php抽奖怎么实现，如何写出一份漂亮的简历？
一、如何让HR快速识别到你的简历；
1、简历排版要“精简”
如果是一个大公司需要招聘，HR可能会收到几百封的简历，所以HR的任务就是在最短的时间内筛选出足够的人参加面试，大部分简历其实都是只是扫上一眼，基本不会超过10秒；
如果你的简历内容冗长又凸显不了你的优势的话，那对不起！你投的简历已经被扔进了垃圾箱“雪藏”了。
看对方公司需要招聘什么岗位，你在简历里边就一定要写意向岗位是那间公司所招聘的岗位，这样HR扫视的时候就会看到这个关键词，首先会把你这份留下了，第一印象会觉得你是“有备而来”的；
2、认真分析任职要求，针对性的写简历；
看招聘信息主要看职业描述（JD）的内容，通过分析JD你就知道需要具备什么样的能力才能竞争该职位；
而HR筛选简历时，首先就会在简历里找有没有JD相关的内容，就是筛选关键词。举个栗子：这是一个公司招聘市场策划专员的信息：
先把工作职责中，比较重要的关键字眼标注出来，得出这个岗位的职责需求主要是：
1、负责公司APP产品推广,组织策划线上线下的推广活动并持续开发各项支撑活动的资源；
2、负责收集用户反馈意见及需求、维护与用户之间的关系；
再结合下它任职要求，我们就可以得出较为准确的关键词了，我们就可以根据这个需求，想尽办法把自己的经历往上凑，即使自己没有从事过这方面的工作；
比如你干过销售的工作，经常与用户沟通交流、维持良好的关系，这就证明了你的语言表达跟沟通协调能力了。
3、主动"壁咚"HR;
有时候会出现这样的情况，自己已经对应进行了岗位需求的分析，针对性的写了简历，就是没有收到面试的通知，这时的你除了焦虑、忐忑，就不会学着去主动“壁咚”HR嘛；
如果你确实碰到自己非常喜欢的岗位，可以主动去撩HR找到他们的联系方式，毛遂自荐。
但是要“壁咚”人家HR之前，你得掂量自己有自己有几斤几两啊，别把自己整个跟地痞流氓一样见到漂亮小姐就往上贴的那种，是人都会反感，那你得怎么做呢？
把自己包装的漂漂亮亮的，然后追一个人需要打听下对方的底细是吧，那找一份工作也是一样的道理嘛：
1、现在互联网那么发达，我们要学会去查这间公司的背景，对公司有个大概的认知;
2、了解这个岗位的工作内容和岗位需求，自己可以说出对这份工作的想法,如果你可以成功应聘这个岗位，你会怎么开展接下来的工作 ;
3、你主动出击，还对公司概况有了大概的了解，还能说出自己的想法，那么无疑你已经成功引起了这家公司的关注，HR通知你去应聘是水到渠成的事情。
0
2
二、如何在内容中凸显你的优势
1、不要滥竽充数;
跟招聘岗位不相干的工作经历我们大可不必拿来充数，就算你慷慨激昂的写了一整页与招聘需求不相关的项目经验，那也是白扯，只会让HR觉得这人罗里吧嗦抓不住重点，不是公司想要的人，然后就把你直接pass掉了；
2、写好项目经历;
写项目经验的时候，我们一定要根据人家提出的岗位需求再结合自己的实际经历，尽量提取关键词，往人家需求方向靠齐；
而且要写清楚在这个岗位你做了什么工作，取得了什么成绩，成绩要有数据，增强说服力。
给大家举个栗子：
① 我在xx公司负责销售工作；
② 我在xx公司负责销售工作，入职培训后两个月内为公司销售主打产品累计300份，为公司盈利10万；
这样就一目了然了吧，可见数据能带来多大的说服力！
3、学会利用文字修饰；
没有无价值的工作经历，只有写不好工作经历的人，即使看起来再低级、普通的工作也可以用很认真负责的态度把它“修饰”出来；
例如我是一个在办公室打杂的，通过修饰我就可以这样描述：
1、管理维护办公室环境，与供应商沟通协调补给办公用品，通过合理布置办公室物品摆设提高员工效率（把打印机从打印间摆放至通道口，方便员工打印）；
2、协调安排经理的行程，安排访客登记，跟进会议并整理会议纪要；（斟茶倒水、做会议记录）；
php网站新添一个抽奖？
给你一个概率计算上述代码是一段经典的概率算法，$proArr是一个预先设置的数组，假设数组为：array(100,200,300，400)，开始是从1,1000这个概率范围内筛选第一个数是否在他的出现概率范围之内， 如果不在，则将概率空间，也就是k的值减去刚刚的那个数字的概率空间，在本例当中就是减去100，也就是说第二个数是在1，900这个范围内筛选的。这样筛选到最终，总会有一个数满足要求。就相当于去一个箱子里摸东西，第一个不是，第二个不是，第三个还不是，那最后一个一定是。这个算法简单，而且效率非常高。最后输出JSON给前端
有哪些比较冷门的实用网站？
既然题主问到了，冷门的实用网站，那么重点肯定就不是冷门，而是先实用，再冷门了。其实不少的网站，最好用的资源都在墙外，墙外的风景无限好，毕竟整合了全世界各地的精髓，不过其实话说回来，我们墙内的实用网站其实也不少。
一、Vecteezy这是一个免费的矢量图资源网站，作为一个设计师，矢量图多么重要，不用我说大家都能体会一二，并且，这个网站拉到最底下，还会有免费的笔刷，免费的视频提供大家下载使用。
二、茶杯狐一个毫不做作的搜索网址，把一堆广告的X度吊起来打，而且，前段时间百度说的“人们都接受用隐私换来更便利的生活”，呵呵~，茶杯狐干净利落的界面，简单的搜索操作，找资源分分钟的事情。
三、down20一个正直无比的网盘搜索站点，提供小说搜索、无损音乐搜索下载、网站编程教学、JAVA开发自学、考研试题下载，怕不怕，可以说，这个网站，浓浓的正直气息。
四、鸠摩搜书鸠摩搜书，页面极其简洁，功能单一，就是搜书，想看什么书直接搜索，而且不止mobi格式，TXT、PDF、DOC等格式应有尽有。
五、Pixabay免费图库，有的人会问了，我们网上找的图片不都是免费的吗？不是，下载免费，但是如果我们用来发布，就算是用作商业用途了，如果是有版权的图片，作者拿着图片一抓一个准。而这个网站，就是提供这种无版权的图片给我们下载，甚至商用。
六、TED演讲网站，严格来说，不算冷门，但确实是非常实用的一个网站，里面汇聚了全世界各地的名人演讲，各个领域的顶尖人物，慷慨激昂又充满干货的演讲，真的是非常的使用。
言情的小说？
01
《冬至》
作者：凝陇
推荐指数：
文案：
麻醉医生陆嫣深夜接到急诊电话，在赶往医院途中，意外遇到已死亡多年的高中女同学邓蔓。
从那天起，身边的怪事便接踵而至。
“冬至，是有冤报冤，有仇报仇的日子”。
被掩藏八年的真相，一步一步就此揭开。
阅读指南：
破案+谈情。he甜文
内容标签：情有独钟 破镜重圆 甜文 悬疑推理
文章进度：已完成
全文字数：254459字
02
《陆门七年顾初如北》
作者：殷寻
推荐指数：
文案：
如果，心碎了……
顾初说：“那么，遇见就好。”
陆北辰说：“我会留下她的残骸辨明人性。”
顾初想过无数种重逢，只是这一天，重逢来得太猝不及防。她慌乱失措，他却持稳平静。
她喃喃：“北深。”
他：“我是陆北辰。”
陆北辰，身份尊贵又令人敬畏，他是国际炙手可热的人类学法医，是令罪犯无所遁形的高智商博士，是蛛丝马迹都逃不过他那双毒眼的权威“尸译者”，是被高检机构誉为最难邀请的高冷男神级专家教授，是赫赫有名“北辰基金”的持有人。
他有着跟北深一样的脸，却，不是她的北深。
有人说陆北辰太理智，血都是冷的；
有人说陆北辰太危险，因为真理只掌握在他的手中，他仅用一把刀就能将人从颌下正中到耻骨联合给剥了不留痕迹；
也有人说，陆北辰心里始终藏着一个女人，一个伤他至深的女人。
一件件骇人听闻的血案，一桩桩离奇难解的案件，险象环生荆榛满目，她的世界不再平静，他却从容冷静抽丝剥茧寻找真相，提醒她：“你最好聪明些，我不想有一天亲手为你验尸。”
他不是北深，北深的手不是冰的，北深的眼不是凉的，他却用解剖刀抵着她的胸口说：“不及你这个没心的人。”
两年的笑换五年的痛，侵蚀他的何止是孤寂？于她，他只是她的陌路相逢，于他，她却是他不曾挥去的旧梦。
陆北辰时刻会让她陷入错觉，熟悉的背影，及熟悉的脸庞，然后她便无法呼吸。
他却说：“既然辜负，又何必心痛？”
但在某一天，有人告诉了顾初，不要相信陆北辰，因为他，不是陆北辰……
阅读指南：
法医和小助手～当然女主是正经学医的，被男主拐骗作助手去了。
内容标签：悬疑推理
文章进度：已完成
全文字数：406465字
03
《风暴眼》
作者：Sunness
推荐指数：
文案：
从前，有位孩子的母亲，她站在两个高大法警的中间。手铐束缚着她的双手。
她在最后对孩子的父亲露出微笑，语调疲惫而轻缓地告诉他：“别给孩子讲《杜松树》的故事。那个故事的结局不好。不能让孩子相信那样的谎话。”
阅读指南：
1.画风略压抑的悬疑言情文，非推理文，非恐怖文
2.因男主职业原因，各种案件穿插其中
3.男主是个真正意义上的精神病
4.女主是个特殊层面的变态
5.本文第一人称
内容标签：悬疑推理
文章进度：已完成
全文字数：223913字
04
《乌云遇皎月》
作者：丁墨
推荐指数：
文案：
她就像个小太阳，
而我是躺在太阳下的旅人。
因她照耀，终于抬头哭了。
硬汉汽车修理工VS二萌女作家的爱情故事。
阅读指南：
这是一个男主和女主在时间线里相向而行，一边破案一边救人一边谈恋爱的故事。
预警一下，这篇文章略烧脑，带点科幻悬疑的味道，甜中带点玻璃渣，因为我们的丁墨大大以为，只要最后男女主角在一起HE就是甜文。。。
内容标签：一见钟情
文章进度：已完成
全文字数：192325字
05
《寻郎》
作者：明月听风
推荐指数：
文案：
一个没有浪漫细胞的女人被月老通知要去把她的命定爱人带回来，否则将孤苦终老。
可那死男人长啥样？不知道。
什么个性？不知道。
做什么的？不知道。
不找行不行？当然不行。
认为凡事皆有逻辑的苏小培这回是踢到铁板了。
一句话：这是一个现代女心理学专家到古代和一位萌壮士谈谈恋爱破破案的故事。
阅读指南：
一个小小年纪就亲眼目睹了做警察的父亲被在逃的犯罪嫌疑人杀死所以立志要找出杀人凶手和幕后操纵者成为了辅佐警察办案的心理师的女人遇到一个认真负责的月老到古代寻回自己的一段剪不开的红线姻缘却意外被卷进各种案件中——的故事……
标签： 穿越时空
文章进度：已完成
全文字数：573741字
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。