数据分析（Data Analyst）：新加坡技能、工具与面试要点
📑 文章内容
在新加坡，数据分析岗位服务于电商、金融、SaaS、物流与医疗等行业，核心是把业务问题→数据建模→洞察与可执行方案打通落地。雇主常见要求：SQL/Excel/可视化过关，具备 Python（pandas/NumPy） 或 R 的数据处理能力，能构建 Dashboard（Power BI/Tableau/Looker Studio），理解实验与因果（A/B 测试、分层与样本量），并熟悉 PDPA 数据合规与权限管理。
技能与工具（关键词：新加坡数据分析/招聘/SQL/Python/Power BI/Tableau/GA4）
- 数据栈：SQL（窗口函数、CTE、聚合与优化）、Excel（Pivot/XLOOKUP/Power Query）、Python（pandas、matplotlib）、BI 工具（Power BI/Tableau/Looker）。
- 数据工程协作：熟悉 ETL/ELT，能读 dbt 模型与数据血缘；云仓库 BigQuery/Snowflake/Redshift 基础。
- 分析方法：漏斗/转化、留存/分群（Cohort）、RFM、贡献度与归因、定价与弹性、A/B 与多变量实验、时间序列与季节性。
- 度量与治理：统一指标口径（Metric Contract）、数据字典、权限与审计、PII 脱敏、数据质量监控（新鲜度/完整性）。
- 业务落地：将洞察转化为 OKR/KPI 方案，在复盘里呈现 Bridge/行动计划/影响评估，迭代到产品与营销策略。
作品集与求职
准备 3–5 个项目：问题→方法→数据→结果→业务影响（如“转化 +12%，CAC -8%”）。附 SQL 查询、Notebook、Dashboard 截图 与文字解读；面试讲述遵循 问题定义→数据→模型/方法→可视化→结论与限制→下一步。
面试流程与练习
- SQL：多表 JOIN、窗口函数（ROW_NUMBER/RANK）、留存/漏斗、条件聚合与性能；
- 案例：解读电商/APP 关键指标异常，提出验证与行动；
- Take-home/面试演示：清晰 README、可复现实验、对异常与偏差给出假设与验证路径；
- BQ：用 STAR 复盘“如何用数据推动业务决策”。
Q&A
Q：Data Analyst、BI Analyst 与 Data Scientist 有何区别？
A： Data Analyst 强业务解读与指标落地；BI 偏数据建模与可视化体系；Data Scientist 更侧重建模与算法（预测/分类/推荐）。小公司角色常有重叠。
Q：作品集如何更打动雇主？
A： 强调可复现与业务影响：给出数据样本/SQL/Notebook、Dashboard 链接与前后对比图；用 3–5 行量化成果与你的具体贡献。
Q：SQL/Python 笔试如何准备？
A： 练习窗口函数、分层留存、Top-N、条件聚合；Python 用 pandas 完成清洗/分组统计/可视化，确保代码可读与有注释，并自带单元测试或断言。
Q：如何体现 PDPA 合规与数据治理？
A： 在方案里说明最小化采集、PII 脱敏、访问分级；记录数据来源与口径（Data Contract），对 Dashboard 设刷新频率与负责人，保留审计日志。
