坚持输出，记录成长。

数据分析岗位分为业务和技术两大方向。业务方向包括数据分析师、商业分析师、数据运营和数据产品经理，侧重业务理解和策略制定；技术方向涵盖数据开发、数据挖掘和算法工程师，专注于数据处理和模型开发。职业发展建议从业务分析师起步，根据兴趣选择细分方向：业务侧需强化沟通能力，技术侧要深耕算法。基础技能如SQL、Python和统计学是通用要求，选择方向需结合个人兴趣和能力特长。

​指标选择原则​：根据业务目标筛选关键指标（如互联网关注增长，金融关注风控）。注意指标定义的行业差异（如“活跃用户”在不同产品中的定义可能不同）。​通用分析思路​：​拆解业务逻辑​：如零售行业从“人货场”维度拆解。​对比与趋势​：同比/环比分析、行业基准对比。​实践建议​：结合小册子中的具体定义，避免指标歧义。优先关注直接影响业务决策的核心指标（如电商的GMV、金融的不良率）。

​（EDA阶段）：数据清洗、特征工程的基础（如均值/分布/可视化）。抽样分布理论、参数估计、假设检验、方差分析、回归分析、时间序列分析等。​：先建立知识地图（如统计学的核心模块和应用场景），再深入细节。​：面试需理解原理（如中心极限定理的推导、假设检验的数学逻辑）。没有复杂的公式，内容讲得通透。生动诙谐的案例，通俗易懂，图文并茂，学习统计学不会那么枯燥。​：非算法岗无需深究数理证明（如马尔可夫链收敛性）。​：工作中遇到新需求（如生存分析）再针对性补足。​：AB测试、回归预测等业务场景的核心工具。

数据指标是通过量化建模反映业务现状的分析工具，由维度、汇总方式和量度三要素构成。数据是原始记录，指标是经过加工的业务度量模型。落地应用时需确保数据质量、结合业务场景解读，并通过动态对比发现异常。不同业务阶段应关注不同指标，如导入期关注新注册人数，成熟期关注付费率。使用中需避免数据陷阱，保持对业务本质的洞察，将数据作为辅助决策的工具而非唯一依据。

​：数据分析的发展是。

​：浏览目录→明确学习目标→选择章节精读→输出笔记→结合业务问题实践。