京公网安备 11010802034615号
经营许可证编号:京B2-20210330
我只想在前言中说,这篇文章更多地反映了我是如何走到今天的。我并不是说你会通过遵循同样的步骤来实现同样的事情,但我认为这可能会为你提供一个独特的视角,这是你以前可能没有想过的。
说到这里,让我们深入研究一下吧!
为了让我的收入翻一番,我主要做了三件事:
今天,许多人倾向于像比特币这样的高风险、高回报投资,试图“快速致富”,但正如沃伦·巴菲特所说,你能做的最好的投资是在自己身上。对于那些没有钱投资但又想改善财务状况的人来说尤其如此。
通过简单地提高自己的技能,学习数据科学和机器学习,我在一年内将工资提高了40%。
在过去的一年里,我主要关注三个领域:
数据操作(SQL/Pandas)
在我看来,使用SQL和Pandas进行数据操作是最重要的领域,给我带来了最大的好处。从我的经验来看,最多的时间花在查询数据、探索数据和争论数据上,所有这些都需要SQL和Pandas。在我所有与数据相关的工作中(增长营销分析师、数据分析师、数据科学家),SQL一直是一个共同的标准,可以说是数据专业人员最重要的技能。
以下是我用来自学SQL和Pandas的资源:
脚本(Python)
我开始使用Python是因为学校的原因,我可能会在我的余生中坚持使用Python。它在开源贡献方面遥遥领先,而且学习起来很简单。
我强烈推荐以下两个主要资源来开发您的Python技能(除了做辅助项目之外):
但是当然,不学习机器学习,做一个数据科学家是多么有趣啊!下面是我在职业生涯开始时使用的两个最重要的资源。
如果你想了解各种机器学习算法,请查看我在这里的文章。
我实际上写了一个为期52周的课程,包括SQL、Pandas、Python和机器学习,你可以在这里查看。
既然我已经介绍了我在哪些方面提高了自己的技能,您可能想知道我是如何做到这一点的,这就是我接下来要讨论的内容。
你们中的一些人可能知道,我发起了一个名为“数据科学和机器学习52周”的个人倡议,在那里,我每周学习、编码和写一些与数据科学和机器学习有关的东西,持续了整整一年。这主要是为了让我能够在持续的基础上保持自己学习新东西的责任感。
在写了100多篇文章,建立了2万多名读者的追随者基础后,写作现在占了我总收入的25%左右。
以下是三个让我获得成功的秘诀:
提示#1:找到你擅长写的东西、你喜欢写的东西和人们喜欢读的东西之间的交集。
这是我总是给有抱负的作家的第一个提示。理想情况下,你想找到一个利基,满足所有这三个东西。
如果你发现了一些你擅长写的东西,你也喜欢写它,但人们不喜欢读它,那么你就不会建立一个追随者基础(假设你关心这一点)。
如果你发现了一个你擅长写的话题,人们喜欢读它,但你不喜欢写它,那么你就不会持续太久,因为你会失去兴趣。
最后,如果你发现了一个你喜欢写的话题,人们也喜欢读它,但你不擅长写它(例如,因为你没有足够的专业知识),那么你可能不会得到任何吸引力。
所以,在你旅程的开始,找出你的利基。我将在技巧3中详细说明这一点。
技巧#2:理解您正在编写的平台的机制。
无论您是使用Medium、Substack、Patreon还是其他博客平台,请确保您花时间了解该平台是如何工作的。
我不能说太多细节,但理解收入是计算出来的,平台如何帮助你自己做广告,诸如此类的事情是需要考虑的重要事情。
通过了解媒体的机制和它是如何工作的,我能够最大限度地扩大我的外联,最终更快地增长我的追随者基础。
下一个技巧将帮助您实现技巧1和2:
提示#3:在创建内容时考虑“利用vs.探索”的概念。
为了找到技巧1中这三个方面的交叉点,并理解您正在编写的平台的机制,请考虑开发vs.探索的概念。
这个想法来自一个名为“多臂强盗问题”的统计问题。我不想太详细,但“探索和利用”背后的主要思想是决定是探索并发现新的潜在想法,还是利用您已经知道的有效想法。
在你写作/写博客生涯的开始,探索和尝试尽可能多的想法,看看什么最适合你,这是你最感兴趣的。这意味着写不同的主题,在不同的出版物上发表,并可能尝试新的写作风格。
随着你在写作风格和偏好上的发展,你可能会偶然发现一个“食谱”,让你在写作中取得持续的成功。这时你可以开始利用这个突破,在你的秘密公式上加倍努力。
总而言之,在你的旅程的早期尽可能多地探索,当你开始定义自己并找到成功时,开始利用那些让你成功的洞察力和想法。
我剩下的一点收入来自与数据科学和机器学习相关的自由职业项目。我从事的项目包括撰写技术论文、撰写营销内容和建立模型。
当我刚开始工作时,我只从自由职业项目中获得最低工资。这是有道理的,因为我没有太多的经验,我也不知道我值多少钱。然而,到了年底,我可以每小时收取50美元以上的费用。
我的大部分收入来自科技行业的老客户。事实上,我也不必接触其他人--我可以通过我的数据科学和机器学习博客来吸引客户的注意力,我认为这是本文的重点。
我的数据科学和机器学习博客不仅帮助我在一致的基础上学习,还帮助我建立了自己的追随者基础,并帮助我获得了几个自由职业客户。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19