受疫情影响，2、3月份的春招遇冷，很多企业都开始缩招，招聘要求也更高。最近帮公司面试了一批数据分析岗位的候选人，有刚毕业的数据分析小白，也有从业多年跳槽的数据分析师，在面试的过程中我发现了不少问题，借此机会和大家讲讲我从业十年从数据分析小白一步步走过来的几点经验：

数据分析门槛低但坚持下来难

网上遍地的文章都给数据分析这个岗位打上了“门槛低，人人都能做”的标签，进而导致了这两年大批的涌进这个鱼塘。网传3个月就能入门数据分析工具，但其实数据分析师值钱的并不是工具，是你能通过数据分析切切实实的提升业务。

说数据分析门槛低，但人人都能成为数据分析师吗？举个简单的例子，大马路上有几万块的奥拓、也有几十万的奥迪、还有几百万的法拉利，它们都叫汽车都可以跑起来，但价值明显不一样。数据分析也是一样，有的人只会取数做表，但有的人除了会做表，还会洞察分析，还有人能将数据变成商业价值。

很多人入行一段时间发现自己做的都是很基础的工作，并没有发挥真正数据分析该有的价值，承受不了压力就匆匆离场了。

先有思路再练工具

我一直不提倡想要入行数据分析的人蒙头就学各种分析工具，面试的时候经常遇到来应聘的，简历上R、Python和各种BI工具都会，但随便问两个简单业务分析场景题，就答不上来，缺乏分析思路。

有经验的数据分析师拿到数据就知道从什么角度去分析，可以解决哪些问题，适用于哪些场景，预计能产生什么结果，能够迅速的把业务问题转化为数据分析问题。因此数据分析师要具备数据分析思路和方法，用分析思维来考虑问题。

如果是数据分析小白，在没有项目经验时候，建议可以通过参考他人优秀的分析思路和方法来学习。实际业务分析的大多数问题都是有前车之鉴可以学习的。很多分析已经是成熟的分析方法，例如客户画像，营销提升，网站运营，信用卡评分，欺诈作弊等等。

干数据分析不懂业务就是死路一条

“数据分析要懂业务”这句话经常看我文章的朋友应该都快看腻了，做数据分析师一定对所在行业的业务知识有所了解，数据分析的最终目的往往是为了解决某个业务问题，举个简单的例子，领导让你分析一下网站的日活出现明显下降趋势的原因，如果你不懂业务，你可能就是把PV、UV等数据拉出来做做同比、环比，最后提出要加大广告投入这样的结论。

但是，对于业务人员来说他们根本不关心流量的分析，他们最关心的可能是成交客户数、销售量和转化率。这样你的数据分析就白做了，并没有让数据真正发挥价值。

因此，数据分析分析从业者在锻炼技术能力的同时也一定要加强业务思维的培养，在做数据分析前，我们要先了解清楚业务想通过数据实现什么需求，再对照着需求分析数据的来源、口径等，评估数据和分析目的是否匹配，这样才能发挥价值。

这里关于如何培养业务思维我就不多讲了，之前的文章里写过：

选对工具，事半功倍

上面说了对数据分析师来讲，核心的是业务，但数据分析工具的选择也绝非不重要。业务思维帮助我们将业务的分析逻辑影射到数据分析的处理逻辑，而数据分析工具则是帮助我们实现结果的手段。对应数据分析的不同环节，选择合适的工具会让数据分析事半功倍。

Excel

做数据分析常见的就是Excel，它是最基础的数据分析工具。主要学习常用函数的使用、快捷键操作、基础图表制作、数据透视表等。没有代码基础的小白可以选择Excel进行数据分析

python、R

对于代码能力比较好的朋友，推荐pyhton、R，这两者都高阶的数据分析工具，需要较好的代码基础。python自然不用我多说了，功能十分强大，它不仅仅局限在数据分析领域，它还可以进行Web 开发、网络编程、自动化运维、Linux 系统管理、科学计算、人工智能、机器学习等等。

如果需要使用较为系统的数据分析工具并且对可视化的要求较高，同时又对编程语言不反感的话，R语言或许是一种比较不错的选择，R语言在可视化方面的功能更加强大。

BI 工具

没有代码基础，又想追求美观的数据可视化效果，快速上手数据分析，那么BI工具是绝大多数数据分析师的不错选择。

BI工具主要有两种用途：一种是利用BI制作自动化报表，数据分析工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作可以交给BI自动化完成，从数据规整、建模到下载。另外一种是使用其可视化功能进行分析，BI的优点在于它提供比Excel更丰富的可视化功能，操作简单上手，而且美观，如果大家每天作图需要两小时，BI会缩短一半时间。