数据分析的核心学习路径可以拆成四层：工具层、统计层、业务层、进阶层。下面按“能干活→干好活→往上走”的顺序给你梳理，附具体技能和上手建议。
一、工具层（先能动手）
这是最基础也最急用的部分，目标是把数据“取出来、洗干净、画出来”。
Excel：透视表、VLOOKUP/XLOOKUP、条件格式、基础图表。面试里常考，日常80%的临时分析靠它。
SQL：数据分析的吃饭家伙。重点学 SELECT、JOIN、GROUP BY、窗口函数（ROW_NUMBER/RANK）、CTE。LeetCode数据库题刷50道基本够用。
Python（或R）：Python更通用。
数据处理：pandas、numpy
可视化：matplotlib、seaborn、plotly
自动化：写脚本跑数、爬页面数据（requests/bs4）
BI工具：Tableau / Power BI / FineBI 任选一个，学会做交互式仪表盘，业务方最爱看这个。
Git + Jupyter：协作和复盘用，大厂标配。
入门节奏：Excel（1周）→ SQL（2~3周）→ Python pandas（3~4周）→ BI工具（2周），边学边用公司/公开数据集练。
二、统计与数学层（别只当调包侠）
不需要深啃数学系教材，但这几块必须懂：
描述统计：均值/中位数/分位数、方差、分布形态
推断统计：置信区间、假设检验（t检验、卡方检验）、AB测试原理
相关与因果：相关系数、辛普森悖论、混淆变量（业务里特别容易踩坑）
概率基础：贝叶斯思维、期望、基础概率分布（正态、二项、泊松）
多维分析框架：同比环比、漏斗、RFM、金字塔、归因模型
三、业务层（决定你分析有没有人看）
工具再溜，不懂业务=自嗨。按方向补：
通用思维：指标体系搭建（北极星指标、OSM模型）、维度下钻、异动归因、ROI视角
电商/零售：GMV拆解、客单价、转化率、库存周转、LTV/CAC
增长/用户：留存曲线、AARRR、渠道质量、用户分群
金融/风控：坏账率、评分卡、特征工程入门
方法论：MECE、5 Why、金字塔原理（写报告用）
建议：挑1~2个行业深度看，比如做电商分析就把“人货场”拆透，比泛泛学十个行业管用。
四、进阶层（往数据科学家/分析专家走）
机器学习基础：回归、分类、聚类、时间序列（sklearn、prophet）
实验设计：AB测试全流程、样本量计算、显著性误区
数据治理：埋点规范、口径管理、数据字典
大数据生态（可选）：Hive/Spark SQL、Airflow调度、ClickHouse
沟通与影响力：把“p值=0.03”翻译成“改按钮能多赚20万”，这才是高阶分析师的护城河
五、怎么学不迷路（给个最小闭环）
选一个真实问题（比如“为什么上周销量跌了”）
找公开数据（Kaggle、天池、公司脱敏数据）
用 SQL 取数 → pandas 清洗 → Tableau 出图 → 写一页结论
发出来被人怼，再改——比看10门课进步快