Data Analyst 能力要求调研资料
一、任务背景
调研 data-analyst (数据分析员) 的能力要求，支撑以下场景：
- 数据分析工作
- 专业的数据分析师
- 公司决策的数据支撑者
- 选题优化的量化依据提供者
二、分析维度定义（4+维度）
维度1：数据处理与分析能力
- 数据清洗与预处理
- 描述性统计分析
- 探索性数据分析 (EDA)
- 趋势分析与预测
维度2：可视化与沟通能力
- 数据可视化设计
- 图表制作与呈现
- 报告撰写与汇报
- 业务语言转换
维度3：业务理解与决策支持
- 业务指标体系搭建
- 归因分析
- A/B 测试设计与分析
- 决策建议输出
维度4：工具与技术能力
- SQL 数据查询
- Python/R 统计分析
- Excel/BI 工具
- 大数据处理基础
三、量化指标体系
3.1 核心能力指标
| 指标名称 |
定义 |
量化方式 |
| 数据处理准确率 |
清洗后数据准确度 |
(正确记录数/总记录数)×100% |
| 分析报告产出周期 |
从需求到报告完成时间 |
天数 |
| 业务需求响应时间 |
从需求到首次反馈时间 |
小时 |
| 决策建议采纳率 |
提出的建议被采纳的比例 |
(采纳数/建议总数)×100% |
3.2 业务指标体系
| 指标类型 |
示例指标 |
说明 |
| 增长指标 |
DAU/MAU、留存率、转化率 |
用户增长健康度 |
| 收入指标 |
ARPU、LTV、付费率 |
商业价值衡量 |
| 运营指标 |
活跃度、参与度、覆盖率 |
运营效果评估 |
| 质量指标 |
响应时间、错误率、满意度 |
系统/服务健康度 |
四、数据分析方法论
4.1 定量分析方法
- 描述统计：均值、中位数、方差、分布
- 假设检验：t检验、卡方检验、ANOVA
- 回归分析：线性回归、逻辑回归
- 时间序列：移动平均、指数平滑、ARIMA
4.2 定性分析方法
4.3 分析框架
- AARRR 模型（Acquisition, Activation, Retention, Referral, Revenue）
- RFM 模型（Recency, Frequency, Monetary）
- 漏斗分析
- 归因分析
五、输入数据要求
5.1 必需数据源
| 数据源 |
用途 |
频率 |
| 业务数据库 (MySQL/PostgreSQL) |
核心业务数据查询 |
实时/日增 |
| 日志数据 (HDFS/ClickHouse) |
行为数据分析 |
实时 |
| BI 报表平台 |
指标监控与报表 |
日更 |
| 用户行为埋点 |
深度行为分析 |
实时 |
5.2 可选数据源
| 数据源 |
用途 |
| 第三方数据平台 |
行业基准对比 |
| 问卷/调研系统 |
定性数据补充 |
| API 接口 |
外部数据接入 |
六、输出格式规范
6.1 标准报告结构
# 分析报告
## 一、执行摘要
- 核心发现
- 关键建议
## 二、分析背景
- 业务问题
- 分析目标
- 数据范围
## 三、分析方法
- 数据来源
- 分析方法论
- 假设条件
## 四、核心发现
- 数据图表
- 统计结论
## 五、建议与行动
- 具体建议
- 优先级
- 预期效果
6.2 数据输出格式
| 格式 |
用途 |
| CSV/Excel |
原始数据导出 |
| JSON |
API 接口返回 |
| BI 报表 |
可视化展示 |
| Markdown 文档 |
分析报告 |
七、关键技能清单
7.1 硬技能
- SQL (精通)
- Python/R (熟练)
- Excel (精通)
- BI 工具 (Tableau/Power BI)
- 统计知识 (概率论、假设检验)
7.2 软技能
- 业务理解力
- 沟通表达力
- 问题抽象能力
- 项目管理能力
7.3 加分技能
- 机器学习基础
- 大数据技术 (Spark/Hadoop)
- A/B 测试设计
- 实验心理学基础
八、数据源参考
8.1 行业报告
- 艾瑞咨询
- 易观分析
- QuestMobile
- 阿拉丁
8.2 学习资源
调研时间: 2026-03-27
调研人: Hunter
