大家好，我是一个在数据分析这一行做了5年的从业者。和现在正在看这篇文章的很多朋友一样，我第一次接触“数据分析”这四个字的时候，完全是懵的。我当时以为那是程序员干的活，觉得得是数学天才、得是名校毕业才有资格碰。所以一开始，我连试都没敢试。

后来是因为工作实在躲不掉了——领导扔给我一堆数据，让我“分析分析”，我硬着头皮从零开始学。那会儿真是踩了无数的坑，也走了很多弯路。现在回头看看，如果当时有人能跟我说清楚这行到底是怎么回事，怎么学才对，我至少能省下一半的时间。

今天我就以一个过来人的身份，跟你好好聊聊：数据分析到底是什么？作为一个纯小白，我们该怎么从零开始，一步一步把它学会。这篇文章里没有虚头巴脑的理论，都是我这些年实打实用过的经验，希望能帮你少走点弯路，别像我当初那样，光在门口转悠就转悠了半年。

开篇福利！我把自己入门时候用过的一套学习资料都打包好了，里面有数据建设的相关内容和我自己常用的一些分析模板，非常适合新手学习，需要自取>>>https://s.fanruan.com/pxb9h

一、先搞懂：数据分析到底是什么？

我刚开始想学数据分析的时候，也被网上那些词儿给唬住了。什么“数据建模”、“ETL”、“特征工程”、“探索性分析”，每个字我都认识，连在一起就不知道是啥意思了，看得我脑仁儿疼，差点就放弃了。

但后来真的上手干活了才明白，数据分析压根儿没那么玄乎。它不是什么高深莫测的黑科技，说白了，它就是一套“用数据来搞清楚事儿、解决事儿”的思路和方法。

我们可以把它理解成一个过程：就是把那些乱七八糟、看着就头疼的原始数据，通过一步步的整理、清洗、分析，变成能看懂的信息，然后靠着这些信息，帮我们在工作或者生活里做出更靠谱、更科学的决定。

很多刚入门的朋友容易走进一个误区，觉得数据分析就是“做表”、“画图”，或者是“算几个平均数、百分比”。其实不是的，这些只是数据分析最基础的操作，绝对不是全部。

我一直强调一个观点：数据分析的核心，不是“数据”，而是“分析”，是“解决问题”。

比如你是做电商的，老板说最近销量不太好，让你看看怎么回事。你不能光把近一个月的销售数据拉出来，然后告诉老板“老板，销量降了”。这不叫分析，这叫陈述事实。老板当然知道销量降了，他要你分析的是“为什么降”？是因为来店里的人少了（流量问题）？还是人来了没下单（转化率问题）？还是下单的人买的东西便宜了（客单价问题）？或者是我们卖的东西本身出了问题？这才是分析，这才是数据分析能真正体现价值的地方。

1. 小白最容易踩的3个误区

很多小白刚开始学的时候，要么被吓退，要么学了一堆没用的东西。其实没关系，只要我们能认清这几个误区，就能少走很多弯路。

误区一：数据分析 = 数据统计?

这两者完全不是一回事。统计是什么？是把数据汇总、计算，告诉你结果。比如“这个月销售额100万，上个月80万，这个月比上个月多了20万。” 这是统计。

而数据分析是在这个基础上，要往下深挖一层：为什么多了20万？是因为搞了促销活动？是因为投了广告？是哪几个产品卖得特别好？这些原因找出来，我们才能知道下个月该怎么做。数据统计是告诉你“是什么”，而数据分析是告诉你“为什么”，以及“接下来该怎么办”。

误区二：数据分析需要特别高深的数学。

这可能是拦住最多人的一个误区。我可以用过来人的经验告诉你，在入门阶段，你根本用不上微积分、线性代数这些东西。你只要把小学、初中学的那些数学捡起来就够了，比如加减乘除、百分比、平均数、中位数，最多再加个标准差，了解一下数据的波动情况，就完全够用了。

那些听起来很唬人的数学模型、机器学习算法，那是到了进阶、高阶阶段才需要考虑的事。对于刚入门的小白来说，只要会基础的统计知识，你就能解决工作中80%的问题，千万别一开始就被自己吓倒了。

误区三：数据分析就是学各种工具，工具越多越厉害？

这个坑我也踩过。我刚开始的时候，觉得工具就是一切，今天学Excel，明天学Python，后天又听说SQL是必学的，还有各种BI工具……学了一大圈，每个都只会点皮毛，真遇到一个问题摆在面前，还是不知道从哪下手，不知道用哪个工具来解。

后来我才想明白，工具只是我们手里的工具，就像厨师的刀，刀再锋利，如果不知道做什么菜、怎么做，那也没用。 先搞清楚分析思路，知道要解决什么问题，再去选趁手的工具，这才是正确的顺序。

2. 给小白的工具建议（入门不踩坑，高效上手）

基于上面说的，我给刚入门的朋友一个特别实在的建议：一开始完全不用死磕编程。

我自己刚开始的时候，连Excel的透视表都用不利索，更别提写代码了。我是从最基础的工具和分析思维开始，慢慢找到感觉之后，才根据工作的实际需要，一点一点把编程技能补上的。这样学起来，心理压力小，也更容易看到效果，能有坚持下去的成就感。

这里我想给大家推荐一个我从新手期就一直用下来的工具——FineBI。它最大的好处就是不用写代码，全靠鼠标拖拖拽拽就能完成数据的整理、分析和画图。我刚开始用它来分析我们部门的销售数据，再也不用自己拿着计算器按了，也不用费劲巴拉的画图表，省下来的时间不是一星半点。更重要的是，它让我很快就体验到了“把数据变成信息”的那种成就感，没有在一开始就被那些复杂的命令和语法给劝退。而且它的功能挺全面的，哪怕以后你能力提升了，它也足够满足大部分日常的分析需求，不用换来换去。感兴趣的朋友可以上手试试>>>https://s.fanruan.com/xqopf

二、从零开始学数据分析：6个核心步骤

好了，前面说清楚了数据分析到底是什么，也避开了常见的坑，接下来就是最干的干货了——作为一个零基础的小白，到底该怎么一步步学会数据分析？

下面这6个步骤，是我自己从零开始，一点一点摸索、总结出来的。每一步该做什么、怎么做、注意什么，我都会尽量写清楚。你不需要再东拼西凑去找资料，直接照着这个思路去实践就行。

步骤一：明确问题——数据分析的起点，也是最关键的一步

我一直强调，数据分析是为了解决问题。所以第一步，也是最重要的一步，就是必须先搞清楚：我们到底要通过这次分析，解决一个什么问题？

很多新手上来就急着找数据、做图表，忙活半天，最后发现做出来的东西领导不关心，问题也没解决，白费功夫。这就是因为第一步没走对，后面跑得再快也没用。

具体怎么把这一步走扎实呢？你可以照着下面这三步来：

1、把模糊的问题，变成具体、可衡量的

老板说“最近业绩不好，你分析一下”。这是一个模糊的问题。你得把它拆解成能动手去查的问题。比如，你可以问得更细一些：“最近一个月，咱们整个部门的销售额，和上个月比，和去年同期比，到底下降了多少？是哪个区域的业绩掉得最厉害？还是哪个品类的产品卖不动了？” 把问题拆成这样，你就知道该去查什么数据了。

2、把分析的边界划清楚

问题明确了，还得把范围定下来。比如，我们要分析“最近一个月A区域的销售额下滑原因”。那“最近一个月”具体是哪天到哪天？“A区域”是指哪些省份？“销售额”是按订单金额算，还是按实际到账的金额算（比如要扣除退款）？这些边界一定要在开始分析前就定死，不然分析着分析着，范围就扩大了，什么问题都想扯进来，最后什么问题也说不清。

3、搞清楚分析结果给谁看、有什么用？

老板要这个分析报告，是为了下个月调整运营策略，还是为了给销售团队制定新的考核指标？不同的目的，分析的侧重点完全不一样。如果是调整运营策略，那就要重点分析渠道、活动这些能操作的因素；如果是定考核指标，那就要重点看哪些因素是团队能掌控的。

这里有个很实用的小技巧，就是用 SMART原则 来检验你提出的问题是否合格：

• 具体（Specific）：问题指向明确，不模糊。

• 可衡量（Measurable）：有具体的数据指标可以衡量。

• 可达成（Achievable）：通过分析，是能找到答案的。

• 相关性（Relevant）：和要解决的业务问题密切相关。

• 有时限（Time-bound）：有明确的时间范围。

比如，“分析A区域近一个月销售额下降20%的核心原因，并提出下个月可以执行的改进建议”，这就是一个符合SMART原则的好问题。而“分析一下销售额”就不是。

步骤二：收集数据——备好数据分析的“原料”

问题明确了，接下来就要去收集分析需要的“原料”——数据了。这一步决定了后续分析的“食材”新不新鲜、够不够用。如果数据收集错了、漏了，那后面的分析就像是用烂菜叶子做饭，再好的厨艺也白搭。

很多新手在这一步容易出两个问题：要么是数据没找全，缺胳膊少腿；要么是找来一堆和问题没关系的无效数据。最后分析不出来东西，或者分析结果跑偏。

具体怎么做，我分三点来说：

1、想清楚数据从哪来

• 数据一般有两个来源：内部的和外部的。内部数据就是你自己公司、你自己手头能拿到的数据，比如你们店铺的销售记录、后台的用户浏览行为数据、员工的考勤打卡记录等等。外部数据就是从外面找来的，比如国家统计局公布的宏观经济数据、行业研究机构发布的报告、竞争对手公开的信息等等。

• 对于刚入门的朋友，一定要优先从内部数据下手。因为内部数据你最熟悉，最容易拿到，也最能直接反映你面对的业务问题。别一开始就去网上扒拉那些乱七八糟的外部数据，自己先把自己搞晕了。

2、分清楚数据类型

• 数据主要分成两种。一种是结构化数据，就是那种整整齐齐、一行一列排好的表格数据，比如Excel表里的用户ID、下单时间、订单金额。这种数据规整，最好处理，入门阶段我们主要就是跟它们打交道。另一种是非结构化数据，比如用户的文字评论、商品图片、客服通话的录音等等，这些数据没固定格式，处理起来比较复杂，入门阶段可以暂时不用管。

3、看一眼数据质量行不行

• 数据拿到手，别急着就开始分析，得先大概看一下这些数据靠不靠谱。比如：数据全不全？有没有关键字段是空的？（比如分析销售额，结果好多条订单的金额是空的，那就没法玩了）数据准不准？有没有明显不合常理的错误？（比如订单金额是负数，或者用户年龄写着180岁）数据够不够用？（比如你想分析小众用户的行为，结果只有几十条记录，样本太少，分析出来也没啥意义）。如果发现数据有明显问题，得先想办法解决，比如看看是不是能从别的地方补全，或者找业务方确认一下。

这里分享一个我自己的小习惯。刚开始收集数据的时候，我恨不得把所有能拿到的数据都拽过来，结果Excel打开几十列，大部分都用不上，整理的时候看得眼都花了。后来我就学乖了，在收集之前，先把第一步拆解好的问题拿出来，根据问题列出我需要哪些核心指标，然后只去收集和这些指标相关的数据。这样既快，数据又干净，省了后面不少功夫。

步骤三：数据清洗——最耗时，但最不能省的一步

这一步，是数据分析里最枯燥、最花时间，但也最重要的一步。我可以告诉你，在真实的工作里，这一步往往要占掉整个分析过程的50%甚至70%的时间。很多新手嫌麻烦，拿到数据不洗就开始分析，结果就是“垃圾数据进，垃圾结果出”，忙了半天，得出一个错误的结论，全白干了。

用过来人的经验告诉你，现实中的原始数据，就像刚从地里拔出来的萝卜，上面全是泥，你得先洗干净才能吃。这些“泥”就是脏数据，比如有空着的（缺失值）、有离谱的（异常值）、有重复的。这些脏数据如果不处理干净，会严重影响分析结果。

具体怎么洗？我分成三步，每一步都有具体的做法：

1、处理缺失值

缺失值就是表格里那些空着的格子。比如用户填资料没填年龄，或者订单记录里漏了支付时间。怎么处理，要看缺失的严重程度。

• 如果缺失很少（比如只有不到5%的数据是空的），那么对于数字类的数据（比如年龄、金额），可以用这一列数据的中位数来填。为啥不用平均数？因为平均数容易被极端值带偏，中位数更稳当。对于分类的数据（比如性别、地区），就用出现次数最多的那个众数来填。

• 如果缺失很多（比如超过30%的数据都是空的），那这个字段基本上就没啥用了。如果这个字段不重要，比如“用户兴趣爱好”，可以直接把这个字段整个删掉，别让它影响你。如果这个字段很重要，比如“订单金额”，那就得回去找找原因，看是不是数据采集环节出了问题，能不能想办法补上。

2、处理异常值

• 异常值就是那些明显不合常理的数据。比如你们公司平均客单价100块钱，结果冒出一条1万块钱的订单；或者用户年龄填了150岁。这些很可能就是录入错误。

• 怎么找异常值？你可以用Excel或者工具里的箱线图功能，它能帮你快速找出那些离群特别远的数据点。也可以用简单的业务常识去判断。找出来之后，如果是明显的录入错误（比如多打了一个0），就手动修正过来。如果它确实是真实发生的极端情况（比如一个批发客户确实下了个大单），那就要保留，别把有效信息误删了。

3、处理重复值和格式

• 重复值就是一模一样的行出现了好几次。比如用户手抖，把同一个订单提交了两遍。这种直接删除重复的行就行。

• 格式标准化就是把数据格式统一起来。比如日期，有的是2023.1.1，有的是2023年1月1日，有的是01/01/2023，太乱了，分析工具有时候认不出来。你得把它们统一成一种格式，比如“2023-01-01”。还有像金额，有的带$符号，有的是文本，都得处理干净。

这里又要提到FineBI了。它的智能清洗功能对新手特别友好。你不用记那些复杂的Excel公式，只要用鼠标点一点、拖一拖，就能完成去重、填充缺失值这些操作。系统还会自动帮你识别出哪些地方可能有缺失、哪些地方数值看着异常，给你一些清洗的建议。我刚开始自己用Excel洗数据的时候，经常一个下午就耗在上面了。后来用了FineBI，原来几个小时的工作量，现在可能半小时就弄完了。省下来的时间，我就可以多想想分析本身的事儿，而不是陷在这些繁琐的操作里。

步骤四：数据探索与分析——挖掘数据背后的线索

数据洗干净了，就像食材已经备好了，下面就要开始下锅炒菜了，也就是真正的分析环节。这一步的目的，就是通过一些方法，去探索数据里藏着什么规律、什么关系，找到前面那个问题的答案。

很多新手到了这一步，又容易犯晕：对着干干净净的数据，不知道从哪看起，就这儿画个图，那儿算个数，最后得出一个“这个月比上个月高了”、“这个产品卖得最好”之类的废话，根本没挖到深层原因。

具体怎么挖，分三步走：

1、先做描述性统计，初步分析数据

• 对于数字类的数据（比如销售额、订单量），先算算它的平均数（了解一般水平）、中位数（了解中间水平）、标准差（了解波动大小）。比如“我们用户平均下单金额是150块，但标准差有50块”，这说明大家的消费能力差别还挺大，有人买得多，有人买得少。

• 对于分类的数据（比如来自哪个渠道、哪个地区的用户），就看看它的频数和占比。比如“复购的用户里，25-30岁的人占了40%”，这说明这个年龄段是我们的核心复购人群。这一步能让你对数据有一个整体的感觉。

2、做可视化，让数据说话

可视化不是为了做漂亮的图给老板看，而是为了帮我们自己更直观地发现规律。新手入门，不用学那些花里胡哨的图表，把下面这几种基础的用好就足够了：

• 条形图：用来比大小。比如对比不同渠道的销售额，谁高谁低，一目了然。

• 折线图：用来看趋势。比如看这个月每天的销售额变化，哪天是高峰，哪天是低谷。

• 饼图：用来看占比。比如看不同产品类别贡献的销售额比例。

• 散点图：用来看关系。比如看广告花费和销售额之间有没有关系，是不是钱花得越多，卖得也越多。

这里要记住，每画一张图，都要问自己一句：这张图能帮我回答什么问题？ 不要为了画图而画图。比如你想知道哪个渠道下滑最厉害，那你就画一张各渠道销售额对比的条形图。你想知道下滑的趋势是从哪天开始的，那你就画一张近一个月的折线图。

用FineBI做这一步会特别顺手，它里面内置了很多图表，你只要把字段拖到对应的位置上，图就自动生成了，它甚至还会根据你的数据给你推荐合适的图表类型。这样你就可以把精力都放在“看图说话”上，而不是研究“图怎么做”。

3、深入分析，一层一层剥开找原因

这是最关键的一步。图表和数字只能告诉你“是什么”，比如“A渠道的销售额下降了”。接下来你要自己问“为什么”，然后带着问题，去一层一层地拆解数据。

• 比如我们发现A渠道销售额降了，那我们就得拆解：销售额 = 访客数 × 转化率 × 客单价。是访客数少了（流量问题）？还是转化率低了（用户进来不买了）？还是客单价降了（大家买的便宜了）？

• 假设拆解发现是访客数没变，是转化率降了。那我们再拆：转化率为什么降？是产品页打开慢了？还是促销活动结束了？还是竞争对手在搞活动把人抢走了？

• 就这么一层一层往下拆，直到找到那个可以具体去改进的环节。我之前就做过一个类似的，发现一个产品销售额下滑，拆到最后，发现是产品详情页里的一张关键图片加载不出来，导致用户看不清产品，下单意愿降低。把图修复后，销售额马上就回来了。这就是分析的价值。

步骤五：得出结论，提出建议——体现数据分析的价值

这是整个分析过程里，最能体现你价值的一步。前面的所有工作，清洗、计算、画图，都是为了这一步做准备的。很多新手能把前面的步骤都做得很好，但一到写报告的时候，就只会把数据和图表罗列一遍，说不出个所以然，更不知道下一步该干啥。老板看了你的报告，还得自己猜该怎么办，那你这个分析就没做到位。

用过来人的经验告诉你，老板要的不是一堆数字和图，他要知道的是“结论是什么”以及“接下来该怎么做”。这才是数据分析能真正帮到工作的核心。

具体怎么做，还是分三步：

1、给出一个明确的结论

结论要简单、直接、肯定地回答第一步提出的问题。不要用“可能”、“也许”这种含糊的词，也不要绕来绕去。

2、提出可落地的建议

结论之后，一定要跟上建议。建议要具体，要能拿着去执行。而且，你的建议最好能有数据支撑，比如“根据历史数据，晚上7-10点的点击率比白天高出30%，所以集中在这个时段投放，效果应该会更好。” 这样你的建议就更有说服力。

3、整理一份清晰的分析报告

把前面的所有东西——我们从哪开始（背景和目标）、用了什么数据（数据来源）、发现了什么（分析过程）、得出了什么结论（核心发现）、接下来怎么办（具体建议）——整理成一份完整的报告。报告不用写成长篇大论，把核心内容讲清楚就行，重点突出，让别人能快速看懂。

FineBI也支持直接生成分析报告，你可以把做好的图表和分析的文字说明整合在一起，直接导出成PDF或者图片格式，很方便分享给同事和领导。我刚开始写报告的时候，经常不知道咋组织，逻辑有点乱。后来用FineBI自带的报告模板，参考它的结构，慢慢就找到感觉了，做出来的报告也越来越像那么回事。

步骤六：复盘优化——形成闭环，持续提升

这是很多新手会忽略，但我认为是能让一个人快速成长的最后一步。数据分析不是一次性的工作，它是一个循环。你根据分析结果提了建议，建议被采纳执行了，然后呢？这事儿就完了吗？当然不是。你得去看一看，你提的建议到底有没有用。

具体分三步：

1、跟踪建议落地的效果

比如我们建议换了A渠道的广告素材，并且调整了投放时间。那过了一周，或者一个月之后，我们得再去看一看数据：A渠道的转化率有没有回升？销售额有没有涨回来？用新的数据去验证我们当初的分析和判断是不是对的。

如果效果好了，那说明我们的分析思路是对的，经验可以保留。如果效果不好，甚至更差了，那我们就得接着分析：是素材换得不够好？还是我们找的原因根本不是主要原因，还有别的隐藏问题？然后根据新的情况，再调整我们的建议。

2、复盘整个分析过程

每次分析做完，不管结果好坏，都要花点时间回顾一下整个过程。可以问问自己：这次分析有没有漏掉什么重要的数据？数据清洗是不是还不够彻底，有没有脏数据混进去了？分析的逻辑有没有漏洞？提出的建议是不是还不够接地气，执行起来有困难？

把这些问题和当时怎么解决的都记下来，不管是记在本子上，还是记在电脑里。下次再做类似的分析，就拿出来翻一翻，提醒自己别再踩同样的坑。我就是通过一次次复盘，才慢慢养成了做分析前先列数据清单的习惯，避免了分析到一半发现缺数据的尴尬。

3、把经验沉淀下来，形成自己的套路

做得多了，复盘得多了，你会发现，很多问题背后的分析方法是相通的。比如遇到销售额下滑的问题，你脑子里会自然地出现一个分析框架：先看大盘，再看渠道，再拆漏斗……这个框架就是你自己的方法论。以后再遇到类似的问题，你就能快速上手，不用再从零开始瞎琢磨了。

三、小白入门补充：4个避坑提醒

上面这6个步骤，就是我从零开始学数据分析的完整路径。从明确问题到复盘优化，每一步都挺重要，而且一环扣一环。我当初也是一步一步摸索过来的，有时候一个步骤卡住了，反复试好几次才能找到感觉。但只要坚持把每一步都走扎实，你会发现，数据分析其实没那么难，而且当你真的用数据解决了一个实际问题的时候，那种成就感是实实在在的。

最后，再跟大家唠叨几句我踩过坑之后总结出来的几点提醒，希望能帮大家入门入得更顺一点：

别急着学工具，先磨炼思维。 这是我最想说的。很多人一上来就报班学Python、学SQL，学了好几个月，语法都背下来了，但面对一个实际问题还是发懵，不知道怎么下手。就是因为把顺序搞反了。你先得把“怎么想问题”这个思维框架建立起来，也就是上面说的那6个步骤。思维有了，工具就是个熟练活。入门阶段，把Excel和FineBI用好，足够应对绝大多数场景了。

多动手，少看教程。 数据分析是门手艺活，光看是看不会的。就像学游泳，你看再多教学视频，不下水扑腾几下，永远也学不会。我的建议是，找一份公开的数据集，或者就用你们自己工作里的数据，照着上面的6个步骤，一步一步做一遍。遇到不会的操作，再去查资料、看教程。做一遍，比看十遍都管用。

结合你的业务，别脱离实际。 数据分析的目的是解决业务问题。所以你得去了解你的业务是怎么运转的。你是做电商的，就得知道啥叫UV、PV、转化率、客单价；你是做内容的，就得知道啥叫阅读量、点赞率、完播率。只有把数据和业务逻辑结合起来，分析出来的东西才是有用的，否则就是纸上谈兵。

别怕犯错，犯错是进步的梯子。 我刚开始做分析的时候，数据算错、逻辑混乱、结论跑偏，这些事儿我都干过。有时候辛辛苦苦弄了一天的报告，被老板一句话就给问住了，当场发现是数据源就错了。当时挺难受的，但现在回头看，那些错都是我进步的台阶。每一次犯错，只要去复盘、去改，你的能力就在往上走一步。所以，别怕犯错，大胆去做就行。

四、小白常见Q&A

最后，我把新手问得最多的几个问题集中回答一下。如果看完还有啥不明白的，也欢迎在评论区留言，我看到就会回，希望能帮上大家。

Q1：小白学数据分析，需要先学编程吗？有没有推荐的工具？

A1：真心不建议一开始就学编程。入门阶段，把Excel和FineBI这两个工具用好就足够了。Excel可以用来做最基础的数据整理和一些简单的统计分析。FineBI可以用来做可视化的分析和报告的生成。这两个工具都不需要写代码，上手快，能让你把精力都放在学习分析思维上，而不是卡在技术操作上。

等你工作一段时间，基础打牢了，发现Excel处理几万行数据就开始卡了，或者需要做更复杂的、自动化的分析时，再根据自己的实际需求去学习Python或者SQL，那时候你学起来目的性也强，学得也快。

Q2：没有数学基础，能学好数据分析吗？

A2：能，而且肯定能。入门阶段用到的数学知识，就是我们小学、初中数学课上学的那点东西：加减乘除、百分比、平均数、中位数、众数、标准差。顶多再了解一点基础的统计概念，比如什么是抽样、什么是概率。这些知识，稍微复习一下就能回忆起来，完全不用为此焦虑。

那些复杂的微积分、线性代数、概率论，是搞算法、搞人工智能的人才需要深钻的，和我们日常做的数据分析工作关系不大。所以，真的不用被“数学”这两个字吓住。

Q3：学完数据分析，能从事什么工作？就业前景怎么样？

A3：数据分析的就业面其实挺广的，因为现在任何行业、任何公司都离不开数据。常见的岗位有数据分析师、业务分析师、数据运营、商业分析师等等。不同的公司叫法可能不一样，但核心要求的技能是相通的。

至于前景，从我自己的感受来看，这几年企业对数据的重视程度越来越高，对能看懂数据、能用数据说话的人才需求量也一直在涨。新手入行的起薪也还可以，更重要的是，它不是一个吃青春饭的岗位，经验越丰富，对业务理解越深，价值就越大，发展的方向也很多，可以往业务专家方向发展，也可以往技术专家方向发展，职业路径是挺清晰的。