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
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 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 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 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 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 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 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07