01、数据导入

（1）新建数据库。

（2）用数据库管理工具 Navicat 连接数据库。

（3）通过 Navicat 将数据（如 Excel、SQL 脚本等格式）导入数据库。

02、数据清洗

数据清洗的目的是将数据按照业务分析需求，剔除异常值、离群值，使分析结果更准确地反映业务实际。

常见的应用如下：

是否存在空值：

是否存在重复数据：通过 GROUP BY 关键字实现。

是否存在业务定义以外的数据：例如，需要分析华南数据，而数据中出现华北数据。

03、数据格式化

这一步骤需要根据后续分析需求，调整表格结构、数据格式等，如出于数据存放原因，拿到的数据表格可能是一维表，不能满足分析需求，需要将其调整为二维表。

常见的应用如下：
时间函数：如将“时间戳”格式化为日期、时间、月份、周（常见于周分析）等，可通过“FROM_UNIXTIME”“DATE_FORMAT”等函数实现。

行列互换：如解决上述的一维表转为二维表的问题，可通过关键字“CASE WHEN”实现。

字段的拆分与合并：如将收货地址字段拆为省、市、镇等字段，可通过“CONCAT”“LEFT”“RIGHT”“SUBSTRING”等函数实现。

04、整体分析

在开始真正的分析之前，需要进行探索性数据分析（Exploratory Data Analysis，

EDA），也就是对现有数据进行整体分析，对现状有大体的了解。更重要的是，通过整体分析，找出业务运营存在的问题，进而提出业务目标，展开后续的深度分析。

常见的应用如漏斗分析：如 AARRR 模型、阿里营销模型 AIPL 等，通过简单的“COUNT”函数可直接实现。

05、建立视图

面对复杂的业务分析，SQL 语句也会变得复杂，往往需要不断嵌套。为了减少分析时语句的复杂性、避免重复执行相同语句，可以采用新建视图的方式，将重复性高的语句固定为视图，再在此基础上进行复杂查询。
新建视图：

06、用户分析

在整体分析中，明确业务问题、目标后，便可开始进行用户分析。根据分析目的的不同，采用不同的分析方法，常见的分析方法如下：

（1）“人货场”分析。

（2）“复购”分析。核心问题在于如何计算“复购”：
● 用“窗口函数 +DENSE_RANK()”统计每个订单是该用户的第几次消费，命名为 'N_CONSUME'。

● 第一次消费即为用户“首购订单”，大于或等于第二次消费的订单则为“复购订单”。

● 针对复购订单进行统计，即可进行复购分析。
（3）“RFM 模型”分析。核心问题在于如何定义阈值及人群划分：
● 通过“窗口函数”可计算出每个用户的 RFM 值：

R：每个用户最后消费日期，与分析日期相减的天数。

F：通过复购分析中得出的 N_CONSUME，计算最大消费次数。

M：简单地合计用户所有消费金额。

● 阈值：可通过计算所有用户的 RFM 平均值获得。

● 根据 RFM 高低值通过“CASE WHEN”将所有用户划分到八类人群中。
作为专注数据分析结论/项目在业务落地以实现增长的分析师，建议在开始学习新技能前，先明确应用场景。也就是先了解与 SQL 相关的数据分析工作有哪些，有了目标，才能知道需要准备什么知识来应对。

07、数据查询

● 业务场景

数据查询也就是常说的“提数”。在实际工作场景中，如果向 IT 人员提提数需求，一般都需要“沟通 + 排期”，所以最有效率的建议就是自己从数据库里提数。数据分析师除了自身的分析工作外，有时（甚至是经常）还需要应付产品、运营等部门的提数需求。

● 必备知识

简 单 查 询：即 最 简 单 的 关 键 字 组 合“SELECT+FROM+WHERE+（BETWEEN/IN）”。这个简单的查询可以应对部分提数需求，例如运营想查看某段时间订单。

多表查询：INNER JOIN、LEFT JOIN 等联结关键字。数据会散落到数据库的各个角落，如果想要了解一笔订单情况，信息存在以下这些表中：订单流水表、订单详情表、商品详情表、门店表、会员表等。该部分的关键在于“明确业务分析需求→选择合适的联结方式”。

08、分析数据

● 业务场景

分析数据可谓是数据分析师的核心工作。面对复杂的业务问题，重点在于将其拆解、转译成简单的 SQL 问题。例如，教育行业中某领导要求你“分析某课程的效果如何”，课程效果可通过学生成绩反映，即要计算成绩最大值、最小值、学生成绩分布，这时就要使用 SQL 语句。

● 必备知识

汇总分析：用 GROUP BY 关键字解决业务问题。如计算每个课程学生的平均成绩：

复杂查询：如嵌套子查询、标量子查询、关联子查询，可应对更复杂的业务问题。如找出每个课程最高分的学生时，需要按课程分组后找到最高成绩记录，可以应用关联子查询：

窗口函数：聚合 / 排序函数 OVER （PARTITION BY…ORDER BY…）。此函数可解决复杂业务问题，如常见的 TOP N 问题：找出每个课程成绩前三的学生，需要按课程分组对学生按成绩排名，再从中找出排名前三的学生：

09、数据更新

● 业务场景

数据更新即常说的“增删改”。该场景之所以仅有两星，是因为实际工作中，数据库运维部门给到数据分析师的数据库账号多半是只读权限，也就无法去“增删改”；此外，还有数据管控的原因。所以，此场景可能更多存在于自建数据库中，如在计算机上新建虚拟机搭建数据库服务器，导入数据后方便进行下一步分析。

● 必备知识

数据库与表的创建、删除和更新。该部分知识点关键在于“字段类型的设置”要符合后续分析需求，如订单商品数量就要设置成数值类型，订单日期设置成日期类型等。