php导航栏怎么横向，电子商务专业可以从事哪些行业？
电子商务，简称电商，是指在互联网（Internet）、内部网（Intranet）和增值网（VAN，Value Added Network）上以电子交易方式进行交易活动和相关服务活动，使传统商业活动各环节的电子化、网络化。电子商务包括电子货币交换、供应链管理、电子交易市场、网络营销、在线事务处理、电子数据交换（EDI）、存货管理和自动数据收集系统。在此过程中，利用到的信息技术包括：互联网、外联网、电子邮件、数据库、电子目录和移动电话。
电商涵盖的范围很广，一般可分为企业对企业(B2B / Business-to-Business)、企业对消费者(B2C / Business-to-Consumer)、消费者对消费者（C2C/ Consumer-to-Consumer)三大类模式。
此外还有C2B（Consumer-to-Business，消费者对企业）、B2M（Business-to-Marketing，企业对市场营销）、M2C（Manufacturers-to-Consumer，生产厂家对消费者）、B2A或B2G（Business-to-Administration，企业对行政机构）、C2A或C2G（Consumer-to-Administration， 消费者对行政机构）、O2O（Online To Offline，线上到线下）等多种电商模式。
随着国内互联网使用人数的增加，利用互联网进行网络购物并以银行卡付款的消费方式已渐趋流行，市场份额也在迅速增长，各种类型的电商网站也将层出不穷。
电商盈利模式
（1）网上目录盈利模式
（2）数字内容盈利模式
（3）广告支持盈利模式
（4）广告—订阅混合盈利模式
（5）交易费用盈利模式
（6）服务费用盈利模式
发展趋势
一、智能化趋势
可视为电商在纵向上的发展。伴随软硬件技术的迅猛提高, 电商网站规模不断增大与消费者需求日益个性化之间的矛盾可有望得到解决。“智能化虚拟导购机器人”在未来的网站中可以依托云计算等技术对网站大量数据资源进行智能化处理，从而实现为消费者提供更加人性化的服务。同时，利用智能技术人们能够实现多种跨平台信息的更为有效迅捷的融合，例如根据网民消费者在操作过程中所表现出的操作特性以及从外部数据库中调用的消费者历史操作资讯，然后有针对性地生成优化方案，及时迅速满足消费者的个性化即时需求，最终提高消费体验，增大消费转化率，增加消费者满意程度及网站黏性。在B2B领域，信息也将依托智能技术而进一步商品化。各种信息将会被更加智能化地收集和整理，以便被商业用户所定制。智能化数据分析功能可帮助商业客户从简单的数据处理业务提升到智能的数据库挖掘，为企业提供更有价值的决策参考。
二、延展化趋势
可视为电商在横向上的产业拓展。电商将从如今的集中于网上交易货物及服务，向行业运作的各环节领域扩展和延伸。在企业内部，电商元素将渗透到企业管理、内部业务流程；在外部产业群领域，电商的发展将激活和带动一系列上下游产业如结算、包装、物流配送、基于位置服务等领域的发展。此外还将引导周边相关产业的创新与升级，如利用智能化远程水电煤表进行远程自动查表与收费。而这些创新反过来又将促使电商模式的不断升级拓展。
三、规范化趋势
电商市场将进一步得到健全和规范。商品与服务的提供方在售前的货源品质保障、售中的宣传推介、和售后的服务兑现等方面将随着市场完善和相关法律及奖惩措施的出台而变得更加规范自律。不但像当前在淘宝、拍拍等普遍存在的假冒伪劣商品在将来的生存空间越来越小，而且随着地球环境的不断恶化和社会价值的逐步转变，环保低碳的共识将会在消费者之间慢慢产生，进而影响到电商领域，将环保等理念融入到行业中来。在这一进程中，一些相关法令制度的颁布，将迫使着电商业者们通过规范化运营来获取竞争优势。
四、分工化趋势
伴随电商在横向纵向领域不断发展的进程中，越来越多的专业服务型网站将填充在整个电商行业链条的各中间环节，将会出现越来越多像返利网、最低价网这类处于消费者和电商网站两个链环之间进行专业化资源对接的网站，在诸多中间环节如网站与物流之间，与广告推广之间，与银行支付系统之间都将出现专业化的分工机构来提升整体行业链条的效率、降低系统成本。这类网站在功能和应用方面都将会不断进行创新。
五、区域化趋势
由于我国经济发展的不平衡，地区生活水平、自然条件、风俗习惯、教育水平的差异，导致了网民结构的差异性，这必将在网络经济和电子商务发展中表现出区域差异。以当前快速发展的团购类网站为例，在美团网、拉手网、糯米网等团队的运营能力中区域化经营都表现出了不可替代的重要性。未来电商服务从板块式经营模式向细分市场模式发展，更加符合和贴近当地生活习惯的本地化电商模式将会层出不穷，各个区域群体的个性化需求将会得到满足。
六、大众化趋势
在我国经济向中西部地区发展，全国各地城镇化建设的进程中，传统大城市之外的更为广阔的城镇农村地区将成为巨大市场，这样除了常规电商行业，将会针对电商以网络为依托的特点提出各种新的需求，例如远程教学、远程医疗会诊、远程培训等，都将得到大的发展，更多的人群将会参与到越来越大众化的电商服务中来。
七、国际化趋势
电商国际化趋势带有历史的必然性。我国的网络经济已成为国际资本的投资热点，一方面国际资本的直接注入，将加速我国电商整体实力的提高，缩小我国电商企业与国际同行们的差距，以最终实现“走出去”面向全球消费者；另一方面国际电商在我国的本地化投资运营既能够通过竞争提高我国电商企业能力，同时也为我国中小企业带来在全世界展示自己的专业通道。这种内外双方的交互融合渗透将会是未来电商不可缺失的发展环节。
软件测试和软件开发？
回答这个问题之前，我们需要了解这两个岗位具体是干什么的。
软件测试：指理解产品的功能要求，并对其进行测试，检查软件有没有缺陷（Bug）。说白了就是一个找bug的过程，只是找bug的过程中用到的方法是不一样的，包括什么黑盒子测试、白盒子测试、灰盒子测试等等。
软件开发：是根据用户要求建造出软件系统或者系统中的软件部分的过程。软件开发是一项包括需求捕捉、需求分析、设计、实现和测试的系统工程。那么也就是说软件需要造就一个东西出来，也就是从无到有，从有再到修复的过程。
两者之间的联系简单来讲就是软件开发人员将东西弄出来，然后软件测试根据其要求，进行测试，找到bug，然后在返回去让开发人员继续做，这样周而复始，直到测试没有问题后，才会把这个系统或者软件对外公布和开放。
至于说两个哪个有发展，这个得看个人的想法了。
从金钱的角度来讲，那肯定是开发更有发展前途，可能你会看到有些测试人员的工资比开发人员的工资高，但是不可否认的是，大多数公司的开发或者研发人员的工资要比测试人员的工资高一些。
从难度的角度来讲，开发更困难。开发需要解决的是从无到有的过程，然后再到修复。这个是非常困难的，而测试是根据已有的东西，来进行测试的，这个难度肯定要低很多的。
从压力的角度来看，我们经常听说，开发的人经常会掉头发，很多程序员三十多岁，感觉好像五十多岁的样子，头发都快掉完了，但是测试的话，虽然也有一定的压力，但是相对来讲，会轻松一些，那么自然你的价值也就低一些了。
从从业人员角度来讲，其实这两者目前从业人数都是非常的多，但是开发人员相对来讲可能会少一点，要是精通的开发人员，那肯定是少之又少了。而测试的人员有很多培训机构，简简单单地培训一两个月就可以上手了，那自然而然价值就没法比了。
所以综上所述，软件开发的岗位比起软件测试来讲，更具有发展的前景，但是凡事都没有一个绝对，很多人学习的是计算机专业，但是又不喜欢开发岗位，那么软件测试岗位就是一个很好的选择。即使没有从事计算机开发岗位，但是也没有浪费这个专业。
希望我的回答能够帮助到你。
没有编程和计算机基础？
1、学习的需要
程序员行业技术更新迭代速度快，这个特点身为行业内的每个猿友们都有深刻体会。
很多技术基本每年都有一个大小版本，每个版本的出现意味着有新的技术思想和应用技巧出现。也许你用不到但是你需要去了解。你看自从甲骨文公司宣布收购Sun公司，Java 的 JDK 版本基本保持一年一更的频率。2014年，甲骨文公司发布了Java8正式版，5年来，目前最新的已经是JDK12。
面对各种技术的各种更新，程序员要面对的不仅是某个单个技术的版本更新，即纵向更新。还要比较各种相似技术的优缺点，即横向比较。
因此猿友必须时刻保持学习和钻研的精神，不但要耐得住寂寞学习技术应用还要静得下心推敲各种繁琐的技术源码和理解其原理，想想都是很头大。
对于学习，一般因猿而异，分为两种类型。一种是外界驱动型的，另一种则是自我驱动型的。
外界驱动型的猿友，学习技术相对被动，公司业务需要了某些技术或者面试中问到了某些自己未涉足的技术他才去学习和研究。而自我驱动型的猿友，则是有自己的一套学习定位和技术成长路线规划，他们更主动的去学习自己未涉足的技术领域。
当然无论哪种类型，谈到学习都离不开如下几个途径：看视频，买技术书籍，逛博客和社区，阅读官方文档，利用知识付费平台。
我们分别来详细分析和讨论一下以上各个途径的特点，以及大家偏爱哪种？
2、看免费教学视频
免费教学视频，一般很多是培训机构录的，目的当然是为了推广和招生。像我刚入门的时候也是学习毕向东的Java基础教学。对于初学者来说，视频帮助确实蛮大的。推荐视频教程：《Java教程》
当然还有一直都很火的服务器脚本语言PHP，用PHP开发web网站的效率非常高！网上的PHP免费视频教程也非常丰富，推荐免费视频：《PHP教程》
这些视频它的目的由于是推广和招生，所以录的时候一般都是很认真的而且录制的人也一般有丰富的经验，而且讲解的也很详细，因为这样才能吸引到学生。
而有些技术视频则是某些教学网站为例吸引流量而录的，但是这些视频都有个特点：知识点偏于基础。
对于初学者来说，视频教程是有帮助的，因为学习成本低，而且有老师给你详细讲解每个知识点的，这时候你像个初生的婴儿，接纳和吸收的效率比较高。但是如果你工作几年后，已经有几年的行业经验了。视频教程一般是满足不了我们的需求了，为什么？
因为它的效率太低了。有几年经验的人你去看视频，视频中某些知识点也许你已经掌握或者了解，但是视频不是针对你个人的，所以一个几十分钟的或者接近一小时的视频，对于你而言，也许只有其中的几分钟是你想要的，其他的你可能都会按着快进键跳着看。你会慢慢的感觉到这是在浪费时间，这时你需要调整下节奏了。
3、买技术书籍
技术书籍，这没什么好说了。身为技术人员，我相信没有哪位猿友说自己没有买过技术书籍，而且一般技术书籍都是偏贵的，平均基本定价都在七八十左右。
其实，我要是说每个程序员都为技术书籍掏过腰包，这世上不会有没买过技术书籍的程序员。我相信也没人反对。因为这是一种最普通和普遍的学习途径了。
常说，书籍是人类文明进步的阶梯。每一本书都是作者的多年经验和思考。通过阅读一本书来获得成长，相当于与前辈促膝长谈。这么有价值的事情当然是很值得做的。
我本人就是一名深度书籍购买爱好者，从学校到步入社会到现在，花在书籍上的钱可以说是笔巨大的支出了。好的书孬的书都买过，以前是名文艺爱好者，阅读的习惯主要集中在历史名著、小说、散文、武侠，而自从入行编程界以来，口味变的专一不花心了，书架上就只有 《**权威指南》、《深入分析**原理》，《**源码解析》、《**实战》等等。
可是随着自己行业经验的积累，发现买技术书也不是件很好的事情 ---搬家严重不方便。技术书籍大家都知道，厚而且实。
而且还有一个问题，很多技术书籍其实也只是入门教程，这类书籍当你掌握了技术理论之后，你就再也不会去去触碰它了。例如市面上的《**从入门到精通》，《**基础教程》等。但是这类书籍又占据着你的书架空间，这类书籍就变得食之无味弃之可惜，扔又舍不得不扔又不是。所以为了避免这种情况的发生这类书籍就不要买了。
我们都知道技术是有时效性的和版本区别的，很多书籍讲解的技术也许是v2.0版本，但是由于技术更新迭代，一年之后v2.0已经过时，主推v3.0了。但是购买的纸质书籍内容是不会自动更新的，内容还停留在老版本，这类书籍也只能作废。例如很久之前购买过 Struts 和 Hibernate相关的技术书籍的猿友们，这些书它们现在还在你们书架上吗？亦或是已经成为火锅垫了。
其实如果有阅读的必要的话，这类书籍我们可以购买电子书。阅完即可丢，过时也不会占据生活空间，只需要分配几M大小并且可以释放的硬盘空间。
那什么书籍值得购买呢？那些讲解技术实现原理和架构思路的书籍以及管理经验的书籍。
因为技术千变万化，但是万变不离其宗。技术的本质是不会变的，技术原理和设计思想是有指导价值的。这类书籍影响的是我们的思维。例如：《数据结构》、《编程思想》、《深入理解Java虚拟机》等这类书籍我们可以反复阅读，就值得占据我们书架的一席之地。
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，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。
想成为java高级程序员？
分享一份BAT等大型互联网公司的主流技术选型清单，如果你立志成为Java高级程序员甚至架构师，建议收藏，然后有计划地持续学习，不断去扩大自己的技术栈，会得越多，解决问题的能力越强，坚持不懈，你终将会实现自己的高级Java工程师梦想。
从初级到高级Java程序员，需要学习及掌握的技术主要包括：数据结构和算法、Java高级特性、Java web核心、数据库、Java框架与必备工具、系统架构设计等。
1、并发编程：集合框架（源码）、框架Spring、SpringMVC、Mybatis、Netty、服务器（tomcat、Nginx）、网络编程、JVM等。通过深入了解最底层的运作原理，加强逻辑思维，才能编写出高效、安全的多线程并发程序。
2、设计模式：工厂模式、代理模式等。设计模式是可复用面向对象软件的基础，学习设计模试是每一位Java工程师进阶的必经之路，灵活地使用设计模式，可以让代码变得简洁、易懂、复用性更高。
3、研发相关的框架工具：debug、高效去重、代码review等等。工欲善其事必先利其器，熟练掌握并应用这些工具，能够更高效、有质量地工作。
3、分布式架构：：分布式Session、分布式缓存、数据库、一致性、负载均衡、消息队列（RabbitMQ、ZeroMQ、Kafka）等随着业务体量及重要性的增大，单体架构模式无法对应大型应用场景，系统也决不允许存在单点故障导致整体不可用，所以只有垂直或水平拆分业务系统，形成一个分布式的架构来消除单点故障，从而提高整个系统的可用性。
4、微服务：微服务Dubbo和SpringCloud微服务是Java开发人员最重要的技能之一，因时因地制宜，选择使用微服务架构的收益将远远大于成本。
下面是一张互联网通用的架构图，其中每个环节都是微服务的核心部分。
更多微服务相关的知识，Mike在往期发表的“阿里P8架构师谈：微服务Dubbo和SpringCloud架构设计、优劣势比较“一文中有详细阐述。
5、JVM性能优化：Java内存区域、垃圾回收器、性能优化等6、架构关键基础设施：zookeeper、分布式消息、异步与MQ、Kafka、Redis、数据储存、分布式缓存、Nginx等以上，希望对想要从程序员进阶为高级Java、架构师之路的朋友能够有所帮助。
最后，Mike想说，如果你能够认清自己以及自己所处的阶段，有针对性的去思考、充电，坚持做正确的事，付出比别人更多的努力，你就会比别人更加优秀，拥有更多的机会，这就是我们常说的马太效应：越努力，越幸运。