京公网安备 11010802034615号
经营许可证编号:京B2-20210330
编辑:Mika
大家好,我是来自CDA就业班的学员。今天打算跟大家分享一下我个人的求职经验,希望能给大家有一些帮助。
30岁跨行求职的困境
在求职过程中,我面临的有两个问题,一个是年龄上偏大,我现在30多岁。还有一点是我是跨行跨专业求职,打算入职数据分析行业。下面就针对我的个人情况,跟大家分享一下我的应对方法。
首先我在CDA学习了将近三个月,主要学到的内容有 Excel、SQL、Power BI、Python等,现在我主要从事的工作内容就是 Python数据分析,爬虫等方面。
总体而言的话,我觉得自己会的数据分析技能还不够。在刚参加工作那会儿真的很捉襟见肘。
在 Excel方面我个人认为,在学习数据分析相关内容的前提下,最好熟练掌握一些 Excel常见的快捷操作。这样在工作时就能更得心应手一些。
如今工作的场合相对会有一些内卷,对职场人的技能要求比较多。我刚去的时候,因为很多 Excel的操作经常干到很晚,当时我就想如果最初能多学习一些Python办公自动化的内容就好了,那么可能只需一两个小时就能迅速帮我搞定很多问题了。
因此可见,在数据分析基础岗位的日常工作中,能熟练使用Excel和Python有多重要。
从更高的目标来看,我们可以看到如今很多数据分析工作的招聘要求。当中除了像大数据很多相关的技能,还有包括算法、线性代数方面的技能。这类技能很难通过两三个月的学习就掌握,往往需要更多的时间学习以及实战应用。
因此这也是为什么我不太建议大家着急去找工作,工作后你可能80%的时间都被工作占用了,再想进行个人提升的话,就会比较难。而你如果一直在这样的一个恶性循环走下去的话,很有可能你的从业生涯也边缘化,甚至就有一定的危险。
目前我个人而言,在Python除了机器学习,还有网络编程这一块我可能不太行,但是像数据分析、爬虫等一些基本的技能掌握得还行。因此平时自己也会去做一些副业,帮别人写些代码。
在期间我也接触到了一些相关专业的学生,他们很多是来自大数据方向,还有人工智能方向的。据我了解,他们在学校中的课程设置方面,这也是如今很多从事编程工作人群的通感,学校中学的东西很多,全面性是有的,但是深度不够。包括人工智能、大数据、 Java等内容的知识体系是非常丰满的,但是总体而言深度有所欠缺。当然话又说回来,这类相关专业的同学要比我们这类转行人群优势大很多。
因此我的建议就是,如果你想转行数据分析行业,不要着急找工作,要多多提升自己的技能,同时工作后也不要放松个人技能的提升,总之要不断地学习。
值得深化的技能点
工作中,我感觉以下这些技能点是需要重点深化的。
在Excel方面,除了数据分析相关的内容,比如说像透视表,数据转化等基础操作,以及函数使用等方面都需要重点掌握,还要尽可能熟悉各种应用场景。
在SQL方面,我当时把网上的题基本都刷了一遍。现在很多工作对SQL的要求还是很高的,建议大家把SQL大数据相关的内容多多学习一下。
接着讲讲 Python。目前我Python因为我现在用的比较多,工作中需要用到Python做数据爬虫等工作。我之后发现,一些工作仅仅用Excel已经不够用了,效率比较低。
因此我强迫着自己好好地学了一下办公自动化。学了以后我发现还真 “人生苦短,我用Python”这句话说的太到位了!有了 Python办公自动化这些工具后,我工作的效率大大提升了。
举个最简单的例子,比如说要做员工薪资的汇总数据。这里可能涉及到多个月多年的数据。这种大批量的内容是难以用手工处理的。这里如果用办公自动化就能节省大量的工作量。
对于数据分析,Python能够起到胶水一样的作用,不仅能连接Excel,还能连接SQL,以及各种数据渠道。提取出数据之后,还能进行全流程的分析。同时还能对所有的结果进行可视化展示。
如果你要从事可视化相关的工作,那么就要多掌握Power BI或者Tableau这类可视化工具,并熟练掌握当中的功能。
求职前,先确定自己擅长的方向
在找工作时,首先是明确自己的方向,就是看一下自己擅长的领域在哪里。
我个人比较擅长算法或者数学逻辑这一块。我毕竟没有相关的数据分析从业经历,因此在业务方面比较薄弱。所以对于我而言,我的一个强项或者优势可能就要往纯代码、纯算法这个方向去转。
区别于互联网行业,传统行业可能给你的发展空间没有那么大,但是好处就是比较稳定,而且迭代性也不强,没有特别多的替代性产生。互联网行业的好处在于发展空间很大,然后当中机会很多,缺点就是迭代性很大,流动性也比较强。
业务能力强,技术薄弱
如果你感觉自己的业务能力很强,但是技术方面比较薄弱。你其实就可以考虑走业务分析这一块,重点是从事可视化或者报表类。那么你在Excel以及可视化的技术方面就要多下一些功夫。
技术方面较强,业务能力不行
如果你觉得自己技术方面比较强,比如在代码或者算法方面这些比较强的话。我就强烈建议你不要急着去找工作,先把技术基础先打牢了,争取一步学到位。随着如今数字化经济的不断深入,在各行各业中数据分析技能也慢慢成为了职场必需品。
业务能力、技术能力双废
如果你业务也不行,技术上又是二把刀,你基本上就是游走在职场的边缘。如果说有技术相对全面的应届生来跟你竞争的话,你很快就落下马来了。而到那个时候你再去学再去折腾,可能就真的是有点晚了。
求职时,如何掌握主动权
下面聊聊找工作这个环节。首先,自己的主动性要比较强。
我当时求职时比较波折。我的简历一开始自己写的不是太好,一开始找工作也没有大面积投。之后我觉得这样不行,就认真琢磨该怎么写简历。
我得到的结论就是,简历上不要做简单的陈述。你在上面写的东西一定是自己独有的,不能说是大家都有的东西,你也没干成也往上写,这样是太能够去吸引到别人。
写的时候并不是简简单单的把履历放上去,要思考你跟别人的不同之处在哪儿。把自己做过的事情尽可能量化、具体化出来。
比如我之前做过什么项目,就可以写写我在这个项目当中起到什么样的作用,然后我遇到了什么样的问题,是通过什么方法来解决的,最终得到了什么样的结果。
求职中我们还要明确,找工作是双向选择。不是说别人给到你机会你就能拿到offer,你要能够给企业带来价值。
如今职场对于价值的定义是比较高的。你在做事情的时候就要能做到稳、准、狠这三点,这个才是标准的工作状态。
尤其是刚工作的时候,你肯定是要面临的各种挑战,全程只要你很主动的话,机会是不断的。因此只要你保持乐观,积极去改变,努力去学习,很多机会都不会错过的。
如果说你想从事技术方面,那么你要学会做笔记。
可以把自己平时学到知识点、细节都可以通过图文的方式放到自己的在线笔记里。那么在遇到一些问题时,都可以便捷地查询出来。甚至说可以在最短的时间内,以当时理解的角度复现出来。我觉得这个能力也很重要,尤其像搞开发、做代码方面,你不可能对所有的细节都记忆犹新的,因此必须是有能快捷提取知识的能力。
比如我现在很擅长Python、办公自动化、爬虫这块,这里面有很多细节我学过,但是一下拎不出来。不过只要你要提一个需求,我很快就能够找到解决的方法,这就能如虎添翼。
以上就是我全部的分享了,希望能对大家有所帮助。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
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