数据分析师
通过数据发现业务问题与机会,为决策提供支持,是连接业务与技术的桥梁岗位,在互联网、金融、零售行业需求量大。
从业者说
"数据分析师不是「做报表的」,核心是把业务问题翻译成指标和实验。真正值钱的是能告诉老板「这个策略为什么有效、该不该加码」,而不是丢一堆看板。SQL 和 Python 只是工具,商业敏感度才是护城河。"
另一位从业者
"最容易被低估的是「取数」之外的工作:定义指标口径、排查数据异常、设计 A/B 实验。很多同学会写 SQL 就说自己是数据分析,但能把「涨跌」讲清楚背后原因的人极少,这才是你的价值。"
真实薪资
真实工作日常
真实日常数据分析师的一天通常围绕「数据-洞察-建议」展开。
【数据获取】使用 SQL 从数据库提取数据,复杂场景需用 Python(Pandas)处理。要熟悉表结构、字段含义、数据埋点逻辑,避免取错数据。
【指标监控】每日查看核心指标看板(DAU、GMV、转化率、流失率),发现异常波动后立即定位原因。需要建立指标体系(北极星指标 + 拆解维度)。
【专题分析】根据业务需求做深度分析,如「为什么 7 月新用户次留下降 5%」「哪些因素影响付费转化」。常用方法:漏斗分析、同期群分析、归因分析、RFM 模型。
【报告输出】用 PPT/Tableau/Metabase 制作可视化报告,向业务方讲清「是什么-为什么-怎么办」。一份好的报告要让业务方能直接行动。
【AB 实验设计】为产品迭代设计实验方案,确定样本量、实验周期、显著性检验方法,撰写实验报告。
【数据基建】协助数据工程师维护数仓,优化 SQL 性能,完善埋点文档。
需要什么资质
需要什么资质【硬技能】
1. SQL:熟练掌握 JOIN/窗口函数/CTE,能写复杂查询
2. Python/R:Pandas、NumPy、Matplotlib,做数据清洗与建模
3. Excel:数据透视表、VLOOKUP、Power Query(轻量分析必备)
4. 可视化:Tableau/Power BI/Metabase/Echarts
5. 统计学:假设检验、回归分析、贝叶斯
6. 业务理解:熟悉互联网指标体系(AARRR、RFM)
【软技能】
1. 业务sense:能从数据看到业务问题,而非只做表哥表姐
2. 沟通:把复杂数据讲给非技术听懂
3. 严谨:对数据准确性负责,差一个零可能误导决策
【对口专业】统计学/数学/计算机/经济学/金融(需补 SQL 与编程)
新人前3年怎么走
新人路径付费避坑提醒
避坑提醒1. 别只会跑数,要能讲清「为什么涨/跌」,否则就是取数工具人。2. 指标口径先对齐再取数,口径不一致的分析毫无意义。3. 别忽略业务,不懂业务的分析师给出的建议往往不落地。
推荐资源
推荐资源书:《SQL必知必会》《精益数据分析》《增长黑客》。课程:可汗学院统计学、Coursera 数据分析专项。工具:Tableau、Power BI、Python(pandas)。