很多求职同学存在误区：Data Analyst 只是单纯取数、做表格、画图表。但翻看北美大厂、AI 初创公司最新 JD 能发现，企业需要的是能通过数据驱动业务增长的分析师，只会工具的求职者很容易在初筛被淘汰。结合大量招聘需求与一线工作经验，梳理合格 DA 必须掌握的全套能力体系。

SQL 是 DA 第一核心技能，所有岗位必考。熟练完成多表关联、子查询、窗口函数、数据去重与脏数据清洗，能够独立提取全业务维度数据；Excel 作为辅助工具，精通 Power Query、数据透视表，快速完成临时业务统计。

可视化工具熟练掌握 Tableau 或 Power BI 其一，独立搭建实时业务看板，搭建指标预警模块；同时掌握 Python 数据分析栈 Pandas、NumPy，应对千万级大批量数据处理，具备基础绘图能力。当前 AI 浪潮下，会利用大模型辅助数据梳理、撰写分析脚本会成为核心加分项

不需要深度学习算法，但扎实的基础统计是数据分析的根基。掌握均值、中位数、相关性、样本误差等基础概念，完整理解 AB 测试全流程设计、数据校验逻辑。面对活动、投放带来的数据波动，可以区分自然浮动与真实业务变化，给出客观、无偏差的数据判断，避免业务做出错误决策。

合格 DA 的核心价值，是衔接业务与数据。能够听懂产品、运营、市场的模糊需求，拆解成可落地的数据问题；独立搭建完整业务指标体系，涵盖用户留存、获客成本 CAC、生命周期价值 LTV、转化漏斗等核心指标。

日常工作中主动追踪指标变化，主动挖掘异常背后的业务原因，而非等待业务提需求才被动取数。

从数据提取、清洗、建模到产出完整分析报告，形成闭环。报告拒绝单纯罗列图表，必须包含问题、数据佐证、根因分析、可落地优化建议，交付内容非技术人员也能快速看懂，真正支撑团队业务迭代。

不同赛道 DA 侧重点完全不同：电商侧重转化与供应链数据，AI Startup 侧重用户交互、模型效果数据，Marketing DA 侧重投放与流量转化。合格分析师会持续学习赛道专属指标，紧跟行业数据需求变化，持续更新自身技能库