想必大家已经明白箱线图的作用了，它能读出数据的整体分布和倾斜趋势（偏态）。通过图表（直方图、散点图也算描述统计）快速解读数据，是数据分析师的基础能力之一。大家想一下，如果是O2O的数据分析，能不能快速判断各城市的业务状况？如果是金融，能不能划分人群看它们业务之间不同的分布？如果是电商，不同类目的营销数据会有大的差异吗？再配合不同的维度细分，发挥的价值大着呢。箱线图是一种非常优秀的图表。虽然在Excel中会繁琐一些（赶紧更新到2016），但是在Python和R语言，也就是十秒钟的操作时间。
五、如何入行数据分析师零基础如何入门数据分析师？大数据时代，数据为王。用数据做分析，给公司决策提供指导性意见，是众多公司在这个精细化运营，降本增效的时代必须要做的事情。各大企业都建立了数据分析部门。截止目前，我国共计1400万数据分析人才缺口，市场规模预计将在2025年达到2000亿！数据分析与其说是一个岗位，更是一个重要技能，拥有这项技能意味着你的就业前景更好，职业发展更广。那么数据分析零基础应该怎么学呢？下面我将从数据分析的学习周期、学习内容以及职业发展规划三个方面，带大家充分了解数据分析这一行业。1、数据分析要学多久？每个人的学习能力和基础都不同，所以数据分析的学习周期也不同。如果是通过自学的方式，由于无专业老师指导及无法系统的学习，这个周期可能会很长。一般来讲，如果零基础的学习者进行系统的培训，最快也要将近三、四个月的时间。数据分析的学习应该首先从熟悉表以及表结构开始，它的原点一定是在首先了解熟悉Excel的基础上，在能够从数据库里提数的基础上再进行技能的升级。你的技能从能够从数据库里提数，并且用Excel和BI处理几万行的小数据量，到使用python批量化处理几十万甚至百万行中量级数据量，到最终使用大数据的相关组件，例如hadoop，spark，flume等组件处理千万级甚至是亿级大数据量。每一个阶段所需要的工具加方法论都是不一样的。一般而言，对于自学而成为能处理中量级数据量的分析师而言，得至少入门python的pandas，numpy等数据处理库。这个零自学的周期，也一般跟悟性和自律有关，悟性和自律性高的同学，可能在4个月能够掌握；如果悟性和自律性不高的同学，这个周期有可能就是半途而废，无法估量时间了。这里给大家推荐一下聚数学院的《数据分析实战就业班》（聚数学院)，专注于培养数据分析师的数据处理能力、数据分析能力和数据挖掘能力，课程内容从数据库管理、统计理论方法、数据分析主流软件的应用到数据挖掘算法等，对一整套数据分析流程技术进行系统讲解并配以实战练习，学完之后，学习者可以直接达到数据分析师的水平。2、数据分析要学什么？(1) Excel说起Excel可能会有人觉得这个很简单，但是Excel确实是一个功能强大的利器。零基础学数据分析师一定要从Excel入门，因为Excel是处理小型数据量企业用的最多的工具，在基础数据分析师与数据运营岗位中具有极其重要的地位。作为数据分析师的核心工具，具体学习内容有Excel函数技巧（查找函数、统计函数、逻辑函数）、Excel快速处理技巧（格式调整、查找定位、快捷键技巧等）和Excel可视化技巧（组合图、条形图、数据气泡地图）等。(2) MysqlSQL同样是零基础学习数据分析的核心内容。因为作为数据分析师，你首先要解决的问题就是你要有数据来做分析。通常企业都会有自己的数据库，数据分析师首先得根据业务需要知道自己要从企业数据库中提取哪些数据。企业如果部署本地数据库，那么一定是SQL语言做提取数据的语言。SQL简单易懂，非常容易上手，并且是非学不可的。SQL语言从学习MySQL数据库开始，涉及对表结构数据的增删改查。真正在企业里面，数据分析师一般不会有增删改的权限，只会有查的权限。学员应该重点掌握查的各种句式。(3) PythonPython的基础对于数据分析师而言是非常重要的。对于十万级或者百万级数据量而言，Excel和BI都会因为运行卡顿而变得完全无法使用。然而在实际企业运用中，一次性处理十万级以及百万级数据又是非常常见的。而Python则是处理这种中量级数据的利器。因为Python有很多的第三方强大的库，比如Numpy、Pandas、Matplotlib、Seaborn等。这些库能让数据分析师对百万数据进行数据清理和画图分析。Python不仅能数据清洗，画图，还能用sklearn进行大数据算法分析。虽然Python是数据分析的重要工具，但是不同的职业发展方向，Python掌握的程度也是不一样的。(4) BI商业智能工具BI可以理解成Excel图表透视表的高级版。BI是将表与表相连，然后得出很多指标图。它是一个大屏的看板，如下图： BI看板图企业销售指标，运营指标，物流指标等等。这些图可以表示企业在过去5个月的平均销售单价，过去24个月销售的物流发货量的变化曲线，甚至是现在实时的销售额，这些都是企业关心的问题。有了这个看板，领导层在监控企业业务方面就有了非常直观的数据，以供他们及时做出决策调整。现在市面上比较流行的BI软件，有FineBI，PowerBI等。而这些BI软件实际上都是非常类似的，学起来难度也不大。学习FineReport、FineBI由入门到精通，快速挖掘数据价值，将这些数据转化成有用的信息，让企业决策有数据依据，从而驱动企业决策和运营。(5) 数理统计与数据运营数理统计和数据运营方法论是数据分析师的理论基石。数理统计包括概率论，统计学，线性代数，以及基础的微积分理论。这些内容都不需要理解的很深，但是对它们的原理以及内涵都需要有所掌握。由于整个数据分析的源头其实就是脱胎于描述性统计分析的。描述性统计分析是对样本的总数、均值等指标做统计的；而数据分析后续涉及到的算法则是架构在统计学上更深一层次的建模。因此，掌握数理统计的相关知识对于入门数据分析师而言是基础且必要的。那数据运营方法论是什么呢？数据运营方法论实际上是学习各个行业所运营的分析模型。例如，对电商而言，漏斗分析可以分析出来进入主页的人数PV1，到进入服装板块的人数PV2，PV2/PV1就可以得出一个进入服装板块的比率。还有很多通用的分析模型：相关分析，A/B test等。对于想往管理路线发展的数据分析师来讲，数据运营是必须要学习的知识。其实数据运营知识也不复杂，就是根据自身业务需求将指标拆解到最细，然后运用同比和环比两种数据分析方式。(6) 机器学习最后一个进阶要求数据分析师掌握对大量数据分析的能力。这种分析就不只是停留在描述统计分析和运用数据运营方法进行分析了，而是进行预测分析。预测分析的本质是利用已有的数据做出一套变量x，与预测最终值y之间的关系（也就是数学算法公式），然后利用这套算法，将更多的x输入算法中去得出一个预测的y值，这里听不懂没关系。总之，这个阶段的数据分析是利用大量的历史数据构建出一套数学公式（也就是算法），用这个数学公式去对未来进行预测。比如说：一个人大量地刷体育短视频，根据算法可以得出这个人可能对观看足球比赛的腾讯体育会员感兴趣。这类推断和预测对于商业世界是有着极大变现意义的。要想成为掌握算法的数据分析师，机器学习是不可跳过的入门。学员应该从简单的一元回归，多元回归，以及逻辑回归学习等，逐渐学习更多像决策树，随机森林，SVM等更高级的算法。3、数据分析的职业发展规划？一般来讲，数据分析有两条发挥路线，一条是管理路线，一条是技术路线。往管理端发展，比如初级数据分析师，到数据运营，到数据分析经理、数据运营总监等等。这条发展路径主要要求统计学、Excel、PPT等技能，需要撰写市场分析报告。这条路看似技术掌握不用太深，但是对业务的理解要极深。而精深的业务理解需要时间和深度的业务钻研精神。如果你是非数学、计算机和统计学专业的朋友，比较适合这条非技术的职业发展之路。而向技术方向发展，则目标会非常明确。一是深入往数据挖掘方向发展，学习深度神经网络，NLP等前沿算法。二是深入数据分析开发，把大数据组件hadoop，spark等等大数据组件学好学精。这是一条技术类的发展方向，要求更高的统计学能力、数理能力以及编程技巧。实际上，无论是非技术的业务方向和技术专家方向都要的是两个字：钻研。当然听到这里，我们也需要重重地阐述一下：入门初级数据分析是不难的。而后半段，要成为一个优秀的数据分析师是难的，是需要刻苦钻研精神的。如果看到这里，你觉得自己心理上已经就入门数据分析师方向做好了准备，但是你是零基础实在不知道如何入行的话，欢迎私聊获取免费的数据分析师知识点大纲，并且免费做数据分析师的入门咨询。

文章插图
六、为什么要做数据分析师：职业规划很重要“数据分析”作为近几年最火热的词汇，越来越受到大家的关注。但和一些应届生或者数据分析师沟通时，发现很多人都对数据分析的职业规划很迷茫。今天我们主要从业务方向的数据分析入手，聊聊数据分析的入门条件及职业规划。“0基础入行数据分析要掌握哪些技能？”“怎么能最快找到数据分析工作？”“数据分析师未来的发展方向是什么？”数据分析是什么？数据分析是有关“数据”类岗位的总称。从事这些工作的人，通过分析数据发现业务问题，洞察商业机会点，为运营活动、业务增长及企业发展提供合理建议及参考依据。数据分析主要是与数据打交道，但数据分析≠分析大数据，所以大家不要对这个职位产生恐惧感，零基础转行数据分析是可行的。要入门的话，3个月的时间也是足够的。需要注意的是：1.如果本身对数据不敏感，或者看到复杂的数据就眼晕头疼，那说明你可能不太适合这个岗位。2.目前数据分析已不再是专职技能，而是职场人必备的通用技能，建议每个职场人都可以学一下，会让你在职场竞争中更有优势。至于是否从事数据分析工作，还是看你对数据的敏感程度以及你对这个岗位的热爱程度。数据分析岗位方向及工作内容数据分析可以简单分为业务和技术2大方向：业务方向——数据运营、数据分析师、商业分析、用户研究、增长黑客、数据产品经理等技术方向——数据开发工程师、数据挖掘工程师、数据仓库工程师等业务类岗位的数据分析师大多在业务部门，主要工作是数据提取、支撑各部门相关的报表、监控数据异常和波动，找出问题、输出专题分析报告。在日常工作中，业务部门往往更关心某个指标的为什么下跌或上升、产品的用户属性是怎样的，如何更好的完成自己的KPI等。以活跃指标为例，数据分析人员通常要解决以下问题：指标下跌了多少？是合理范围内的数据波动，还是突发式?（what）下跌是从什么时候开始的？（when）是整体用户下跌，还是部分用户？（who）下跌的原因是什么？产品更新？还是某个渠道推广到期？（why）怎么解决下跌的问题（how）在经过了数据提取-数据清洗-多维分析-交叉分析等一系列步骤之后，你发现是某个地区的活跃下跌了，但这并不能作为分析的结论。因为某个地区的活跃下跌只是现象，并不是根本原因。所以数据分析师要解决的是，为什么这个地区的活跃跌了？是政策因素？还是竞争对手？或者是渠道问题，这些都是需要深入分析的范畴。找到原因后，数据分析师还需要预测未来的发展趋势，根据目前的分析结果输出可执行的改善策略，最后推动业务部门落地，再次复盘效果，最终形成闭环的分析路径。对数据分析师而言，解决问题只是一方面，另一方面数据分析师的职责是将业务数据体系化，形成一套指标框架。比如活跃下跌，本质上也是指标问题，如“日活”等指标。技术方向的岗位如数据挖掘/算法专家等岗位有的归在研发部门，有的则单独成立数据部门。与业务方向的数据分析师相比较来说，数据挖掘工程师要求更高的统计学能力及编程技巧。因为数据挖掘工程师对工具的要求比较高，所以数据挖掘的平均薪资也会高于数据分析师。数据分析师岗位技能要求对业务方向的数据分析师而言，掌握工具只是基础，还需要对业务有深入的理解以及较强的数据分析能力。在工具使用上，数据分析师需要掌握Excel、SQL、PPT、Python等工具。Excel是日常工作中用到的最多的工具，常用的函数及数据透视表都要学。SQL是数据分析的核心工具，主要学习Select、聚合函数以及条件查询等内容。Python重点掌握Pandas数据结构、Matplotlib库、Pyecharts库及Numpy数组。关于工具的部分，需要注意不同行业对工具的要求会有差异，比如金融行业会要求SAS等工具。一般情况下Excel、SQL、PPT、Python这4种工具就能搞定大部分数据分析工作。除工具的使用外，数据分析师要了解基本的统计学知识及数据分析方法。统计学知识：环比、同比、概率分布、变量、抽样等。数据分析方法：假设检验、回归分析、漏斗分析、多维分析、对比分析等。针对0基础的小伙伴，建议大家先将精力放在数据分析的思路和训练上，多去看一些商业数据模型和数据分析案例的资料，最终形成自己的分析思路。千万不要一上来就啃Python，可以先上手Exce+SQL这2个简单的数据分析工具来入门。有SQL基础后再学Python会相对容易些。数据分析师的成长路线业务方向的数据分析师有2条发展路径。一条是专精业务，晋升成为商业分析师、战略分析师或管理岗。从业务型发展上来的好处是具备商业网洞察能力，这点是直接做数据挖掘所不具备的。另一条是提升技术能力，成长为算法专家或数据科学家。如何快速入门数据分析应届生想要入行数据分析，建议先做学习规划：明确自己想走业务方向还是技术方向。充分调研目标领域的行业知识，了解行业背景及行业相关的指标（在行业的选择上，擅长的、热爱的和有发展前景的即是最佳行业领域）了解目标行业常用的数据处理工具、数据生产流程及数据应用。针对数据工具进行系统性学习。0基础转行数据分析，建议先罗列自己的个人优势和行业背景，找到最佳突破口：如果有运营相关经验，基础工具掌握一般，可以先学习SQL，再从数据运营岗入门。如果有产品经验，对交互设计和用户体验有深入的理解，可以选择数据产品经理。如果有金融、物流等行业工作经验，可以借用行业优势，转到相关行业的数据分析岗位。也就是说，转行数据分析的路径不只有一条，我们要做的是根据自己的背景及优势，找到最适合自己的那条路。总结：作为一名合格的数据分析师，你需要至少以下三点技能：必要的SQL、Excel+python\R技能；正确的理解业务；基本的数据使用意识和学习能力。转行过程中个人必要技能的锤炼是很重要，但保持良好积极的心态也是转行成功的必备要素之一。
【电商运营公式大全电商运营用到的excel函数叫什么，电商运营的数据表格怎么做】