php怎么定义长度，程序员接私活时？
谢邀！这方面我还是比较有经验的，2018-2021年，三年多的时间，我接了4个项目，挣了小十万块钱。认真看下去有些坑可以少走些。
为什么要接私单你知道程序员接私单有多爽吗？
2017年年初，我接了个私单，工作内容是给一家小企业运维系统三个月，薪酬是4000块钱，在当时已经可以顶我小半个月工资了。
我本来以为这会是一个比较重的活，却没想到只是因为这家企业花了二十多万买了一套系统，自己的公司又养不起程序员。系统是不是有bug，他们自己没办法判断，这才发布了私单。
每天的工作也不多，就是登录后台监控下日志，看看有没有报错，然后解答下顾客的疑惑。
至于为什么不让程序开发者来做运维，也很简单，是因为这套系统的开发公司要收取20%的运维费用。
价格太高，这家小企业给不起，所以才决定外聘的。
回到刚才的问题：为什么要接私单？
当然是因为能赚钱啊，而且程序员接私单通常是以千为单位的，能在上班之余挣点孩子奶粉钱，它不香吗？
在哪里接单？平台
这样的平台有很多，以前是在威客上，现在比如某客栈，某包，某戒（不能直接用真名，限流）等，都是程序员能接单的平台。
但是，恕我直言，这些平台坑不小，比如说你填写了简历，如果别人看不到，或者搜索不到你，你也接不到单。
你要想被别人看到，就只能花“钱”买流量，买了流量，你的简历才会出现在别人的搜索内容里面。
本来大家就是奔着赚钱去的，结果去了才发现还要花钱，这很让人不爽。
朋友介绍
我接到的4个私单中，有2个是通过朋友介绍的，所以，我个人认为这个还是比较靠谱的渠道，朋友之间本来就比较信任，有赚钱的机会一般都会先考虑朋友。
而且还有一个好处，就是来源可靠，不会被忽悠，有事情好协调，后面结账也相对简单一些，因为有中间人从中协调，事情也好办。
微信或者QQ群接单
2015年左右，QQ群里接单还是靠谱的，有单子可以做的，但是一般以小单为主，大多数都是百八十块的小单，比如大学生毕业设计，稍微大一些的单子比如官网建站等等。
我以前认识一个朋友，他也是从培训学校出来，本来以为他会进入某家公司做开发，结果他和她老婆两个人只接官网建站的小单子做。
虽然小，但是在2015年前后，这种单子很多，做出来以后还容易形成口碑效应。
这位朋友基本上1-3天就是一个，价格也在800-2000左右，愣是靠着这门生意在他们县城全款买了套房。
小广告，明信片
我做过，没效果，名片发了有一两百张，大多数都是被直接扔进了垃圾桶，少数人没有人当着面扔，但是也还是没有联系的意思。
有认识的人靠着明信片接过单，但是最后也没谈成，大多数就是想做，又不想掏钱，告诉你做好的话，推广出去一起分钱，这种就直接拒绝了。
街头去问，找单子做
我其余的两个私单，就是这么来的。
一个是成都双流一个经营库房的大哥，要求做一个多租户的库管系统，整个系统花费了我2个半月，不是特别复杂，就是功能略多，收费2万6千块。
另外一个是给高新区一家餐厅开发公众号和一些H5界面，这个更简单，8000块钱，半个月搞定，赠送了一年的运维，其实这一年内都没什么事情做，因为这家餐厅不到半年，就因为疫情倒闭了[捂脸]。
怎么给系统定价？定价之前，你要做几个事情。
1 确定需求范围
这点很重要，双方要约定好需求范围，这个关系到最后交付的时候，验收了那些东西，不能做的，或者和三方有关系的需求一定要及时跟客户说出来。
2 确定每一个需求都是清晰的，明确的。
这个是最容易扯皮的地方，需求上面要知道自己要做成什么样子，怎么样才算是验收成功。
3 开发周期
确定以上两点之后，就要评估你的开发能力了，先看看以目前的人手，要做完，测试完，最终交付到用户手上的时候，需要用多久。
4 最终的版权归属
有些用户不在意版权，有些用户很在意版权，在意版权的可以适当收费高一点点。不在乎版权的可以适当少收一点点，总是根据自己的实际情况来判断。
确定了需求范围，开发周期等问题之后，评估价格也就相对容易了。
第一种：拍脑袋法
有经验的一般都会用这种，比如常年做ERP或者OA系统的人，对这种系统非常熟悉，他的基本功能也都差不多，之前也做过类似的系统，那么就可用这方方法。
第二种：根据投入的实际人力成本来定价
比如，你们实际上投入两个人做，每人每天花费2个小时，系统最终60个工作日完成，总共花费人力为：2*2*60/8 = 30人/天。
1人/天的投入根据行业内的大致的工资来算，比如在成都一个从业5年的IT人，日薪大概是 750元/天，而接私单不可能按照各价格来算的，因为私单就是因为便宜，所以一般按照6-8成来计算，这里取个中间值7成。
这么算下来价格大概：30*750*0.7=15750元。
接私单肯定不只是为了这点蝇头小利，因为私单的价格已经算得很便宜，加上后期1-2年的维护和中间人回扣，需要在这个价格的基础上再加上30%-60%，我做得几个系统都是按照60%来算的。
这样这笔私单的价格就差不多出来了：25200元。
第三种：按照功能收费
这种收费模式比较适合成熟的系统，而且是云系统，面向的是多用户的。比如很多理发店使用的收银系统，他们大多数是采用：安装费+模块 + 月度费用收费的模式。
比如，某理发店购买了一套收银系统，安装费用800，添加一个会员模块，300一个月，再添加一个活动模块200一个月，等等。一年的成本算下来大概是：800+300*12+200*12 = 6800元。
第四种：按照功能点评估
功能点是什么？就是建立在用户的需求基础上的，其实跟功能收费也差不太多。专业名词太多，EI，EQ，EIF等等的，有点太过专业，一般想要找私单的人根本听不懂，所以你也不要用这个去评估了。
接私单怎么收钱千万不要想着一次性把钱收到位，因为还没见到系统出来的时候，别人也不是傻子，肯定不会完全信任你。
可以采用30%，60%，10%的比例收取。
项目确定后，动工前收取30%，项目交付成功后收取60%，用户使用1-3个月后收取10%。
这样收费，既可以让用户放心，也可以让自己放心，不用担心做到一半用户跑路了。
接私单怎么做更有利于成功找一家公司挂靠，与这家公司签署长期合作协议，签合同，纳税等等都由这家公司出面，至于是什么公司，大家也可以想得出来。
有一家公司托底，用户也更放心一些，毕竟很多公司用户都需要走账的，公对公这样的关系更让他们放心和方便。
接私单哪些坑要注意别踩1 不能做的千万不要接，万一，签了合同却交付不出来，你能哭死。
2 签合同一定要把需求明细当做附页放进去，标明需求以附页为准。
3 评估时间的时候可以适当评估宽松点，私单都是用业余时间来做，不要到时候搞得又累又完成不了。
4 一定要约定交付后的运维时间，价格和责任划分。要不然，你就只能永远当他们的打工小白了，还没钱。
5 赚了钱一定要想着中间人，这行的规矩一般是中间人可以得到10%-30%左右的提成，有些时候甚至可以达到50%。别人介绍生意给你，要懂得感恩。之前为什么说要多评估60%，就是为了应付这个情况的。
6 不要瞎答应，有些用户在需求确定之后，可能会修改需求，小的修改，调整了就是了，但是大的调整有时候甚至会推翻你之前的所有努力，这种就不要轻易答应。他如果毁约，就可以按照毁约的条款来对付他。
7 不要太高调。接私活能多隐秘就多隐秘，除了几个志同道合的人，最好的同事都不要告诉，因为你不知道啥时候他会把你给捅出去。
总之，程序员接私单并不容易，或者说对于大部分人来说不容易，除了私单的来源外，更重要的是现在很多潜在用户都选择了云上系统，比如ERP，有某友，某婆等等。
但是如果可能的话，还是要尽量去接一些私单来做，除了能挣点钱外，更重要的是锻炼技术。可以说现在60%以上的程序员对于冲前到后把一套系统搭建起来都不是很熟悉。你可以趁机学习下这方面的知识。
curl对post数据大小有限制么？
PHP CURL库默认1024字节的长度不等待数据的返回。
职高有什么好专业？
谢邀，很荣幸回答您的问题！
何谓比较牛逼的专业？不知道您是如何想的，又是如何界定你称之为的“牛逼专业”，其实，不管专业如何牛气，这个不重要！重要的是你能否将专业学牛逼了！不要把学技术想的那么容易，如果你不下番苦功夫，“牛逼”对你来说只能是妄想。
我们好多学生好高骛远，糊里糊涂的活在一种感觉中——自我感觉良好！总认为自己未来很精彩，殊不知，这是自欺欺人的感觉。我常跟学生说：“很多时候，不要过于相信感觉，感觉这东西不靠谱，有时候会欺骗人！”
这几天，走访了两家实习单位，到实训现场看望学生，并一对一的与他们沟通。我特别想知道知道，他们现在的想法。孩子们普遍反映：“我不想过这种生活！”，我问他们，如果你不认真学习，或者大专只是混混，能逃离这种生活吗？学生被我问懵了。
上职高之前，个个胸怀大志，扬言要学技术！有志向是好事儿，就怕是“常立志”，口号喊了一连串，现实中，逃课的继续逃课，玩游戏的继续玩，看小说的继续看……
等进入社会后，才发现自己混了三年，接下来的人生无法再混了。当自己想去养活自己时，突然发现自己什么都不会！有良知的，悔恨自己不努力；无良知的，抱怨职校不好，学不到东西！
当你滑入社会最底层时，天天会为多收三五斗而忧愁，那时再想人生翻牌，谈何容易？
所以，在我们还有时间，还有父母做背书时，应该抓紧一切时间学习，让自己增值，让未来有保障，而非混日子！
如果你想决定上职校，先摸清自己的内心，究竟想要做什么，成为什么样的人？等你把这个问题弄清楚了，后面的选择才有价值，否则，很容易浪费时间。
要多久才能有能力找工作？
本人10年开发培训经验,期间经历了Java Web,Android,H5,大数据,PHP等多个不同的方向的开发,也做过软件培训公司的金牌讲师，很有兴趣回答你这个问题。
咱们先说说Java吧。Java从1995年发明到现在，经历了25年的时间检验，得到了这个世界上大多数公司后台项目的认可，也就是说大多数后台项目的技术选择，首选Java。所以目前就有很多的朋友想进入IT领域学习Java开发。
那么如果要学习Java，现在比较普遍的做法就是自学和参加培训，其实也可以找一些大牛来带也可以。
那么我就说说两种学习方式的区别吧。
自学Java如果自己有较强的自控能力和学习意愿，那么自学无疑是一种比较好的选择。自学的话，完全是从零开始，然后一点点往后攻克知识点，对自己的能力提升还是很明显的，但是前提条件是你得能够坚持学习下去。
Java里面包含的东西实在太多，自学的朋友很容易走弯路入歧途。经常的学习状态就是今天学一点，明天学一点，后天突然有事情不学了，可能一个Java基础课程就得学一两个月，而且学的还不一定扎实。很多自学的朋友，就是从网上找了点视频，跟着敲一遍，把视频上的代码跟着写出来，就以为Java就学会了。
这里有一个问题，你跟着视频把代码敲了一遍，算学会了吗？我觉得很多人在这里都有个误区！其实很多自学的人，进行实际开发的时候，一下子就抓瞎懵逼了，完全搞不定啊！为什么？没有现成代码可以照着写啊！
尤其是非计算机专业的朋友，在自学的时候，也很容易碰见各种问题。可能一个小小的简单问题，就能把你卡半天。你想想，今天卡半天，明天卡半天，长此以往，谁还有心情学这个破玩意，拉到算球了。
就算坚持这学下来了，算算总共花了多久把java课程都学完了？可能花了一年的时间都不止！
一年的时间啊！要是出去挣钱，都已经挣多少钱了！
再说说培训吧。在培训机构里面，课程内容都是成体系规划好的，讲的内容也都是经过调查设计的，符合当前企业需求的，这比自学的目标性更强。
然后培训班里也有老师带你学，会告诉你哪是重点，哪是非重点。Java里的东西那么多，没必要什么知识都学，用不到，也没必要学。然后老师在你碰见问题的时候，可能随口一点拨，就能解决了你学习中的大难题。
再就是培训班里面，学习的人不是你自己，大家都一起学习，一起奋斗。很多时候，我们都是因为自己学不下去，但是这时候旁边有个人来带着你，提着你，督促着你让你学，学的能不好吗？这就是为什么大家要去学校里上课，而不是在家上课的原因。
就好比这次疫情，我们可以线上授课啊，但是质量如何，相信大家只要体验了，都有目共睹。很大的一个原因，就是因为大家在家里管不住自己，学着学着就开小差了。
在培训班里，可能只需要四五个月的时间就把课程学完了，然后就可以去找工作了。你可以算账啊，5个月学习，7个月挣钱，就算一个月挣5k，7个月还能挣3.5w呢？而培训费才多少钱？自学是没有花钱，但是你用了一年的时间来学习，最后自己少赚了多少钱？时间就是金钱啊！
我个人是赞同培训的。就比如我们上学，不也是因为我们不识字，而需要交费去学校学习吗？不会的东西，就去学习，既然享受了服务，那就要付出一定的代价。这就是等价交换，拿钱买知识，两不相欠！
所以想学习Java的话，可以选择培训，一般的培训机构，课程时长都是5个与左右，然后从基础，web，数据库，框架，分布式，项目等，经历这些内容，基本就具有开发的能力了。
如果想学习Java课程，可以关注我，免费获取学习教程。
我从事开发培训10年，擅长Java Web,Android,H5,大数据,PHP等多个不同的技术方向。后续我会写一系列关于互联网技术方面的文章，感兴趣的朋友可以关注我。另外如果你有Java,Android,H5等开发方面，或者是求职方面的问题，也可以在评论区留言，或者私信我，相信一定会让你有所收获！
怎么自学数据分析？
这是一份数据分析师的入门指南，它包含七周的内容，Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。
每一周的内容，都有两到三篇文章细致讲解，帮助新人们快速掌握。这七周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。
第一周：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。
第二周：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。
第三周：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。
第四周：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。
第五周：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。
第六周：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。
第七周：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。