从一名大学老师转行做数据分析

Ⅰ 我也已经25岁其实就有转行的打算了，想转数据分析大数据行业，我大学本科是和这个专业相关的，

来得及就赶紧哦
首先，大数据行业的入行门槛至少是大专及以上学历，按照大多数人受教育的年纪来说，大专毕业至少21+，本科生至少22+，研究生以上学历年龄会更大，不少人的职业生涯是从本科或研究生起步的，那样少说也得二十四五了
现今大数据人才的来源主要靠市场培训，市场上的大数据培训以技术入门为主，不少人是程序员转行做大数据的，大多数程序员是大专及本科毕业后入职，经过几年职场历练后，程序员在工作中不仅对业务知识有一定积累，且对IT行业也有自己的积累和理解，这样意味这部分人进入大数据市场有先发优势，同时意味着他们年纪也应该在25岁+

Ⅱ 如何转行做数据分析

第一步：统计概率理论基础

这是重中之重，千里之台，起于垒土，最重要的就是最下面的那几层。统计思维，统计方法，这里首先是市场调研数据的获取与整理，然后是最简单的描述性分析，其次是常用的推断性分析，方差分析，到高级的相关，回归等多元统计分析，掌握了这些原理，才能进行下一步。

第二步：软件操作结合分析模型进行实际运用

关于数据分析主流软件有(从上手度从易到难)：Excel，SPSS，Stata，R，SAS等。首先是学会怎样操作这些软件，然后是利用软件从数据的清洗开始一步步进行处理，分析，最后输出结果，检验及解读数据。

第三步：数据挖掘或者数据分析方向性选择

其实数据分析也包含数据挖掘，但在工作中做到后面会细分到分析方向和挖掘方向，两者已有区别，关于数据挖掘也涉及到许多模型算法，如：关联法则、神经网络、决策树、遗传算法、可视技术等。

第四步：数据分析业务应用

这一步也是最难学习的一步，行业有别，业务不同，业务的不同所运用的分析方法亦有区分，实际工作是解决业务问题，因此对业务的洞察能力非常重要，而这个能力是需要在工作之中一点一滴的积累，也许目前是做零售，会用到一些相关回归方法，但转行做电商，又会用到其他的挖掘等方法。业务虽千变万化，但是分析方法却万变不离其宗，所以掌握好技术用到任何一个环境靠的只有是业务经验的积累。

Ⅲ 转行数据分析师后悔了

转行这个词汇，一直是职场上此起彼伏的一个热门话题，相信很多朋友都想过或已经经历过转行。工作可谓是我们生存乃至生活的主要收入来源，谁都希望拥有一份高薪又稳定的工作，以此来改善自己的生活和实现自己的大大小小的梦想！但又担心转行后的工作待遇达不到自己的预期，顾虑重重…… 时下的大数据时代与人工智能热潮，相信有许多对数据分析师或大数据分析师非常感兴趣、跃跃欲试想着转行的朋友，但面向整个社会，最不缺的其实就是人才，对于是否转行数据分析行列，对于能否勇敢一次跳出自己的舒适圈，不少人还是踌躇满志啊！毕竟好多决定，一旦做出了就很难再回头了。不过如果你已经转行到数据分析领域，就不要后悔，做到如何脱颖而出才是关键。下面对于希望转行数据分析的零基础小白们，在对于进入数据分析行业需要学什么、数据分析行业薪酬待遇如何、如何更好地掌握数据分析领域的技能，都是一脸茫然。因此本文给出一些建议，针对想要转行数据分析行列且是零基础转行的小伙伴们，希望对你们有所裨益，也希望你们将来学有所成，不后悔，更不灰心！ 一、知识储备 数据分析作为一门交叉学科，需要掌握多方面的知识。 1)数学与统计基础： 数据分析是指运用统计方法和分析工具对大量数据进行分析，挖掘出其潜在规律及价值，为经营决策提供科学严谨的理性依据。其中当然离不开数学与统计学的知识，需要有微积分、线性代数、概率论与数理统计等相关的知识储备才行。 2)分析工具： 掌握基础的数据分析工具Excel与统计分析工具SPSS的用法。 3)SQL数据库语言： 数据的存储便离不开使用数据库，需掌握SQL数据库语言在关系型数据库系统中进行增删改查等操作才行。 4)编程语言： 数据分析的进阶需要会使用一门或多门编程语言，如Python和R，这将会使你的数据分析变得更加高效。 5)机器学习算法入门： 如果需要的话可以学习常用的分类、回归、聚类和降维等的常用算法以及它们的优缺点和使用场景，这将是你转行进入公司的加分项哦。 二、行业分析 在学习数据分析的知识方面也不能落下对各个数据岗位的了解，接下来介绍数据分析行业中岗位，大致分为四个方向：数据分析、数据挖掘、数据开发、数据产品。 1)数据分析师 从事数据采集、整理、分析，发现问题，分析问题，得出结论，为公司的决策层提供数据支持。偏向于业务。 2)数据挖掘工程师/算法工程师 利用模型训练数据，从海量数据中挖掘规律，预测或分类对象，主要偏向编程和算法，对统计理论知识要求偏高。 3)数据开发工程师 设计、搭建并维护基础设施，以提供数据收集、存储、处理、计算等平台。偏代码开发，需要在代码能力上弥补，但与纯技术栈的程序员相比需要一定的业务逻辑。 4)数据产品经理 主要负责以数据为导向提炼需求、设计、规划、项目排期至项目落地，以及后期的产品改进和优化等。 三、心态历练 1)一定要用细心、耐心、和平静的心态去做数据分析。 数据分析是个细活，根据二八原则，其中数据的处理将占去数据分析中的八成时间，如果数据处理不当将影响接下来的分析，需要良好的心态减少犯错误的概率。 2)具有独立思考与换位思考的能力。 数据分析并不仅仅是为了完成一些业务上面的数据需求和论证。数据分析者应该在理解业务的基础上，要有自己独特的见解，扩大自己的思考范围，提升洞察力。同时要换位思考，从多角度看待数据和使用数据。不同的人，不同的角度看问题都能得到不同的效果。

Ⅳ 转行做数据分析可以从哪些职位开始

直接就是数据分析，主要是分析的思想，统计软件只是必要的工具。网络：转行之家

Ⅳ 如何转行做数据分析师

数据分析也分很多种，业务方向，数据挖掘，大数据方向
业务向：基本业务知识+数据分析思维+数据工具

Ⅵ 什么岗位适合转行做数据分析

转行做数据分析师，和一个人的从事的岗位没有太大的关系，因为说到的是“转行”，就是从一个和数据分析相关性或交集程度很弱的行业，转到数据分析这个行业。

如果你现在的岗位是在做报表分析或产品市场分析，或者电商、金融行业的市场定位以及产品的分析设计等等，并没有直接和数据分析打交道，那这不算是转行，顶多是学习了一门新的技能，在原有的基础上，提升了自己的综合实力，为自己博得了增值的砝码。

如果你学生时期本身就是学习数理统计或计算机相关专业，那么恭喜你，相对来说你会学得比较容易上手，比较轻松一点。

不过，这只是简单的从过去的知识背景出发，但不能代表全部，学习数据分析时，学习者的兴趣、耐心和决心都是相辅相成，缺一不可，很多人一开始对数据分析非常的有兴趣，但在慢慢地学习过程中，却觉得数字过于枯燥，无法坚持不下来，最终就不了了之了，这样即使背景再强大也是于事无补的。

所以，如果你打算转行数据分析，就一定要想得清清楚楚，一切事物都是有风险的，谁都无法预测未来会变成什么样，但有时候人是需要一些果断的（不是冲动），想好了就不犹豫。

Ⅶ 工作两年，想转行做数据分析，不知道路怎样走

转行数据分析，和一个人的岗位没有多大联系，因为说到的是“转行”，就是从一个和数据分析相关性或交集程度很弱的行业，转到数据分析这个行业。如果你一开始就是做报表分析或产品市场分析，或者电商、金融行业的市场定位以及产品的分析设计等等，本身就是和数据分析打过交道的，那这不算是转行，顶多是提升或增值自己而已。
数据分析行业，一般来说，需要学到的主要是概率统计、Excel、SQL、python基础知识、Tableau、pandas包、SPSS软件、Power BI 、matplotlib包等，如果你学生时期是学习数理统计或计算机相关专业，那么相对来说你会学得比较容易上手，比较轻松一点。但这一切都是从过去的知识背景出发，不是全部，学习数据分析，兴趣、耐心和决心相辅相成，缺一不可，很多人一开始对数据分析还是很有兴趣的，但慢慢地就觉得数字很枯燥，坚持不下来，最后就不了了之了。
所以，如果你打算转行数据分析，就一定要想得清清楚楚，一切事物都是有风险的，谁都无法预测未来会变成什么样，但有时候人是需要一些果断的（不是冲动），想好了就不犹豫。

Ⅷ 如何转行到数据分析师

近年来数据分析行业大火，人才紧缺，就业前景好，薪资高！职业发展广，起点好！
转行数据分析师需要的技能大致分为六个模块：
(1) Excel
零基础学数据分析师一定要从Excel入门，因为Excel是处理小型数据量企业用的最多的工具，在基础数据分析师与数据运营岗位中具有极其重要的地位。
(2) Mysql
SQL同样是零基础学习数据分析的核心内容。因为作为数据分析师，你首先要解决的问题就是你要有数据来做分析。通常企业都会有自己的数据库，数据分析师首先得根据业务需要知道自己要从企业数据库中提取哪些数据。
(3) Python
Python的基础对于数据分析师而言是非常重要的。对于十万级或者百万级数据量而言，Excel和BI都会因为运行卡顿而变得完全无法使用。然而在实际企业运用中，一次性处理十万级以及百万级数据又是非常常见的。而Python则是处理这种中量级数据的利器。
(4) BI商业智能工具
BI可以理解成Excel图表透视表的高级版。BI是将表与表相连，然后得出很多指标图。它是一个大屏的看板。有了这个看板，领导层在监控企业业务方面就有了非常直观的数据，以供他们及时做出决策调整。数据分析师需要做的是快速挖掘数据价值，将这些数据转化成有用的信息，让企业决策有数据依据，从而驱动企业决策和运营。
(5) 数理统计与数据运营
数理统计和数据运营方法论是数据分析师的理论基石。数理统计包括概率论，统计学，线性代数，以及基础的微积分理论。这些内容都不需要理解的很深，但是对它们的原理以及内涵都需要有所掌握。
数据运营方法论实际上是学习各个行业所运营的分析模型。对于想往管理路线发展的数据分析师来讲，数据运营是必须要学习的知识。其实数据运营知识也不复杂，就是根据自身业务需求将指标拆解到最细，然后运用同比和环比两种数据分析方式。
(6) 机器学习
最后一个进阶要求数据分析师掌握对大量数据分析的能力。这个阶段的数据分析是利用大量的历史数据构建出一套数学公式（也就是算法），用这个数学公式去对未来进行预测。比如说：一个人大量地刷体育短视频，根据算法可以得出这个人可能对观看足球比赛的腾讯体育会员感兴趣。这类推断和预测对于商业世界是有着极大变现意义的。

Ⅸ 转行数据分析的亲身经历

转行数据分析的亲身经历

今天和大家聊一个非技术性的话题：转行。全篇无代码，但是我想对于这个话题，很多朋友都非常感兴趣，毕竟工作伴随着我们的一生，也是主要的收入来源，谁不想找一份高薪又有前景的工作呢？

是否要转行？

有些朋友对于是否该转行一直抱有迟疑态度，转行会不会有风险啊，转行以后万一后悔了怎么办啊，转行是不是要重新学啊，等等一系列的问题。这些问题大多数人都想过，博主也想过。毕竟工作是人生大事，转行当然也需要万分的谨慎。但是，一切事物都是有风险的，谁又能够预测未来怎么样呢？有时候人是需要一些果断的（不是冲动），但是需要自己想清楚，想好了就不犹豫。下面，博主结合自身，谈一谈要自己转行的几点考虑吧，供大家参考。

现所处行业的未来发展
分析现在所在行业在未来10或者20年里是否有很好的发展前景，说实话这个是不好判断的，但就目前而言，传统制造等行业一直处于萎靡状态，而互联网和金融行业是比较热门的领域。但这些都是见仁见智吧，每个行业做到极致都会有不错的发展，每个人的理解也不一样，但是博主选择了互联网金融行业。

现所在公司的发展状况
一个公司的发展好坏可以直接从领导CEO身上反映出来。领导是否有长远眼光，有管理能力，以及领导是否认真干事，会直接影响公司未来发展。博主所在公司领导层不断更换，并且内部管理非常差，不重视技术水平，工作效率巨低，所以导致一直在走下坡路，这种情况就没理由呆下去了，毕竟要考虑个人的发展。当然，很多小伙伴本来的工作可能就很好，那就要权衡一下利弊了，看你是否真的热爱这个行业。

现所在公司的学习环境
对于职场菜鸟而言，选择一个公司其实是在选择一个好的学习环境。如果有机会去一个好的团队即使薪水低，那也是值得的，因为你锻炼的是学习能力，有了这种能力，你才会有更高的价值。当然，就目前而言，如果你觉得现在的公司已经没有什么可以让你学习的了，或者说遇到了瓶颈，那我觉得也可以考虑换换环境了。

自己的生活需求
对于很低的薪水无法满足生活需求，那么这时候迫于生存也只能考虑转行。各种房贷车贷款的压力如此之大，通过转行增加收入也是一个有效解决问题的途径，但也是需要结合其它考虑而慎重选择。

兴趣爱好
是否对转行的行业感兴趣。兴趣是最好的老师，如果自己本身对这份职业不感兴趣，仅仅是因为薪水等一些外部因素而转行，那么可能也不会太发展的太久远。

基于以上问题，博主进行了认真的思考并最终做出了转行的决定，因为对于我而言，每个问题都说的很通。当然这里绝非误导大家转行，只是给大家多提供一个参考。

我的转行经历

博主从开公众号起前2个月开始接触Python语言，然后接触到了数据方面的技术，包括爬虫，数据分析，数据挖掘，机器学习等，一直到现在仍然在坚持自学，我相信只要坚持结果总不会太差。直至今日，我可以说自己算是入门了，但需要学的东西还有很多。虽然这个过程比较艰辛（白天上班，晚上学习），但是由于兴趣的激励，也并未感觉太累，反而觉得很有成就感。

前一阵子，博主觉得自己可以尝试着找找这方面的工作了，于是开始在网上投递简历。很多网投的小伙伴肯定有过类似的经历，那就是石沉大海（其实是我太菜）。你会发现投递的几十份简历一个回应的都没有，于是在这个过程中开始对自己有了一些怀疑，尤其是对于像博主一样的转行求职者们，因为相比于科班出身的竞争者，我们没有太多优势。在这种情况下压力是很大的，曾经想过裸辞，但这是很不明智的。但没有办法，既然踏上了这条路，就必须坚持下去。好在目前数据分析，数据挖掘这些岗位的市场需求量很大，所以机会还是很多的。

十份不行，就投二十份，二十份不行就投三十份（当然在这个过程中是需要不断反思修改简历，并同时不断学习巩固，不然还是徒劳）。还有，一定要寻找身边的一切资源争取内推机会，内推面试的成功率还是蛮大的。慢慢的，开始有公司邀请面试了，虽然不是BAT，但是都是规模还算比较大的公司。

博主在过去的两周里一共面了5家公司，数量不多，岗位是数据分析/数据挖掘（根据招聘职位而定），其中3家给了offer。其实，这对于一个从零学起转行的求职者来说，结果我还是非常满意的，同时也给自己增加了一些信心。下面介绍一下面试公司的概况以及面试结果。

声明：这是我的个人经历，只供借鉴参考，并非适用于所有人。

面试结果

博主这里只列出其中三个给offer的公司。

面试公司一（offer）

规模：上市公司(互金)

岗位：数据分析师

月薪：13K

面试公司二（offer）

规模：上市公司(地产商)

岗位：数据产品经理

月薪：15K

面试公司三（offer）

规模：初创公司(移动APP)

岗位：数据挖掘

月薪：20K

面试总结

总的来说，所有面试的经过还算顺利，但博主每一次面试后都发现了自己的许多不足的地方，下面总结一下。

面试预约
接到的大多数电话面试都是下午快下班的时候，如果公司对你感兴趣，会问你明天是否愿意来面试（记得给HR回邮件）。博主每次都爽快的答应了第二天面试，但这其实并不一定太好，因为自己根本没有太多时间来准备。如果你特别中意这家公司，我认为最好还是准备充分再去面试效果会更好。我自己一般会留一天时间来进行面试前的准备。

面试准备

利用面试前的时间来仔细研究一下这个公司的发展状况，组织架构，运营模式以及岗位的需求，最好能够在面试公司的业务或者技术上提出一些好的建议。技术细节上可准备的东西很多，这些更多在于平时的积累。这时候就没必要再去研究具体的技术细节难点了，而应该把控整体，我一般会把写在简历上的内容，比如项目经历等都过一遍（需要自己真实的做过才行），以免被问到细节问题尴尬。

谈话技巧

可以说这部分也占了很大的权重，如果你可以侃侃而谈，和面试官聊的很high，那基本也就成了。我认为最重要的就是不紧张，保持常态，即使被问道了不会的内容也别慌，虚心请教面试官，一来可以让他感觉到你的学习热情，二来会让面试官感到很有面儿。第二个就是观察，可以通过观察面试官的表情来判断面试官是否满意你的回答或提问，然后及时改变回答策略。其中一个面试，HR英语特别好，博主硬是用英语陪她聊了10多分钟，这也让HR很满意（当然前提是你的英语水平也不错）。第三个是多提问题，与面试官的互动是非常关键的，如果面试官说到一个点上恰巧你能够紧接着很好的提问，那么整个谈话的气氛就活跃起来了，面试官会认为与你想法很契合（博主拿下了三个面试官的微信）。

技术内容

几个面试中多数面试官都会针对项目经历仔细提问，问的很细，目的在于考察自己是否真实做过项目，认真思考过问题。当然也会问道一些细节的知识点，有很多基础的问题博主并没有回答的很好，这部分还需加强只能慢慢积累了。也问了一些其他问题，比如某个机器学习算法的优缺点，给你一个应用场景，你会倾向于选择哪个模型算法来解决，再比如给你一个场景，如何进行A/B测试等问题。对于数据分析而言，机器学习和爬虫等并不是必须，但是加分项。就像博主在简历中提到用爬虫爬取链家全网数据，然后做数据分析挖掘，没想到在几个面试中都有加分。关于这部分，博主会另开一篇详细介绍。

公司选择

对于最终公司的选择上肯定要考虑多方面的，待遇，发展，上升空间等。我的建议是选择公司要把眼光放长远，寻找一个好的团队，毕竟是转行，还是要以能学到东西为主。以下是几点选择公司的考虑：

大公司 or 小公司
大公司一般规模比较大，每个岗位分得比较细，平台大，资源好，格局大。小公司一般岗位划分很粗糙，一般一个人要干所有的活儿，每个环节都能接触，进步成长速度会非常快。作为转行人员，我个人倾向于大公司，但是如果小公司有不错的机会也是可以考虑的。

风险 or 稳定
一些初创公司的未来发展其实是很不明朗的，像很多P2P公司看起来不错，但是几个月倒闭的也比比皆是。这时候需要评估一下自己是否可以承受这种风险，高风险也就有高回报，所以很多初创公司提供的薪水才会比大公司高很多。可以尝试性的问问公司的现金流，融资情况，是否考虑上市等相关问题，来评估一下风险度。我个人倾向稳定发展的大公司，即使是初创公司最好在D轮融资之后是比较稳健靠谱的。

团队专业水平
这个其实通过与面试官的谈话过程就能看出这个公司的技术水平怎么样，如果面试官的水平很一般，一些问题还没你清楚，那么你想想你来这能学到啥，可能薪水很高，但是你未来的价值却没有提升。

薪水高 or 薪水低

傻子都知道薪水高好，但是还需要把握以上提到的一些原则性问题，不能因小失大。在符合自己基本标准的情况下当然薪水越高越好了。

这段时间里，博主深刻体会到转行的不易，所以把自己转行的经历给大家做了一个简单分享，希望对正在转行或者准备转行数据分析，数据挖掘方向的朋友们有所帮助。一句话，坚持就是胜利。

Ⅹ 如何转行做数据分析

第一步：统计概率理论基础
这是重中之重，千里之台，起于垒土，最重要的就是最下面的那几层。统计思维，统计方法，这里首先是市场调研数据的获取与整理，然后是最简单的描述性分析，其次是常用的推断性分析，方差分析，到高级的相关，回归等多元统计分析，掌握了这些原理，才能进行下一步。

第二步：软件操作结合分析模型进行实际运用
关于数据分析主流软件有（从上手度从易到难）：Excel，SPSS，Stata，R，SAS等。首先是学会怎样操作这些软件，然后是利用软件从数据的清洗开始一步步进行处理，分析，最后输出结果，检验及解读数据。

第三步：数据挖掘或者数据分析方向性选择
其实数据分析也包含数据挖掘，但在工作中做到后面会细分到分析方向和挖掘方向，两者已有区别，关于数据挖掘也涉及到许多模型算法，如：关联法则、神经网络、决策树、遗传算法、可视技术等。
第四步：数据分析业务应用
这一步也是最难学习的一步，行业有别，业务不同，业务的不同所运用的分析方法亦有区分，实际工作是解决业务问题，因此对业务的洞察能力非常重要，而这个能力是需要在工作之中一点一滴的积累，也许目前是做零售，会用到一些相关回归方法，但转行做电商，又会用到其他的挖掘等方法。业务虽千变万化，但是分析方法却万变不离其宗，所以掌握好技术用到任何一个环境靠的只有是业务经验的积累。
当然考个CDA的数据分析师证就更好啦