数据分析工作计划三大铁律

1、捆绑公司其他部门工作。

2、输出内容，新建》优化》保障。

3、以其他部门可感受的方式进行量化。 

举例：

经过这样的优化，能很大程度上体现数据的价值，比闷着头自己写：我干了XXX要好用。要知道：大部分其他部门的人（包括大部分部门的老板）都不咋懂数据原理，有数/没数，帮你赚钱/省成本，稳定不出错，才是大部分人更好理解的工作成果。

在做计划的时候，就锁定了任务目标，后续做绩效考评就轻松了。从而从根本上，避免：“你做的这个有啥用！！！”的质疑。

当然，这只是基础写法，深入考察数据分析的本质，还有更好的做法。

三、工作计划的进阶做法

从本质上看，一个数据从产生到使用有四步。

这四步，对应着数据分析的三项重要工作（如小图）

以下部分是重点： 

基础建设，是无论如何都不会体现为功劳的。

干的好是你该干的，干不好你滚蛋。这才是基础建设的真实地位。所以，如果接了基础建设的活，比如要做埋点、要设计/维护业务部门用的大宽表，要建指标、核对口径这些。请务必和公司的关键项目，重大政策，多部门联动等等大事捆绑在一起！这样执行的时候阻力小，论功的时候才容易算账。 

比如：加强埋点质量，要写成：

l 公司2021年重点增长项目子项目

l 填补原微信裂变渠道数据不足的空白

l 总监控渠道从15个增加到20个

l 总用户标签从100个增加到120个

这样才好量化，才好让大家感受到工作量，考评的时候才好说事。

如果不熟悉这种写法，就看几天新闻联播里是怎么播铁路通车的：

l 国家十三五重点项目……

l 总通车里程达1500公里

l 原5小时行车时间缩短到2小时

l 填补了从XX地区到XX地区无高铁的空白

就是这个味！

数据生产，核心是工具化三个字。

不做工具化，到底人家看了没看，看了多少，都不知道，根本无法量化产出。而在所有的工具化里，新建永远比优化更容易体现功绩，所以要先列新建的目标。 

工作输出物，越显眼越好：

l 数据大屏比数据看板显眼

l 数据看板比数据报表显眼

l 数据报表比Excel报表显眼

l Excel比邮件发几个数显眼

所以在做工作计划的时候，多跟业务部门沟通，今年有啥重大活动，有啥重大项目，先收集清楚。然后尽量推显眼的数据产品出去，其他庞杂的需求该推就推，该招人填坑就招人填。这样才更容易体现成绩。 

数据使用，核心是场景。

越具体的场景，才越有可能用。给销售开个报表，估计看的 1%都不到，直接在企业微信下发任务提醒，不点击的也得点，阅读率就直线上去了，想考核效果也好考；

给供应链做预测模型，如果非得预测100%准，神仙都搞不掂。如果场景具体到：减少错误选款的代价，估计有机会把明显扑街的选款挑出来；

给运营做用户画像，如果非得穷尽用户特征，估计干到死也没啥用。但是如果具体到筛选高潜力用户，剔除羊毛党，可能几个特征就搞掂； 

所以想让数据有用，场景得谈的非常细才行。越细的场景越好。最好是一套数据四五个应用场景，这样才能实现效益最大化。计划做的细，评绩效的时候才有一堆东西可以写。

四、数据分析做计划的核心难点

数据分析计划难，考核难的核心在哪里？ 

所有人，都是口头上说：

l 数字化转型真重要

l 数据分析好有用

l 要数据驱动业务 

可真到评定绩效的时候，就会问：

l 公司双十一5个亿，有几块钱是你这么模型做出来的，几块是其他人做出来的？

l 你写sql，开发小哥也能写啊，运营也能写啊，你有啥特殊贡献？

l 销售看你这个报表和不看你这个报表，能多挣多少钱？

l 数字化的事多了去了，你出个数就数字化了？ 

这才是数据分析所有难点的根源！所以在做计划的时候，就得认真梳理场景，选好方向，才能在考评的时候一帆风顺，不然方向都选出了，计划定成流水账。自然没有好结果。

-END-

转载请注明：电商实战教程 » 数据分析的年度工作计划，这样制定才合理！