数据分析师们常常陷入反复提取数据的窘境，这使得工作效率难以提高，也限制了个人能力的进步。如何摆脱这种困境，制定标准化的工作方法，并借此增强职业发展的优势，是这些从业者迫切需要思考的课题。
做数据分析最讨厌啥？
SQL Boy！
每天除了提数，就是提数，无穷无尽地提数。
下班时间是六点，五点五十五分时电话响了，来电要求你取数据资料，语气十分紧急，强调必须马上完成，因为老板急需查看。
他刚结束工作，又接着说：哎呀，结果跟我预想的不符，你再换一个数字试试看……
是不是恨不得顺着电话线过去砍了丫的……
数据提取是分析师的常规任务，本身没有问题。令人反感的是漫无目的地重复提取数据。这种做法效率低下，常常因为业务临时变动导致加班或重做，而且对个人能力提升作用不大，想要转行时也缺乏可展示的业绩，怎么办？
职场三大信条：隐忍、果决、抽身。通常情况下多数人都在默默承受，今天不谈隐忍。咱们重点探讨下，如何做到果决，怎样选择抽身。
一、如何改善盲目跑数状况
必须指出，SQL难题的深层症结，在于缺乏章法。许多人以为，稍加讨论，数据就能轻易获得。然而现实并非这样：
一个工作流程，需要好几个数据指标做监控
一个业务问题，需要好几个方面数据论证
每一个数据得有清晰的口径、计算规则
数据之间逻辑要清晰，才能组合说明问题
所以，采集的零星数据越杂乱，数据标准就越混乱，就越难以阐明核心情况。业务人员若无法把握关键点，就会不断索要更多数据，进而指责数据分析师能力不足。这就形成了不良的循环。为此，必须：制定明确规范。要切实回应业务部门的需求，而非仅凭口头承诺。这才是确保长期稳定的根本途径。
第一步：清晰取数用途
1、这个数据用于哪个业务？
2、这个业务是否是新业务？
3、如是新业务，数据采集情况如何？
4、如是老业务，是否已有报表？
5、本次数据和老报表关系是啥？
6、本次数据是否需要长期使用？
7、看到数据变化，是否有行动计划？
这是人们常提及的“七步取数法”。步骤看似繁琐，但口头说明仅需一分钟就能说完，请参考下图内容。因此不必担心交流不畅，若起始阶段表达模糊，后续操作会更加棘手。
第二步：取数需求排序
确立优先顺序标准十分必要。务必让相关部门明白：处理数据同样需要投入人力与时间。既然存在资源消耗，就必须遵循先后次序，明确主次关系。如此有助于科学调配任务，同时也能缓解部分冲突。对上级的请求理应优先处理，个人需求则需耐心等待，或者向直属领导反映情况，请领导协调安排等待事宜。
排序的时候，原则上：
1、提前3天提的优先排，当天提的靠后
2、老板签字、转发、@的优先排，小兵的靠后
3、需求清晰的优先排，需求不清楚的靠后
4、现有报表能大部分支持的，指引他看报表
5、涉及全新业务，重大活动的，单列，试着开一个项目来做
6、涉及现有报表缺数的，完成后提需求优化现有报表
需求优先级划分能够有效约束业务部门无序提要求，明确工作规范。真正重要的核心需求，可以优先保障资源投入，避免所有事项都临时追加资源。
第三步：需求管理与人力调度
需求优先级划分明确之后，就能够制定需求列表并对外公布。数据团队内部成员需明确职责，每人负责对接一到两个部门。这种方式有助于深入掌握业务内容，加强合作关系，同时也能让业务部门清晰了解自身需求进展，从而促进内部协调。对于级别较高的重点项目，可以采取封闭式管理，暂时屏蔽其他零散需求，集中团队力量攻克关键任务。
通过这三个环节，基本确立了规范体系，后续还能持续从即时数据中派生出专题研究、数据产品构建等任务，不断取得进步。
当然，这么做有个必要条件，就是企业环境得支持，数据分析部门的负责人要有追求。部分企业根本不重视数据，认为数据是随口就能要的。有些数据分析部门的负责人就是通过打压下属来晋升，整天进行精神控制：“这是在考验你”“你写sql的同时也能发现规律”“你能力提升了就不会有这种感觉了”，遇到这种情况就无计可施。接下来就是考虑如何离职。
二、如何在跳槽时证明价值
SQL Boy若打算更换工作，主要障碍在于：缺乏优质的项目经历。当面试官询问分析方案，或“你获取的数据有何意义”，他就感到无从作答。
首先必须建立自信，并非所有数据类职位都强调“商业意义”和“剖析方法”。数据类职位能够分为两种类型，即辅助型和业务型，辅助型职位主要是响应业务需求，提供数据报表/分析文档/数据可视化界面。
从事特定领域的，通常在职位描述中会直接说明，需要精通某个业务方向，比如常见的有：“客户拓展/通路分析/企业服务/推广策划”等。如果对行业认知不太强，选择辅助性质的职位会更好，这样能够避免不少问题。此外，去到一个规章制度更完善，数据部门规模更大的机构，对个人未来的成长也有益处。
另外，整理个人的工作履历其实不难。凭借SQL专长，可以操作数据库，这点比单纯使用Excel的同事更有优势。能够操作数据库，意味着可以自主整理信息，执行研究，逐步提升能力。所以，实际能接触到的资料种类才是核心要素。
一般来说：
核心在于交易信息，一旦能够获取交易信息，商品购销存情况，销售动态等研究工作便可自主进行，而且这些研究工作应用范围极广，几乎所有机构都有必要开展。
用户和渠道信息是重要支撑，只要企业拥有客户标识，并且记录了客户活动，就可以实施全部AARRR模型以及关联的用户剖析，只要企业具备实体经营场所或网络宣传，就能够开展全面的店铺评估和流程分析，此类研究的应用范围十分宽广。
其余信息仅作参考，例如客服、售后、物流、仓储、制造等领域的数据，若应聘岗位为特定职位（如客服研究、供应链研究），则具有一定价值。在多数情形下作用不大，仅能表明具备数据提取/看板制作技能。
所以，经常花时间梳理自己处理过的数据种类，然后寻找对应的统计资料或研究报告，掌握分析技巧，这样提升速度会显著加快。
而且，数据的使用是有固定方法组合的。
有数据报表，就能基于数据报表做业务走势监控
有了业务走势监控，结合业务动作，就能做初步的诊断分析
多个渠道/产品之间可以做分层，做对比分析，总结特点
有用户数据就能做用户分层，做各层级行为分析
这些内容源于数据统计，并借助解析手段得出，有助于个人在闲暇时间深化理解，为寻求新职位积累素材。若有遗忘，不妨重读《数据分析九大方法》的相关章节。
有了充分准备，面试就容易很多，起码支撑型岗位是可以搞掂的。
