各个公司对于数据分析师的需求和定义可能有所差别，但是大同小异，在分析这个JD的同时回答你的问题。

1.本科或以上学位；数学、统计学、计算机、金融或相关专业；3年以上互联网数据分析工作经验；

数学，统计学，计算机，也就是说，这三种学科的基本常识你要掌握，能够快速的应用。

比如统计学中的，概率和分布，统计推断，线性模型，非参统计等等。

具体可以参看之前专栏写的这篇：

想学数据分析，先从哪里入手？

2.熟悉多种数据源深度诊断性组合分析、挖掘和建模、数理统计、数据分析、数据挖掘以及常用算法；
3. 熟悉SQL语言，熟练操作Excel，熟练使用1种以上数据分析和挖掘工具（如SPSS/Clementine、SAS/EM、R等）；

这里其实说的是数据分析流程中需要掌握的技能，我们不妨来看下数据分析流程：

比如数据层，

数据获取，如何获取数据？公开数据，还是调查取样，网络爬虫？还是直接从库中取数？所以这时候，有可能去考验你的搜索能力，最为基础的SQL取数能力，甚至还会涉及到爬虫的知识（现在看来，Python或者R必须要掌握一项，才会有竞争力啊）

数据清洗，其实对于数据量较小的，Excel ，SPSS都能很好的完成，但是数据量一旦过多，这些工具就会力不从心，需要考虑数据库，甚至是程序语言去实现数据清洗，比如政策表达式，Python的数据分析模块，比如Pandas，NumPy，都是应该掌握的东西。

另外还需要了解一些公有的数据的获取途径，比如国家统计局（国家统计局），聚合数据（https://www.juhe.cn/），谷歌数据搜索（https://toolbox.google.com/datasetsearch）等等。

数据整理和建模分析，这块无非是数据的呈现方式，常见的无非是以下几种类型

1. 细分

2. 对比

3. 漏斗

4. 同期群

5. 聚类

或者是这几种类型的结合。

对于某些特殊的场景，比如会有AB测试，行为埋点，行为路径，表单分析，这里就不一而足了。

模型验证，其实数据分析跟做实验是一样的过程，提出假设，收集数据，验证假设，当我们建立一个模型之后，把从模型分析出的结果带到实际中，看是否有用，再去检查我们整个数据分析流程是否准确，检查是否在某个环节出现了错误，是否陷入了某种统计陷阱，比如幸存者偏差，确认性偏差，缺失值处理是否正确。从而不断的迭代优化。

输出结论，数据可视化，这里需要你了解一些数据可视化的原理和工具。比如最为基础的

当然你可以可以尝试其他工具，比如Tableau或是其他的可视化框架。

4. 商业感觉敏锐，对数据敏感，能快速理解业务，能主动寻找业务各环节中数据分析的应用机会；
5. 良好的逻辑分析、文字表达及沟通推进能力，能独立完成专题分析及跟进落地；
6. 良好的学习与抗压能力，能自我驱动，有强烈的责任感。

这些其实是软能力，可以有针对性的写，尽量符合JD去编写你的简历，不建议一份简历通用。突出自己的项目经验，项目业绩，以及自己负责的部分，尽量展现出自己的能力。

比如，有良好的逻辑分析，文字表达，你可以说自己有一个数据分析的公众号，出过几分数据报告，大概多少人浏览之类的来表现你的这个能力。

这几条也是面试中的一个重点，比如面试官会随机给你出一些跟数据分析相关的问题，来检验你的逻辑。

这里一定不要想到哪说道哪，你定要呈现出逻辑性，比如按照我们的数据分析的流程去给他讲述。

每一个步骤怎么操作，数据怎么获取，怎么处理，这里不用考虑实现或者数据是否准确的问题，体现的逻辑性和你的思考。

比如面试官要考研你的数据敏感度，你可以讲讲自己实际的例子，比如我之前说过的一个例子：

我今天去了一家超市买了点东西，收营员说，先生恭喜你，今天你是我们的第100位的客户，特此送你一个幸运客户大礼包，仅仅是关于100这个数字，你会想到什么问题？

100位客户这个数据是否准确，如何估算？
100位产生了付费的用户，平均客单价大概是多少？
根据100个付费用户，如何估算该超市的人流量？
100人的数量，和附近其他超市比是多是少？（对比）
这100人的数量比昨天多还是少？（对比）
100人有多少产生了实际购买？（转化比例）
路过超市，超市外的人流是多少？（转化比例）

当然你要要勤于思考，比如为什么超市的物品摆放是如此规律，商场的广告牌的面积跟什么有关？肯德基的选址为什么是这样的，只有多思考，在面对这样的问题的时候，不会至于无话可说或者所说的内容信服度不高。

至于其他的抗压能力啊，责任感什么的，这个我建议你平时没事多想几个自己的案例，因为几乎所有类型的工作都会遇到这个问题。