对于目前就业市场上的技术岗位，除了开发、测试、运维等常见职位之外，数据类岗位也越来越成为热门的求职方向。本文将重点介绍 数据分析 这一新兴岗位。看到「数据分析」这几个字，也许大家和笔者的第一印象一样，觉得要做的工作似乎并不难，有大量数据后根据业务需求做分析并统计结果就好，但是实际的岗位要求并不仅仅是这样，它的内容跟随行业或业务的需求而变化，并且有着发展空间大、入门相对简单、薪酬待遇可观等独特优势。笔者将结合自己的求职经验，从以下三个方面详细介绍数据分析岗位，帮助大家对该岗位有更深的了解。

数据分析是什么

1.1 数据类岗位简介

笔者根据各大公司招聘官网上的招聘情况，对目前需求较大的数据类岗位做了简单汇总，因篇幅有限只展示部分企业。其中标注为蓝色背景的为数据分析相关岗位，从图中可以明显看出数据分析岗在知名互联网公司都有覆盖。

根据岗位细分，数据类岗位主要分为以下几类

也许你会困惑，各种数据类岗位之间有什么区别呢？ 笔者按照工作内容、岗位要求和薪资待遇对数据岗进行了简单汇总，大家可以根据需要对各个岗位做深入研究。

其中，薪资待遇只是一个大致范围，具体还需根据应聘者的自身条件、能力展现和面试表现等方面来评估。

1.2 数据分析岗位分类

根据不同业务需求，数据分析实际需要做的工作有很大差别，对具体技能点的要求也会有一定差异。数据分析的工作方向主要分为以下几类。

笔者将结合具体 JD 实例来说明不同方向的差别。

偏技术方向

下图的岗位描述清晰表明有机器学习和深度学习相关经验的优先，所以这类的数据分析岗位实际上是向算法方向靠拢，对编程、计算机基础、算法基础的要求也会更高，难度相对较大。

下图的岗位需求与数据仓库或者大数据、分布式计算等有更深的关联，与数据研发或者数据挖掘等岗位有部分共同之处，需要掌握 MapReduce、Hadoop、Hive 等大数据相关工具。

偏技术方向的其他非互联网行业的数据分析，笔者在求职过程中也见过很多，可以给大家举个例子。

这是某半导体行业公司的数据分析岗位招聘需求，岗位要求写得非常简单，根据笔者进一步了解，实际上它需要求职者具有扎实的行业知识。比如半导体设备在实际使用过程中需要监控各元器件的运作情况，包括温度、湿度影响，电压电流等指标，由此会产生大量数据，而该数据分析岗位需要具备相关专业知识，所以是比较独特的一种。

偏业务方向

偏业务方向的数据分析岗需要通过数据展现出一些内容，来观察现有结果并且辅助后续决策，所以技能点主要在 SQL 数据库、可视化、统计学、以及对业务的敏感度上。

1.3 数据分析岗位要求

总体来说，数据分析师的岗位要求主要包含以下几个方面

（1）学历和专业

一般来讲学历并没有严格限制，本科以上均可，高学历固然会给 HR 和面试官带来期待，但在笔者的经验看来，实力才是更为重要的因素，所以小伙伴们不要有学历自卑的情绪，做好充分准备更为重要。另外有些公司会对专业有一定要求，如计算机、数学、统计学、经济学相关等。

（2）实习或项目经历

根据笔者经验，偏技术方向的数据分析面试对科研或项目经历更为看重，因为这是对于面试者具备所需技术能力的证明；而偏业务方向的面试更会注重实习经历以及知识在业务当中的运用。

一些同学可能没有时间去找实习，其实也可以好好准备在校项目，然后把所需的基础知识学扎实一点，表明自己基础稳固，在实际工作中也能快速上手。想参加比赛的同学可以关注各大厂或者银行举办的网赛，在后面的内容会讲到，也是面试的加分项。

（3）编程基础知识

编程基础知识主要包含计算机网络、操作系统、数据结构、算法等知识点，对于计算机相关岗位，基础知识非常重要，可以为以后的工作打下很好的基础。对于数据分析岗位，基础知识是笔试的考察重点。

（4）机器学习、深度学习等算法知识如果想做偏算法的数据岗，机器学习、深度学习等算法知识需要多花时间准备，在理论知识和实践经验两个方面都需要下功夫，后文也会具体讲述如何准备。

（5）可视化工具可视化工具的应用一般在偏业务的数据分析中会用到，学习起来也很简单，可以从网上找视频跟着学习，很快就能上手。

（6）统计学和数据库

统计学和数据库也是必须掌握的内容，统计学相信很多小伙伴都接触过，学清楚基本知识就可以。数据库重要性更强，因为基本所有的技术类岗位都必会问到数据库的知识，有操作数据库的实战经验更好，没有的话也需要把理论知识掌握牢固，给面试官一种基础扎实的感觉。

（7）Hadoop、Hive 等大数据工具

这部分主要是偏向大数据，根据笔者经验，并不需要把偏向大数据和偏向算法的所有知识都掌握，因为时间和精力都是有限的，学习知识要先深再广，所以小伙伴们可以结合自己的已有经验，仔细考虑自己的兴趣点在哪里，将（4）和（7）选择一种去学，在后面还会有更具有针对性的学习路线图。

如何进行数据分析岗求职准备

以上我们对数据分析岗位类别和具体要求做了详细介绍，接下来将介绍的是如何来系统地准备针对数据分析的笔试和面试。首先我们将所有相关技能点宏观地总结在下图中。

2.1 数据分析岗位学习路线

下图是不同方向的数据分析岗位的学习路线，其中 (1)~(8)与上图相对应。小伙伴们可以根据自己的需要对技能点的准备进行选择阅读。

（1）项目经验和比赛经验

如果实在没有时间参加实习，同学们可以参加一些比赛来获取经验。其中 Kaggle 和阿里云天池是很多赛事聚集的网站，Kaggle 是一个英文网站，他们可以提供 GPU 资源，更重要的是上面有许多入门级比赛，也能看到其他人公开分享的方法与经验，还可以在社区进行提问，对于新人学习和观察大牛思路非常友好。另外，许多大厂中厂（如华为、阿里、腾讯、中兴等）或者银行（招商银行、农业银行等）在六七月都会举行网赛，适合有一定经验的同学参与，大家可以及时关注。

（2）编程基础知识对于转行或者基础薄弱的同学来说，需要尽早开始补充知识，因为基础知识在笔试中会占很大比重，主要包括计算机网络、操作系统、数据库原理、Python/R 语言等。

（3）机器学习、深度学习等算法知识对于机器学习、深度学习等算法知识的学习推荐周志华的《机器学习》，李航的《统计学习方法》，内容很基础细致。英文视频教程推荐 Andrew Ng 的 Coursera 和李飞飞的 CS231 。中文视频教程推荐台湾李宏毅。对于实战经验的积累，可以用实验室项目或者「项目经验和比赛经验」中提到的网站进行学习。

（4）可视化（ Power BI，Tableau等 ）

想要自学快速上手可视化，在 B 站等网站上看几节视频就可以搞定。在这里笔者推荐一些入门书籍：

刘红阁的《人人都是数据分析师：Tableau 应用实战》，全面介绍了 Tableau 的核心功能，包括数据的编辑、连接与管理，图形的分析与展示，并且结合了很多实际案例，使得工具学习更具有可操作性。

高云龙的《大话数据分析》，以对话的形式展现实际中的职场问题，通俗易懂，并且每一章都结合 Tableau 来分析和解决遇到的问题。

（5）统计学

统计学的教程有很多，对于一些重点知识进行深刻理解就可以，比如几种数据分布，其使用场景，假设检验、具体步骤等等。

（6）数据库

数据库知识是笔试和面试的考察重点。学完《 MySQL 必知必会》《深入浅出 MySQL 》两本书可以足够应对笔试面试。常用的增删改查操作、索引、索引背后实现原理、查询如何加速、事务隔离级别、内连接外连接等，都是常见的面试题。

（7）业务知识及思维培养

业务知识及思维培养最好通过实习学习和培养。不过，现如今互联网信息发达，很多数据分析从业者都会在线上分享自己的心得和体会，秦路的《七周成为数据分析师》是非常好的入门课，教给我们该从哪些方面去思考和关注，笔者看过之后收获很大。另外 CDA 也是很多人在推荐的课程，包含的内容也更多。推荐的书籍有《精益数据分析》《增长黑客》等

（8）Hadoop、Hive等

其实大数据方向的工具有很多，可以先从 Hadoop 或 Spark、Hive 入手学习。推荐《 Hadoop 权威指南》《 Hive 编程指南》两本书。

2.2 时间规划建议

（1） 项目或比赛：每项内容可准备 1~2 个月

项目或比赛在精而不在多，必须保证把项目中每个细节都弄清楚。项目中遇到了哪些问题？有哪些解决方案？用到了什么技术栈？与其他方案相比有什么优势？最后结果怎么样？细致梳理项目中的各项内容，才能在面试中更加从容。

（2） 编程基础知识和数据库：1~2 个月

这一块内容虽然看起来很多很杂，但在实际的笔试面试中考点重复率也很高，如果时间不充分强烈建议先把重点内容学清楚，再多做笔试题或者多看面经来不断巩固、查漏补缺。SQL 相关的学习可通过力扣上的数据库模块刷题，熟能生巧。