
作者 | CDA就业班·毕业学员
我本科就读的是一个非临床类医学相关专业,在大四近一年的专业实习过程中意识到自己并不想在本专业领域内继续发展,彼时互联网行业发展如火如荼,随着各行各业的不断渗透交集,以及企业对专业人才需求的全面性越来越看重,我知道了并不是只有计算机专业才能进入互联网行业,像产品,运营,市场等等这些职位,其他专业都可以从实习生开始做起,逐渐学习再转行的。
最后还是因为本专业加上大药企实习经验,毕业后进入一家互联网医疗公司做销售,这就是我和数据结缘的开始。其实销售并不是大家想的那样,在路边向陌生人推销东西,互联网公司的销售对数据的依赖比我们想象的要大得多。提高销售人员拜访效率的秘密武器就是对庞大的客户群产生的数据进行分析,进行用户画像,从而有针对性的拜访,很多大公司的销售支持岗位明确要求有数据分析能力。
之后又去了一家生物技术公司,做用户运营相关工作,在此期间掌握了较多的用户体检,运营,产品相关的知识,这些知识的掌握对一个数据分析师也是必须的,我们做任何的数据必须和业务结合,对业务掌握的越好,才能恰当地应用数据分析产生的价值。同时我也为自己未来的发展感到迷茫,觉得自己没有掌握一个像样的技术。
这个时候我的一个前同事从CDA毕业,顺利找到工作,在一天的时间内,我了解数据分析行业,意识到自己在大学时期高等数学,统计学,数据库的课程学得都非常不错,数据分析其实在我近两年的销售,运营,用户体验的工作中一直有涉及到,另外近年来数据分析的发展前景非常之好,全世界的大学都在扩招数据专业的学生,当时立即就做出了辞职的决定。
在18年底开始了脱产学习,CDA的课程很紧凑,每天都很忙碌,课程循序渐进,由浅入深,从EXCEL学到PowerBI再到SQL,之后又复习了大学线性代数,微积分,统计学的内容,为后来难度更高的SPSS,PYTHON中的假设检验,算法,模型等的学习和理解奠定了基础。每一板块的课程结束后就会有相应的案例课,大家可不要忽视这些案例课,比如李奇老师的案例课,对数据分析思路的讲解就对我们后续找工作和实际工作中很有帮助。毕业答辩大家也要很重视,这是我们难得的做大型项目的机会,好好做,把每一个步骤搞清楚,理清数据分析思路,找工作的时候就靠它来出彩了。
三个月的学习时间过得很快,接下来就到了找工作的时候,刚才也说到了,我的毕业时间不长,但是工作经历较多,每段工作时间也都不超过一年,本科也不是统计,数学,计算机,信息技术等这些相关专业。尽管我在老师指导简历的基础上,又把自己的项目每一个步骤放到了知乎上,链接写在了简历里,开始的一周一个面试都没有,后来听了李老师的建议,继续修改了简历,改变了投递策略,第二周开始陆陆续续有了面试,陆续面试了十几家公司,有大有小,有互联网行业,咨询行业,传统行业,国企等,面试多了后,有些发现,大多数招聘单位都希望能找到和招聘岗位有相同或者类似工作经验的人,能马上上手的人,或者就是统计数学专业的人,不满足以上条件的同学,就比较难找到满意的工作。这也是一个考验心态的过程,不仅是耐心,还有对每次面试的思考,对自己的反思,同时最重要的是面试技巧。
除了就业老师课上介绍的面试技巧,还有一个技巧,我人为最重要的是,了解即将要面试的公司,了解它的业务,产品,模式,发展历程,融资情况等,重点是反复阅读招聘信息中的岗位要求和岗位职责的每个条款,确认自己能够满足每个条款中的要求,不能满足的,那就在面试前通过查阅资料或者看书去了解甚至掌握。我举一个例子,比如后天去面试一家电商公司,它家的岗位职责就是对电商数据处理和分析,假如我们之前并没有电商数据分析经验,这个时候就要去看李奇老师的电商案例,去网上搜一些电商数据分析常用的指标,在面试时适当引用,结合自己的项目举一反三。经历了多次失败后,我最终在一家互联网医疗公司找到了合适的职位。
仅仅找到工作还是数据分析之路的开始,不过在CDA这三个月学习,已经让我养成了下班后学习和遇到不懂得去找资料学习的的习惯,实际上在工作中遇到的困难更多,为了能顺利度过试用期,为了能在数据分析道路上走的更远,不断充实自己才是王道。
下面给大家介绍一下我的学习课程——CDA数据分析就业班,希望有致力于加入数据分析行业的朋友,可以和我一样,在CDA学习的这几个月里,不断增值自己,逐步开启人生新的方向,让我们都可以由此出发,走得越来越远,也发展得越来越好!
直达课程页面:
https://www.cda.cn/kecheng/6.html
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10