很多同学对数据分析感兴趣，也和自己在国内做数据分析师的朋友聊过，决定未来从事数据分析方向的工作。

那么，你了解数据分析师的就业情况吗？没有经验如何入门？职业规划又是怎样的？

经验分享一

之前在电商公司做数据专员，仅限于Excel。

确定了数据分析方向后，开始在猴子老师这里系统学习，从初级的 Excel 和分析思维到中级的 sql ，后来又学习了 python 基础的部分。

边工作边学习，准备了两个项目，一个是工作中的自己做的，一个是在猴子老师这里学习到的。

开始投简历的时候，先确定了行业和公司规模，自己的意向是互联网方向的视频平台，电商，互联网金融。选择中等的公司规模，开始投递简历。

用了两周集中面试，每天平均 3 家公司，视频面试和线下面试结合。面试了几次后得出一些经验，靠谱的公司会先打电话做简短的电话沟通，再邀约视频面试或现场面试。

在面试的过程中，随着面试的次数越来越多，自己对简历中项目提到的问题也越来越熟练，查漏补缺在面试中也游刃有余。而且，sql 笔试部分猴子老师的总结的相关高频题目有问到。

入职时间不久，前期是先熟悉公司的业务，了解指标的含义。熟悉业务相关的一些报表，理解逻辑。后面会使用到一些可视化软件 tableau，python相关的应该还用不到。依然会继续深入的学下去，想要去大厂的话，对python，机器学习，abtest要有了解。

经验分享二

现在已入职一家互联网公司做业务数据分析方向的数据分析岗，分享下自己的学习和求职经历。

1、如何学习准备的

主要是分三个模块：分别是SQL、Python和业务思维拆解能力。

SQL我是偶然的机会在网页上刷到猴子老师的SQL教程，学习了一些感觉简单易懂，就算是转行也能通过详细的学习教程学会。

Python 的话因为我本身是算法转行，所以 Python 也会一些，在这我找过几个教程和案例，跟做了一遍，把 pandas 和 matplotlib 常用涉及的操作都跟做了一遍。

事实证明，我求职的业务数据分析现在 Python 应用的还不是特别多。

业务思维拆解能力，这个之前我不是特别重视，也找过其他培训机构的课程，但都没有明确讲述的。后来在名猴子数据分析初级课程之后才有了系统的了解。在业务分析中业务拆解是很重要的。

2、如何投简历和面试经历

我是在两个平台智联招聘和 boss 上投递的简历，因为自己在职找工作，基本就是每天看看打招呼的有没有自己感兴趣的岗，如果有就投一下。

因为我项目写的不是很好，九月份每周大概2-3个面试，我都是先沟通好初试视频面试的。但是在这种高频的面试下才接到两个意向公司。

其中一家工作地点太远拒绝了，另外一家有点国企风，背景调查很严格，因为之前我有合并工作经历（具体这种问题怎么处理，可以看看猴子老师的简历指导）所以也忍痛放弃了。

之后就到了10月份，依然是投了很多，但是机缘下就得到现在这家公司的面试邀约，拿下了offer。

初试技术面也是三个模块拷问的：SQL、机器学习的初级知识，另外一个简单的业务拆解，比如播放量下降如何去分析等。

3、现在刚过入职，但是这个岗还是偏业务分析一些。主要就是了解视频业务的相关知识，之后做一些专题分析。

我本身找工作的周期比较长，一年多吧，其中都是自学，找一些培训课程，我自己承受压力的能力比较弱，但是也坚持下来了，实现目标的感觉很好，所以有目标的同学一定要坚持自己的初衷呀。

经验分享三

答主@秦路

入门和职业规划应该从两个角度考虑：领域和路线。

领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。

譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。

如果是一位应届生，不妨多了解自己感兴趣的领域，多积累相关的经验，为面试做准备。

如果已经有一定行业履历，只是想要转岗数据分析师，那么跨岗不跨行，尽量避免跳到一个陌生的领域。

领域经验主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。

成为某领域的数据专家，会是一个更好的筹码。

路线大致可以划分成四大方向：

数据分析，数据挖掘，数据产品，数据工程。

数据分析/数据运营/商业分析

这是业务方向的数据分析师。

绝大部分人，都是从这个岗位开始自己的数据之路，也是基数最大的岗位。

因为基数大，所以这类岗位通常鱼龙混杂。有些虽然叫数据分析师，但是每天只需要和 Excel 打交道，完成leader布置的表格整理工作就行。混个几年，成为一位数据分析主管，给下面的新人继续布置 Excel 任务。

又有一种数据分析师，岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归。都叫数据分析师，其实天差地别。

这里更多指代互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也称数据运营或者商业分析。

这类岗位的职位描述一般是：

建立和优化指标体系；

监控数据的波动和异常，找出问题；

优化和驱动业务，推动数据化运营；

找出可增长的市场或产品优化空间；

输出专题分析报告；

实际的岗位中，不少业务端的数据分析师，主要工作都是第一点。

别管它用汇总、分析、数据支持什么修饰词，基本是跑SQL，做报表。硬生生活成了业务端的表哥。

这是很常见的情况，也是入门新人的第一个坑。因为从头到尾，这类分析师，都没有解决问题。

业务部门往往更关心，某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成自己的KPI。

以活跃指标的下跌举例：

活跃指标下跌了多少？

是属于合理的数据波动，还是突发式？

什么时候开始的下跌？

是整体的活跃用户下跌，还是部分用户？

为什么下跌？

是产品版本，还是运营失误？

怎么解决下跌的问题？

这是一套标准的解决思维。分别对应what、when、who、why、how。

每一部分都不是三言两语可以解释清楚。不要看它很简单，例如你通过多维分析，发现某个地区的活跃下跌了，不要急着把它作为分析的结论，这是不合格的数据分析。某地区的活跃下跌，只是现象，不是原因，把它作为结论提交，肯定会被骂的。

你要解决的是，为什么这个地区的活跃下跌了。是该地渠道，是该地竞争对手，是该地市场环境？这些问题都是细化的范畴。并且，它们要能以量化解释，而不是我认为。

做好了这点，才是一个真正的业务端的数据分析师。

数据挖掘/算法专家

这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说，数据挖掘Data mining是一种方式，机器学习Machine learing是一门方法/学科。机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类，它们是从过去的历史数据中学习到一个模型，模型可以针对特定问题求解。

数据挖掘的范围则大得多，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。

除此之外，还有一个领域，属于最优化问题的运筹学。现实中的问题往往有很多约束，比如护士排班.

一共有三班（早、中、晚），现在要求每班满足最低护士人数，每位护士尽量不能连班，每位护士不能连续工作5天。每位护士的夜班数要均衡，每位护士每月的班数要均衡…

这些问题很难用机器学习的方法完成，而在最优化领域，则有遗传算法、模拟退火算法、蚁群算法等。

实际的应用场景中，如外卖行业，如何寻找骑手效率最大化的最优路径，同样属于最优化，也是数据挖掘的工作范畴。

数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。

常见数据挖掘项目的闭环如下：

定义问题

数据抽取

数据清洗

特征选取/特征工程

数据模型

数据验证

迭代优化

单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。

数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。

因为要求高，所以数据挖掘的平均薪资高于普通的数据分析师。

数据产品经理

这个岗位比较新兴，它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。

前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。

这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。

他们会运用不同的数据源，对用户的行为特征分析和挖掘，达到改进产品。最典型的场景就是AB测试。

大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。

俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。

后者，是真正意义上的数据产品经理。在公司迈大迈强后，数据量与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。

这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。

我们不妨看几个数据产品经理要求：

负责大数据产品的设计，输出需求文档、产品原型；

负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；

负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据；

负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证；

报表展示工具的落地和应用；

和C端注重用户体验不同，数据产品，更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具。

往往还需要很多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等。这也很容易理解，C端要求你了解用户需求，而在数据端，主要用户就是数据。

这当然不是说，用户体验不重要，拿推荐算法来说，除了满足用户最基本的感兴趣，也要考虑时效性，考虑新兴趣的挖掘，考虑无数据时的冷启动问题…这些一样是用户体验，只是解决方案也得从数据出发。

后端的数据产品，如报表，用户往往是你隔壁工位的小秦或小路，设计得丑一点不要紧，要是数据指标口径不统一，那才会分分钟骂街。

虽然数据 PM 需要熟悉各类数据模型、指标、数据挖掘和数据工程的实现，但是聚焦点是把它作为一个项目去实现，而不是考虑技术的细节，故而不用精通。

数据工程

数据工程其实更偏技术，从职业道路上看，程序员走这条道路更开阔。

在很多中小型的公司，一方面数据是无序的、缺失的、原始的，另外一方面各种业务报表又嗷嗷待哺。没办法，分析师只能自己撸起袖子，一个人当两个人用。兼做数据清洗+ETL+BI。

数据分析踏上数据工程的不归路如下：

每天都要从五六张表上join，那么不妨加工成一张中间表；

ETL的依赖关系越来越复杂，尝试kettle/airflow等框架搞定，弄个DAG美滋滋；

运营部门的周报次次都要这几个指标，看看能否做一个自动化BI；

数据量逐日增多，最近T+1的日报需要几个小时完成，研究下查询语句的优化；

等等…

如果分析师在技术方面的灵性不错，那么技能点会往技术栈方向迁移。从最初的SQL，到了解Hadoop集群、了解presto/impala/spark、了解ELK、了解分布式存储和NoSQL……

这也是一个不错的发展方向，因为数据挖掘需要了解算法/模型，理论知识要求过高，不少硕士和博士还过来抢饭碗，如果自己不擅长容易遇到天花板。选择更底层的工程实现和架构，也是出路，薪资也不会低于数据挖掘。

部分公司会将机器学习模型的部署和实现交给数据工程团队，这要求数据工程师熟悉sparkMLlib、Mahout此类框架。

数据工程师，可以从数据分析师的SQL技能，往数据的底层收集、存储、计算、运维拓展。往后发展则是数据总监、或者数据架构师。因为数据分析出身，与纯技术栈的程序员比，思考会更全面一些，虽然技术底子的薄弱需要弥补。

另外，DBA、BI这些传统的数据库从业者，也是能按这条路线进阶，或者选择数据产品经理方向。

知乎数据分析训练营

扫下方⬇️海报二维码

免费获取零基础数分课！