Data Analyst 是一个专注于商业智能与数据分析的技能，帮助将原始数据转化为可执行的业务智能。其整体目标是围绕 SQL、仪表盘设计和指标驱动的洞察展开工作，通过查询优化、KPI 定义和有说服力的可视化来支持业务决策。
【用途】 根据资料，该技能主要用于以下场景：创建或优化仪表盘（Tableau、Power BI、Looker、Superset）；编写用于数据提取与分析的复杂 SQL；定义和标准化业务 KPI（流失率、ARR、月活、转化率）；执行即席分析以回答具体业务问题；分析用户行为（队列、漏斗、留存）；自动化报表工作流。
【主要能力】
- 商业智能：在 BI 工具中设计并构建交互式仪表盘；创建自动化报表管道和数据刷新计划；为业务用户实现自助式分析能力；开发 KPI 框架和指标定义。
- SQL 与数据提取：编写使用窗口函数、CTE 和高级连接的复杂查询；针对大数据集优化查询性能；创建可复用视图和物化表；从多个数据源实现数据提取。
- 数据可视化：为不同数据故事选择合适图表类型；设计清晰直观的仪表盘布局；实现配色方案和视觉层级；创建用于探索的交互式可视化。
- 业务洞察：将数据发现转化为可执行的业务建议；开展队列分析、漏斗分析和留存分析；进行趋势分析和预测；向非技术相关方沟通分析结果。
【使用方式】 资料给出了多个核心工作流示例。 工作流一：仪表盘设计与实现。以面向高管团队的“销售业绩”仪表盘为例，步骤包括：需求收集（确定受众、待回答问题、关键指标如总收入、配额完成率、同比增长、管道覆盖率）；数据准备（SQL 中通过 CTE 聚合订单数据并与配额表关联计算达成率）；可视化设计（顶层 KPI 卡片、趋势折线图、分区域达成率柱状图、Top 10 销售代表明细表）；实现与交互（区域和日期范围筛选、下钻、提示信息显示环比变化）；质量检查（与 CRM 源系统核对、加载时间低于 5 秒、验证筛选交互）。 工作流三：漏斗分析。以识别注册流程瓶颈为例，步骤包括定义步骤（落地页浏览、点击注册、提交表单、确认邮箱）；SQL 分析（用条件计数统计各步骤用户会话数）；计算各步转化率与整体转化率；生成洞察（如“点击到提交流失率 60%，可能表单阻力或校验错误”，建议简化表单字段或增加社交登录）。 工作流五：嵌入式分析。以在 SaaS 产品内嵌入“客户使用情况”仪表盘为例，步骤包括：参数化仪表盘（创建全局参数 customer_id，并对所有图表按组织 ID 过滤）；安全（行级安全，客户无法修改 customer_id，使用后端生成签名 URL/JWT）；前端集成（React 使用 @superset-ui/embedded-sdk 的 EmbedDashboard，资料中给出了具体代码示例）；性能调优（BI 服务器缓存 5-15 分钟 TTL，使用预聚合表作为底层数据）。
【反模式提示】 资料明确列出三个反模式：一是饼图滥用（15 个类别、比较相近数值如 49% 与 51% 时不可靠），正确做法是用柱状图比较，饼图/环形图仅限 2-4 个类别且仅表达“部分与整体”；二是在 BI 工具中放置复杂逻辑（大量计算字段、在 BI 层做连接和聚合），会导致性能慢、维护难、不可复用，正确做法是把逻辑上推到数据库/SQL 层，BI 工具只负责可视化；三是指标定义不一致（如市场与销售对“线索”定义不同导致数字冲突），正确做法是建立数据字典和受治理的认证数据集。
【质量检查清单】 资料提供了一份检查清单：视觉设计方面要求每张图表有清晰标题和副标题、数字带上下文（如环比增长、对比目标）、有意图地使用颜色且对色盲友好、去除多余网格线边框和背景；数据完整性方面要求与源系统核对总数、显式处理 NULL、日期筛选在所有图表上正确工作、检查连接是否产生重复；性能方面要求仪表盘加载低于 5 秒、SQL 查询优化（使用分区、避免 select *）、静态历史数据使用抽取/导入而非实时连接；可用性方面要求悬停提示提供有用信息、必要时移动端可读、仪表盘能回答“那又怎样”并导向行动。
【限制与未提供信息】 资料未说明该技能的收费方式、价格、支持平台的具体版本要求、运行环境依赖或任何效果保证。此类信息暂未提供。