easy怎么创建php，如何写一封好的外贸开发信？
说说几个重要的原则：
1. 首先，重要的事情说三遍：
找准目标客户再写！找准目标客户再写！找准目标客户再写！
因为，如果这个客户不做你的产品，或者规模太小只在当地采购，或者只是完全是另一个行业的，那么你一天发出去200封开发信，也全部是无效的。目标客户正确了，开发信给对了人，即使你只发一封邮件，这一封的有效率是100%。举个例子，我的第一个外贸客户，是我实习的时候遇到的，初入职场的嫩草，完全不知道怎么开始，但是认准了一点，就是不做无用功。我搜到这个客户，先查了一下公司网站，确定是做这个产品的，再根据领英等平台判断客户规模，判断他有进口需要后，才开始开发这个客户。我的一个同事，每天发200多封开发信，初入外贸的我羡慕得很，觉得人家的工作效率真高啊！结果呢，我第二天收到这个客户的回复，同事一个月没有收到一封回复，反而被垃圾邮件占满了，因为她发的全是各种能看到的邮箱，比如xxx采购名录，邮箱那头是谁，完全不知道，也不知道这个邮箱是不是骗子留下的。
2，一定要发对人。也就是说，确定这个公司是目标客户后，那就要开始找对人。我们都知道国外客户不喜欢留下采购部的联系方式，就是怕大家打扰他啊！但是我们不打扰他，怎么能把产品推销给他呢？ 所以还是要想方设法地烦扰他啊！如果你发的邮箱对应的是叉车司机、财务主任、生产工人。。。你想，他看到邮件会不会直接无视呢？情况好的，会帮你转发，或者告诉你他不负责；但是，99%以上的人，会无视或者删除，哪怕你让他给你负责人联系方式，他也不敢，也不想啊。所以，你要自己找。具体方法先不说，以后再详谈，因为方法太多了。
3，标题不要写敏感词汇。举个例子，做LED灯的，采购经理真的每天收到几十封上百封邮件，而且”LED”标题的太多了，看到你是陌生人，很多会选择“未读删除”。建议直接列举出来优势，比如你们产品的独家优势是xxx，那就直接在标题里面写出来。很多人建议你用当地的大品牌做标题，代表你们给大品牌供货了。我试过，的确很多回复你的，然后结果就是客户会一再确认你们是不是供过货给大品牌，如果是，在哪里，他要去看，刨根问底。。。因为他就是被这个吸引来的。而且这样做的另一个隐患是：绝大部分客户不希望自己在哪家供应商拿货被别人知道，明目张胆地大量开发，他会认为你将来也会打着他的旗号去开发别人，第一印象真的很重要。
4，要有针对性。也就是说，千篇一律的模板不适合所有客户，尤其一些特殊客户，比如你的竞争对手的客户。举个例子：我通过海关数据发现竞争对手的客户，这封开发信的重点就是：直接表明我们的产品不存在xx问题，这个问题当然就是你的竞争对手的问题。再举个例子，我的一个客户，通通过研究网站发现他的产品存在一个缺陷，开发信里就直接说：我发现你的产品....当然，不要说这是严重的问题，而要说我们有更好的解决方式，我们的产品这方面性能更好...etc。 越是重要客户，越是要区别对待。
5，连贯性。意思是，不要一遍一遍、一轮一轮地发同一封开发信，发几次就被拉黑了。很多新手看到客户不回复，那就再次复制粘贴，再发一次，结果肯定是拉黑，不拉黑留着过年吗？只要你确定你开发的是对的人，那么就要连续性的开发他。举个例子，第一封开发信是开门见山地介绍产品，或者确认他的需求；第二封就要不重样，发个产品优势表，来个小视频展示性能等。再不回复，打电话确认下，的确是有需求的，那就继续吧，一般是会被你吸引住的。
6，最基本的：字体不要花里胡哨、格式不要乱七八糟、签名不要五颜六色、链接不要到处都是、附件不要太大、内容不要太冗杂。这些是基本的注意事项，学好了再进行下一步。
暂时想到的是这些，后期想到的会再更新。
你们有什么好的想法呢？有没有新的技巧可以分享的？欢迎留言，大家一起学习，一起成长。
<我是“小G外贸源”，欢迎关注我。有问题可以留言，我会及时回复的>
有什么冷门但好用的软件呢？
Essentialpim PRO:日程管理和知识管理的大神级软件，惠普、三星、佳能等知名公司的选择。不但可以当做日程管理软件，还可以作为知识管理软件：
独立数据库，确保安全。多端通过wifi同步：
该软件得到国际大牌公司认可：
这样一款软件，价格并不高。
当然，如果你愿意，可以选择河蟹版。
说完了传统知识管理软件，还有时下比较热门的双链笔记软件：
简单了解一下什么是双链笔记，不需要搞懂复杂概念，和热门的知识管理软件NOTION做一个比较：
据说，roam edit未来的发展空间和底层架构都比NOTION大整整一圈。
Roam到底能做什么，能解决什么问题？
简单来说，就是：让知识能用
类似下面的图：
为什么这样的图能让知识更有效呢？
看下图案例（软件-全世界的界面）：
知识之间、信息之间建立关联，只要知道任何一个关键点，就能顺藤摸瓜的构建整个知识大厦。
这才是真正的有用、能用的知识。
软件界面（太复杂，拉轰仅仅在初步摸索阶段）：
XYplorer：文件管理的超冷门超强大软件一位大V这样评价它：
看看它酷炫又实用的界面：
当然还可以选择以下软件：
qdir
qttabbar+clover
one commander
tc
讯读PDF:拉轰目前认为最好的PDF软件，没有之一
下面的思维导图是目前的推荐软件：
拉轰出品，必属精品
如果想学习编程？
多谢悟空邀请。这个问题还真不是一句话能够说清楚的。我简单谈谈几点我的看法。
首先，搞清楚您学习编程的应用方向学习编程有很多不同的目的，有自娱自乐的、有拿来找工作的，无论那种，您都要明确您学会了编程想要做什么方向。我提几个方向仅供参考：
移动应用开发。包括手机、平板等移动平台的开发。
传统桌面应用开发。包括应用于windows电脑上的各种应用程序。
网页开发。各类网站和基于网页的应用等。
嵌入式开发。各种嵌入式设备开发。
微信小程序开发。
人工智能开发。
数据库开发。
其它等等。
知道了您将来学会了编程要来做什么，您才能选择合适您学习的编程语言。
其次，选择满足自己现在和将来应用的编程语言知道以后要做什么，就要根据自己的要求选择合适的编程语言了。编程语言太多了，每种都能说出一大堆的优点出来，根据应用方向，您可以大致如下考虑：
移动应用开发。Android的一般用Java、Kotlin、Go、Delphi等，ios一般用Object-c。Kotlin是Google官方支持的Android开发语言。Java很泛滥，大家都知道。
传统桌面应用。基于windows的应用，目前用的比较多的主要是C#、Dephi、VB等，C#正当时、Delphi再走下坡路，VB有点半死不活。
网页开发。这个有很多可选的。比如PHP、Javascript这种，还有Ruby On Rails框架的，还有Java的等等。
嵌入式开发。这个一般都是C\C++、Python这些了。
微信小程序开发。一般用Javascript+WXML+WXSS混合模式。
人工智能开发。现在最热的是Python。
其它。
第三，要配合学习SQL，精通至少一种数据库数据库是数据存储和处理的后台，您如果真想开发系统，一般都是绕不开数据库的，数据库也有很多种，大部分都SQL-92的支持都是不错的。
SQL语言是标准化的数据库语言，一般包含查询语言和控制语言两种。简单说查询主要是select句型，控制主要包括update、insert、delete等数据操作语句。这个学起来比写程序要死一些，但想要精通也需要日积月累。
数据库有很多种，比较常见的主要是Microsoft SQL Server、MySQL、PostgreSQL、SQLite、Access、Oracle等，个人建议SQL Server和PostgreSQL两个都不错，一个商用的、一个开源的，性能都很牛掰。不过MySQL学的人最多。
第四，选择编程语言的开发平台一般的编程语言，主要是程序构成，程序本身就是文本格式的，用记事本就能打开，但程序的编译需要开发平台的支持，比如Java需要JDK支持。一般大家比较喜欢选择集成化的开发环境，称之为IDE。比如微软的Visual Studio系列、Delphi、Eclipse等等都是集成化开发环境。
Notepad++、editplus、ultraedit、Sublime Text、vim这些用来写程序很好，但不算是很好的IDE。建议您选择合适的IDE。我这里不再展开描述了，如果您有兴趣，可以@我，我专门写过一篇《编程大师成长日记：常见常用的编程环境》描述如何选择开发环境的。
最后，日积月累、由易到难、由浅入深、学以致用1、变量的类型及定义，包括整型、浮点型、字符串、日期、布尔等；
2、循环，包括for、while等；
3、分支，包括if、else等；
4、逻辑等式判断等；
5、数据库连接、存取接口等。
了解了基本的语法风格，您基本就有一些感觉了。这时候对您来说，最重要的就是要选择一个合适编程环境，编程环境的选择非常重要，要用来干活，就要选得力的开发工具，如果自己不懂，就要看看别人都用什么工具，选了工具适应也需要过程，一般以后干活也要用这个了。
选好了编程环境，您就要尽快熟悉环境，编程环境一般称为IDE（Integrated Development Environment），也就是集成化开发环境，集编写代码、拖拉组件界面、调试、编译一条龙。
熟悉编程工具的使用后，您最好找一些简单的、现成的例子导进来编译试试。编程最怕直接面对生疏的东西，这会让你手足无措，有了例子做底子，最起码您刚开始就能够有些成就感。
当然，光靠编译成功几个例子有点成就感、只是有个进步的台阶，您要不停的基于例子做各种修改和增强，有台阶踩着，您不停的改造例子，顺道把各种语法都囊括进去不停的反复练习，这样你就会越来越熟、越来越接近于实战、越来越有感觉。
随着编程练习的深入，您就会开始碰壁了，这时候千万不要气馁，多在网上找解决方法。高手就是在不停的碰到问题、查资料、验证处理方法、搞定这样不停的循环中炼成的。网上有不少高手就各种问题提供了处理办法，您多参考下问题很快就解决了。
练得多了，您的水平就提高了，也就越有能力接近实战了。等您开始真正实战干活，苦难还在后边呢，你要吃的苦头才刚刚开始，万里长征才开始第一步。不过请您记住，程序员就是这样：永远的痛并快乐着！等待您的，将是一次次的凤凰涅槃、浴火重生！
如何学习数据分析？
想要成为数据分析师，给大家分享一份初级的入门指南！
它包含Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。
这七part 的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。
第一part：Excel
每一位数据分析师都脱离不开Excel。
它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。
Excel的学习分为两个部分。
掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。
在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。
在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。
清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text
关联匹配类：lookup、vlookup、index、match、row、column、offset
逻辑运算类：if、and、or、is系列
计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round
时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif
搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。
第二部分是Excel中的工具。
在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。
在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。
Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。
除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。
了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。
了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。
了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。
了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。
第二part：数据可视化
数据分析界有一句经典名言，字不如表，表不如图。
数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：
Excel的图表可以100%绘制上面的图形，但这只是基础。
在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。
数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。
Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。
Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。
图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。
上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。
BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。
另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。
在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。
BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。
后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。
第三part：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。
在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。
分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。
既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。
麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。
这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。
除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。
现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。
下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。
不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。
数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。
数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。
这家商场的人流量是多少？怎么预估？
上海地区的共享单车投放量是多少？怎么预估？
街边口的水果店，每天的销量和利润是多少？怎么预估？
这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。
优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。
第四part：数据库
Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。
即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。
很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。
教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。
新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。
SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。
数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。
想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。
join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。
如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。
第五part：统计学
很多数据分析师并不注重统计学基础。
比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？
比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。
不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。
统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。
在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。
箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。
第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。
直方图和箱线图一样，将会是长久伴随分析师的利器。
统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。
包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。
其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。
何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。
产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。
「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。
统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。
第六part：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。举个例子，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，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。
一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。
而在「最用心的运营数据指标解读」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。
产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。
市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。
流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。
电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。
用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。
除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。
在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。
业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。
在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。
第七part：Python/R
第七周是最后的学习环节。
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、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，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，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。
这里的教程以Python为主。
「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。
Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。
「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。
「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。
能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。
包、模块和类的概念属于进阶知识，不学也不要紧。
「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。
array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。
「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。
最后一篇教程，将结合以往的知识点，包括业务指标，可视化，描述统计学等内容。「用Python分析用户消费行为」，完成它，不说登堂入室，但也是一位合格的数据分析师了。
它使用某网站的用户消费数据，计算各类常见指标：用户的客单价、人均购买量、回购率、复购率、留存率、平均生命周期等，真正做到融会贯通。用一份数据报告作为毕业作品，也是七周系列最好的结业证书了。
对于没有技术基础的同学，第七part最吃力，但已经完成到这一步，不妨让自己咬咬牙学习下去。
最后
如果能够看完到这里的同学，相信你是对数据分析真正感兴趣的。
有什么搭建博客网站的前端框架？
自己建博客还用啥前端框架，要多少功能啊，弄个wp，就一个简单的cms系统，自己写个html写个css，可以响应式，技术强点的可以上自适应。其实用帝国cms做博客比wp好，个人觉得。织梦 帝国 wp cmseasy 还有几个我都玩过，各有各的好，但是首推帝国cms，wp做cms的功能还有欠缺，需要你懂点php去修改。帝国作为cms的功能，已经把你基本能遇到的都想到并且做到了。