京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CDA数据分析师 出品
编译:Mika
【导读】
数据分析师实际上做什么?在本文中数据分析师Alex Freberg就给我们分享了,数据分析师的日常工作,成为数据分析师要什么要求,要什么技能以及薪资情况。
大家好,我叫Alex Freberg。
今天,我们将聊一聊关于数据分析师日常工作的全部内容。同时我们还将介绍作为数据分析师,你所需要的学历、技能,以及你能获得的薪资水平。
01、数据分析师的工作内容
首先让我们看到工作描述。
下面给你介绍一下数据分析师工作的每个部分。
定义问题
第一个部分就是定义问题。
你首先要做的就是明白客户到底需要什么。
他们是需要仪表盘、报告;还是需要你对他们的产品做出分析,并给出建议。
当你弄明白后,你需要制定出行动计划:
通常这是你的工作去与团队进行这方面的沟通。
收集数据
接下来你需要做的就是收集数据。
数据的来源有很多。是来自SQL备份,文本文件或者 API,还是全都有。你需要把所有的数据都放在一处。
接着你需要跟程序员一起开发ETL过程,即提取、转换和加载。
因此你将跟程序要一起获取数据,然后创建商业规则进行转换,也就是你想让系统看起来是怎样的。
接着加载数据。
这个步骤也是所谓的开发ETL管道。如果你的数据是每周或每月产生的,你不需要每次手工进行这个步骤,因此搭建管道将创建自动的方式 每次获取数据。
这样的话,每次你将数据导入系统将节省大量时间。
最后还有数据聚合。也就是让数据标准化,全部整合到一起,而不是分散的。
清洗数据
接下来作为数据分析师,你需要清洗数据。
数据总是乱糟糟的。
相信我,所有的情况我都见识过了。有的人会用三种不同的数据格式;有些人的名字会莫名其妙的大写;还有的人忘记添加用户ID,导致你在系统中定位不到。
之所以要做这些步骤,是为了在之后的过程中让数据更好用。这部分工作有些是让数据规范化和标准化,从而在之后进行数据可视化或报告的时候,所有的数据看起来都是一样的,能被用到你想用的任何部分。
最后就是数据验证。也就是品质保障,通过检查数据对数据运行查询,确保数据是看上去那么回事。
生成报告和可视化
接下来你要做的就是让数据生成报告和可视化。
很多时候做这一步是为了创建视图。视图能将许多图表结合成一个。
接着选择你希望用在报告和可视化中的一部分数据,根据你想在报告和可视化中所呈现的每个视图设计有所不同。
最后你要做的是创建报告和可视化。
就我个人而言,我在所有的报告中都使用SQL。因此我喜欢对该步骤自动化。
如果客户每周或每月想要报告,我可以创建存储程序或方式,从而能每周或每月自动发送最新的数据。
你还可以将数据连接相关数据可视化工具,比如Tableau、Power BI、Python或者R。
你想确保你的报告可视化能够解决你想解决的问题,从而我们能遵循初衷,也就是客户想要什么,他们需要什么。这个步骤就是为了确保该问题能解决。
02、成为数据分析师需要哪些条件
下面让我们看到数据分析师的要求。
通常你需要本科学历,很多工作都有这方面的要求,很多时候这是最低要求。
通常他们要求计算机科学、统计学、数学、金融相关专业。
有些职位可能还需要研究生学历,这并不经常发生。但我遇到过某些数据分析师职位,要求研究生学历。
我并不认为为了成为数据分析,你就要有研究生学历,但这肯定有一定帮助。特别是当许多工作都至少要求你有本科学历。
03、数据分析师需要掌握哪些技能
接下来我们看到数据分析师需要使用的技能。
首先是SQL,接着还有R和Python,Tableau、 Power BI也就是数据可视工具,SAS/SPSS、Excel,还有一些云平台比如AWS/Azure。
04、数据分析师能赚多少钱
下面看到薪资情况。
数据分析师需要做很多工作,为了成为数据分析师你需要学很多东西。但很多技能你都能在网上免费学到,或者通过能承受的费用在Udemy Coursera或者Edx等平台上学到。
有很多习得成为数据分析师技能的方式,我非常建议你试试,看是否有你非常感兴趣的内容。
我希望今天分享的内容能让你稍微了解数据分析师日常工作究竟在做些什么,感谢观看。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15