
作者:接地气的陈老师
来源:接地气学堂
金九银十,换了工作的同学陆续入职新公司,很多人咨询如何在不熟悉的领域开展数据分析工作。这个问题很普遍,很多转行的同学在面试时就有被问到:“在不熟悉的领域做数据分析,你要怎么学习”今天系统性解答一下。
首先解题
不熟悉三个字是形容词,遇到形容词的第一反应就是找标准。实际上不同的不熟悉程度,需要学习的内容,可以上手做的事情也是不一样的。理解业务,有七个要素:
经营模式:做什么生意(B2B,B2C,B2B2C,B2VC,B2SB)
目标用户:针对何种群体,何种需求
产品形态:提供什么样产品、服务、信息
销售渠道:通过何种方式与用户建立联系
营销策略:通过何种方式运作(维护用户、改进产品、管理商品、发布内容、提升品牌……传统企业叫营销,互联网叫运营)
组织架构:谁来干这些事
营收情况:主要数据指标如何
对这七个问题的不熟悉程度,决定了我们要从哪里开始。常见的“不熟悉”,大致可分为四类(如下图):
等级1
等级1是最不熟悉的情况。常见于大跨度转行/转岗的同学。比如之前是做零售的,现在来做O2O服务;之前做B2C的,现在做B2B;之前是纯后台开发,现在做面对业务的分析;等等。在理解业务的七大要素里,经营模式直接决定了后边6个要素,如果连这个都不了解的话,就得从头学起。先搞清楚到底企业做的是什么生意。
特别强调的是:对经营模式一定要怀有敬畏之心。不同模式看起来相似,可实际情况差异巨大,不能生搬硬套。最常见的就是很多同学都是做B2C的业务出身,想当然的认为B2B就是客单价100万的B2C,结果做出来的东西驴头不对马嘴,最后过不了试用期的都很多。这时候就当自己是小白,每事问,多学习。做东西从最基础的理解数字字典和跑数开始,不着急。
需要注意的是,经营模式这种事,一般都没有一个标准教科书。即使是企业内的人也不一定讲的很清楚。这时候就不能等靠要,指望着吃现成的。要自己行动起来。最好的办法,是从组织架构入手。具体来说分四步:
第一步
通过收集行业垂直媒体报道、新闻报道、公司财报,了解企业大致的经营方式。
第二步
从组织结构入手,先搞清楚自己部门的职责架构,再搞清楚自己部门服务哪些人,他们的职责是什么。特别可以利用新员工培训的机会,在别的部门培养几个哥们姐们。大家都是新人,都缺乏认同感,很容易抱团。以后深入了解业务就有了伴。
第三步
了解数据采集流程和数据。如果有数据字典,可以研究数据字典与业务部门对应关系,哪些部门产生数据,哪些部门使用数据,最常看的数据是什么。如果没有数据字典,干脆试着自己整理一份。在试用期结束转正的时候交给自己领导,绝对会让领导满意度爆棚。
第四步
收集过往的业务行动,观察业务行动与数据指标间关系。先不用急着做复杂的专题分析,先从最简单的标注报表开始。把业务部门行动注在报表上,直观的看哪些行动能拉动数据指标,哪些没啥用。这样就有了初步分析的感觉。之后就可以进一步深入了。
这个过程会很漫长,实际上如果真是大幅度转行的话,头半年都在适应期是很正常的事。所以转行的同学务必注意。新进入一个行业要学习的东西很多,不能一门心思只扎在数据上。不然就只会跑数,还是没法解读数据,没法分析问题。
等级2
等级2,常见于小跨度转行/转岗的同学。比如之前做线下零售,现在来做电商商品运营;之前做传统CRM,现在来做用户运营;之前做广告投放,现在做渠道推广;之前做传统企业的经营分析,现在做58、饿了吗、滴滴这种大量依赖线下组织的互联网企业的经营分析。
这些业务的经营模式是类似的,只是用户群/推广方式/营销方式/产品形态某个方面发生了变化。在进入这些自己有一些熟悉,又有些不了解的领域的时候,可以先对自己要服务的业务流程进行梳理,看看到底哪些是过去经验可以用的,哪些是不能用的。从具体流程入手,可以进步更快。
等级3
等级3,常见于同行间跳槽的同学。比如都是电商、零售、互金、游戏、广告行业的,只是换个公司。经营模式,运作的套路都大同小异。这时候虽然是新领域的,但实际上大部分技能可以复用。不能确定的,是到底这家企业目前状况如何。这时候可以从理解现有报表入手,通过解读报表数据,观察报表使用情况,了解情况自己部门的地位、KPI、问题。对现状有判断之后再下手。
这里要切记用力过猛。很多同学在同行跳槽的时候,是要了50%,100%,甚至150%的涨薪幅度的。巨大的涨薪幅度+熟悉的行业,会让这些同学们头脑发热。觉得自己必须快速做出成绩,让老板刮目相看。可要清醒的是:即使自己再懂套路,也并不了解这个企业的状况。到底这个老板关注什么问题,到底自己要怎么走流程,到底借力哪个部门能把数据成果落地,通通不知道。这时候就得从报表开始一步步来。用力过猛的下场,往往是做了一堆东西不被老板认可,或者根本推进不下去。即使不被扫地出门,自己也会信心崩溃的。
等级4
等级4,常见于内部调动的同学。比如从分公司到总部,比如从总部到分公司,比如换了个职能。这时候看似开启了一个新环境,可实际上大家是知根知底的。这时候可以做大量的准备功课,要学习的是,自己所在的这个新职能到底关注什么问题?这个问题之前是怎么处理的?为什么没有处理完?领导的期望是什么?
摸清底细,就可以直接切入问题了。这时候要避免因为自己很熟悉情况,就想当然的代入自己的想法大干一通。很有可能做的东西不对新领导的胃口,最后被发配镇守边疆。
对还在面试同学的提醒
如果是面试遇到这个问题,还有3点要注意:
第一点:空口说“我学习能力强”不如做一份《业务对比表》。
在面试前,了解下自己要去的企业是干什么的。和HR问清楚,到底自己面试的是什么部门,见得是什么人。然后通过资料收集,具体分析下自己现在做的事和对方有什么差别。收集对方的财报、新闻、第三方报告数据,然后整理成表。即使现场不出示出来,也能在聊天过程中有问有答。这样能极大提升通过率。
第二点:说100句“我会做”,不如一句“我做过”。
所有的面试官,不管是HR还是用人部门,都喜欢吃现成的。与其大讲自己的思路、方法、意识,不如直接上几个例子。比如之前自己是怎么做一张新报表,分析一个新专题,做一个新模型。先摆事实,再说自己有学习思路,这样更容易赢得信任。
第三点:理论知识与实操技能各占一半。
要注意的是,陈老师前边讲的全是实操。可实际上有些领导是很理论派的,自己就很喜欢钻研书本。所以完全说我进来后一二三四步,可能被这些人质疑:“你都不学些经典理论的?”但注意,同样是这波人,又很喜欢显得自己很懂理论,你真讲“我喜欢看书,我爱研究理论”很有可能因为某些观点跟他们撕起来。所以最好的办法就是讲自己感兴趣,但不专业(想拍马屁,可以加一句:所以特别期待领导指导),比如我会研究有关工作的XXX著作,但是更看重实际应用。这样不容易踩雷。
——热门课程推荐:
想学习PYTHON数据分析与金融数字化转型精英训练营,您可以点击>>>“人才转型”了解课程详情;
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29