從一名大學老師轉行做數據分析

Ⅰ 我也已經25歲其實就有轉行的打算了，想轉數據分析大數據行業，我大學本科是和這個專業相關的，

來得及就趕緊哦
首先，大數據行業的入行門檻至少是大專及以上學歷，按照大多數人受教育的年紀來說，大專畢業至少21+，本科生至少22+，研究生以上學歷年齡會更大，不少人的職業生涯是從本科或研究生起步的，那樣少說也得二十四五了
現今大數據人才的來源主要靠市場培訓，市場上的大數據培訓以技術入門為主，不少人是程序員轉行做大數據的，大多數程序員是大專及本科畢業後入職，經過幾年職場歷練後，程序員在工作中不僅對業務知識有一定積累，且對IT行業也有自己的積累和理解，這樣意味這部分人進入大數據市場有先發優勢，同時意味著他們年紀也應該在25歲+

Ⅱ 如何轉行做數據分析

第一步：統計概率理論基礎

這是重中之重，千里之台，起於壘土，最重要的就是最下面的那幾層。統計思維，統計方法，這里首先是市場調研數據的獲取與整理，然後是最簡單的描述性分析，其次是常用的推斷性分析，方差分析，到高級的相關，回歸等多元統計分析，掌握了這些原理，才能進行下一步。

第二步：軟體操作結合分析模型進行實際運用

關於數據分析主流軟體有(從上手度從易到難)：Excel，SPSS，Stata，R，SAS等。首先是學會怎樣操作這些軟體，然後是利用軟體從數據的清洗開始一步步進行處理，分析，最後輸出結果，檢驗及解讀數據。

第三步：數據挖掘或者數據分析方向性選擇

其實數據分析也包含數據挖掘，但在工作中做到後面會細分到分析方向和挖掘方向，兩者已有區別，關於數據挖掘也涉及到許多模型演算法，如：關聯法則、神經網路、決策樹、遺傳演算法、可視技術等。

第四步：數據分析業務應用

這一步也是最難學習的一步，行業有別，業務不同，業務的不同所運用的分析方法亦有區分，實際工作是解決業務問題，因此對業務的洞察能力非常重要，而這個能力是需要在工作之中一點一滴的積累，也許目前是做零售，會用到一些相關回歸方法，但轉行做電商，又會用到其他的挖掘等方法。業務雖千變萬化，但是分析方法卻萬變不離其宗，所以掌握好技術用到任何一個環境靠的只有是業務經驗的積累。

Ⅲ 轉行數據分析師後悔了

轉行這個詞彙，一直是職場上此起彼伏的一個熱門話題，相信很多朋友都想過或已經經歷過轉行。工作可謂是我們生存乃至生活的主要收入來源，誰都希望擁有一份高薪又穩定的工作，以此來改善自己的生活和實現自己的大大小小的夢想！但又擔心轉行後的工作待遇達不到自己的預期，顧慮重重…… 時下的大數據時代與人工智慧熱潮，相信有許多對數據分析師或大數據分析師非常感興趣、躍躍欲試想著轉行的朋友，但面向整個社會，最不缺的其實就是人才，對於是否轉行數據分析行列，對於能否勇敢一次跳出自己的舒適圈，不少人還是躊躇滿志啊！畢竟好多決定，一旦做出了就很難再回頭了。不過如果你已經轉行到數據分析領域，就不要後悔，做到如何脫穎而出才是關鍵。下面對於希望轉行數據分析的零基礎小白們，在對於進入數據分析行業需要學什麼、數據分析行業薪酬待遇如何、如何更好地掌握數據分析領域的技能，都是一臉茫然。因此本文給出一些建議，針對想要轉行數據分析行列且是零基礎轉行的小夥伴們，希望對你們有所裨益，也希望你們將來學有所成，不後悔，更不灰心！ 一、知識儲備 數據分析作為一門交叉學科，需要掌握多方面的知識。 1)數學與統計基礎： 數據分析是指運用統計方法和分析工具對大量數據進行分析，挖掘出其潛在規律及價值，為經營決策提供科學嚴謹的理性依據。其中當然離不開數學與統計學的知識，需要有微積分、線性代數、概率論與數理統計等相關的知識儲備才行。 2)分析工具： 掌握基礎的數據分析工具Excel與統計分析工具SPSS的用法。 3)SQL資料庫語言： 數據的存儲便離不開使用資料庫，需掌握SQL資料庫語言在關系型資料庫系統中進行增刪改查等操作才行。 4)編程語言： 數據分析的進階需要會使用一門或多門編程語言，如Python和R，這將會使你的數據分析變得更加高效。 5)機器學習演算法入門： 如果需要的話可以學習常用的分類、回歸、聚類和降維等的常用演算法以及它們的優缺點和使用場景，這將是你轉行進入公司的加分項哦。 二、行業分析 在學習數據分析的知識方面也不能落下對各個數據崗位的了解，接下來介紹數據分析行業中崗位，大致分為四個方向：數據分析、數據挖掘、數據開發、數據產品。 1)數據分析師 從事數據採集、整理、分析，發現問題，分析問題，得出結論，為公司的決策層提供數據支持。偏向於業務。 2)數據挖掘工程師/演算法工程師 利用模型訓練數據，從海量數據中挖掘規律，預測或分類對象，主要偏向編程和演算法，對統計理論知識要求偏高。 3)數據開發工程師 設計、搭建並維護基礎設施，以提供數據收集、存儲、處理、計算等平台。偏代碼開發，需要在代碼能力上彌補，但與純技術棧的程序員相比需要一定的業務邏輯。 4)數據產品經理 主要負責以數據為導向提煉需求、設計、規劃、項目排期至項目落地，以及後期的產品改進和優化等。 三、心態歷練 1)一定要用細心、耐心、和平靜的心態去做數據分析。 數據分析是個細活，根據二八原則，其中數據的處理將佔去數據分析中的八成時間，如果數據處理不當將影響接下來的分析，需要良好的心態減少犯錯誤的概率。 2)具有獨立思考與換位思考的能力。 數據分析並不僅僅是為了完成一些業務上面的數據需求和論證。數據分析者應該在理解業務的基礎上，要有自己獨特的見解，擴大自己的思考范圍，提升洞察力。同時要換位思考，從多角度看待數據和使用數據。不同的人，不同的角度看問題都能得到不同的效果。

Ⅳ 轉行做數據分析可以從哪些職位開始

直接就是數據分析，主要是分析的思想，統計軟體只是必要的工具。網路：轉行之家

Ⅳ 如何轉行做數據分析師

數據分析也分很多種，業務方向，數據挖掘，大數據方向
業務向：基本業務知識+數據分析思維+數據工具

Ⅵ 什麼崗位適合轉行做數據分析

轉行做數據分析師，和一個人的從事的崗位沒有太大的關系，因為說到的是「轉行」，就是從一個和數據分析相關性或交集程度很弱的行業，轉到數據分析這個行業。

如果你現在的崗位是在做報表分析或產品市場分析，或者電商、金融行業的市場定位以及產品的分析設計等等，並沒有直接和數據分析打交道，那這不算是轉行，頂多是學習了一門新的技能，在原有的基礎上，提升了自己的綜合實力，為自己博得了增值的砝碼。

如果你學生時期本身就是學習數理統計或計算機相關專業，那麼恭喜你，相對來說你會學得比較容易上手，比較輕松一點。

不過，這只是簡單的從過去的知識背景出發，但不能代表全部，學習數據分析時，學習者的興趣、耐心和決心都是相輔相成，缺一不可，很多人一開始對數據分析非常的有興趣，但在慢慢地學習過程中，卻覺得數字過於枯燥，無法堅持不下來，最終就不了了之了，這樣即使背景再強大也是於事無補的。

所以，如果你打算轉行數據分析，就一定要想得清清楚楚，一切事物都是有風險的，誰都無法預測未來會變成什麼樣，但有時候人是需要一些果斷的（不是沖動），想好了就不猶豫。

Ⅶ 工作兩年，想轉行做數據分析，不知道路怎樣走

轉行數據分析，和一個人的崗位沒有多大聯系，因為說到的是「轉行」，就是從一個和數據分析相關性或交集程度很弱的行業，轉到數據分析這個行業。如果你一開始就是做報表分析或產品市場分析，或者電商、金融行業的市場定位以及產品的分析設計等等，本身就是和數據分析打過交道的，那這不算是轉行，頂多是提升或增值自己而已。
數據分析行業，一般來說，需要學到的主要是概率統計、Excel、SQL、python基礎知識、Tableau、pandas包、SPSS軟體、Power BI 、matplotlib包等，如果你學生時期是學習數理統計或計算機相關專業，那麼相對來說你會學得比較容易上手，比較輕松一點。但這一切都是從過去的知識背景出發，不是全部，學習數據分析，興趣、耐心和決心相輔相成，缺一不可，很多人一開始對數據分析還是很有興趣的，但慢慢地就覺得數字很枯燥，堅持不下來，最後就不了了之了。
所以，如果你打算轉行數據分析，就一定要想得清清楚楚，一切事物都是有風險的，誰都無法預測未來會變成什麼樣，但有時候人是需要一些果斷的（不是沖動），想好了就不猶豫。

Ⅷ 如何轉行到數據分析師

近年來數據分析行業大火，人才緊缺，就業前景好，薪資高！職業發展廣，起點好！
轉行數據分析師需要的技能大致分為六個模塊：
(1) Excel
零基礎學數據分析師一定要從Excel入門，因為Excel是處理小型數據量企業用的最多的工具，在基礎數據分析師與數據運營崗位中具有極其重要的地位。
(2) Mysql
SQL同樣是零基礎學習數據分析的核心內容。因為作為數據分析師，你首先要解決的問題就是你要有數據來做分析。通常企業都會有自己的資料庫，數據分析師首先得根據業務需要知道自己要從企業資料庫中提取哪些數據。
(3) Python
Python的基礎對於數據分析師而言是非常重要的。對於十萬級或者百萬級數據量而言，Excel和BI都會因為運行卡頓而變得完全無法使用。然而在實際企業運用中，一次性處理十萬級以及百萬級數據又是非常常見的。而Python則是處理這種中量級數據的利器。
(4) BI商業智能工具
BI可以理解成Excel圖表透視表的高級版。BI是將表與表相連，然後得出很多指標圖。它是一個大屏的看板。有了這個看板，領導層在監控企業業務方面就有了非常直觀的數據，以供他們及時做出決策調整。數據分析師需要做的是快速挖掘數據價值，將這些數據轉化成有用的信息，讓企業決策有數據依據，從而驅動企業決策和運營。
(5) 數理統計與數據運營
數理統計和數據運營方法論是數據分析師的理論基石。數理統計包括概率論，統計學，線性代數，以及基礎的微積分理論。這些內容都不需要理解的很深，但是對它們的原理以及內涵都需要有所掌握。
數據運營方法論實際上是學習各個行業所運營的分析模型。對於想往管理路線發展的數據分析師來講，數據運營是必須要學習的知識。其實數據運營知識也不復雜，就是根據自身業務需求將指標拆解到最細，然後運用同比和環比兩種數據分析方式。
(6) 機器學習
最後一個進階要求數據分析師掌握對大量數據分析的能力。這個階段的數據分析是利用大量的歷史數據構建出一套數學公式（也就是演算法），用這個數學公式去對未來進行預測。比如說：一個人大量地刷體育短視頻，根據演算法可以得出這個人可能對觀看足球比賽的騰訊體育會員感興趣。這類推斷和預測對於商業世界是有著極大變現意義的。

Ⅸ 轉行數據分析的親身經歷

轉行數據分析的親身經歷

今天和大家聊一個非技術性的話題：轉行。全篇無代碼，但是我想對於這個話題，很多朋友都非常感興趣，畢竟工作伴隨著我們的一生，也是主要的收入來源，誰不想找一份高薪又有前景的工作呢？

是否要轉行？

有些朋友對於是否該轉行一直抱有遲疑態度，轉行會不會有風險啊，轉行以後萬一後悔了怎麼辦啊，轉行是不是要重新學啊，等等一系列的問題。這些問題大多數人都想過，博主也想過。畢竟工作是人生大事，轉行當然也需要萬分的謹慎。但是，一切事物都是有風險的，誰又能夠預測未來怎麼樣呢？有時候人是需要一些果斷的（不是沖動），但是需要自己想清楚，想好了就不猶豫。下面，博主結合自身，談一談要自己轉行的幾點考慮吧，供大家參考。

現所處行業的未來發展
分析現在所在行業在未來10或者20年裡是否有很好的發展前景，說實話這個是不好判斷的，但就目前而言，傳統製造等行業一直處於萎靡狀態，而互聯網和金融行業是比較熱門的領域。但這些都是見仁見智吧，每個行業做到極致都會有不錯的發展，每個人的理解也不一樣，但是博主選擇了互聯網金融行業。

現所在公司的發展狀況
一個公司的發展好壞可以直接從領導CEO身上反映出來。領導是否有長遠眼光，有管理能力，以及領導是否認真幹事，會直接影響公司未來發展。博主所在公司領導層不斷更換，並且內部管理非常差，不重視技術水平，工作效率巨低，所以導致一直在走下坡路，這種情況就沒理由呆下去了，畢竟要考慮個人的發展。當然，很多小夥伴本來的工作可能就很好，那就要權衡一下利弊了，看你是否真的熱愛這個行業。

現所在公司的學習環境
對於職場菜鳥而言，選擇一個公司其實是在選擇一個好的學習環境。如果有機會去一個好的團隊即使薪水低，那也是值得的，因為你鍛煉的是學習能力，有了這種能力，你才會有更高的價值。當然，就目前而言，如果你覺得現在的公司已經沒有什麼可以讓你學習的了，或者說遇到了瓶頸，那我覺得也可以考慮換換環境了。

自己的生活需求
對於很低的薪水無法滿足生活需求，那麼這時候迫於生存也只能考慮轉行。各種房貸車貸款的壓力如此之大，通過轉行增加收入也是一個有效解決問題的途徑，但也是需要結合其它考慮而慎重選擇。

興趣愛好
是否對轉行的行業感興趣。興趣是最好的老師，如果自己本身對這份職業不感興趣，僅僅是因為薪水等一些外部因素而轉行，那麼可能也不會太發展的太久遠。

基於以上問題，博主進行了認真的思考並最終做出了轉行的決定，因為對於我而言，每個問題都說的很通。當然這里絕非誤導大家轉行，只是給大家多提供一個參考。

我的轉行經歷

博主從開公眾號起前2個月開始接觸Python語言，然後接觸到了數據方面的技術，包括爬蟲，數據分析，數據挖掘，機器學習等，一直到現在仍然在堅持自學，我相信只要堅持結果總不會太差。直至今日，我可以說自己算是入門了，但需要學的東西還有很多。雖然這個過程比較艱辛（白天上班，晚上學習），但是由於興趣的激勵，也並未感覺太累，反而覺得很有成就感。

前一陣子，博主覺得自己可以嘗試著找找這方面的工作了，於是開始在網上投遞簡歷。很多網投的小夥伴肯定有過類似的經歷，那就是石沉大海（其實是我太菜）。你會發現投遞的幾十份簡歷一個回應的都沒有，於是在這個過程中開始對自己有了一些懷疑，尤其是對於像博主一樣的轉行求職者們，因為相比於科班出身的競爭者，我們沒有太多優勢。在這種情況下壓力是很大的，曾經想過裸辭，但這是很不明智的。但沒有辦法，既然踏上了這條路，就必須堅持下去。好在目前數據分析，數據挖掘這些崗位的市場需求量很大，所以機會還是很多的。

十份不行，就投二十份，二十份不行就投三十份（當然在這個過程中是需要不斷反思修改簡歷，並同時不斷學習鞏固，不然還是徒勞）。還有，一定要尋找身邊的一切資源爭取內推機會，內推面試的成功率還是蠻大的。慢慢的，開始有公司邀請面試了，雖然不是BAT，但是都是規模還算比較大的公司。

博主在過去的兩周里一共面了5家公司，數量不多，崗位是數據分析/數據挖掘（根據招聘職位而定），其中3家給了offer。其實，這對於一個從零學起轉行的求職者來說，結果我還是非常滿意的，同時也給自己增加了一些信心。下面介紹一下面試公司的概況以及面試結果。

聲明：這是我的個人經歷，只供借鑒參考，並非適用於所有人。

面試結果

博主這里只列出其中三個給offer的公司。

面試公司一（offer）

規模：上市公司(互金)

崗位：數據分析師

月薪：13K

面試公司二（offer）

規模：上市公司(地產商)

崗位：數據產品經理

月薪：15K

面試公司三（offer）

規模：初創公司(移動APP)

崗位：數據挖掘

月薪：20K

面試總結

總的來說，所有面試的經過還算順利，但博主每一次面試後都發現了自己的許多不足的地方，下面總結一下。

面試預約
接到的大多數電話面試都是下午快下班的時候，如果公司對你感興趣，會問你明天是否願意來面試（記得給HR回郵件）。博主每次都爽快的答應了第二天面試，但這其實並不一定太好，因為自己根本沒有太多時間來准備。如果你特別中意這家公司，我認為最好還是准備充分再去面試效果會更好。我自己一般會留一天時間來進行面試前的准備。

面試准備

利用面試前的時間來仔細研究一下這個公司的發展狀況，組織架構，運營模式以及崗位的需求，最好能夠在面試公司的業務或者技術上提出一些好的建議。技術細節上可准備的東西很多，這些更多在於平時的積累。這時候就沒必要再去研究具體的技術細節難點了，而應該把控整體，我一般會把寫在簡歷上的內容，比如項目經歷等都過一遍（需要自己真實的做過才行），以免被問到細節問題尷尬。

談話技巧

可以說這部分也佔了很大的權重，如果你可以侃侃而談，和面試官聊的很high，那基本也就成了。我認為最重要的就是不緊張，保持常態，即使被問道了不會的內容也別慌，虛心請教面試官，一來可以讓他感覺到你的學習熱情，二來會讓面試官感到很有面兒。第二個就是觀察，可以通過觀察面試官的表情來判斷面試官是否滿意你的回答或提問，然後及時改變回答策略。其中一個面試，HR英語特別好，博主硬是用英語陪她聊了10多分鍾，這也讓HR很滿意（當然前提是你的英語水平也不錯）。第三個是多提問題，與面試官的互動是非常關鍵的，如果面試官說到一個點上恰巧你能夠緊接著很好的提問，那麼整個談話的氣氛就活躍起來了，面試官會認為與你想法很契合（博主拿下了三個面試官的微信）。

技術內容

幾個面試中多數面試官都會針對項目經歷仔細提問，問的很細，目的在於考察自己是否真實做過項目，認真思考過問題。當然也會問道一些細節的知識點，有很多基礎的問題博主並沒有回答的很好，這部分還需加強只能慢慢積累了。也問了一些其他問題，比如某個機器學習演算法的優缺點，給你一個應用場景，你會傾向於選擇哪個模型演算法來解決，再比如給你一個場景，如何進行A/B測試等問題。對於數據分析而言，機器學習和爬蟲等並不是必須，但是加分項。就像博主在簡歷中提到用爬蟲爬取鏈家全網數據，然後做數據分析挖掘，沒想到在幾個面試中都有加分。關於這部分，博主會另開一篇詳細介紹。

公司選擇

對於最終公司的選擇上肯定要考慮多方面的，待遇，發展，上升空間等。我的建議是選擇公司要把眼光放長遠，尋找一個好的團隊，畢竟是轉行，還是要以能學到東西為主。以下是幾點選擇公司的考慮：

大公司 or 小公司
大公司一般規模比較大，每個崗位分得比較細，平台大，資源好，格局大。小公司一般崗位劃分很粗糙，一般一個人要干所有的活兒，每個環節都能接觸，進步成長速度會非常快。作為轉行人員，我個人傾向於大公司，但是如果小公司有不錯的機會也是可以考慮的。

風險 or 穩定
一些初創公司的未來發展其實是很不明朗的，像很多P2P公司看起來不錯，但是幾個月倒閉的也比比皆是。這時候需要評估一下自己是否可以承受這種風險，高風險也就有高回報，所以很多初創公司提供的薪水才會比大公司高很多。可以嘗試性的問問公司的現金流，融資情況，是否考慮上市等相關問題，來評估一下風險度。我個人傾向穩定發展的大公司，即使是初創公司最好在D輪融資之後是比較穩健靠譜的。

團隊專業水平
這個其實通過與面試官的談話過程就能看出這個公司的技術水平怎麼樣，如果面試官的水平很一般，一些問題還沒你清楚，那麼你想想你來這能學到啥，可能薪水很高，但是你未來的價值卻沒有提升。

薪水高 or 薪水低

傻子都知道薪水高好，但是還需要把握以上提到的一些原則性問題，不能因小失大。在符合自己基本標準的情況下當然薪水越高越好了。

這段時間里，博主深刻體會到轉行的不易，所以把自己轉行的經歷給大家做了一個簡單分享，希望對正在轉行或者准備轉行數據分析，數據挖掘方向的朋友們有所幫助。一句話，堅持就是勝利。

Ⅹ 如何轉行做數據分析

第一步：統計概率理論基礎
這是重中之重，千里之台，起於壘土，最重要的就是最下面的那幾層。統計思維，統計方法，這里首先是市場調研數據的獲取與整理，然後是最簡單的描述性分析，其次是常用的推斷性分析，方差分析，到高級的相關，回歸等多元統計分析，掌握了這些原理，才能進行下一步。

第二步：軟體操作結合分析模型進行實際運用
關於數據分析主流軟體有（從上手度從易到難）：Excel，SPSS，Stata，R，SAS等。首先是學會怎樣操作這些軟體，然後是利用軟體從數據的清洗開始一步步進行處理，分析，最後輸出結果，檢驗及解讀數據。

第三步：數據挖掘或者數據分析方向性選擇
其實數據分析也包含數據挖掘，但在工作中做到後面會細分到分析方向和挖掘方向，兩者已有區別，關於數據挖掘也涉及到許多模型演算法，如：關聯法則、神經網路、決策樹、遺傳演算法、可視技術等。
第四步：數據分析業務應用
這一步也是最難學習的一步，行業有別，業務不同，業務的不同所運用的分析方法亦有區分，實際工作是解決業務問題，因此對業務的洞察能力非常重要，而這個能力是需要在工作之中一點一滴的積累，也許目前是做零售，會用到一些相關回歸方法，但轉行做電商，又會用到其他的挖掘等方法。業務雖千變萬化，但是分析方法卻萬變不離其宗，所以掌握好技術用到任何一個環境靠的只有是業務經驗的積累。
當然考個CDA的數據分析師證就更好啦