2022年即将结束，我们将迎来2023年，每到这个时候，我们都需要做总结以及写年度计划，那么势必就需要“拉表”。作为一名数据分析师怎么能不会写数据表呢？一起来看看怎么做吧。

到了年底，又要做明年的工作计划。那数据分析师的2023年工作计划该咋写？总不能写“我去年拉了500张表，今年继续拉表”吧！而且，工作计划涉及绩效考核，要怎么写才能既体现自己能干，又不给自己挖坑呢？

一、常规工作计划写法

大部分常规工作，可以用：GSA计划法

• Goal 目标：今年要达成XXX量化指标
• Strategy 策略：通过XXX方法完成目标
• Action 行动：分XX步，在XX时间完成

举个简单的例子，比如销售部门，可以写：

G：实现1个亿小目标

S：老市场维持8千万现状，新市场完成2千万业绩

A：老市场每月定期拜访客户，新市场每季度完成500万任务

大部分业务部门的工作计划都可以这些写，只是G有不同，S的复杂程度有差异。然而数据部门的工作计划没这么简单，因为数据部门工作性质不同。

二、数据分析的特殊性

数据部门特殊性，来自：它是一个被人给予过高期望的支撑部门。一方面，领导们都觉得数据分析应该起到“助力决策”“赋能业务”“推动增长”等高级作用。另一方面，数据分析的日常，却又大量消耗在临时取数中，每天跑数都忙不过来，谈啥高级作用。

这让数据分析部门很纠结，如果光写“满足业务取数需求”，领导们经常表示不满，如果贸然写“提升业绩500万”，又不知道从何落地。更不要提，类似数据清晰、埋点管理、口径统一一类又脏又累的工作，干得辛苦却不被人理解。

其他一些支撑部门也有类似问题，但没有数据部门严重。比如售后部门，虽然也是支撑部门，但是大家没有很高的期望。于是售后部门只要根据业务增速，测算一下对应的服务需求，安排劳动力即可。

顶多加一个提升服务体验/发现二次销售机会之类。比如IT部门，虽然也是支撑部门，但日常消耗有限，重大开发需求往往是业务提前定好的。根据开发需求，制定开发计划，之后按部就班地做即可。

那作为数据部门，该如何破局呢？

三、从目标选择开始

综合来看，数据部门有三大任务：

1. 让高层看到数据部门在干活！！！
2. 对业务有一定的促进作用。
3. 完成大量基础、常规数据工作。

这三条中，日常需求是最不愁的，业务永远都会要数，怎么高效率的解决需求，把精力释放出来做一些有价值的项目才是重点。只要经常汇报，高层就会看到我们的工作，但是怎么让高层相信我们发挥了“助力决策”“赋能业务”“推动增长”等作用，还是得靠具体项目落地。所以第二条才是破局关键。

第二条是这三条里最难做到的。因为想对业务有用，业务部门的配合度有很大关系。如果业务不配合，你再辛苦地做模型/做报表/做报告/做看板，也是肉包子打狗一去不复返。所以下一步，就是明确：和谁合作更好。

四、确认合作方式

首先得分清业务部门四种类型（如下图），原则上和精兵锐将的合作是最好的，最能出成果。退而求其次的话，虾兵蟹将也不错，起码不惹麻烦。和其他两类合作都得谨慎给分析结果和建议，不然分分钟被喷。

看起对象以后，可以进一步了解需求。有些同学会陷入误区：做的东西，技术上越复杂就越厉害。其实完全不是，在业务眼中，给他们不知道的东西，才是最有价值的。如果早在他们预料之中，哪怕你是用很复杂的模型计算的结果，他们也会说“我早知道了！”所以了解需求时，最好摸一下每个部门的底，到底他们知道多少，到底他们想知道什么。

常见的，比如：

1、业务部门的新工作。比如新上线的产品、新做的推广、新做的活动。凡是有新工作，意味着需要数据采集、数据监控报表、数据复盘报告整套内容。

2、经典的业务难题。比如怎么选款能成功，怎么衡量活动效果，怎么提高投放效益。如果业务想合作，这些都适合做深入的专题分析，并且结合ABtest看结果。

3、更全面的数据呈现。比如之前零零散散有若干张表，业务领导希望能一张表全面看完所有东西。此时很适合基于BI做数据看板。

4、更快速的数据响应。比如之前是每周下发周报，业务领导希望能每天有进度更新（销售部门类似需求最多）。此时也适合基于BI做数据看板，下发到每个小组。

还有一类需求最常被问到，就是预测！实际上，当业务想不清楚该怎么做的时候，他都会提：“你给我预测预测”，但很多问题压根就不是预测问题。一定要多问一句：

• 如果业务说：“我不清楚外部环境如何，预测一下”，这是个数据采集问题
• 如果业务说：“预测下要怎么做才能提高收入”，这是个业务优化问题
• 如果业务说：“预测下销量我好控制库存”，这也是个优化问题
• 如果业务说：“预测下哪个产品能成功”，这是个测试问题

总之，不要听到预测就开始掏模型硬怼了，拆分业务问题，该采集数据采集数据，该诊断业务流程诊断流程，该做测试做测试。站在对业务有用的角度输出成果，而不是听个名字就开动了。

最后整理完各部门需求（如下图），可以有取舍的放到年度计划里，这样就搞掂了目标。

五、明确落地细节

在落地的时候要注意：“产品化”才是数据部门的出路。虽然都是一个数字，用BI/excel/口头都能报告，但是尽量用系统实现。“当初求数像条狗，看完报告嫌人丑”是常态，只有源源不断的上系统，做产品，才能保证数据部门能不断招人，不断提醒大家数据的价值，直接展示“数字化”建设成效。这一点切记切记。

因此，在明确落地细节的时候，优先排BI开发需求。所有数据监控、数据评估、数据复盘需求，能固定下来的，全部走开发，做成数据看板。

所有模型、用户画像分析结果，产品分级结果，全部入数仓，进CDP，做成固定更新的标签。临时性、测试性活动，可以固定格式，走自动化报表。总之尽量干掉临时取数，多出来的时间精力，才好做更多项目性工作。

最后记得确定各个项目交付时间节点。一般来说，一年四个季度，每个季度都有成果交比较好。年底业务都在冲业绩，因此数据输出成果也以“助力业务”“支持大促”之类的数据报表，分析报告为主。

那么响应的，年初就比较适合做一些基础工作，比如前文说的，数据整合、梳理，固定报表开发。年中就比较适合配合业务试点，做一些复杂的测试/专题分析，得一些分析结论，体现数据分析“降本增效”“推动增长”

整个安排可以如下图：

以上，当然每个公司组织架构不同，数据部门规模、分工有区别，可能具体情况有差别。