
解读程序员人生的四大象限_数据分析师
程序员该去什么样的公司、做什么样的事情、拿多少钱,都取决于一个问题:你想成为一个什么样的人。工作只是人生的一部分,是用来支撑你人生价值的核心框架之一。在你自己没有想明白的时候,没有人能帮你。
写《穷爸爸,富爸爸》的罗伯特·清崎从现金流向将人类分成四个象限,从而总结出如下一张图。
这四个象限分别描述了不同的挣钱方式,这里我们从程序员的角度进行解读。
E象限是雇员象限,一般来讲,我们刚工作时都在这个象限中。这里是风险最小的地方,只要你准时上下班,没有一条SQL命令把公司的数据库清单,基本上都能每月领到应得的报酬。
程序员的世界是靠实力说话的(真好),所以如果你刚开始工作,此时刚刚进入成长期,不顾一切地学好和用好各种技术就行,不要想太多。当你工作2~3年,成长为资深程序员后,你才开始有资本选择路线。
E象限有两种典型的发展路线:专家线和管理线。它们之间最大的区别是专家线主要和机器打交道,而管理线主要和人打交道。专家线分析机器和程序,优化性能和数据;而管理线控制资源和进度,随时要和下属谈心、向上级汇报。如果在你眼里,人类特别是女人,是复杂而难以理解的存在,而你也不打算改变自己的想法,那么你不太适合管理线。
对安分守己的程序员来讲,风险最小的E象限本应是天堂,因为比起改变世界,他们更多的是很单纯地喜欢编写代码。但现实很残酷,北京、上海、广州的房价高不可攀。你可以不在乎房子,但是你女朋友能不在乎吗?你女朋友不在乎,但是她妈妈能不在乎吗?再考虑到将来小孩上学之类,只要你打算留下来,房子其实还是必需品。
在E象限,有一批幸运儿通过公司的期权和股票获得了足够多的财富,比如阿里的核心员工。但公司上市这种情况并不多见,所以更多的人主要还是通过月薪获取收入。
小提示
从我们的数据统计来看,一年到一年半跳一次的程序员的薪资会比几年一直待在一家公司的程序员高出至少50%以上。我们并不推荐频繁跳槽,但经常留意外部的机会是必需的。即使你不换工作,你也应该了解一下市场的行情。另外关于期权,如果你的公司还没到B轮及以后,那么请暂时当作没有期权这回事吧。
E象限的薪资通常是有天花板的,很多公司总监的月薪也就3万到5万,扣掉相关税费和每月花销,其实攒不了太多钱。如果公司一直不上市,那么回报就不会太高。
有时候我们为公司创造了很高的价值,却无法直接从里边获得收入,但如果是自己的公司,我们就可以把挣的钱全部放到自己腰包里。于是有一部分程序员选择了S象限,为自己打工,这个路线我叫它小老板线。
小老板线是有风险的,如果你长时间没有生意,就要饿肚子了。所以你要有卖得出去的东西。比如,我们可以开一家微博应用外包公司,给微博的粉丝服务平台做应用。这种面向企业的业务利润不错,一年一个单子就够本,两个单子就挣钱。但这种生意的难度在于你如何才能得到单子。
所以在S象限要活得舒服还是有技巧的:如果做外包,一定要有一个不错的客户渠道;依赖于大平台的项目最好能花点钱成为平台的合作伙伴;建站也是Web程序员做得多的方向,现在可以顺便一起提供移动APP,很多简单需求用HTML5打个包就能卖几万元。
如果你不懂发展关系(尤其是小城市),好吧,我猜你不懂,那么只能采用免费+收费模式。首先把你要做的业务中标准化的部分开发成产品(如CMS)在网络上免费传播,而其中需要定制的部分就可以收费了。开源和免费的Web产品很多,但同质化严重,很少有细分市场的产品,如果用心定位,养活一个小公司绰绰有余。
在S象限中,因为是自己开公司,通常员工也不多,所以可以有种很悠闲的活法,那就是逃离北上广,回归大自然。选择一个风景优美、空气清新的二三线城市,在湖边山脚开一个小工作室,写点小众的iOS和Android应用,卖给美国人,既没有房价的压力,还能花着人民币挣美元,这也是不错之选。
小提示
有读者问我什么样的应用才能卖得出去?当你对规模没有需求的时候,就可以去做一些很细分、很专业的工具,比如,之前一个把手机屏幕变成柔光箱的APP,从技术上说,它很简单,只是实现了背景图片的切换动作而已。但在为小物件拍照的时候,它就变成一个很好用的工具了,因此这个应用挣了不少钱。
B象限是创业象限,玩法和S象限区别很大,它是以规模化为前提的。投资、上市和出售是这个象限的关键词。
如果你从来没在创业公司待过,那么我不建议你独自创业。如果你没有独立做过能挣钱的软件、上万用户的免费APP、粉丝数5万以上的大号、每天PV10万的网站,那么先别离职创业,先选一个你喜欢的APP用业余时间感受下。不光是能力问题,也是喜好问题。我见过不少很厉害的程序员CEO,他们过得并不开心。如果你不喜欢伺候一群“爷”(也就是你的用户),那么别做CEO,还是做一个静静敲键盘的美男子吧。
对程序员来说,B象限中有一条低风险的捷径,你可以选择到创业公司做CTO,如果公司能快速成长,那么你就成为快要上市公司的CTO;如果公司不幸倒闭了,那么换一个创业公司接着当CTO。CEO需要为创业公司的失败承担很大的责任,而CTO不需要,他只要用心做好技术就行了。
在这里和大家强调一点,同样是CTO职位,初创团队的CTO和相对成熟公司的CTO差别是非常大的。
A轮融资(这个说法不一定精确,但大致如此)以前的公司主要在寻找商业模式,会频繁变更需求,对开发速度要求更高,这时候CTO只要能敏捷开发产品就可以了;A轮融资以后的公司着力于规模化,会有大量推广,可能在某些时间点遭遇高并发,同时技术人员、设备会迅速增加,这时候CTO需要考虑业务的高可用,还要能处理好团队、资源的管理工作。这时候CTO需要迅速跟上公司的发展速度,否则投资方会建议从大公司挖一个CTO,平心而论,这也是没有办法的事情。
这件事情的结果有好处也有坏处,坏处是作为初创团队的CTO你的压力很大,好处是如果你是被挖过来的那个CTO,那么你就实现了一次跨级提升。
E象限中,技术大牛和总监经常会因为拿到投资进入这个象限;
S象限中也同理,好的产品也经常被投资人看上。
如果你创办或所在的公司成功上市或者被收购,那么恭喜你,你很快就会有少则几百万,多则过亿的资产。这个时候,工作对你来说就是可选项了。
但钱多了,让钱保值、增值成为你的新课题。于是很多人开始做天使投资,其实技术人做投资存在一定优势,因为他可以很好地规避产品的技术风险。正因为如此,很多投资机构也很喜欢招聘技术创业背景的程序员,所以投资行业的程序员也开始多了起来。
职业路线图
当画出四个象限中常见的节点和流向后,我们就有了一张清晰的程序员职业路线图。相信从这张图里你可以看到很多熟悉的身影。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02