简单来说，数据分析师的主要工就只有四类：
- 从0到1搭建数据分析体系
- 数据分析工具化，产品化
- 支撑领导、部门决策的专题分析及业务方向探索
- 数据规范制定及提升数据质量等基础工作
一、从0到1搭建数据分析体系
大部分公司还处于此阶段，可能是全新搭建，可能是新业务线搭建。
1.搭建数据监控体系
搭建数据分析体系第一步是搭建数据监控体系，定期查看业务发展情况，让业务发展结果可量化，可衡量。
通过这套监控体系，业务侧可以得到实时或者准实时的效果反馈，根据业务效果指导业务决策；领导层可以了解业务发展情况，做到心中有数。
那这套数据监控体系到底包含哪些内容？——没有标准答案，主要看业务目标。从实现思路上，可以做业务拆解：整个公司或者整个部门要实现的结果目标是什么？结果目标可以拆分为几个小目标？在小目标实现上，需要实现哪些过程指标？要想实现过程指标，需要多少预算，什么资源？
业务拆解后，要监控哪些过程指标和结果指标，就一目了然。
2.根据业务监控体系，洞察业务问题
数据监控体系能让领导及业务相关同事了解业务结果。对于规模或比例变动较大的指标，数据分析师就需要了解业务原委：是行业变动导致？公司战略方向调整？还是市场格局发生变化？亦或是新技术巨变？公司产品迭代漏洞？对于行业、业务深度理解，将有助于快速定位问题关键点。
3.提出业务优化方案
根据对数据、业务理解及与业务部门沟通，提出可能的潜在影响因素的业务假设。对于明显影响效果的因素，优化之，如产品迭代中的漏洞等；对于不明朗、不确定因素，进行AB测试，根据数据反馈验证业务假设。
二、数据分析工具化，产品化
从0到1搭建数据分析体系是解决“有数据可用”的问题；让数据分析产品化是解决“让数据易用”问题，是提升数据使用效率和发挥数据更大价值的手段。
常见的数据产品就是商业智能系统（Business Intelligence），数据产品部门会根据数据使用情况，优先上线使用人数众多、对业务决策有关键影响的数据报表。
对于使用频繁，涉及人数较多的数据，数据分析师需要提出数据报表需求，供业务、产品、市场、财务等部门使用。
三、支撑领导、部门决策的专题分析及业务方向探索
如果说前两部分属于常规分析，第三部分就是专项分析。专项分析大多是一次性分析，使用频率低。专项分析的提出可能是部门要进行业务方向的新探索，可能是领导想要验证自己的新想法，可能是已有数据中反应出来的新问题。
要做专项分析，数据分析师需要自己获取数据，清洗加工数据，分析数据，得出数据结论。现有数据在时间维度、指标口径、新字段关联上都无法满足分析需求，而数据提取可能就要耗上几天时间。可谓“台上一分钟，台下十天功”！如果你有个“有想法”的领导，天天标新立异提需求，而你又不精通业务，无法马上判断是否具有分析意义和分析价值，那可真要披星戴月搞数据了。
四、数据规范制定及提升数据质量等基础工作
为了完成以上三部分工作，像制定数据规范、提升数据质量这些基础工作就必不可少。
数据规范性是个系统性工程，在数据系统搭建之初，就需要考虑好。数据分析师日常工作中，接触更多的是提升数据质量：数据是否准确，数据是否有效，可用数据比例是否足够用于分析。
当然，现在大多数公司还无法做到打通所有数据系统，统一数据源。在使用任何数据时，数据分析师都需要校验，确保数据准确无误，这是所有分析工作的基础。
这就是我的工作日常：搭建数据分析体系、数据分析产品化、专项分析及基础保证数据质量等工作。
具体每日每周比较琐碎工作不一一列举，但是主要工作内容应该集中以下:
一，用技术手段获取项目中真正需要的数据。
二，确保数据的来源途径，数据的真实性，准确性。
三，把最终所需有价值的数据组织在一起，以便用以分析，同时设计数据的结构，以保证数据有效地供所有用户检索。
四，为大数据项目组织数据并建立分析模型。
数据分析是什么？
数据分析大体上分3步：
1：获取数据。通过埋点获取用户行为数据，通过数据同步，打通内部各系统数据。以及做数仓建设，存储数据。
2：计算数据。根据分析要求，提取所需要的数据，计算数据，做表。
3：解释数据。解读数据含义，推导出一些对业务有用的结论。
那么数据分析师主要做以上三点的工作吗？
并不全是，这个在不同企业，情况不一样。如果公司规模大的话，获取数据经常是数据开发组完成的，他们的职位一般是“数据开发工程师”或者“大数据工程师”。解释数据则是运营自己写ppt做解读，留给“数据分析师”的，其实就是中间的计算数据的一步。
有些公司（一般是做电商的），数据是直接从淘宝、天猫、亚马逊等平台导出的，然后基于这些数据做分析。有些公司（一般是传统企业），数据是直接用的大型的BI产品，然后所有人基于BI产品导出数据分析有些公司规模很小，就直接一个小组从数据埋点到数仓到提数全干了。
总之情况五花八门。
数据分析师在数据流中承担的角色
数据治理流程涉及到多部门多岗位的分工协作，数据分析师在这个流程中也承担了重要的角色。
数据分析师的职责真的不止是分析，除了分析之外，数据分析师需要参与到数据规划、数据采集过程中，而在数据应用过程中也需要完成指标体系、报表体系的建设以及部分临时的数据查询需求。
1.数据埋点
数据分析师要对业务进行分析，分析所需要的数据需要通过埋点来获取。分析师参与到数据规划、数据采集的过程中，可以更快地拿到数据，减少数据等待时长，有利于提高分析的效率。
举个例子来说，假如现在用户流失很严重，业务提了个需求让分析师帮忙分析下用户流失前的第n步都做了什么？
但是，碰巧用户流失前第n步的事件log没有记，那么作为数据分析师没有数据分析也无从下手，只能给研发提出埋点需求，在下个版本进行数据埋点。
那么这样一来，分析的周期就会延后一个版本。如果分析师参与到数据埋点这项工作中来，诸如此类的事情大部分都是可以避免的。
2.指标体系及报表体系建设
数据的终极目的是定位业务问题，辅助业务决策。而指标体系就是监控业务问题，定位业务问题的好帮手。
所以，指标体系的建设也是数据分析师的重要工作之一，好的指标体系能够直接反映业务问题，同时能够帮助数据分析师快速定位业务问题，以辅助业务进行决策。
3.商业智能分析
数据分析师当然也少不了分析，包括了各类活动效果分析、版本变化分析、用户分析、流失分析等等。
一份好的分析报告能够给业务的发展提供多种思路，也是分析师最重要的价值体现。
数据分析师在数据治理流程中需要撰写数据埋点文档、搭建数据指标体系、报表体系以及分析业务问题。
总结作为一名数据分析师，每天的日常工作绝对不局限于大家平常谈笑的时候说的取数工作，一定要不断的衍生自己的工作边界，这样才能不断的能力进阶。如果你正好刚进入数据分析师的工作，千万不要让自己成为取数的工具，一定要全面的了解数据分析师的职责范围不同的时代对数据分析师的要求不同，不同的行业对数据分析师的要求同样也不一样，一定要充分认知自己的行业要求，从不同的角色要求中，一点点去积累，未来才能更容易的突破数据分析师的瓶颈，打破数据分析师只是取数或者低瓶颈的标签。总的来说，数据分析师每天日常的工作主要集中在：取数分析、撰写分析报告、产品优化，运营协作，项目管理等范畴。
了解企业现状与竞争环境，风险评判与决策支持，能够充分利用大数据带来的价值，在进行数据挖据与展现后，呈现给企业决策者的将是一份清晰、准确且有数据支撑的报告。
主要工作是收集，处理和执行统计数据分析；运用工具，提取、分析、呈现数据，实现数据的商业意义，需要业务理解和工具应用能力；更往前往深了的就会涉及数据挖掘算法等。
简单说一下数据分析有哪些发展方向：
1、业余分析方向：统计，业务分析师，市场分析师；
2、运算方向：数据挖掘，建模工程师，算法工程师；
3、管理方向：数据产品经理，项目经理......
相关：大数据分析，到底要分析些什么？
https://www.toutiao.com/i6577599840014828045/
一般来讲，典型的数据分析包含六个步骤，分别是明确思路、收集数据、处理数据、分析数据、展现数据以及撰写报告，下面我们具体讲一讲数据分析的六大步骤
1、明确思路
明确数据分析的目的以及思路是确保数据分析过程有效进行的首要条件。它作用的是可以为数据的收集、处理及分析提供清晰的指引方向。可以说思路是整个分析流程的起点。首先目的不明确则会导致方向性的错误。当明确目的后，就要建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标。只有明确了分析目的，分析框架才能跟着确定下来，最后还要确保分析框架的体系化，使分析更具有说服力。
这一步其实就是具化分析的内容，把一个需要进行数据分析的事件，拆解成为一个又一个的小指标，这样一来，就不会觉得数据分析无从下手。而且拆解一定要体系化，也就是逻辑化。简单来说就是先分析什么，后分析什么，使得各个分析点之间具有逻辑联系。避免不知从哪方面入手以及分析的内容和指标被质疑是否合理、完整。所以体系化就是为了让你的分析框架具有说服力。可以参照的方法论有，用户行为理论、PEST分析法、5W2H分析法等等。
2、收集数据
收集数据是按照确定的数据分析框架收集相关数据的过程，它为数据分析提供了素材和依据。这里所说的数据包括第一手数据与第二手数据，第一手数据主要指可直接获取的数据，第二手数据主要指经过加工整理后得到的数据。一般数据来源主要有以下几种方式：
（1）数据库：
每个公司都有自己的业务数据库，存放从公司成立以来产生的相关业务数据。这个业务数据库就是一个庞大的数据资源，需要有效地利用起来。
（2）公开出版物：
可以用于收集数据的公开出版物包括《中国统计年鉴》《中国社会统计年鉴》《中国人口统计年鉴》《世界经济年鉴》《世界发展报告》等统计年鉴或报告。
（3）互联网：
随着互联网的发展，网络上发布的数据越来越多，特别是搜索引擎可以帮助我们快速找到所需要的数据，例如国家及地方统计局网站、行业组织网站、政府机构网站、传播媒体网站、大型综合门户网站等上面都可能有我们需要的数据。
（4）市场调查：
就是指运用科学的方法，有目的、有系统地收集、记录、整理有关市场营销的信息和资料，分析市场情况，了解市场现状及其发展趋势，为市场预测和营销决策提供客观、正确的数据资料。市场调查可以弥补其他数据收集方式的不足。
3、处理数据
处理数据是指对收集到的数据进行加工整理，形成适合数据分析的样式，它是数据分析前必不可少的阶段。数据处理的基本目的是从大量的、杂乱无章、难以理解的数据中，抽取并推导出对解决问题有价值、有意义的数据。数据处理主要包括数据清洗、数据转化、数据提取、数据计算等处理方法。一般拿到手的数据都需要进行一定的处理才能用于后续的数据分析工作，即使再“干净”’的原始数据也需要先进行一定的处理才能使用。
4、分析数据
分析数据是指用适当的分析方法及工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。由于数据分析多是通过软件来完成的，这就要求数据分析师不仅要掌握各种数据分析方法，还要熟悉数据分析软件的操作。而数据挖掘其实是一种高级的数据分析方法，就是从大量的数据中挖掘出有用的信息，它是根据用户的特定要求，从浩如烟海的数据中找出所需的信息，以满足用户的特定需求。
5、展现数据
一般情况下，数据是通过表格和图形的方式来呈现的，我们常说用图表说话就是这个意思。常用的数据图表包括饼图、柱形图、条形图、折线图、散点图、雷达图等，当然可以对这些图表进一步整理加工，使之变为我们所需要的图形，例如金字塔图、矩阵图、漏斗图等。大多数情况下，人们更愿意接受图形这种数据展现方式，因为它能更加有效直观。
6、撰写报告
数据分析报告其实是对整个数据分析过程的一个总结与呈现。通过报告，把数据分析的起因、过程、结果及建议完整地呈现出来，供决策者参考。一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次明晰，能够让阅读者一目了然。另外，数据分析报告需要有明确的结论，没有明确结论的分析称不上分析，同时也失去了报告的意义，因为我们最初就是为寻找或者求证一个结论才进行分析的，所以千万不要舍本求末。最后，好的分析报告一定要有建议或解决方案。
总的来讲，数据分析的基本步骤其实并不困难。如果你想要成为一名优秀的数据分析师，不仅需要掌握数据分析方法，而且还要了解和熟悉业务。只有这样才能根据发现的业务问题，提出具有可行性的建议或解决方案。最后希望大家都能掌握数据分析的步骤和方法！
回到问题本身来看，数据分析师的日常工作，重点在于日常，那我也就不扯太远了，就以互联网行业的数据分析师为例，简单给大家分享一下吧。
1、排查指标问题
正所谓一天之计在于查指标，数据分析师的一天是从排查用户数据、日活率、用户使用时长等重要指标，对于一些波动较大的，需要找出原因并给出合理解释。利用拆分维度的方法来看不同维度的指标波动，然后进行各个角度的分析。
2、做报表
对于日常的一些核心指标、数据，或者新计算的指标都需要存到报表中，做成BI报表，以备老板查看数据和后期分析。不同公司会有不同的报表制作方式，但照目前来看很多公司都会购买做报表的软件，就像Tableau、Smartbi等，可以快速便捷地制作出美观的报表。
为了能够做好报表，还需要做以下工作
埋点设计和校验：简单来说就是数据分析师为了获取数据而设计的行为路径点，指定哪些行为要记录、怎么记录、记录什么等等。后期可能还需要去对每个点进行验证，研究这个点埋的对不对。
指标设计：根据埋点得到的数据，加工计算出我们需要的指标。这项工作也是为了有数据可以做报表
3、数据分析
针对业务问题，结合报表数据，进行专项的分析。如：一产品用户使用率下降，数据分析师就可能需要对为什么下降做一个分析，并根据分析提出改进意见。
除了以上主要工作外，可能还会面对业务方或者其他部门的数据需求，或者一些简单的建模工作等等，这里就不细说啦。
总的来说，数据分析师的日常工作就简单分为：排查指标、埋点设计、指标设计、报表制作、数据分析、提出报告等，可能不同行业或者不同公司也不一样，所以以上仅供参考。
就是用一些语言，比如R、Python，编写代码，进行数据分析。不过这个行业不是计算机专业的也OK，毕竟很多领域都涉及到分析，比如我周围很多学医药的，都出去培训学了个Python，然后转行去药企做数据分析岗。现在这个岗位还是很火的。
很高兴为您解答。
一、数据分析师的三大场景 ：
过去数据 分析问题在哪里？ 主要是分析以前的数据，查看问题，然后做成可视化报表。
现在数据 呈现数据
未来数据 业务预测
二、数据分析师是一个辅助岗位，现在很多企业都在用数据分析师去支撑以下业务场景：
1、精细化运营。监控数据、数据流从而去驱动内容改进。
2、做准确和细分的用户画像、针对不同的用户不同的运营手段。
等等
三、什么样的人适合做数据分析？
四、有前途的数据分析师种类：