【经验】避开就业难，一枚内向的数分人如何在2024年赚了50万

我是2019年从一所普通的211高校毕业的，学的是计算机专业，性格一直比较内向。毕业后，我从事过不少技术类的工作，2023年尝试转到了数据分析岗，到今年正好入行两年。

马上就到年底了，粗略统计了下，发现我今年竟然赚到了50个W。欣慰之余也确实觉得很有成就感。我性格一直比较内向，所以接下来想和大家分享下内向的人应该如何入行数据分析。

我之所以选择转行数据分析师，很大一部分原因是第一次离职后在找工作时，发现就业市场对数据分析师的招聘需求量比较大，而且薪资普遍都比较高！

以北京和上海两大城市为例：

根据职友集工资查询显示，来自近一年的4148份样本统计，北京数据分析师平均工资26300/月，其中月收入20000元-50000元占比最多，达60.7%。（下图是北京数据分析师工资占比）

根据职友集工资查询显示，来自近一年的3114份样本统计，上海数据分析师平均工资24200/月，其中月收入20000元-50000元占比最多，达49.7%。（下图是上海数据分析师工资占比）

以上只是我随手点开某网站查询到的数据。总的来看，不管是北京还是上海，数据分析师月收入中位数都处在20000-50000元，可见其收入十分可观。

数据分析师岗位需求量大，薪资待遇高，这是我当时选择这个行业的主要原因。加上本来就是学计算机的，在统计学、数据分析技术方面多多少少也有一些涉猎，所以对我而言，转行的难度其实并不大。

我身边也有些朋友本科是学经济、会计的，也都把数据分析作为技能来学习，CDA数据分析师一级是特别体系化地提升能力的标准化考试，以考代练，能力提升特别快。

扫码CDA认证小程序，了解数据分析入门基础。

所谓数据分析，说白了，其实就是一种思维。数据分析是一个从数据中通过分析手段发现业务价值的过程。这个过程的起点是获取一份数据，这个过程的终点是发现业务价值。

回想我学习数据分析的时候，看了很多教程，总结数据分析的步骤，大都是数据清洗、数据规约、算法选择等等，然后为了提升逼格，去学python，学机器学习和深度学习，图像识别也去了解。以至于在工作中，我拿到一份数据，像是八股文一样的对数据进行分析。

现在，我觉得，我们在对一份数据进行分析之前，一定要明确，我们的目的是什么，是业务上有什么问题需要我们去解决，还是说想通过数据优化我们的业务，提出建议。看似很简单的步骤，其实有着大学问。

1.分析之前要明确分析目的

数据除了数字本身之外，还必须包含数字的来源、度量方式、单位、代表的业务场景（即数据产生的上下文环境）等等，其中场景非常关键。

明确目的可以帮我们梳理思路，也可以更好地去展示我们的价值。比如，一个数据分析工作的流程是：领导先给我们一个任务，需要对我们的产品进行销量预测，然后我们去想，我们需要什么数据，拿到数据之后，怎么对数据进行分析，需要什么算法，涉及到不懂的业务，可以去问哪些同事，最后的数据分析结果如何验证。

2.要弄清楚数据的含义

当我工作久了，拿到一份数据后，习惯性的先浏览一下数据的整体，比如df.describe(), df.head()，简单的去空值、异常值之后就开始进行下一步了。我后来才明白，数据清洗并不是说去除不合理、不正确的数据就可以了，而是要了解数据，明确数据的取值所对应的含义。

不能服务于业务的数据分析是没有生命力的，不能产生业务价值的数据分析是徒劳无功的。因此，能否实现业务价值决定了这是否是一次成功的数据分析。而分析工作只是实现了这个过程的第一步，它通过分析师的视角将价值呈现于业务人员面前，分析的结果只有被业务人员理解，并最终通过业务人员的努力转化为业务实施，才可能最终实现价值。

3.关注失败案例

在工作中，我们经常会遇到数据分析的结果（比如销量预测），和实际情况远不相符的情况，错误的做法是直接去修改我们分析的思路、模型，最佳的做法是仔细分析这个不成功的案例。

比如，我们预测的下个月的销量是100，其实是10，这个反例其实是我们学习业务，纠正错误最好的时机，远比实际也是99更有价值。熟悉机器学习的读者可能会体会到，分类任务里，负样本往往比正样本要少，我猜原因可能是很少有人去关注错误。

对于失败的案例，一定要下更多的功夫，明确我们预测的100是怎么来的，实际的10又是因为什么原因，做好笔记，涉及到不懂的业务，直接去问相关同事，一定能获得启发，极有可能会发现我们预测算法的不足，提取出新的特征。

扫码CDA认证小程序，获取更多资料