菩提风1. 数据分析师的SQL能力边界在哪里？
刚入行数据分析时，我总在纠结该把SQL学到什么程度。直到带过十几个新人、处理过上百个数据需求后，才明白SQL能力的"够用"标准其实取决于业务场景。这里分享我的实战分级体系：
基础生存线（T1）：能独立完成90%的日常取数需求。包括多表JOIN、WHERE条件嵌套、GROUP BY聚合、窗口函数等核心语法，查询性能控制在分钟级。这个阶段要避免写出生效但低效的"屎山SQL"。
进阶专业线（T2）：具备查询优化能力。能通过执行计划分析慢查询，掌握索引设计、临时表使用、分区表优化等技巧。这个层级已经可以参与数据模型设计，比如我们团队用CTE重构的会员增长看板，查询速度从37秒降到1.8秒。
专家扩展线（T3）：需要掌握存储过程编写、触发器配置等数据库管理技能。当你要实现每小时自动跑批生成报表，或者搭建AB测试分流系统时，这些知识就会派上用场。去年我通过物化视图预计算，把实时大屏的数据延迟从15分钟压缩到30秒。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 不同业务场景的SQL能力图谱
2.1 互联网运营分析
典型需求：用户行为路径分析、漏斗转化计算、留存率统计
核心技能：
- 熟练使用LEAD/LAG窗口函数追踪用户行为序列
- 掌握CASE WHEN实现多条件标签分类
- 会用WITH RECURSIVE处理层级数据（如组织架构）
实战案例：用SESSION窗口函数识别用户单次访问的起止时间，比传统时间差算法准确率提升40%
2.2 金融风控建模
典型需求：交易特征提取、异常行为识别、风险评分计算
核心技能：
- 精通时间序列函数（DATE_TRUNC、DATE_DIFF等）
- 熟悉JSON/ARRAY等半结构化数据处理
- 了解UDF函数开发
避坑指南：金融场景要特别注意NULL值处理，我们曾因COALESCE使用不当导致3000万条交易记录的风险评分异常
2.3 电商数据分析
典型需求：商品关联分析、RFM用户分层、促销效果评估
核心技能：
- 掌握CROSS JOIN生成笛卡尔积做组合分析
- 会用RANK/DENSE_RANK计算商品销售排名
- 理解查询优化器原理避免全表扫描
性能技巧：大促期间用物化视图预计算GMV指标，查询性能提升20倍