DA 基础 · 第 1 篇

什么是数据分析师

如果你只有 30 秒向别人介绍”数据分析师是做什么的”，你会怎么说？

“用数据帮助业务做决策的人。”——这是最简洁的答案。但这一句话背后，藏着很多初学者搞不清楚的东西：到底用什么数据？帮谁做决策？怎么算”帮助”？做不做模型？写不写代码？

这篇文章会把这些问题一个个拆开，帮你建立对”数据分析师”这个岗位的完整认知。

一句话定义

数据分析师（Data Analyst，简称 DA） 是通过收集、清洗、分析和可视化数据，将业务问题转化为数据问题，再将数据洞察转化为可执行建议的人。

关键词有三个：

1. 业务问题驱动——不是为了分析而分析，而是业务有问题、有需求，才去看数据
2. 数据洞察——不是把数字罗列出来，而是从数据中发现规律、异常、趋势
3. 可执行建议——最终输出的不是一张图表，而是”我们应该怎么做”

举个例子：产品经理说”上周注册用户下降了 20%”，数据分析师要做的不仅是确认这个数字，还要回答：

• 是所有渠道都降了，还是某个渠道出了问题？
• 是注册流程哪一步流失了？
• 跟最近的产品改动有没有关系？
• 我们应该怎么应对？

从”发现问题”到”定位原因”到”给出建议”，这就是数据分析师的核心工作流。

数据分析师的核心职责

不同公司对 DA 的要求会有差异，但以下几项职责是几乎所有数据分析师都会涉及的：

1. 数据提取与清洗

这是日常工作中占时间最多的部分。你需要：

• 用 SQL 从数据库中提取需要的数据
• 处理缺失值、重复值、异常值
• 将不同来源的数据整合到一起
• 确保数据口径一致（比如”活跃用户”在不同部门的定义可能不同）

据行业调查，数据分析师约 60%-70% 的时间花在数据提取和清洗上。这不是”低级工作”，而是保证分析结论可靠的基础。

2. 数据分析与探索

拿到干净的数据后，开始真正的分析：

• 描述性分析：发生了什么？（日报、周报、月度 Review）
• 诊断性分析：为什么会这样？（下钻分析、归因分析）
• 预测性分析：接下来会怎样？（趋势预测、用户分群）
• 建议性分析：我们应该怎么做？（A/B 测试、策略建议）

大多数 DA 的工作集中在前两类，资深 DA 会更多涉及后两类。

3. 数据可视化与报告

分析完了，还得让别人看懂。你需要：

• 制作 数据看板（Dashboard），让业务方可以自助查看关键指标
• 撰写 分析报告，用图表和文字讲清楚发现了什么、建议做什么
• 在会议上 Present 你的分析结论，并回答业务方的追问

这里的关键能力不是”做出好看的图”，而是讲清楚一个数据故事——用数据回答业务关心的问题。

4. 指标体系搭建与监控

成熟一点的 DA 还需要参与：

• 定义关键指标（KPI / 北极星指标）
• 搭建指标监控体系和告警机制
• 定期 Review 指标变动，主动发现问题

这部分工作是从”被动接需求”到”主动发现问题”的跃迁，也是 DA 职业成长的关键分水岭。

5. 跨部门协作

数据分析师很少独立工作。你的日常协作对象包括：

• 产品经理：帮助验证产品假设、评估功能效果
• 运营团队：分析活动效果、用户行为、留存情况
• 市场团队：评估获客渠道 ROI、用户画像
• 管理层：提供决策支持、战略分析

沟通能力和业务理解能力，有时候比技术能力更重要。

你需要掌握的技能

数据分析师的技能栈可以分为三层：

硬技能（Hard Skills）

软技能（Soft Skills）

• 业务理解能力：能把业务问题翻译成数据问题
• 沟通表达能力：能把数据结论讲给非技术人员听
• 逻辑思维能力：分析问题有框架、有条理
• 好奇心与主动性：不只是完成需求，而是主动发现问题

加分技能

• 了解产品设计和用户体验
• 熟悉 A/B 测试框架
• 掌握基础的机器学习概念
• 有特定行业的业务知识（电商、金融、SaaS 等）

给初学者的建议：不要一上来就追求”全栈”。先把 SQL 和 Excel 练扎实，能解决 80% 的日常问题。Python 和统计学可以在工作中逐步深入。

常见误区

很多人对数据分析师的理解存在偏差，这里澄清几个常见误区。

误区一：”数据分析师就是做报表的”

做报表确实是 DA 工作的一部分，但绝不是全部。真正有价值的 DA 工作是：从数据中发现业务问题并提出解决方案。如果你只是机械地跑报表，那你做的是”数据提取”，而不是”数据分析”。

初级 DA 可能有较多的报表工作，但随着经验增长，你的重心应该逐步转向分析洞察和决策支持。

误区二：”数据分析师需要会机器学习”

绝大多数 DA 岗位不需要你会建模或写机器学习算法。那是 Data Scientist 的工作。DA 需要的是：

• 理解基础统计概念（均值、中位数、方差、假设检验）
• 会用数据讲故事
• 能用 SQL 和可视化工具解决实际问题

当然，懂一些基础的预测模型和分类思想是加分项，但这不是入门门槛。

误区三：”数据分析师就是写 SQL 的”

SQL 是数据分析师最重要的工具，没有之一。但 DA 的核心能力不是”写 SQL”，而是”知道该写什么 SQL”。换句话说，分析思维 > 工具操作。

面试中经常遇到的情况是：候选人 SQL 写得很溜，但问”你怎么分析用户留存下降的原因”时，答不上来。技术能力和分析思维，两者缺一不可。

误区四：”文科生 / 非技术背景不能做数据分析”

事实恰恰相反。很多优秀的数据分析师来自非技术背景——市场营销、经济学、心理学、社会学、甚至新闻学。这些专业训练出来的研究方法论、逻辑推理、沟通能力在数据分析工作中非常有价值。

SQL 和 Python 可以通过几个月的学习掌握，但业务 sense 和沟通能力需要长期积累。很多转行者反而因为有丰富的行业经验，在分析业务问题时比纯技术背景的人更有优势。

误区五：”数据分析师是吃青春饭的”

DA 的职业路径非常清晰，越资深越值钱：

• 初级 DA（0-2 年）：执行分析任务，学习业务
• 中级 DA（2-5 年）：独立负责分析项目，参与决策
• 高级 DA / 分析经理（5+ 年）：带团队、定方向、影响战略
• 转型方向：产品经理、商业分析师、数据科学家、分析方向管理者

经验丰富的 DA 对业务的理解深度是很难被替代的。

DA 与相关角色的区别

数据领域有很多相似的岗位名称，初学者很容易混淆。下面用一张表做个对比：

DA vs Data Scientist

最常被问到的区别。简单来说：

• DA 回答”发生了什么、为什么”：用描述性和诊断性分析支持当下的决策
• DS 回答”会发生什么、怎么优化”：用预测模型和算法解决更复杂的问题

DA 更偏业务，DS 更偏技术。很多公司里 DA 和 DS 会紧密协作：DA 发现问题 → DS 建模解决 → DA 验证效果。

DA vs Data Engineer

DE 是”修路的人”，DA 是”在路上开车的人”。DE 负责把数据从各个系统收集、清洗、存储到数据仓库中，DA 则从数据仓库中提取数据进行分析。没有 DE 搭的基础设施，DA 的工作效率会大打折扣。

DA vs BI Analyst

这两个岗位重叠度最高，很多公司不做区分。如果要区分：

• BI Analyst 更侧重搭建和维护报表体系、自动化看板
• DA 更侧重深度分析和临时性（ad-hoc）分析

在中小公司，一个人同时做 BI 和 DA 的工作是常态。

数据分析师的真实画像

了解了定义和职责，你可能还想知道”这个岗位的人是什么样的”。根据行业观察，以下是一些典型特征：

学历与背景

• 本科及以上学历，专业不限（统计、经济、计算机、商科居多，但文科转行者也很多）
• 相当比例的 DA 是从运营、市场、产品等岗位转行过来的

薪资范围（参考，因地区和公司而异）

工作节奏

• 大部分 DA 岗位工作节奏适中，加班不算严重（相比 SDE）
• 忙碌程度取决于所在团队和业务周期（季度末、大促前会比较忙）
• 远程工作机会较多，尤其是在北美市场

怎么判断自己适不适合做 DA

如果你符合以下特征中的大部分，数据分析师可能是一个不错的选择：

• 喜欢用数据和事实说话，而不是凭感觉
• 面对一个问题，习惯性地想”能不能量化？能不能用数据验证？”
• 喜欢把复杂的东西拆解成简单的部分
• 乐于向非专业人士解释技术概念
• 对业务和商业模式有好奇心
• 希望工作能直接影响业务决策，而不是只在技术层面打转

当然，即使你现在不完全符合这些特征，也不要紧。很多能力是可以培养的，关键是你对这个方向是否有兴趣和持续学习的动力。

总结

回到开头的问题：数据分析师是做什么的？

数据分析师是连接”数据”和”决策”的桥梁。 你的工作不是堆数字、做报表，而是用数据帮助团队理解业务、发现问题、做出更好的决策。

记住这几个关键点：

1. DA 的核心价值是分析思维，不是工具操作
2. SQL 是最重要的硬技能，但业务理解和沟通能力同样关键
3. 不要把 DA 和 DS 搞混——大多数 DA 岗位不需要机器学习
4. 非技术背景转行 DA 完全可行，甚至有独特优势
5. DA 是一个有清晰成长路径的职业，不是”青春饭”

下一篇：数据分析的核心思维 →

在了解了 DA 是什么之后，我们来聊聊比工具更重要的东西——数据思维。什么是数据思维？怎么培养？为什么很多人学了一堆工具还是不会分析？