实打实的一线数据分析师的经验。
本文撰写：长庚（公众号:一个互联网人的日常）
问方：stormzhang圈友
答主：钟大本（公众号:大本说数）
日常工作是什么，日常使用什么工具？
日常工作：日常就是根据问题算数据或者自己找到问题算数据，算完数据做解读。当你有观点以后，找对应的业务负责人聊天，把你的认知共享给他。如果没人重视，写在数据报告里，定期发送给你能接触到又不越级的大佬邮箱里。 你需要有观点输出的途径，如果没有这个惯例，就自己创造。
PS：关于算法，一句话，绝大多数公司的问题和算法原型都可以用SQL和专家规则模型解决。当你证明你的原型有前途后，把算法优化交给专业人士。
工具： 工作中用到最多的是SQL，然后是Excel/Tableau这种快速分析工具。 Python只有在你需要自己写调度（没有定时任务调度平台）/搭建原型（快速分析工具没有支持的模型的时候）。 一般来说你不会需要爬虫。如果要一次性爬虫调研，用WebScraper，别费那劲写Python，长期爬虫找技术开发。
按照运营，产品，技术来分，是否可以认为：一般来说，技术薪资最高，升迁的可能性较大？
是不是走技术方向的薪资最高，升迁的可能性较大？数据后台开发的技能栈和业务数据分析的技能栈其实是不一样的。很多公司的数据后台其实不归属于数据分析部门。
如果你想走技术路线，比如算法，比如开发，那从一开始就要走开发路线。鉴于数据分析的产出难衡量，数据开发的产出也…
数据分析师的核心竞争力是观点。其实大部分有竞争力的分析师，最终都会走向业务部门。如果你相信自己的观点能改变现实，那就改变现实，然后让现实成果带给你更多的钱以及升迁。
如何定义数据分析师的产出？是否可以认为：技术薪资最高，升迁的可能性较大？
用什么标准来定义数据分析工作的产出？
你所负责的业务线的KPI。当然，大部分时候数据分析是中台支持角色，不背KPI。
数据分析工作产出极难量化。就和你不能用代码量衡量开发的工作成果，你也不能用数据报表数量衡量数据分析的工作成果。 所以，一般是先看分析师都参与了哪些业务线和项目，然后看他产出的数据观点影响了哪些结果。
产出的评价就高度依赖项目重要性和数据分析部门老大。会来事的数据分析师才是好分析师。
