
l 采访老师:欢迎大家来到CDA持证人专访,今天我们邀请到了赵森妙,目前在药企行业担任数据分析师,可以和大家打个招呼!
l 嘉宾:大家好!我叫赵森妙!我之前一名药企的VP助理,外企和内资的药企都是有经历过,因为接触过较多的数据分析,确定是我自己感兴趣的发展方向,目前的话刚转行到数据分析行业半年的时间,目前主要的工作是针对销售数据进行多维度的数据分析,针对不同层级,不同维度做可视化分析报告,给到业务人员指导方向;
l 采访老师:在药企行业做数据数据分析师是一种什么体验呢?可以举一些详细的业务例子吗? (一些工作内容,可以以一个业务展开,让大家了解你的工作)
l 嘉宾: 作为药企数据分析师,首先跟大部分的行业是一样的,我们需要花费大量的时间和精力来收集和整理数据,进行数据清洗和转换,提供可视化分析报告,撰写分析报告和提供解决建议;
l 采访老师:从事您这份工作,哪些技能是必备的?(从哪里获取数据源、哪些工作分别常用哪些工具等)
l 嘉宾:除了通用的统计分析技能之外,对医疗行业、医疗行业的销售技巧、流程、业务节点等都是需要了解的;比如说医药行业中药店和医院的关系,处方药在药店和医院查流向的区别;同时对于医院来说,进药和没有进药对于销量的影响,对于存量的核实;如果不了解,很多时候对于销量的数据可能有时候会存在失误的判断;
l 采访老师:针对销售数据,你主要是从哪些维度进行分析的呢?
嘉宾:现有的销售数据的话,主要从月、季度、年份的时间分类汇总,同时做好同比、环比分析,排名状况分析,了解实际所处的位置和变化情况; 另外就是按省份、地级市、医院、人员等角度做好增长分析和排名分析,了解横向的变化及所处的位置;另外很重要的一点是根据计划完成情况进行对比,做好优秀典型的分析及未完成原因分析;
l 采访老师:说到给业务人员指导方向,哪些方法是你比较看重的呢?(原因分析、未来预测、现状分析等等可以展开讲讲~)
l 嘉宾:作为数据分析师,在与业务沟通的时候,我也做不到对各项数据信手拈来,但是我一般会事先准备好几方面的数据;有一个比较好的方法,举个例子:我可能会参考矩阵图的分类方式,从自身增长及市场增长两个方面来看,哪些省份和地级市是比较典型需要拿出来说的,比如说市场占有率很高,但自身还是负增长的,是明显存在问题的;另外再结合在全国的排名及其他维度的各项数据分析各个地方的优势和存在的问题,这个优势点是否能够带来增长,且是否可以给其他的地方作为借鉴;如果确实是通用可以借鉴的,那么在别的会议上我也会去推广建议;同时利用这个优势点在现有地方已经能够带来的量,我们大致预测其他地方未来的增长量,都可以结合起来看;接下来的这个地方工作重点是否这个,如果是,那么目标也好定了,目标值也定好了;大概是这样,树立标杆及推广共性的优秀方法是我也比较看重的一个点;
l 采访老师:您为什么想要转行到数据分析师呢?是什么机遇下让您转行成功呢?
结束语
其实前面有好几年我都在做商务支持,助理类的相关工作,但这个工作有一部分其实有很多工作是与数据分析部门打交道的,比如在做指标合理性分析、辖区调整、汇报ppt等,我都会参与到与数据部门讨论的过程中,这些经历其实让我对数据分析埋下了一颗向往的种子的;我觉得数据是一个非常有意思的一个事情;这是一个很考验能力的工作;这是一个需要观察思考能力、快速了解业务能力、表达能力和持续不断学习能力的岗位,另外所产生的价值其实也是无法衡量的,所以我是很向往的;机遇的话,说来也巧,我是当时领导的一位朋友,需要招这么一个岗位,需要有一定信任度的人,正好我领导呢一来是了解我的长处,二来也是了解我的意向,所以向他推荐了我;然后我就如愿以偿的拿到了这个岗位。
更多考试介绍及备考福利请点击:CDA 认证考试中心官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09