数据分析的第一步：你比自己想象的更懂数据

第1章：数据分析的第一步：你比自己想象的更懂数据

你有没有过这样的经历？走进超市，面对琳琅满目的商品，你的大脑自动开始运转——“这周打折的鸡蛋比上周贵了两毛钱”“那个品牌的酸奶保质期快到了”“如果买两盒，第二盒半价，其实挺划算的”。恭喜你，在你毫无察觉的情况下，你已经完成了一次小小的数据分析。

数据分析？不，它比你想象的更常见

大多数人听到“数据分析”四个字，脑海中浮现的画面往往是：昏暗的办公室里，一个程序员模样的人盯着满屏的代码和图表，周围环绕着各种看不懂的专业术语。这画面确实存在，但它只是数据分析世界的冰山一角。真实的数据分析，其实藏在你我日常生活的每个角落里。

想想看，你每天早上查看天气预报，决定穿什么衣服、要不要带伞——这是数据分析。你每个月月底盘算这个月花了多少钱、还剩多少钱，琢磨着下个月该怎么省着点花——这也是数据分析。你刷短视频时，平台给你推荐的内容越来越精准，好像比你更了解你自己——这背后依然是数据分析在发挥作用。

数据分析的本质，就是从一堆看似杂乱无章的信息中，找出规律、得出结论、指导行动。这个过程，我们每个人每天都在做，只是没有给它起一个高大上的名字罢了。

小张是个普通的上班族，每天坐地铁上班。他有个小习惯，会记录每天几点出门、地铁是否拥挤、到公司需要多久。半年下来，他发现自己周三早上地铁最挤，周五反而人少；出门时间如果晚于8点15分，到公司大概率会迟到；如果在第四站换乘而不是第三站，虽然多坐一站，但平均能省5分钟。这些听起来微不足道的“发现”，其实就是数据分析的雏形——收集数据、观察规律、得出结论、应用实践。

所以，当你在菜市场和大妈讨价还价时，当你货比三家决定买哪款手机时，当你分析哪家公司福利更好时——你都在进行数据分析。你缺的从来不是数据分析的能力，而是一套把这种本能系统化、工具化的方法。

为什么你的数据分析“差点意思”

既然人人都在做数据分析，为什么专业的数据分析能发现你发现不了的 insights（洞察），能得出你得不出的结论？原因在于，日常的“本能分析”存在几个明显的局限。

第一，信息维度不够。你凭经验知道周三早上地铁挤，但你知道全国哪些城市周三早上最挤吗？你知道工作日和非工作日的不同时段分布吗？你能把这些和天气情况、重大事件、季节变化关联起来吗？人的大脑擅长处理有限的信息，当数据量超过某个临界点，就必须借助工具。

第二，分析深度有限。你可以直观感受到“这个月开销比上个月多了”，但你能算出多了多少个百分点吗？你能拆解出是哪个类别支出增加了吗？你能预测下个月的趋势吗？手工计算几十条数据还行，面对成千上万条数据，人力就显得力不从心。

第三，呈现方式原始。你心里清楚周四地铁人少，但你要怎么把这个结论分享给同事？如果能画一张图，配上清晰的数据，大家不是更容易理解和接受吗？

这三点局限，恰好对应了专业数据分析能解决的问题：处理海量数据、进行深度计算、清晰呈现结果。而解决这些问题的工具，就是我们这本书要重点介绍的 Excel。

Excel：数据分析的最佳起点

在正式开始之前，你可能会好奇：为什么不从 Python 开始？不从 R 语言开始？不从那些更“专业”的工具开始？非要从看起来普普通通的 Excel 入手？

这个问题的答案，要从三个维度说起。

门槛足够低，上手无压力

Excel 是微软 Office 办公软件家族的一员，几乎每台电脑上都装有它。不需要额外安装任何程序，不需要配置任何环境，打开电脑就能开始。对于初学者来说，最大的敌人往往不是知识本身的难度，而是“还没开始就放弃了”。Excel 把这个门槛降到了最低——你不需要会编程，不需要懂数据库，不需要理解复杂的概念，只需要会点点鼠标、敲敲键盘。

功能足够强，覆盖主流场景

别被 Excel 朴实的外表骗了。这个诞生于1985年的电子表格软件，如今已经进化成一个功能极其强大的数据分析平台。从简单的求和、平均数计算，到复杂的数据透视表、条件筛选、多维度分析，再到基础的图表可视化、趋势预测，Excel 几乎能完成日常工作中80%的数据分析任务。

更重要的是，Excel 一直在进化。最新版本的 Excel 已经内置了 Power Query（用于数据清洗和转换）、Power Pivot（用于多表关联和高级分析）、甚至基础的人工智能功能（用于智能分析和预测）。这些功能以前可能需要专业的数据分析软件才能实现，现在 Excel 就能搞定。

技能迁移平滑，发展有空间

从 Excel 起步，并不意味着永远停留在 Excel。当你熟练掌握 Excel 的数据分析逻辑和基本方法后，再去学习 Python、SQL、BI（商业智能）工具，你会发现这些“高级工具”并没有想象中那么难。因为背后的思维逻辑是相通的——你只是在学习用不同的工具来实现相同的分析目标。

用建房子来打比方。Excel 就像钢筋混凝土，是最基础也最通用的建筑材料。你学会了用它打地基、砌墙、搭框架，以后不管想盖茅草屋还是玻璃幕墙大厦，基本功都是相通的。直接去学那些炫酷的新工具，就像跳过地基直接盖楼——看起来很美，但根基不稳。

数据分析到底能做什么

说了这么多，你可能在想：学数据分析到底有什么用？这个问题，值得认真回答。

首先，数据分析让你做决策更有底气。“我觉得”“我以为”“大概可能”是决策时最危险的词汇。老板问你为什么选方案 A 而不是方案 B，你说“感觉方案 A 更好”，这个回答很难让人信服。但如果你说“根据过去三年数据的分析，方案 A 的成本降低12%，交付周期缩短20%，客户满意度提升8个百分点”——这个结论就硬气多了。数据分析把模糊的直觉变成清晰的依据，让你的每一个决定都有数据支撑。

其次，数据分析帮你发现隐藏的机会。海底捞通过数据分析发现，点毛肚的顾客往往也会点鸭肠，点虾滑的顾客经常搭配牛肉卷。基于这个发现，他们调整了菜品推荐算法和套餐组合，客单价提升了15%。这个规律肉眼也能观察到，但数据让它变得更精确、更系统、更可复制。数据分析就是这样一双慧眼，帮你看到表面看不到的东西。

第三，数据分析提升你的职场竞争力。在当今职场，“会用 Excel”已经从加分项变成了必备项，而“能用 Excel 做数据分析”则成了稀缺能力。无论是财务、人力资源、市场营销、运营管理，还是供应链、客服、质量管理，几乎所有岗位都会产生数据、分析数据、使用数据。掌握数据分析能力，等于给自己装上了职场加速器。

你的数据分析学习地图

在正式启程之前，让我们先看一眼这次旅程的全程规划。这本书共分为15章，像一张精心设计的地图，带你从数据分析的新手村，一步步走向高手殿堂。

第一章到第三章，是打基础阶段。我们将一起认识数据分析的全貌，了解它是什么、不是什么、能为我们做什么。这三章会帮你建立正确的认知框架，消除对数据分析的恐惧和误解，同时掌握 Excel 的基本操作技能。记住，磨刀不误砍柴工，基础打得越扎实，后面走得越顺畅。

第四章到第六章，是技能进阶阶段。我们将深入学习数据清洗、数据转换、数据整理的核心技巧。这一阶段会涉及大量的实操练习，你可能需要投入更多时间，但这些付出绝对值得。数据清洗是数据分析中最耗时也最考验功力的环节，占据了数据分析师80%以上的工作时间。你在这个阶段学到的方法，会让你在未来的工作中事半功倍。

第七章到第九章，是分析能力突破阶段。我们将学习如何进行描述性分析、诊断性分析，掌握数据透视表这把瑞士军刀的使用方法。这个阶段你会突然发现，原来那些看起来杂乱无章的数据，在自己的操作下开始变得有序、有结构、有规律。这种从混沌到清晰的成就感，是学习数据分析最大的乐趣之一。

第十章到第十二章，是数据可视化阶段。“一图胜千言”是数据分析领域的金科玉律。这三章会教你如何选择正确的图表类型，如何让图表既准确又美观，如何避免那些常见的可视化误区。你会学到柱状图、折线图、饼图、散点图等基础图表的使用场景，也会接触到漏斗图、瀑布图、热力图等进阶图表的绘制方法。

第十三章到第十四章，是分析方法论阶段。我们将学习如何进行趋势分析、如何构建业务指标、如何设计数据分析报告。这两章是整本书的升华部分，把具体的操作技能上升到方法论层面，让你不仅知道怎么做，更知道为什么这样做、什么时候该做什么。

第十五章，是实战与展望阶段。我们会通过一个完整的业务案例，把前面学到的所有知识点串联起来。同时，这章还会展望数据分析的未来发展方向，介绍一些前沿趋势和工具，让你在精通 Excel 的同时，对整个数据分析领域有更宏观的认知。

数据分析的正确打开方式

在结束这一章之前，我想和你分享几个关于学习数据分析的心得。这些心得来自我多年的教学和工作经验，也来自对大量数据分析学习者的观察和总结。

第一，不要追求完美，从最小可行开始。很多人在学习数据分析时，恨不得把每一个功能、每一个公式、每一个技巧都学透了再开始动手。结果往往是：学了很久，还在原地踏步。其实，对数据分析学习来说，“做”比“做对”更重要，“开始”比“完美”更重要。先用最笨的方法把结果做出来，哪怕很丑、很低效、很粗糙，你也会在这个过程中获得宝贵的实战经验，然后再慢慢优化改进。

第二，带着问题去学习效率最高。如果你手头正好有一个需要分析的数据集、一个需要解决的业务问题，学习效果会事半功倍。因为你有真实的场景可以实践，有明确的目标可以追求，每学会一个新技能就能立即看到它的价值。所以，在学习这本书的过程中，我建议你同时找一些自己感兴趣的数据来练手——比如你个人的消费记录、你喜欢的运动数据、甚至是你家宠物的成长记录。任何数据都可以，关键是让学习变得有目的、有动力、有反馈。

第三，接受“看不懂”是正常的。数据分析是一个体系化很强的领域，很多知识点是相互关联的。初次接触时，遇到看不懂的概念、公式、步骤，完全正常，不要因此怀疑自己。我的建议是：先囫囵吞枣地过一遍，知道大概是怎么回事；等学到后面回头再看，很多之前困惑的问题会豁然开朗。数据分析的学习曲线不是线性的，而是阶梯式的——你可能在一个水平上卡很久，然后突然突破到一个新境界，然后又进入一个平台期，再次突破。

第四，保持耐心，享受过程。学习数据分析不会让你在一夜之间变成数据专家，但它会让你用更理性的眼光看待周围的世界。当你开始对数字敏感起来，开始习惯性地追问“数据支持这个结论吗”，开始不轻易被表面现象迷惑——你就已经在成为更好的决策者的路上了。这个过程可能需要几个月甚至更长，但每一分付出都会有回报。

写在最后的话

好了，漫长的铺垫终于结束。在正式开始学习之前，让我们再回过头来看看这一章的标题——“你比自己想象的更懂数据”。

这句话不是安慰，是事实。

你每天都在和数据打交道，只是没有意识到；你每天都在做数据分析，只是没有给它命名；你大脑处理信息的潜能远超你的想象，只是缺少一个把它释放出来的工具和一套方法。

Excel 就是这个工具，这本书就是这套方法。

接下来的章节里，我会用最通俗的语言、最实用的案例、最清晰的操作步骤，带你真正走进数据分析的世界。不需要你有多强的数学功底，不需要你学过任何编程语言，只要你认识26个英文字母、会用鼠标和键盘，就可以跟我一起完成这段旅程。

准备好了吗？那就翻到下一页，开始你的数据分析之路吧。

记住：你比自己想象的更懂数据。数据分析的世界，远比你想象的更有趣。

第1章：数据分析的第一步：你比自己想象的更懂数据

你有没有过这样的经历？走进超市，面对琳琅满目的商品，你的大脑自动开始运转——“这周打折的鸡蛋比上周贵了两毛钱”“那个品牌的酸奶保质期快到了”“如果买两盒，第二盒半价，其实挺划算的”。恭喜你，在你毫无察觉的情况下，你已经完成了一次小小的数据分析。

又或者，每到月底你打开手机银行，看着那个让人心惊肉跳的数字，你会忍不住回顾：这个月到底把钱花哪儿了？房租多少？吃饭多少？交通多少？娱乐多少？然后你暗暗发誓，下个月一定要控制消费。这种本能地把支出分类、加总、对比的行为，同样是数据分析的范畴。

再想想，当你刷短视频时，平台给你推送的内容越来越精准，好像比你更了解你自己——你喜欢的美食类型、你关注的新闻话题、你感兴趣的知识领域。这背后是什么在起作用？是数据分析。是无数条用户行为数据被收集、清洗、分析之后，得出的精准用户画像在驱动着每一次推荐。

数据分析，就在你我生活的每一个角落。它不是什么神秘的高科技，也不是只有专业人士才能玩转的技术活。它是一种思维方式，一种解决问题的方法，一种让决策更有依据的工具。而你要做的，只是把这种本能发挥得更加系统、更加专业、更加高效。

数据分析？不，它比你想象的更常见

大多数人听到“数据分析”四个字，脑海中浮现的画面往往是：昏暗的办公室里，一个程序员模样的人盯着满屏的代码和图表，周围环绕着各种看不懂的专业术语和奇怪的变量名。这画面确实存在，但它只是数据分析世界的冰山一角。真实的数据分析，其实藏在你我日常生活的每个角落里，只是我们习以为常、视而不见罢了。

日常生活中的数据分析实例

让我们做一个简单的实验。从你早上醒来开始，数一数今天上午你会进行多少次“数据分析”活动。

早上7点，你被闹钟叫醒，伸手摸到手机，看了一眼天气应用——今天气温12到18度，多云，可能下午有小雨。于是你决定多带一把伞，穿一件薄外套。这个决策过程涉及哪些数据？温度数据、天气状况数据、降水概率数据。你把这些数据和你的出行计划、穿衣习惯进行关联分析，得出了“多带伞、穿外套”的结论。这就是数据分析中的预测分析和决策支持。

你打开外卖App，准备点早餐。系统默认按照距离和配送时间排序，但你不急着吃，于是切换到“评分最高”。你划拉了几下，点进一家评分4.8分的店铺，看了看月销2000+、人均25元、距离1.2公里、配送约30分钟。你把这些信息综合考虑，选择了这家店。你在这里完成了多维度评估分析，考虑的因素包括：评分、销量、价格、距离、时间，每个因素在你心中有不同的权重，最终加权计算后做出了选择。

吃完早餐，你走到地铁站。早高峰的地铁站人来人往，你观察到：8点15分之前进站的人相对较少，8点20分到8点40分之间人流量最大，列车间隔大约3分钟一班，有时候需要等两班车才能挤上去。于是你在心里盘算：如果想有座位，8点10分之前出门比较保险；如果能接受站一路，8点25分出门刚好避开最挤的时段。这就是时间序列分析和规律发现。

到公司后，你打开电脑，开始处理工作邮件。有一封邮件提到上个月的销售额数据：“环比增长8%，同比增长15%”。你快速扫了一眼部门周报，上面画着一个简单的柱状图，展示了本周与上周的数据对比。你回复邮件说“收到，数据已查看”。在这个过程中，你已经在进行数据的读取、理解和初步分析。

中午休息时，同事问你想吃什么。你说“随便”。但当同事提出几个选项后，你的反应是：“火锅太麻烦了，上周才吃过”“麻辣烫热量太高，昨天刚跑完步”“公司楼下那家面馆人肯定很多，周五中午每次都要排队”……你下意识地调取了过去一周的饮食记忆，结合今天的特殊情况（刚运动完），排除了几个选项。这就是基于历史数据的关联分析和情境决策。

下午开会，老板让你们分析一下新产品上线后的用户反馈。你打开Excel，把用户评价一条条复制进去，开始按照“正面”“中性”“负面”分类，然后统计每个类别各有多少条，再进一步拆解负面评价的具体原因。你正在进行专业的文本分析和数据分类统计。

下班前，你收到银行短信，提醒你本月信用卡账单已出。你打开App查看，发现餐饮支出占比最高，达到35%，比上个月多了10个百分点。仔细一看，原来是上周末请朋友吃饭花了800多。你思考了一下，决定以后请客尽量选在工作日晚上，减少周末的冲动消费。这是数据复盘和基于洞察的行为调整。

怎么样？只是普通的一天，你已经不知不觉完成了多少次数据分析？如果把时间拉长到一周、一个月、一年，这个数字会更加惊人。

数据分析的本质，就是从一堆看似杂乱无章的信息中，找出规律、得出结论、指导行动。这个过程，我们每个人每天都在做，只是没有给它起一个高大上的名字罢了。

认识一位“民间数据分析高手”

小李是我在健身房认识的朋友，今年35岁，在一家私企做行政工作。他完全不懂什么Python、SQL、数据可视化，但他有个坚持了三年的小习惯——每次健身完，都会掏出手机，在一个简单的记事本App里记录当天练了什么、做了几组、每组多少个、当天的体重、练完后感觉怎么样。

三年下来，他积累了一份相当可观的数据档案。我曾经好奇地问他：“你记这些有什么用？”他笑了笑，给我展示了一些“发现”：

“比如，我发现我每次做完有氧运动后，第二天的体重都会轻0.3到0.5公斤。但这个效果只能维持一天，到第三天又会回来。所以我现在不会因为第二天体重下降就沾沾自喜，而是看三天的平均值。”

“我还发现，如果连续两天做力量训练，第三天我就会明显感觉恢复不过来，训练质量下降。但如果是练一天休息一天，状态一直很好。所以我现在每周固定练三天，剩下四天休息。”

“还有一个更有意思的发现：我吃东西有个规律——晚上健身后如果不吃东西，第二天早上会特别饿，然后早午餐就会吃很多。但如果在训练后补充一点蛋白质，第二天反而不会那么饿。后来我查了资料才知道，这和血糖、胰岛素什么的有关，但不管怎么说，我的记录验证了这个规律。”

听完小李的故事，我忍不住感叹：这不就是最朴素的数据分析吗？他做的事情，和专业数据分析师做的事情，在本质上没有任何区别——收集数据、观察规律、验证假设、调整行动。他缺的只是一套更系统的工具和方法，让这个过程更加高效、更加精准、更加可复制。

这个故事告诉我们一个重要的道理：数据分析的本能，每个人与生俱来。你需要的不是从头学习一种新技能，而是把这本能释放出来，用更好的工具把它武装起来。

为什么你的数据分析“差点意思”

既然人人都在做数据分析，为什么专业的数据分析能发现你发现不了的 insights（洞察），能得出你得不出的结论？专业分析师和“民间高手”之间，到底差在哪里？

原因在于，日常的“本能分析”存在几个明显的局限。这些局限不是你的能力问题，而是工具和方法论的问题。

第一：信息维度不够丰富

你凭经验知道周三早上地铁挤，因为每周三你都亲身体验过。但这个认知有几个天然的缺陷。

第一，它完全依赖你的个人经历。你只坐过你常坐的那条线路，其他线路的情况你一无所知。你只在工作日坐过地铁，节假日的情况你毫无概念。你只在这个城市坐过地铁，其他城市的情况和你无关。

第二，它的信息量极其有限。“周三地铁挤”这个结论，可能来自你过去几十次周三乘车的印象。但这个印象真的准确吗？你有没有被少数几次极端情况误导过？有没有可能因为某一次挤得特别痛苦，导致你对所有周三的记忆都被夸大了？

第三，你很难把不同维度的信息关联起来。你知道周三地铁挤，但你知道这天是不是和天气有关？是不是和学校开学有关？是不是