刚入行那会儿，数据师需我以为数据分析师就是分析“会用Excel、会写SQL、数据师需能做图表”的分析人。直到第一次参加业务复盘会，数据师需业务方问我：“你说这个渠道转化率下降了12%，分析那下周预算该砍还是数据师需该加？”我盯着自己精心制作的折线图，一句话都答不上来。分析那一刻才明白，数据师需工具只是分析入场券，真正要学的数据师需东西远比想象中复杂。

SQL是分析绕不开的第一道坎。但别满足于SELECT * FROM table。数据师需实际工作中，分析你会在凌晨两点接到需求：“帮我拉一下过去三个月每个城市、数据师需每个品类、新老客分别的复购率，要按周维度看趋势。”这时候需要的是窗口函数、CTE、多表关联的性能优化。我见过太多新人卡在“为什么我的JOIN跑出来数据翻倍了”这种问题上。找个真实的数据集，比如Kaggle上的电商订单表，反复练到能闭着眼睛写出嵌套子查询，才算过了基础关。

Excel和BI工具是日常吃饭的家伙。透视表、VLOOKUP、Power Query这些不用多说，但真正拉开差距的是对业务指标的理解。比如“活跃用户”这个指标，市场部定义为“打开过App”，产品部定义为“完成一次核心动作”，财务部可能定义为“产生付费行为”。你得学会在写计算逻辑之前，先跟需求方对齐口径。我习惯在文档里写清楚：“本次分析中，活跃用户=过去7天内有登录且浏览商品详情页≥3次的用户。”这句话能省掉后面80%的扯皮。

Python或R不需要学到能开发算法的程度，但pandas必须熟练。处理千万行级别的数据时，一个merge写不好内存就爆了。我自己的经验是：先学pandas的groupby、apply、merge、pivot_table这四个函数，再学怎么用matplotlib或seaborn画图。别急着上机器学习，把数据清洗和特征工程做扎实——实际工作中60%的时间都在处理缺失值、异常值、重复值。有一次我花了一整天清洗一份用户行为日志，最后发现最耗时的不是写代码，而是判断“用户停留时长超过24小时”这个记录到底该删还是该截断。

统计学知识决定了你分析的上限。描述性统计、假设检验、回归分析、AB测试原理，这些不是考试内容，是日常工具。比如业务方说“新版页面点击率涨了5%”，你得知道要算p值，要看样本量是否足够，要检查是否有辛普森悖论。我见过一个案例：整体转化率上升，但分渠道看每个渠道都在下降——因为高转化渠道的流量占比突然变大了。不懂这些，你的结论就是错的。

业务理解是最容易被忽略的软技能。你得知道公司怎么赚钱，哪个环节是瓶颈，老板最关心什么指标。做电商的，要懂GMV拆解、漏斗模型、人货场；做SaaS的，要懂MRR、流失率、LTV。我有个习惯：每次分析前先问自己“这个结论会影响哪个决策？”如果答案是“没什么影响”，那这个分析可能不值得做。

沟通能力比技术更难学。你需要把“p=0.03”翻译成“这个差异有95%的概率不是偶然”，把“回归系数为负”翻译成“投入每增加1块钱，产出反而减少2毛”。我见过技术很强但每次汇报都被打断的分析师，也见过技术一般但能让业务方追着问“然后呢”的分析师。后者的薪资通常更高。

最后说个反直觉的：别花太多时间学新工具。每年都有新框架、新平台，但核心能力就那几样——把数据取出来、洗干净、算清楚、讲明白。我认识一个做了八年的分析师，至今主要用SQL+Excel+Tableau，照样拿高薪。工具会过时，逻辑和业务感觉不会。