京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者:Evan
本文为「心中有数」CDA征文作品
大家好,我叫Evan,想和大家分享一下我转行到数据行业的过程。
这篇文章也可以看成是我的一个总结,我主要会从转行的背景,过程,以及上岸的心路做个交流。
我先从我的基本情况说起,方便大家根据自身情况做下对比,对自己转行有个更清晰的了解。
我90后,普通本科,专业经济学。毕业后折腾了一两年,然后在一家制造企业做了四年的数据相关的工作。
这里补充下,所在公司是一家制造企业,对数据需求量不是很大.环境相对闭塞。每天基本上是公司-班车-宿舍,做的工作主要EXCEL处理,另外还有大量的行政事项。
目前,我刚刚上岸,在一家化妆品公司从事数据相关的工作。
以上这是我基本的情况,接下来我会说下我是怎么转型的。
1. 离职的原因
我在上个公司工作了四年,离开时做了颇多的心理斗争。
仔细理理,离职的原因有三个:
2. 与数据结缘
在上个公司工作第三年的时候,我开始考虑转行。
在此期间,我从网络上开始了解到与数据分析的工作。随着了解的深入,考虑到工作中有数据的经历和数据行业的未来,我开始决定转行到数据分析的工作。
经过短暂的比较,我报了CDA数据分析的课程。选择的原因也比较简单: 成立时间长,口碑不错。我当初报的是远程班,课程是数据分析一级和二级的课程,学习的内容很多,EXCEL、POWER BI、SQL、统计学、SPSS和PYTHON... 周末上课,前后大概半年的时间。
3. 离职备战
在上完课半年后,我下定决心离职备战。
下班后,我的学习动力不是很强,总是按耐不住玩手机的欲望,大量的时间被消耗掉。反反复复过了几个月,我觉得还是得逼逼自己,就离职了。
4. 学习过程
从离职到上岸,我前后用了四个月的时间。我想从学习方向确定,情绪梳理和与数据相关的朋友沟通这三个方向来细说下。
首先是,从事数据分析需要掌握很多的技能和工具。常用的的工具有:excel、sql、power bi、python等。知识上需要懂相关行业背景和常用的数据分析方法等。掌握这些工具和技能从长远来看都是必须的。
从短期来说对于想要挑战又很大。掌握哪些工具以及掌握到什么程度,自己要提前做个规划。我当时备战的时候,觉得power bi很好,又认为统计学很重要,Python爬虫很有用,结果自己纠结来,纠结去,啥也没学,浪费了很多的时间。
在此期间我看了很多的招聘需求,发现很多要求是SQL和Python。到此为止,我在学习上有了基本方向,主攻SQL查询和PythonN数据处理。
学习技巧上网上很多,我觉得老师说的很对,就四个多:多看,多学,多敲,多问。
做到了这四个多,软件掌握程度必然会很高。除此之外,我认为再加一个多,多输。把自己练习过的案例或者学习过程分享到网上,一来方便自己回看,二来为将来求职提供支撑和帮助。
在备战的过程中,我觉得情绪的管理会很重要。
转行是一场未知的旅程,我们每天看到有限的弹药在消耗,又不知道什么时候会上岸,压力会超过很多预想。除了与人交流,自我对话也是很有的方法。自我对话会理清思绪,认识到自己的初心,强烈推荐试试。
学习的过程中难免遇到问题,除了自己网上查找资料,加入相关的社群求教也是很好的方法。在社群中多交流会学的很快,也能认识更多的同伴,了解更多数据相关的事情。基于此,我很推荐在群里交流和学习。
03、上岸
我是在家学习两个月后开始找的工作。
刚开始不是很顺利。后来自己做了些总结,主要三点:
以上就是我的分享,希望能对大家有所启发。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14