
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
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17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