2、虽然数据分析这个行业有着天然的专业鄙视链(文理科的逻辑思维功底、编程语言接受程度上以及数理统计基础实实在在的存在差别，这也是甲方更信赖理工科出身的重要原因，因为社科或文艺类专业，很少有学校会严格地按照数理逻辑去制定学生的课程培养计划)，但是并不代表文科生没有任何机会，因为大学以前，其实我们都没正式接触过编程或统计学，大学本科更多的是提升一个人的思维、而不是过硬的专研能力。
3、如果你要坚定的选择这条路，就必须克服各种依赖症，比如安装一个R语言或Python软件，从庞大的数据中得出客观的结论过程，用学到的知识去分析数据的价值等等，一定要动手动脑去实战，不要单凭以前的文科思维(更注重思维的创造和个性的发扬)，理性思维和客观科学更重要。
4、动手实践和实习参与项目是很好的数据科学或者数据分析的开端，只学不练假把式，只有直接用于实战，才能看出来你学的东西到底有多少能够落地，能够用于提升业务的价值。
5、在求职以前，倘若时间允许，把R语言、Python(数据科学相关模块)、SQL(可以选择一个平台，比如MySQL)这三大关卡早点过了。
6、如果你还是在校学生，学会分清各种事情的轻重缓急，比如各种无聊拉人凑场子讲座、听课发礼品的营销洗脑课，无效应酬社交，如果全部都用在数据分析的学习上，你会发现你的时间多了很多，自然你也可以更早地追上同行的脚步。
7、脚踏实地的去走自己的路，不会的多写、多看、多问(问真正有价值的问题)、多总结、多交流，给自己足够的转行周期。
8、学会融会贯通不同领域的知识，触类旁通、横向迁移，这样学起来才有越学越有通透的感觉，否则你只能增加笔记本的厚度，徒增烦恼罢了。
学什么?
数据分析要学的内容大致分为6个板块，分别是：
Excel
精通Excel分析工具，掌握Excel经典函数，准确快速地完成数据清洗,利用Excel数据透视及可视化，可以透过现象看本质。
MySQL
理解MySQL数据库相关概念及存储原理，掌握SQL基本的增、删、改、查等语法掌握数据库性能调优策略，熟练使用SQL进行数据清洗与数据规范化。
BI商业智能工具
了解商业智能的核心价值，精通FineReport、FineBI，快速挖掘数据价值，掌握行业场景应用。
Python
学习Python基本编程语言知识，了解Python程序的计算机运行原理，能够使用Python编程处理工作中的重复性工作。 掌握网络数据抓取技术，Python数据库应用开发，实现Python数据可视化操作，提高数据收集和数据分析能力。 掌握Python数据分析处理基础库，具有应用Python语言解决数据分析中实际问题能力。
数据分析思维与理论
掌握微积分、线性代数、概率论、参数估计、假设检验、方差分析等数理统计基础 掌握基本的数学、统计学知识，学习数据运营方法论、机器学习夯实基础，提升数据敏感性，建立数据思维和数据素养。
掌握如何撰写行业分析报告和数据分析项目流程，能够独立完成数据分析项目。 掌握常见的数据运营方法如AARRR、漏斗、ABTset、描述性统计分析、相关分析、指数系统搭建等，培养利用多种数据分析方法解决实际工作问题能力。
机器学习
掌握机器学习常用经典算法原理及sklearn代码的实现、机器学习算法的选取、调优及模型训练、神经网络的特点及原理，增加个人核心竞争力，拥有能够用相关数据挖掘算法为解决实际问题能力；奠定人工智能算法入门基础。
如何学?
至少花三个月掌握技术
“磨刀不误砍柴工”，要想从为“工人”，甚至熟悉工，也需要很多技能，因为怎么说数据分析师也是技术工种。我觉得至少你要花3个月时间来学习一些最基础的知识。
花1个月学习数据库知识。
花1-2个月学习基础的统计学知识。
花1个月学习点linux的知识。
花1~2个月去学习最基础的数据分析软件的操作。
数据分析入门容易提高难，题主目前处于初级阶段,可以通过自学观看视频,或者系统培训来提高自己,已工作来说,接受系统培训会更加快速，更推荐跟着课程系统性的学习，搭建好逻辑框架。
