数据分析简历怎么写
数据分析岗的价值在于分析结论被业务采纳。简历里要写分析带来了什么决策，而不是只写会用哪些工具。
01从工具清单到决策影响
数据分析的简历常常写成「熟练使用 SQL、Python、Tableau，负责日常取数和报表」。工具是门槛，几乎每个候选人都会写，真正拉开差距的是你的分析推动了什么。
每段分析经历按「业务问题 → 分析方法 → 结论 → 推动的决策 → 决策的效果」来写。最后两步最重要，也最容易被忽略。
负责新用户留存分析，使用 SQL 和 Python 进行数据处理，输出分析报告。
拆解新用户前 7 天行为路径，发现首日关注少于 3 个作者的用户 7 日留存只有关注 5 个以上用户的三分之一。推动产品在新手引导中加入兴趣选择，新用户 7 日留存从 31% 提升到 36%。
后者有明确的发现、推动的决策和可以核实的效果，体现了分析的业务价值。
02三类最值得写的经历
下面三类经历几乎是中高级数据分析岗的必问内容，有真实经历的话，在简历里都值得展开。
指标体系建设
梳理核心指标的定义和口径、建立指标字典、统一数据表。写清楚覆盖的指标数量和解决的口径问题，比如「周会不再对数」。
AB 实验
实验设计、样本量估算、结果分析。写清楚处理过的问题，比如新奇效应、多重比较、指标波动，以及实验结论被采纳的比例。
专题分析
用户流失、转化漏斗、营销效果评估。重点写发现和推动的决策，而不是分析过程中用了哪些图表。
03技能按类别列
数据分析的技能可以按四类列：SQL（写清楚用过的数据库，如 Hive、MySQL、ClickHouse）、编程（Python 和常用库）、可视化工具、统计与实验方法。
统计方法这一行最容易被忽略，但对中高级岗位很重要。假设检验、回归分析、用户分群、方差缩减这些方法，用过的都可以写，面试时准备好例子。
04提效的工作也要写
把手工报表改成自动生成、搭建自助分析工具、给业务方提供样本量计算器，这类工作虽然不是分析本身，但体现了你对团队效率的影响。
写清楚节省了多少人力、覆盖了多少使用者，比如「12 张周报改成自动生成，团队每周用在报表上的时间从两天降到半天」。
常见问题
只会写 SQL 取数怎么写简历？
把取数背后的业务问题写出来，以及数据最后支持了什么决策，同时逐步补充统计和实验方面的经验。
要不要写建模经历？
和岗位相关就写，写清楚模型解决的业务问题和上线效果，准确率要说明评估方式。
数据分析和数据科学简历有什么区别？
数据分析更突出业务理解和决策影响，数据科学更突出建模和算法能力。