京公网安备 11010802034615号
经营许可证编号:京B2-20210330
北京CDA数据分析就业班50期学员
姓名kmell:庞同学
毕业院校:北京工业大学
专业:信息管理与信息系统
入职信息:玖富集团,数据分析师,北京
就业感言:
一、学习阶段:(远程版)
由于一些个人原因选择了远程学习的方式,较现场学习而言,从学习的态度和方法上都有很多不同之处。
首先,远程学习需要较强的自控力和持之以恒的耐心,并不会有人严格监督你的打卡和听课质量,所以在了解自身情况的基础上去选择适合自己的方式才是一个好的开端(自控力不足的小伙伴建议果断现场学习,理想很丰满现实很骨感)。持之以恒的耐心在于三个月的学习对我们来说并不是一个很短的周期,在整个学习的过程中,各模块知识点对你来说可能有难有易,有感兴趣的也有不太关注的,那么就需要去平衡他们,找到良性循环的方式:最基本的要保证听课的完整,因为无论哪部分内容总有你不太了解的知识点,先保证漏斗的开口足够大,才能为最终吸收的知识奠定基础;接下来要明确哪些内容是你的核心需求,因为人的精力都是有限的,不可能一上来就把方方面面学到极致,在学习前我们都应该明确自己的目的和目标,课程内容的设置也都能提前了解到,对于你的目标工作岗位的核心技术要求就是需要你重点关注的,那么无论难易都要花更多的时间精力去学习和练习,这些内容具体的排期你也要了解以便提前准备不受其他各种因素影响,比如SQL,统计知识等(像python和机器学习就要看每个人具体的目标岗位的设定了);三个月下来,我们并不需要保持每天时刻的高率学习(当然我们也做不到),而是应该有的放矢,劳逸结合,达到事半功倍的学习效果,这样也有助于我们保有持之以恒的耐心。
其次,学习方法上我使用三种模式(但对于远程小伙伴而已,保证这些模式效率的前提是你手边最好准备两台电脑,一台直播课程,一台跟着操作以及记录):
1. 对于熟悉或容易的知识点,上课用xmind做笔记,建立知识框架,紧跟课程节奏,熟悉的知识点简要记录,重要以及易忘的可以突出标记,课后根据框架梳理一遍并补全课上没记全的内容,例题和作业自己都再单独完成一遍,确保思虑清晰完整。
2. 对于不太熟悉且重点模块的知识,最好提前预习,不然上课就是完全懵(至少可以把涉及到的一些基本概念先理解一遍),上课遇到难点不理解的可以先记录之后找机会询问,尽量在当天多理解多记录多询问,还可以课间/晚自习讨论或上网搜一些资料答疑解惑,因为录播一般都是第二天课后才更新,当天课程如果落下太多可能会影响第二天的听课效果。但看录播复习也是重要一环,在整个课程的学习中,我对于不熟悉的知识点通常都会在后期观看2-3遍录播视频,每多学习后面的一部分知识再回过来复习前面的内容都会有新的认知理解和收获,同时对于知识点之间的连接也非常有帮助。
3. 对于知识的运用是我们学习的最终目的,所有的理论知识也都是为了支持实践,第三个模式贯穿整个学习过程,就是建立一个练习文件夹,像SQL,Python可以搜罗一些练习题来熟悉命令操作等。其他模块可以利用网上的数据或自己工作上的数据甚至是老师提供的练习数据,去作为一个分析项目来完成,从数据提取,清洗整理,描述性统计甚至建模做一些挖掘工作,到最终的数据可视化及数据分析结论报告的产出。项目输出的完整性既有助于我们把各部分知识整合起来,还锻炼了分析问题的思路,从中我们还会遇到很多实际问题,去解决,去优化,切身感受数据分析工作中的点滴(课程后期的案例和你自己学习过程中完成的一个个小项目都可以作为将来面试中的项目经历)。
二、就业阶段:
对于找工作的过程,我总结了几个关键点:
1. 准备要充分:如果说前面的三个月的学习都是纸上谈兵,那么找工作就开始真枪实干了,请拿好枪再上战场,不然一次次的失败可能会让你失去勇气和信心。简历和面试技巧在面试前老师都会协助我们做准备,但面试终究是要自己单打独斗,所有写在简历上的内容以及从面试时说出来的话,都必须是我们提前准备好且对答如流的,不然干脆就不要提及(这是亲身踩过的坑,不要给自己挖坑)。
2. 面试节奏和优先级安排:建议趁刚学完对知识比较熟悉的时候保持每天2个的面试量,岗位或公司不太满意的也不要一味拒绝,可以排在理想公司面试的前面,作为一个锻炼自我的机会,完善面试经验,为后续更好的发挥做铺垫。
3. 保持良好心态:心态为什么重要?如果你的能力不行,那么心态再好也没法通过面试,但是如果因为前期的失利导致自己心态崩了,不自信,破罐破摔不好好去准备后面的面试,那么那些本可以抓住的机会可能也就此错过了,导致陷入恶性循环,所以正视每一次的面试结果,总结问题。
最后,希望小小分享可以给小伙伴们带来一些帮助,也祝愿大家都能通过学习丰富自己,最终get到自己理想的工作
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