DA 基础 · 第 5 篇
不同行业的数据分析岗位
同样叫”数据分析师”，在互联网公司和在银行做的事情可能完全不同。
很多人一提到数据分析就想到互联网大厂，但实际上几乎每个行业都需要数据分析师。不同行业对 DA 的技能要求、关注指标、工作方式差异很大。选对行业，有时候比提升技能更重要。
这篇文章带你逐一了解主要行业的 DA 岗位特点，帮你找到最适合自己的方向。
总览：行业对比速查表
| 行业 | 核心关注 | 技术门槛 | 业务门槛 | 数据量级 | 薪资水平 |
|---|---|---|---|---|---|
| 互联网 / 科技 | 用户增长、留存、变现 | 高 | 中 | 大 | 高 |
| 金融 / 银行 | 风控、合规、投资回报 | 中高 | 高 | 中 | 高 |
| 零售 / 电商 | 销售、库存、客户价值 | 中 | 中 | 大 | 中高 |
| 医疗 / 健康 | 临床效果、患者结果 | 中 | 很高 | 中 | 中高 |
| 游戏 | 玩家行为、付费、留存 | 高 | 中 | 大 | 高 |
| 广告 / 营销 | ROI、归因、用户画像 | 中高 | 中 | 大 | 中高 |
| 制造 / 供应链 | 产能、良率、物流效率 | 中 | 高 | 中 | 中 |
一、互联网 / 科技行业
行业特点
互联网行业是数据分析岗位最密集的行业，也是对 DA 技术要求最高的行业。原因很简单：互联网产品天然产生大量用户行为数据，而且业务迭代速度快，决策高度依赖数据。
核心指标
| 指标类型 | 常见指标 |
|---|---|
| 增长指标 | DAU / MAU、新增用户数、获客成本（CAC） |
| 留存指标 | 次日留存、7 日留存、30 日留存 |
| 变现指标 | ARPU、LTV、付费转化率 |
| 参与度指标 | 人均使用时长、核心功能使用率 |
DA 的典型工作
- 设计和分析 A/B 测试（几乎每天都在做）
- 搭建用户行为漏斗，分析转化瓶颈
- 用户分群分析（RFM 模型、行为聚类）
- 增长实验的效果评估
- 搭建和维护核心业务 Dashboard
技能要求
- SQL（高级，窗口函数、CTE 常用）
- Python（Pandas、统计检验）
- A/B 测试方法论
- BI 工具（Tableau / Looker / 内部工具）
- 用户行为分析框架
代表公司
Google、Meta、Amazon、字节跳动、阿里巴巴、腾讯、美团、Spotify、Netflix
适合人群：技术基础好、喜欢快节奏、对产品和用户行为有兴趣的人。互联网 DA 的成长速度快，但竞争也最激烈。
二、金融 / 银行行业
行业特点
金融行业对数据分析的需求集中在风险控制、合规监管和投资决策三个方向。相比互联网，金融行业的数据分析更强调严谨性和准确性——一个分析错误可能导致巨额损失或监管处罚。
核心指标
| 指标类型 | 常见指标 |
|---|---|
| 风控指标 | 违约率、不良贷款率、风险敞口 |
| 运营指标 | 客户获取成本、客户生命周期价值 |
| 合规指标 | 反洗钱检测率、可疑交易报告数 |
| 投资指标 | 夏普比率、最大回撤、Alpha |
DA 的典型工作
- 信用风险评估模型的数据支持
- 客户画像和分群（高净值客户、风险客户）
- 合规报告和监管数据报送
- 产品业绩分析（基金、理财产品）
- 反欺诈分析
技能要求
- SQL（中高级）
- Excel（高级，金融建模）
- 统计学（回归分析、时间序列）
- Python / R（量化分析）
- 金融业务知识（风控、资管、支付）
- 合规意识和数据安全
代表公司
高盛、摩根大通、花旗、汇丰、蚂蚁集团、招商银行、中金公司
适合人群：有金融 / 经济学背景、注重分析严谨性、对风险管理有兴趣的人。金融 DA 的入行门槛较高（通常要求金融相关学历），但薪资和稳定性都很好。
三、零售 / 电商行业
行业特点
零售和电商是数据分析应用最成熟的行业之一。从供应链管理到用户运营，从定价策略到库存优化，处处离不开数据。电商的海量交易数据让 DA 有充足的”弹药”进行分析。
核心指标
| 指标类型 | 常见指标 |
|---|---|
| 销售指标 | GMV、客单价、转化率、复购率 |
| 用户指标 | 新客占比、用户 LTV、RFM 分群 |
| 运营指标 | 库存周转天数、缺货率、退货率 |
| 营销指标 | ROI、获客成本、优惠券核销率 |
DA 的典型工作
- 销售数据日报 / 周报，监控关键指标
- 促销活动效果分析（大促前后对比）
- 商品分析：哪些品类在增长，哪些在下滑
- 用户价值分析和精准营销
- 供应链数据分析：需求预测、库存优化
- 价格弹性分析
技能要求
- SQL（中高级）
- Excel（高级，数据透视表是家常便饭）
- BI 工具（Tableau / Power BI）
- 基础统计（A/B 测试、回归）
- 零售业务知识（品类管理、供应链基础）
代表公司
Amazon、沃尔玛、阿里巴巴（淘宝天猫）、京东、拼多多、SHEIN、Costco
适合人群：对商业和消费行为有兴趣、喜欢看到分析结果直接影响销售数字的人。电商 DA 的需求量大，入行机会多，非常适合转行者。
四、医疗 / 健康行业
行业特点
医疗行业的数据分析有两个显著特点：一是业务门槛高（需要理解临床、药学、医疗体系），二是数据隐私要求严格（HIPAA、GDPR 等法规）。但随着数字健康的兴起，这个领域的 DA 需求增长很快。
核心指标
| 指标类型 | 常见指标 |
|---|---|
| 临床指标 | 治疗有效率、再入院率、患者满意度 |
| 运营指标 | 床位利用率、平均住院天数、门诊量 |
| 药企指标 | 临床试验成功率、药品销售额、市场份额 |
| 健康科技指标 | 用户活跃度、健康干预效果 |
DA 的典型工作
- 临床数据分析（辅助医生做诊疗决策）
- 患者流分析和医疗资源优化
- 药品销售数据分析（市场准入、竞品对比）
- 临床试验数据统计分析
- 健康产品的用户行为分析
技能要求
- SQL + Python / R
- 统计学（特别是生物统计——生存分析、多重比较）
- 数据可视化
- 医疗行业知识（临床流程、药品审批、保险体系）
- 数据隐私和合规（HIPAA 等）
代表公司
强生、辉瑞、联合健康、美敦力、平安好医生、微医
适合人群：有医学、公共卫生、生物统计背景的人天然有优势。即使没有相关背景，如果你对健康领域有热情并愿意补业务知识，也是一个值得考虑的方向。医疗 DA 的就业稳定性很高。
五、游戏行业
行业特点
游戏行业的数据分析是最”有趣”的方向之一。玩家在游戏中的每一个动作都会被记录，产生海量的行为数据。游戏 DA 需要理解玩家心理和游戏机制，这和其他行业有本质区别。
核心指标
| 指标类型 | 常见指标 |
|---|---|
| 留存指标 | 次日留存、7 日留存、30 日留存 |
| 付费指标 | ARPPU、付费率、首充转化率 |
| 参与度指标 | 日均在线时长、关卡通过率 |
| 生态指标 | 经济系统通胀率、匹配公平性 |
DA 的典型工作
- 新版本上线前后的数据对比分析
- 付费模型优化（什么价位、什么道具最受欢迎）
- 玩家流失预警（哪些行为信号预示着玩家即将离开）
- 游戏内经济系统平衡性分析
- 关卡难度分析（太难导致流失，太简单降低留存）
- 匹配系统效果评估
技能要求
- SQL（高级）
- Python（数据处理 + 简单建模）
- 统计学
- 游戏行业知识和玩家心理
- 大数据处理能力（游戏日志数据量巨大）
代表公司
腾讯游戏、网易游戏、米哈游、EA、Riot Games、Supercell
适合人群：热爱游戏、对玩家行为有直觉的人。游戏 DA 的乐趣在于你的分析直接影响数百万玩家的体验。但这个行业的工作节奏通常比较快，版本更新期可能需要加班。
六、广告 / 营销行业
行业特点
数字广告行业几乎完全由数据驱动——每一分广告预算都需要用数据证明其价值。DA 在这个行业的核心任务是衡量广告效果、优化投放策略、实现预算最大化。
核心指标
| 指标类型 | 常见指标 |
|---|---|
| 投放指标 | CPM、CPC、CPL、CPA |
| 效果指标 | 点击率（CTR）、转化率（CVR）、ROAS |
| 归因指标 | 各渠道贡献度、多触点归因 |
| 用户指标 | 受众画像、兴趣标签 |
DA 的典型工作
- 广告投放效果分析（按渠道、素材、受众拆分）
- 多渠道归因分析（用户是通过哪些触点转化的）
- 受众分析和人群定向优化
- 营销预算分配优化
- 竞品广告策略分析
技能要求
- SQL + Excel
- 广告平台数据（Google Ads、Facebook Ads、巨量引擎）
- 归因模型和营销分析方法
- BI 工具
- 媒体购买和数字营销基础知识
适合人群：对营销和广告有兴趣、喜欢优化和 ROI 驱动思维的人。广告 DA 的就业面很广——几乎所有有营销预算的公司都需要。
如何选择行业
优先考虑的因素
-
兴趣和热情：你对哪个行业的业务问题最感兴趣？长期来看，兴趣是持续学习最大的动力。
-
已有背景：你的专业和经历和哪个行业最匹配？有行业背景的转行者比纯”技术型”候选人更有竞争力。
-
市场需求：你所在城市哪个行业的 DA 岗位最多？务实地考虑就业机会。
-
成长空间：数据驱动文化越成熟的行业和公司，DA 的发展空间越大。
一个简单的决策框架
| 你的背景 | 推荐优先考虑的行业 |
|---|---|
| 计算机 / 统计 | 互联网、游戏 |
| 金融 / 经济 | 金融、电商 |
| 市场营销 | 广告、零售 |
| 医学 / 公卫 | 医疗健康 |
| 无特定背景 | 电商、互联网（岗位多、入门快） |
重要提示：行业选择不是一锤子的买卖。很多 DA 在职业生涯中会换行业，而你积累的数据分析技能和思维方式在任何行业都适用。第一份工作选一个能让你快速成长的环境比选”完美的行业”更重要。
总结
数据分析是一个跨行业的通用技能。无论你选择哪个行业：
- SQL、Excel、统计学、数据可视化是共同的基础技能
- 业务理解能力是区分普通 DA 和优秀 DA 的关键
- 每个行业有自己的核心指标和分析框架，需要时间学习
- 选择行业时，兴趣 + 背景 + 市场需求综合考虑
恭喜你读完了”DA 基础”模块的全部 5 篇文章！你现在应该对数据分析师的岗位有了全面的认知。
下一步：开始学习硬技能
建议按照以下顺序继续学习：
准备好了？让我们正式开始技术学习之旅！