京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21