DA 面试 · DA 方向
DA 岗位全解析
Data Analyst（数据分析师，简称 DA）是数据领域中最常见、需求量最大的岗位之一。本篇将深入解析 DA 的真实工作内容、技能要求和职业发展，帮你在面试中展现对岗位的深入理解。
DA 是什么
Data Analyst 的核心职责是从数据中提取洞察，支持产品和业务决策。相比 BA 更偏业务理解，DA 更强调数据处理和分析的技术深度。
DA 的日常工作
一个典型 DA 的工作周可能是这样的：
| 星期 | 工作内容 | 涉及技能 |
|---|---|---|
| 周一 | 查看上周的核心指标 Dashboard，发现某个指标异常，与产品经理沟通确认 | BI 工具、SQL |
| 周二 | 为异常指标做深入分析：写 SQL 提数据、做分群对比、找到可能的原因 | SQL、分析思维 |
| 周三 | 为即将上线的 A/B 测试设计实验方案：确定指标、计算样本量、设置实验 | 统计学、实验设计 |
| 周四 | 处理运营团队的临时数据需求，同时维护团队的指标看板 | SQL、BI 工具 |
| 周五 | 参加周会汇报本周分析发现，撰写分析报告，更新数据文档 | 汇报能力、文档 |
DA 在不同规模公司的差异
| 公司类型 | DA 的角色 | 工作特点 |
|---|---|---|
| 大厂（BAT、字节等） | 专注于某个产品线或业务模块 | 数据基础设施完善、需求量大、分工细 |
| 中型公司 | 覆盖 1-2 个业务线 | 需要独立完成从提数到汇报的全流程 |
| 创业公司 | “全栈分析师” | 什么都做——建数据表、跑分析、做 Dashboard、甚至写 ETL |
| 咨询/乙方 | 面向客户的分析服务 | 每个项目的行业和业务都不同，需要快速学习 |
对求职者的启示：如果你是零基础转行，创业公司或中型公司能让你更快积累全面的经验。大厂则提供更好的方法论训练和职业品牌。
DA 的核心技能栈
必备技能（Must-Have）
| 技能 | 重要程度 | 说明 |
|---|---|---|
| SQL | 核心中的核心 | 80% 的日常工作需要用 SQL 取数。面试必考、工作每天用 |
| Excel / Google Sheets | 非常重要 | 快速数据处理、临时分析、与非技术同事协作 |
| 数据可视化 / BI 工具 | 非常重要 | Tableau、Power BI 或 Looker，制作 Dashboard 和报告 |
| 统计基础 | 重要 | 假设检验、置信区间、A/B 测试——理解而非公式推导 |
| 业务理解 | 重要 | 理解所在业务的商业模式、核心指标、用户行为 |
加分技能（Nice-to-Have）
| 技能 | 什么时候有用 |
|---|---|
| Python（Pandas、Matplotlib） | 处理大数据集、做复杂分析、自动化重复任务 |
| R | 统计分析、学术背景的 DA 常用 |
| ETL / 数据管道（Airflow、dbt） | 数据基础设施不完善的公司需要 DA 自己处理 |
| 机器学习基础 | 构建预测模型、用户分群模型 |
| 产品分析工具（Amplitude、Mixpanel） | 互联网产品分析岗常用 |
技能的学习优先级
如果你正在准备转行，建议按以下顺序学习：
SQL（4-6 周）→ Excel（2 周）→ BI 工具（2-3 周）→ 统计基础（2 周）→ Python（4-6 周）
核心建议：SQL 是最高优先级。一个 SQL 写得好的 DA 候选人，面试通过率远高于”什么都会一点但 SQL 不扎实”的人。
DA 面试的特点
相比 BA 面试更看重商业理解和沟通，DA 面试更看重技术能力和分析深度。
DA 面试的考核权重
| 环节 | 权重 | 考核重点 |
|---|---|---|
| SQL 面试 | 35-40% | 现场写 SQL、解释思路、处理边界情况 |
| Case Study | 20-25% | 指标诊断、产品分析、实验设计 |
| 技术深度面 | 15-20% | 统计知识、A/B 测试、数据质量、工具使用 |
| 行为面试 | 15-20% | 过往经历、团队协作、问题解决 |
| 系统设计（高级岗） | 10% | 指标体系设计、Dashboard 架构 |
DA 面试中的独特问题类型
| 问题类型 | 示例 | BA 面试是否会考 |
|---|---|---|
| 写 SQL（白板/在线） | “请写一个查询统计每日活跃用户数” | 少见/简单 |
| 统计概念 | “解释一下 P-value 是什么” | 少见 |
| A/B 测试设计 | “如何设计实验验证新功能的效果” | 偶尔 |
| 数据质量问题 | “如何处理数据中的异常值和缺失值” | 少见 |
| 指标设计 | “为这个产品设计核心指标体系” | 常见 |
DA 的薪资参考
以下为参考范围，实际薪资因城市、公司、个人能力差异较大：
| 级别 | 国内一线城市（年薪） | 美国（年薪） |
|---|---|---|
| Junior DA（0-2 年） | 15-25 万 | $60-80K |
| DA（2-4 年） | 25-45 万 | $80-110K |
| Senior DA（4-7 年） | 40-70 万 | $110-150K |
| Lead/Manager（7+ 年） | 60-100 万 | $140-200K |
注意：薪资和公司规模、行业（金融和互联网通常更高）、以及个人的谈判能力有很大关系。以上仅供参考。
DA 的职业发展路径
纵向深耕
| 阶段 | 重点 |
|---|---|
| 初级 DA | 熟练使用工具，独立完成数据提取和基础分析 |
| 中级 DA | 能独立完成端到端的分析项目，输出有业务影响力的洞察 |
| 高级 DA | 负责关键业务线的分析，指导初级分析师，制定分析方法论 |
| 分析 Lead/Manager | 管理分析团队，制定数据驱动文化，影响公司级决策 |
横向拓展
- 数据科学家（Data Scientist）：加强机器学习和统计建模能力
- 数据工程师（Data Engineer）：转向数据基础设施建设
- 产品分析师（Product Analyst）：深耕产品方向的分析
- 增长分析师（Growth Analyst）：专注用户增长和实验
- 产品经理（PM）：利用数据洞察能力转型产品
给 DA 求职者的建议
- SQL 必须过硬：面试中 SQL 做不出来基本就结束了。LeetCode Database 专题刷 50-80 题
- 准备 Portfolio：2-3 个完整的分析项目，展示从问题定义到结论建议的全流程
- 理解业务：面试前花时间研究目标公司的产品，想一想”如果我是这个产品的 DA，我会关注什么指标”
- 练习表达：DA 不只是写代码，还需要把分析结果讲清楚。练习向非技术同事解释分析发现
- 保持好奇心：优秀的 DA 会主动发现问题，而不是等着别人来”派活”
本篇小结
- DA 的核心是”用数据提取洞察、支持决策”，技术深度是区分因素
- SQL 是 DA 的命脉，必须熟练掌握
- 不同规模的公司对 DA 的定位不同，求职时需要了解清楚
- DA 面试以 SQL + Case Study 为核心，技术面占比高于 BA
- 职业发展可以纵向深耕，也可以横向拓展到数据科学、产品等方向
接下来进入 DA 高频面试题，用具体的面试题来练习 DA 面试的应对技巧。