
作者:接地气的陈老师
来源:接地气学堂(公众号)
又到了一年一度的年终总结+述职报告环节。有很多同学表示:有没有模板可以抄抄,今天它来了。
考虑到每位同学做述职的性情不太一样,有的想出人头地,有的只想交差了事,有的早就对公司不满恨不得马上离职。因此,我们今天会给几个个性化版本,大家参照自己的需求来写。
01、版本一:负分粗俗型
使用场景:想被领导骂的时候
范文:
我一年都好忙啊,都在写代码,写的啥我也不知道
写作要点:很多做数据分析的同学,其实没有什么项目经验,也没有正儿八经建模,每天都在做人肉sql机,跑一堆数。这时候会觉得似乎天天在忙,却不知道忙什么。于是容易一着急就胡乱写几句。
明明自己是做数据分析的,写的报告连个数字都没有。通篇只有“忙”“累”“多”“好多”“真他妈多”这种形容词。这种报告最容易被领导批斗,除了挨骂没啥好处,大家引以为戒。
02、版本二:交差了事型
使用场景:无欲无求,交作业了事的同学
范文:
写作要点:如果只是想交差的话,记住这个句式:我+完成了+XX任务。搞掂!这样可以直观清晰的向老板表达:交代的工作我做完了。为了克服版本一的问题,我们得把“到底这些代码是为了啥?”这个问题交代清楚。因此需要分门别类。
数据分析最常见的五种产出就是:临时取数,报表,专题报告,模型,数据产品。可以分开五部分来写。每一项工作,又有新建,更新,优化,迭代(删除/合并)四个状态,也可以分开写。这样看似混乱的日常工作,就能进行清晰的分类了。
有些同学会抱怨,说:我做了分类,发现我的工作90%都是更新报表,按照固定的格式输出报表day by day by day by了365个day……这实在没啥价值啊,写不出手啊!是的,如果真的工作只有固定更新,那真的没啥价值。今年的绩效考评就放弃吧,明年多问问自己,为啥平时如此安于现状,也不想着折腾点出成绩的东西。
03、版本三:锦上添花型
使用场景:想在领导面前留个好印象
范文:
2020年内,本人完成工作如下:
写作要点:想锦上添花,就不能光干巴巴说:我做了什么工作。而是得说:我创造了什么价值。同样是干活,领导从来更关心的是:谁的产出更大。但数据分析师和销售、运营、产品经理不太一样,有独特写法。
数据分析工作与销售的最大区别,在于数据分析是个辅助岗,打BUFF的。所以不能像销售那样直接吹:我为公司挣了1000万!数据分析工作与运营的最大区别,在于数据分析是个支撑岗位,不像运营那样抛头露面,能大吹:我们的活动吸引1亿次点击,拉动DAU增长30%。
作为一个辅助+支撑性岗位,你要是大喊:我为公司挣了1000万,销售和运营会一起跳起来说:没有我们你挣个屁。你要是大喊:我写了10万行代码,大家会一起骂:“你不写,谁写?不写滚蛋”。
因此,数据分析师想要体现成绩,关键是取得外部门的认可。因此,可以从如何助力、如何赋能、如何辅助的角度来说,比如:
请注意,这四点是有先后顺序的,顺序是:支撑≥避险≥增强≥建议。因为支撑类是最刚性的,无人可以扯皮的助力。比如双十一领导想看即时交易额,那就得做数据大屏,不做没得看。这个功劳独一份是数据的。
避险和增强都能反映到业绩上,但避险的认可度是高于增强的。这就好比,把一个60分的学生教到90分很难,但指出来“就是那个人考0分,拖全班后腿!”很容易。指出业务没发现的问题,砍掉两个项目,ROI立马提升。实际上,这也是财务、审计等部门在领导面前邀功的常用手段(有意思的是,他们也是基于数据分析得出:“要控XX费用”的结论的)。
增强类本身难做,并且需要业务配合,比如精准营销,比如产品推荐,比如需求测试,虽然看起来是数据做了很多分析工作,但脱离运营的优惠券,其实效果没那么大。所以很容易扯皮。
至于建议类,鬼知道你写的建议人家听没有。即使听了,从一个建议到最终业务产出之间,还隔着十万八千里呢。费用、落地计划、系统开发、页面设计、商品选择、分工合作、客服对接,哪个环节都比一个建议要重要。所以除非是有业务部门主动提出的:“这个建议很好”,一般情况下数据分析师不会主动炫耀所谓建议。
看到这又有同学说了:老师,我平时都从来不问数据有什么用,跑完数交了就完事了,到这我也不知道该怎么写。额,如果是这样的话,今年的考核就放弃吧。记得明年不要这么干了。
平时陈老师总是喋喋不休的,每个分析单元都会讲“这里可以这样结合业务,那里可以那样输出价值”就是备着这一天,以后看分析方法,不要光纠结数字怎么算,多看看落地场景哦。
还有同学说:老师,既然是要别的部门认可,人家不认咋办?本质上,解决问题的办法是正式立项,通过项目来解决问题。除了立项,还有个操作细节,就是多拍照,多发邮件。比如业务领导邮件回复了:分析的很好!good,截图为证。
比如双十一庆功会,大老板们在数据大屏前合影,good,拍照为证。比如在部门例会上做数据分享,good,拍照为证!总之平时多留证据,防止大家事后忘了提起裤子不认人。
04、版本四:绵里藏针型
使用场景:求职or在大老板前露个脸
范文:
写作要点:这里和版本三只有一个区别,就是自己给自己贴了个标签。并且这个标签是直观能理解的。有同学会好奇:这么一点点动作,能有大作用。有!当然有!上一个给自己贴大屏小能手的同学,才24岁月薪已经破3万了,哈哈哈。
因为述职汇报很有可能是向上上级汇报(比如面对大部门总监或者CTO,COO)这里就有一个问题:如何最快速的让外行理解内行。这是数据分析师从低级往高级发展必须解决的核心问题。
因为在外人眼中你就是个弄个数字,不懂行的人,是很难理解做hadoop与打算盘有什么区别,因此很难与你感情共鸣,也就很难认可价值了。况且这是面对老板,老板们下属很多,老板们的时间都很少,所以必须在最短时间内把自己价值展现出来,和老板建立感情联系,标签就是最好用的工具。
打标签的办法,就是从一个和老板最贴近的事入手,比如报表、大屏,报告。先打一个生活化标签,让老板回忆起来,然后再列数字。这样就能快速建立印象,又有数据支持,显得脚踏实地,效果非常好。
这一招在面试时也非常好用。面试的时候一般要面HR、用人部门直属领导,用人部门上上级领导,大老板,这几关。大部分情况下,只有直属领导才懂具体业务,其他的人根本不懂,也不怎么care(特别是hr,这些文科生就是在招聘需求里把spss和python写在一起的人)。因此用几个标签,快速建立印象,就很容易脱颖而出。
以上就是年终述职的连环套路。看完大家会发现,述职只是一纸文书。真正证明自己的,是平时的大量工作积累+认真总结分析。我们说,既要低头走路,又要抬头看天,即是如此。出来打工就是为了挣点钱,要多做让别人快乐的工作,才能更好地体现价值。想要自己快乐,还是去消费的好。很多同学看完可能很泄气,觉得今年平时没做好工作,积累的太少了。没事,至少大家现在看到努力方向,明年我们继续一起努力。加油!
——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
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14