数据分析师岗位全景分析报告　互联网

01岗位基础信息

认知组 · 本节约 472 字

岗位定位

数据分析师不是查数的。这个岗位真正做的事，是把一句模糊的业务抱怨翻译成一个可验证的指标，再用数据给出答案。同样是「这个月转化不好」，初级会去拉一张表，资深会先问四件事：哪个渠道、哪个环节、跟哪段时间比、跌多少才算问题。

核心职责

1. 取数与口径维护：写 SQL 从数仓取数，定义每个指标怎么算，并写进文档
2. 看板与日报：用 Tableau / PowerBI / 内部 BI 搭建，目标是业务方自己会看
3. 专题分析：一次活动、一个功能、一批用户的效果评估，要给结论不能只给数
4. AB 实验：设计分流、算样本量、判断显著性、给出上线或回滚建议
5. 指标体系建设：把北极星指标拆成业务能干预的二级、三级指标
6. 异动归因：核心指标突然涨跌时，第 1 个被叫去解释的人通常是你

汇报关系

分析师 → 分析负责人 / 数据负责人 → 数据总监或业务 VP。

互联网公司常见两种挂法：挂在数据中台，走专业线；或挂在业务线，实线汇报给业务负责人。前者成长体系清楚，后者话语权更大。

协作对象

强协作：产品经理、运营、增长、市场投放。

弱协作：研发（埋点）、数仓（表结构与口径）。

一个可用的自检：成熟分析师大约三成时间写 SQL，七成时间在跟人对话。比例反过来的，多半停在取数岗。

补一句现实：这个头衔通货膨胀严重。同样叫分析师，有人在做实验设计，有人在给运营导 Excel。面试时问「你们团队一个月出几份带结论的分析」，比问岗位职责有用。

02用户关心点

认知组 · 本节约 470 字

基础点｜先搞清楚这三件

1. 每天干什么：开会、取数、改看板、被业务方追着要数、偶尔做一次专题
2. 用什么工具：SQL 是硬要求，Excel 天天用，BI 看公司（Tableau / PowerBI / 帆软），Python 看团队
3. 钱：一线起薪 8-13K，三年 15-22K，区间之外要看岗位属于哪一类

重点｜决定你待不待得下去

1. 这个岗位名下有三种活：BI / 业务分析、增长分析、数据科学，薪资差一倍以上
2. 需求集中在业务侧，纯建模的岗不叫分析师，叫算法或数据科学
3. 节奏跟着业务走：大促、月初、季度复盘是高峰，平时比研发弹性

隐藏点｜招聘页不会写

1. 很多公司的「数据分析师」实际是高级取数员，面试要问团队怎么分工、有没有做专题的机会
2. 你的价值不由 SQL 水平决定，由「你说的话有没有人听」决定
3. 业务方提的需求，一半以上是他自己没想清楚问题，你要先帮他问对

突破点｜性价比高的三件事

1. 三个月内把核心指标口径全背下来：DAU 怎么算、留存取第几天、ARPU 含不含退款
2. 学会写结论先行的报告：先给判断，再给三层证据，明细放附录
3. 主动跟完一次闭环：从需求提出，到上线，到复盘，全程在场
4. 建自己的指标字典：每个数的来源、过滤条件、更新频率写清楚，换团队时这是你带得走的东西
5. 交一个业务方当长期搭档：有人愿意用你的结论，比多做十张报表管用
6. 每季度做一次回头验证：三个月前给的判断，现在看对不对、错在哪。这一步很少有人做，但它决定你是积累经验还是重复劳动

03岗位层级分析

认知组 · 本节约 472 字

层级图谱（互联网，月薪税前）

L1 初级分析师 / BI 专员｜8-13K｜0-2 年
做什么：接需求取数、维护看板、出日报周报
判据：需求能独立交付，口径不用问人
卡点：只优化取数速度，不问这个数用来干什么

L2 分析师｜13-20K｜2-4 年
做什么：独立负责一条业务线，定义指标，做专题分析
判据：你的结论被采纳过，并且产生了具体动作
卡点：会分析不会推动，报告发出去就结束

L3 资深分析师 / 分析负责人｜20-32K｜4-7 年
做什么：带 2-5 人，搭指标体系，管实验平台，对接业务负责人
判据：能判断「这个问题值不值得分析」，敢砍需求
卡点：只会接活不会排优先级，团队变成需求流水线

L4 数据负责人 / Head of Data｜32-50K 以上｜7 年以上
做什么：分析、数仓、BI、实验平台一起管，对数据资产负责
判据：能对业务结果负责，不只是对报表负责

三种岗位的天花板不一样

BI / 业务分析：多数人停在 L3，一线 25-30K 见顶，因为工作可替代性强
增长分析：能走到 L4，因为背指标、离钱近
数据科学：门槛在统计和工程，天花板高，但和前面两条不是同一条晋升线

真正的分水岭

L1 到 L2 差在会不会做，L2 到 L3 差在能不能定。多数人卡在 L1，原因是一直把 SQL 写得更快，而不是把问题问得更准。

一个反常识的判断

层级越高，写 SQL 的时间越少，判断「该不该做」的时间越多。

所以晋升的准备不是把技术练得更深，而是开始对结果负责：主动认领一个指标，从分析、给建议、到落地跟到底。

做完一次，你在别人眼里就从「取数的」变成了「能扛事的」。

04行业适配度分析

认知组 · 本节约 476 字

① 互联网（增长驱动）

核心能力：留存拆解、漏斗、AB 实验、用户分层、渠道 ROI
典型难点：口径混乱，同一个 DAU 三个部门三种算法；需求临时，上午提下午要
薪资：一线 12-25K，在四个行业里弹性大
适合谁：能接受快节奏、愿意跟业务争论的人

② 零售 / 快消（渠道驱动）

核心能力：门店与渠道分析、动销、库存周转、促销效果
典型难点：数据散在 ERP、经销商报表和 Excel 里，清洗占掉一半时间
薪资：8-15K，稳定但涨幅慢

③ 金融 / 银行（合规驱动）

核心能力：资产质量、风险模型、监管报送、客群经营
典型难点：口径受监管约束，数据不能出域，模型要可解释
薪资：15-25K，波动小，进入门槛看学历与背景

④ 制造 / 物流（效率驱动）

核心能力：良率、产能、供应链时效、成本拆解
典型难点：设备数据与业务系统不通，不少环节还在手工记录
薪资：8-14K，懂工艺的人溢价明显

判断：这是两个物种

互联网的分析师解释变化：为什么涨、为什么跌、下一个动作做什么。

传统行业的分析师确认事实：这个月的数对不对、合不合口径、报表能不能交。

前者要求你提假设并接受被推翻，后者要求你不出错。转行时简历会被重新定价，别以为经验能整段搬过去。

怎么选

想快、能抗压，去互联网；想稳、能忍慢节奏，去金融或制造；想攒行业壁垒，去零售或制造，懂供应链的分析师哪个行业都要。

一个提醒：跨行业跳时，工具和经验能带走，业务常识带不走。前半年你会觉得自己变笨了，这属于正常过程。

05发展路径

认知组 · 本节约 470 字

纵向晋升

初级 → 分析师 → 资深 / 负责人 → 数据 Head。
每一步的实际门槛：

• 初级到分析师：能独立负责一条业务线，而不是只接单
• 分析师到资深：能定指标、能排优先级、能带 1-2 个人
• 资深到负责人：能对业务结果负责，能跟业务负责人平起对话

横向转型（同层级换岗）

1. 分析 → 产品经理：懂数据的产品稀缺，转过去通常不掉薪，但要补需求文档和项目推进
2. 分析 → 数据产品经理：做 BI 平台、指标平台、实验平台，技术不用很深，要懂使用场景
3. 分析 → 增长 / 用户运营：直接背指标，涨薪快，但作息跟着活动走
4. 分析 → 数仓 / 数据开发：补工程能力，走技术线，薪资结构不一样

跨界可能

• 分析 → 咨询：需要结构化表达和行业知识，入门级别常降薪
• 分析 → 创业公司数据合伙人：用股权换现金，风险要自己算
• 分析 → 风控 / 量化：要统计和建模底子，不是补两个月能到

一条被低估的路

分析师转业务负责人。不少公司的事业部负责人是分析出身，因为他们习惯先看数再决策。
这条路的关键不是技术，是敢不敢为结果签字。愿意签字的人少，所以位置一直空着。

时间节奏的实话

初级到分析师通常 2-3 年，分析师到资深 3-4 年，再往上要看位置和运气。

同一层级待满 4 年没有变化，通常不是能力问题，是团队没有空位。这时候换公司比等晋升快，但要确认新岗位不是同一个坑。

换赛道的窗口期大概在 2-4 年：太早拿不出案例，太晚迁移成本高。

06学习地图

认知组 · 本节约 462 字

入门期 0-3 个月

学什么：SQL（select、join、group by、窗口函数）、Excel 透视表、指标的基本定义

怎么验证：给你一张订单表，能独立写出「按渠道按天算次日留存」，不用问人

成长期 3-6 个月

学什么：BI 工具（Tableau 或 PowerBI 选一个）、漏斗与留存分析、看板设计

怎么验证：做出一块业务方真的在用的看板，有 3 个人连续两周打开

常见误区：把看板做成图表展览，堆 20 个指标，没人知道先看哪个

进阶期 6-18 个月

学什么：统计基础（假设检验、置信区间、样本量）、AB 实验设计、pandas 基础
怎么验证：独立设计并评估一次实验，结论被采纳，且事后结果与判断方向一致

专家期 1.5-3 年

学什么：因果推断（DID、PSM）、指标体系设计、数据治理与口径管理
怎么验证：主导一次口径统一，把两个部门打架的数变成一个数

权威期 3-5 年

学什么：团队管理、数据战略、预算与投入产出
怎么验证：能对一条业务线的数据资产负责，能说清每个数据项目的钱花在哪

工具性价比排序

SQL（硬要求）> BI 工具（硬要求）> 统计（决定上限）> Python（看岗位）> Excel（够用就行）。

很多人顺序反了，先学 Python 再学业务，结果工具会一堆，还是只会取数。

一个常见的学习顺序错误

先学工具再学业务，是多数人绕远的起点。工具可以在工作里现学，业务理解只能在一个行业里泡出来。

更有效的顺序：先选一个行业，把它的指标链弄懂，比如电商从曝光、点击、加购到复购，再用工具去回答这条链上的问题。带着问题学 SQL，一周顶一个月。

07场景适配：转行规划

深度组 · 本节约 501 字

本报告按「转行规划」场景输出，重点强化：发展路径、学习地图、行业适配、薪酬带宽

三类来源人群

A 应届（统计、数学、计算机、经济学）
可迁移：统计基础、学习能力、写论文的训练
缺口：业务理解、SQL 工程实践、把结论讲成人话
起步动作：找一份业务侧实习，运营助理也比纯数据标注有用

B 运营 / 市场 / 产品转
可迁移：业务理解、指标感觉、跨部门沟通
缺口：SQL、统计严谨性、实验设计
这是成功率偏高的一类，因为你知道业务方真正想问什么，这个补不了

C 开发 / 测试转
可迁移：SQL、工程能力、数据敏感度
缺口：业务语言、表达、从「给表」到「给结论」
常见问题：交了五张表，说不清哪张支持哪个判断

六个月的起步路径

1. 第 1 个月：SQL 练到窗口函数，用公司内部数据练手，别用玩具数据集
2. 第 2-3 个月：做一个真实项目，哪怕是自己的账号数据，要有明确问题和结论
3. 第 4-5 个月：把项目写成「问题 - 假设 - 方法 - 结论 - 建议」五段式
4. 第 6 个月：投业务分析或 BI，不要一开始投数据科学

现实预期

运营转分析，首份通常是业务分析，薪资多为平移。

开发转分析，首份可能降薪，因为不再写代码，市场按分析岗定价。

30 岁以后转，建议走「行业 + 数据」的组合，别做通用分析师，通用岗拼的是年轻和便宜。

一个容易被忽略的成本

转行前两年，你的薪资可能低于同年龄的多数同事，这种落差比技术难度更难熬。

建议先用业余时间做一个真实项目，确认自己是不是真的喜欢对着数据找原因，再决定要不要辞职。喜欢和能忍，是两件事。

08信息源标注

深度组 · 本节约 485 字

T1 官方与招聘平台数据

• 主流招聘平台的 JD 抽样：职责分布、薪资区间、经验要求
• 国家统计局的行业数据、上市公司财报披露的用户与收入指标

可信度：高。但 JD 上的薪资常按上限写，实际谈判区间通常低 10-20%

T2 行业报告

• 咨询机构与数据服务商的年度移动互联网报告
• 平台方公开的白皮书（电商、内容、本地生活）

可信度：中高。方向可信，具体数字常因口径不同而互相矛盾，需要交叉验证

T3 从业者访谈与社区

• 分析师社区的讨论、面试经验贴
• 从业者对工作强度、汇报关系、晋升周期的描述

可信度：中。真实感强，但样本偏斜，抱怨的人更愿意发声

T4 模型推断

• 本报告的层级划分、薪资带宽区间、三种岗位的分类
• 趋势判断与替代率估计

可信度：低到中。属于基于以上信息做的推断，不是官方统计

使用提醒

1. 薪资给区间不给点值，同一个 title 在不同公司能差一倍
2. 岗位名称在不同公司指代不同，看 JD 的职责描述，不要看 title
3. 本报告所有趋势性表述均标注为推断，不作为决策依据

一条使用原则

同一个数字，来源不同就不要混着用。看到「行业平均薪资 20K」这种说法，先问三件事：样本多少、口径是月薪还是总包、统计的是哪一年。

本报告的薪资区间，是按招聘 JD 与从业者描述交叉核对后的估计，用来判断量级，不用来谈具体数字。

找从业者聊天时问具体场景，不要问「前景怎么样」，得到的多半是套话。问「你上周做了什么、卡在哪」，信息量完全不同。

09薪酬带宽分析

深度组 · 本节约 477 字

按层级（月薪，税前，含常规绩效）

层级｜一线｜新一线｜二线
BI / 初级分析师｜8-13K｜7-11K｜6-9K
业务分析师｜13-20K｜11-17K｜9-14K
资深 / 增长分析｜20-30K｜17-25K｜14-20K
分析负责人｜30-45K｜25-38K｜20-30K
数据 Head｜45K 以上｜38K 以上｜30K 以上

三种岗位的差价（口径：一线，3 年经验）

业务分析 / BI：14-18K

增长分析：18-23K

数据科学：25-35K

差价来源不是技术难度，是离钱的距离和供给稀缺度。增长分析背指标，数据科学要统计加工程，两样都筛人。

薪酬结构

常见 13-16 薪，大厂给股票（分 4 年归属），创业公司给期权。
谈总包时要问清：月薪按几个月算、股票按什么价、归属节奏、离职怎么处理。

谈判建议

1. 带一份脱敏的分析报告去面试，比说「我数据敏感」有用
2. 跳槽涨幅 20-30% 合理，超过 40% 要问清前任为什么走、团队是不是刚重组
3. 从 BI 转增长分析，用「做过完整漏斗和用户分层」当涨薪理由，别说「我愿意学」

天花板

纯取数岗在一线约 15K 见顶，且逐年被自助取数工具挤压。
突破只有两条：往上带团队，或往业务侧转（增长、策略、产品）。

三个影响价格的因素

1. 业务线：核心交易线比边缘业务高 10-20%，因为指标直接影响收入
2. 公司阶段：成熟大厂给股票，创业公司给期权，后者要按成功率打折
3. 汇报关系：汇报给业务负责人的岗位，通常比挂在同级别中台的高一点，因为责任更重

一个谈薪的实操

被问期望薪资时，先给区间再给理由：我了解这个岗位在一线是 15-20K，我有三年业务线经验、做过完整实验，期望 18K。

给区间显得懂行情，给理由让对方有台阶。只说一个数，容易被压到区间下限。

10岗位说明书（JD）

深度组 · 本节约 478 字

数据分析师（业务分析方向）｜互联网｜标准 JD

岗位名称：数据分析师
所属部门：数据分析部 / 业务中台
汇报对象：分析负责人
岗位目的：用数据支持业务决策，推动关键指标改善

主要职责：

1. 负责业务线核心指标的定义、监控与异动归因，按周输出指标解读
2. 搭建与维护业务看板，推动业务方自助取数，降低临时需求占比
3. 独立完成专题分析：活动复盘、功能上线评估、用户分层与流失分析
4. 设计并评估 AB 实验，输出实验结论与上线、回滚建议
5. 参与指标体系与口径治理，维护指标字典

任职资格：

• 学历：本科及以上，统计、数学、计算机、经济学相关专业
• 经验：2 年以上互联网数据分析经验，有独立负责业务线的经历
• 技能：熟练 SQL（窗口函数、多表关联、去重逻辑），熟悉一种 BI 工具
• 方法：掌握留存、漏斗、AB 测试的基本方法，看得懂显著性
• 表达：能把结论讲清楚，书面报告不需要二次翻译

加分项：

Python 或 R、因果推断、埋点设计经验、熟悉一个业务领域（电商 / 内容 / 本地生活）

这份 JD 里值钱的部分

不是「熟练 SQL」，是「能把结论讲清楚」。SQL 三个月能学会，表达和判断三年不一定练得出来。

面试时按这个顺序准备：先证明你解决过什么问题，再证明你用什么方法，工具放末尾。

如果拿去发招聘

把「熟练 SQL」写在技能栏，「能独立完成专题分析并推动落地」写在职责栏。
前者负责筛人，后者决定来的人是不是只会取数。写反了，简历会堆成一座山，能用的人很少。

11行业术语与黑话对照

深度组 · 本节约 468 字

术语 vs 口语

日活跃用户 → 日活 / DAU
留存率 → 次留、7 留、30 留
每用户平均收入 → ARPU
用户生命周期价值 → LTV
漏斗转化 → 漏斗
AB 实验 → 分流实验 / AB
数据看板 → 看板 / dashboard

高频缩写

DAU / MAU：日活 / 月活，比值反映使用粘性
LTV / CAC：用户终身价值 / 获客成本，比值看生意能不能持续
GMV：成交总额，含未付款订单，不等于收入
ROI：投入产出比，投放侧天天算
CTR / CVR：点击率 / 转化率
埋点：在代码里记录用户行为，数据的地基
口径：一个指标的计算规则，包括时间范围、去重逻辑、过滤条件

黑话背后的真实含义

「数据驱动」= 决策已经定了，需要数据支持
「形成闭环」= 别只给数，要给动作，还要回来看结果
「赋能业务」= 教业务方自己看看板，别天天来找我
「看板要能落地」= 别做一堆没人打开的图
「口径对齐」= 两个部门算出的数不一样，先吵一架再统一
「这个需求很急」= 我今天下午就要
「先跑个数看看」= 我也不知道要看什么
「这个数不准」= 我不喜欢这个结论
「拉个数」= 立刻给我，别问用途

使用禁忌

面试时别堆缩写。说「我做过留存拆解」比「我精通 DAU、MAU、LTV 全链路」可信。

对业务方别说「你这个需求不成立」，要说「我们先明确要回答什么问题」。前者是抬杠，后者是协作。

面试里的用法

被问「你怎么理解数据驱动」，别答「用数据说话」。可以说：数据驱动不是每个决策都看数，而是先明确哪个数能证伪这个判断，再去取。

这个答法能把背词的人和真做过的人分开，因为前者答不出「证伪」两个字。

12AI 面试官模拟

深度组 · 本节约 641 字

Q1 讲一个你做过的分析项目
差：复述岗位职责，说自己每天取数
中：讲背景和用了什么工具
好：一句话给结论，再说影响了哪个指标、动了多少，末尾说重做会改哪里

Q2 怎么算次日留存

差：说不清定义，只说 group by

中：能写出 join 逻辑

好：先定口径（新用户怎么算、跨天怎么处理），再写 SQL，末尾提大数据量下的去重和分区

Q3 某功能上线后 DAU 跌了 5%，怎么排查

差：说去看看数据

中：拆渠道、版本、机型、地区

好：先判断是真跌还是假跌（埋点改没改、口径变没变），真跌再拆新老用户与频次，用灰度组或未覆盖人群做对照

Q4 怎么判断一个异动是不是正常波动
差：凭经验说还好
中：看历史区间
好：看基线波动、样本量、显著性，再排除同期事件（大促、版本发布、竞品动作）

Q5 设计一个 AB 实验评估新推荐策略

差：说分两组看点击

中：说分流和看转化

好：定核心指标与护栏指标（时长、负反馈率、留存），算样本量与周期，按用户 ID 分流，看置信区间，警惕新奇效应

Q6 业务方要的数和你的不一样，怎么办
差：坚持自己是对的
中：对一下 SQL
好：逐项对口径（时间、去重、过滤），把差额拆成可解释的部分，收尾写进指标字典

Q7 给一个没做过分析的业务搭指标体系

差：列一堆指标

中：给北极星加拆解

好：先问业务目标，把北极星拆成能干预的二级指标，每个指定负责人和更新频率，删掉不能行动的数

Q8 你的分析没人采纳，怎么办

差：抱怨业务方不懂数据

中：说会再沟通

好：先复盘结论是否具体（有没有给动作和预期收益），再找小场景试点，用结果换下一次的话语权

Q9 留存下降，你会看哪些维度

差：只说看留存曲线

中：按渠道、版本拆

好：先分新老用户，再按获客渠道、首日行为、功能使用深度拆，找结构性变化，同时确认分母有没有被污染

Q10 为什么想做数据分析
差：说喜欢和数据打交道
中：说数据能帮业务决策
好：讲一件具体的事：你用什么数据发现了什么问题，末尾改变了什么

13海外市场与多语言

进阶组 · 本节约 479 字

岗位名称在海外叫什么

美国：Data Analyst（偏 BI 与报表）、Business Analyst（偏业务）、Product Analyst（偏产品）

做增长与实验的：Growth Analyst

做建模与因果的：Data Scientist

欧洲、新加坡、香港的命名跟美国接近，中文环境里统一写成「数据分析师」

证书认不认

互联网分析岗基本不看证书，看项目和方法。

有点用的是 Google Data Analytics（入门信号）和 Tableau、PowerBI 的官方认证（工具证明）。

统计背景看学历和项目，证书的作用有限。金融和咨询会看 CFA、FRM，那是另一条路。

语言要求

读：能读英文文档和论文，方法细节多在原文里
写：能写英文报告，结论先行，别写中式长句
说：能在会上讲清你的判断，并接住追问
外企面试常有一轮英文 case，考的是表达结构，不是口音

出海路径

1. 外企中国区 → 海外总部：常见路径，需要英文和工作签证
2. 中资企业出海（电商、游戏、短视频）：要懂当地市场，薪资常高于国内
3. 直接投海外岗：签证是主要门槛，纯远程岗在减少

判断

语言不是门槛，表达才是。能用英文把一次分析讲成「结论 - 依据 - 建议」的人，比雅思分数高但讲不清的人更容易拿到机会。

薪资与生活成本

海外岗名义薪资常是国内的一点五到两倍，但新加坡、香港的房租和税要算进去，实际可支配收入的差距会缩小。

东南亚的中资企业岗位现金给得高，配套一般，适合攒钱不适合长期定居。

一个现实的建议

海外岗的头道筛子是签证和工作许可，语言反而排在后面。想走这条路，先进有海外业务的公司，再申请内部调动，比自己海投现实。

14岗位需求趋势预测

进阶组 · 本节约 452 字

短期 1 年（以下是推断，不是数据）

1. 纯取数岗继续收缩：自助取数和自然语言转 SQL 让业务方自己拉数，只会写 SQL 的岗位需求下降
2. 增长分析需求稳定：只要有投放和增长，就要有人算 ROI、拆漏斗
3. 要求变高：JD 里「会 SQL」变成默认项，「懂业务 + 会实验」变成筛选条件
4. 岗位名称在变：越来越多公司写「业务分析」「策略分析」，本质是分析岗，搜索时别只搜一个词

中期 3 年（同样是推断）

1. 分析师和业务岗的边界模糊：不少公司让运营自己带分析能力，独立分析岗编制变少
2. 数据科学岗分化：做模型的和做分析的彻底分开，中间的「会跑模型但不懂业务」被挤压
3. 传统行业数据岗增加：零售、制造、医疗在补数据基建，但薪资低于互联网

对你的含义

如果你现在只做取数和看板，两年内要补上「实验设计」或「业务建模」中的一项。
如果你已经在做专题分析，往「能对业务结果负责」走，这是工具难替的部分。
如果你在传统行业，先补增长思维和 AB 实验，再考虑跳互联网。

一句提醒

以上基于当前招聘信息与行业讨论，属于推断。行业变化比报告快，看到 JD 里新增的词，比看趋势文章有用。

一个反向的判断

工具越强，判断越贵。当取数成本降到接近零，稀缺的不再是谁能拿到数，而是谁知道该看哪个数。

入门门槛看起来降低了，实际的分水岭往后移了：以前卡在 SQL，现在卡在问题定义。

15AI 替代风险与增强路径

进阶组 · 本节约 472 字

高危（替代率 70% 以上）

• 常规取数：自然语言转 SQL 已经可用，简单需求不需要人
• 日报周报：模板化生成，人只做校验
• 看板搭建：BI 工具自带模板和自动图表
• 描述性统计：同比环比、分布、异常值，工具一键出

中危（替代率 30-50%）

• 专题分析：AI 能给框架和初稿，业务背景要人补
• AB 实验评估：计算能自动，指标选择和周期判断要人定
• 数据清洗：规则明确的部分可自动，脏数据的判断仍要人

低危（替代率 10% 以下）

• 定义问题：业务方说的和想要的不是一回事，这一步只能人做
• 因果判断：这次涨是功能带来的还是大促带的，需要业务常识
• 跨部门推动：让产品改方案、让运营改策略，靠的是信任
• 指标体系设计：涉及组织权责和考核，不是技术问题
• 口径解释：为什么两个部门算出来不一样，这件事只能人来摆平

增强路径

1. 把 AI 当取数工具：省下的时间用来想问题，而不是接更多需求
2. 往决策支持走：给结论、给动作、给预期收益，别停在描述
3. 补统计和因果：AI 会算，但不会替你判断这个结论可不可信

一句实话

被替代的不是分析师，是只会把数拉出来的人。岗位名称会留着，工作内容会换一遍。

一个具体的自测

把你上周的工作拆成动作，逐个问：换成会用工具的新人，多久能上手。
如果一半以上的动作一个月内能被替代，你的岗位就在高危区。
反过来，如果有一半动作需要判断业务意图、协调资源，工具只是帮你省时间。

16团队配置分析

进阶组 · 本节约 482 字

典型编制（一条业务线）

分析负责人 1 人：定指标体系、分配需求、对外汇报
资深分析师 1-2 人：负责核心业务线，如交易、增长
分析师 2-4 人：各管一块，用户、商品、渠道、活动
数据产品 / 数仓 1-2 人：可能不在同一团队，负责表和看板的底层支撑
比例参考：一个分析师支撑 1-2 条业务线，或 20-40 人的业务团队

三种分工方式

按业务线分：电商里分交易、用户、供给、营销。优点是懂业务，缺点是口径容易打架
按职能分：取数组、分析组、实验组。优点是效率高，缺点是分析脱离业务
混合式：分析挂业务线，数仓和实验平台挂中台。多数中大厂用这种

汇报线

常见两种：实线给数据负责人（专业线），虚线给业务负责人；或者反过来。
前者专业成长快，有人带、有方法论；后者话语权大，能参与决策，但容易被当支持岗用。
面试时问清这一条，它决定你未来两年是「支持方」还是「决策参与者」。

给你的判断

团队只有你一个分析师、且直接汇报业务负责人：成长快，但没人带，容易野路子。

团队 10 人以上、分工明确：体系清楚，但你可能只做一小块，两年后跳槽拿不出完整案例。

两种都能待，看你当下要广度还是深度。

小团队的现实

很多公司只有一个分析师，挂在业务负责人下面，同时支撑产品、运营、市场三条线。
这种配置下你会很快看到全貌，但每件事都做不深，两年后简历上是一堆参与，没有一个主导。
进去前想清楚：你要的是广度，还是拿得出手的深度案例。

17岗位绩效体系设计

进阶组 · 本节约 470 字

四个指标（可直接用）

1. 需求交付（权重 25%）

定义：按期交付率、返工率

怎么防钻空子：只考核数量会逼出接单机器，要同时看需求被采纳的比例，否则做得越多越像流水线

1. 分析影响力（权重 35%）

定义：结论被采纳并产生动作的次数，比如策略调整、功能下线、预算重分配

怎么防钻空子：难以量化，容易变成谁嗓门大谁得分。用「复盘会上被引用」作为证据，并要求写出预期收益与实际结果的对比

1. 指标健康度（权重 25%）

定义：核心指标口径是否统一、数据是否可信、异动能否及时发现
怎么防钻空子：只考核有没有报表，会做出一堆没人看的看板。要考核「看板周活跃使用人数」

1. 实验质量（权重 15%）

定义：实验设计规范性（样本量、分流、显著性）、结论准确率
怎么防钻空子：只看实验数量会鼓励瞎试，要抽样复核实验设计

设计要点

• 不要考核取数条数，那是体力活，会把人钉在取数岗
• 分析影响力要占大头，否则这个岗位永远是支持角色
• 速度和质量是一对矛盾，权重需要平衡，否则会逼出赶工出错

如果你是分析师

主动把「结论被采纳数」写进目标。难，但这是从支持岗往决策岗挪的少数路径之一。

一个设计上的陷阱

如果分析师的绩效和业务指标直接挂钩，他会倾向于给业务方想听的结论。

影响力要考核「被采纳」，不要考核「业务涨了多少」，后者会把分析师变成啦啦队，数据只用来证明决策是对的。

18用户画像适配

进阶组 · 本节约 480 字

五类人，该看的东西完全不同

① 应届 / 在校
先看：入门门槛、首份工作选什么、实习怎么找
不用看：绩效体系、团队编制
提醒：首份别去纯取数外包，两年后很难跳，简历上只有「支持需求」

② 转行
先看：可迁移能力、学习周期、薪资落差、首份的现实预期
不用看：晋升到 Head 的路径，太远
提醒：运营转分析成功率偏高，开发转分析要补表达

③ 在职 1-5 年
先看：层级跃迁的硬条件、三种岗位的差价、跳槽时机
不用看：入门内容
提醒：三年还在只做看板，要考虑换团队而不是换公司，问题多半在分工

④ 跨行业
先看：行业适配度、口径差异、哪些经验能带走
不用看：通用技能清单
提醒：传统行业转互联网，先补 AB 实验和增长思维，这两样是硬门槛

⑤ 管理者
先看：团队编制、绩效设计、指标治理
不用看：工具教程
提醒：分析团队的价值要用业务结果证明，不是用报告数量

一个观察

五类人里，转行的人容易高估工具、低估业务，在职的人正好相反。前者学一堆语法还是讲不出结论，后者做熟了却说不清方法，面试都被卡。

本报告按通用场景输出

不同身份该看的模块不同，这也是「岗位罗盘」先问你是谁的原因。同一份岗位，五个人的答案不该一样。

一个判断身份的方法

如果你还在纠结「这岗位是不是要写很多代码」，大概率是应届或转行，先看 01、06、07。

如果你已经在岗位里，纠结「要不要跳、往哪跳」，先看 03、05、09。

如果你在带人，纠结「团队怎么配、怎么考核」，先看 16、17。

19岗位知识库接口

进阶组 · 本节约 461 字

值得长期跟踪的五类信息源

1. 招聘平台的 JD 变化（每月看一次）：要求里新增了什么词，那就是行业风向
2. 数据工具官方文档（每季度）：SQL 方言、BI 新功能、实验平台能力
3. 行业数据报告（每季度）：大盘趋势、用户结构变化、渠道迁移
4. 统计与因果推断的方法文章（每月）：方法决定你能回答多难的问题
5. 同类公司的技术博客（不定期）：看别人怎么搭指标体系、怎么治理口径

怎么跟踪才有用

• 不要只收藏，要输出：每读一篇写三句话，结论是什么、能用在什么场景、我不同意哪一点
• 每季度回看自己写过的分析报告，问一句「如果现在重做，会改哪里」
• 把常用的口径整理成自己的指标字典，换公司能直接复用

这份报告可以继续往下问，例如

• 我现在做运营，转分析要补什么，要多久
• BI 和增长分析，我该选哪个方向
• 面试问 AB 实验，我没做过怎么答
• 我做的分析没人用，问题出在哪
• 传统行业的数据岗值得去吗

在正式版里，这些都可以直接问

报告是大纲，追问才解决你的具体问题。同一个岗位，十个人的处境就有十个不同答案。

一个可执行的习惯

每月固定一天做信息盘点：这个月看到的 JD 变化、新工具、新方法，各记一条，写清能不能用在你现在的业务上。

一年下来是三十多条，比收藏两百篇文章有用。

另外每半年更新一次自己的项目清单，写清问题、方法、结果，面试时直接照着讲。