我是一个从本科到研究生一直在读材料工程的学生，用了大约3个月的时间成功转行，想要谈一谈学习心得。
以下心得只是以我的个人经历总结而来，仅供参考。
本文分为以下几个方面：
转行前情况
学习过程大致情况
数据分析岗位介绍
硬技能学习
简历和面试技巧
一. 在开始学习数据分析之前，我的情况是：
国内某211大学本科，学习材料工程，在这个阶段打下了高数和线性代数的底子。
国外某QS排名80以内硕士，学习材料工程，在这个阶段打下了matlab的使用以及统计学和概率论的底子。
二. 我的整个学习和找工作的情况是：
三个月时间学习，每周六天，每天6-8个小时的学习时间，学习包括纯理论和实战。
一周时间修改简历投简历。
一周时间面试了几家公司，并获得了四份offer，基本都算是国内行业领先的公司，最后去了国内某大型金融公司实习。
三. 数据分析岗位介绍
如果想要转行数据分析，就必须知道数据分析岗到底是做什么的，到底需要怎么样的硬技能和软技能，只有定好一个具有针对性的计划，才能做到快速转行。
数据分析基本上有两个方向，第一，技术方向，第二，业务方向。
对于大厂而言，职能的划分会非常详细，干技术方向不需要了解太多的业务，相反也是一样的。但是对于小公司，数据分析师需要的技能更加多样，数据分析技能，沟通技能，对业务的了解，presentation等等不一而足。
3.1 技术方向
走技术方向需要获得的技能大约分为三个方面，数据获取，数据处理，以及数据可视化。三个方面分别对应三个工具，即sql语言，python和excel，以及tableau。
对机器学习和大数据的的了解和实践会是很好的加分项。比如我现在在干的活要用到大数据的hadoop和impala，但查询取数依然是基于sql语言的。
走技术方向对业务的熟悉程度不需要太深，就像之前说的，大型企业会将技术方向和业务方向分得很细，业务方向的分析师是技术方向的分析师和业务部门的桥梁，而不是业务部门直接与技术沟通，这也是我所在的公司的真实情况。个人觉得虽然增加了一些沟通成本，但是员工确实可以更加专心于自己的工作。
3.2 业务方向
走业务方向的话，对技术的运用不需要特别熟练，我与业务方向的数据分析师聊过，在工作的空闲再深入学习sql语言或者可视化之类的技术都是可以的，但在投递简历之前，至少需要有一定的基础技能和基本了解，知道柱形图和折线图有什么样的特点这种基本概念。
业务方向的数据分析师需要与业务部门进行更深入的沟通，因此要求对业务有一定的了解，这样才能更好地结合数据和业务，提出有用的结论和建议，因此，最好是能够在你的本领域内转行。
除此之外，还需要了解数据分析师，数据工程师，和数据科学家的区别。
你可不想本来想转数据分析师，却学了数据工程师的技能。
简单来说，数据分析师主要工作是做取数，清洗和可视化，业务方向则更多专注于数据与业务的结合，可能还需要跟进运营，分析运营结果。
数据工程师，则专注于从每天的公司或用户行为中获取数据，主要做数据获取，数据库的搭建，维护和优化。
数据科学家，则专注于机器学习的算法，因此需要数学好。
四. 硬技能学习
4.1 sql语言
sql语言主要用于从数据库中获取数据，公司一般不会让你用爬虫从网络爬取所需要的数据，因此爬虫并不是一个必要技能。
sql语言一定要做到熟练使用，而这个语言的重中之重就是数据查询语言（DQL），从最基础的select，到大数据常用的分区概念对应的partition。
在面试中，面试官通常会给你几张表，让你现场写下取数逻辑，因此写的又快又对，写完了反手就把逻辑给面试官看，战术后仰，岂不帅哉。
其他的sql语言包括数据定义语言（DDL），数据操作语言（DML）和数据控制语言（DCL）和数据分析师的关系不大，做到了解和简单使用就好。
sql语言一定要多练，这样才能做到面试时不慌，子查询和各种表连接一般在面试的时候都会面到。
4.2 excel
在我面的一家公司的职位描述里只提到了excel的使用，当时看到因为给的实习工资比较高，就投了，但在面试的时候问了面试官是否会用到python，以及是否有机器学习的任务，回答是这个实习岗位大部分时间只需要excel就好，于是就没有去。
针对这类公司，建议是还处于刚开始学习数据分析的同学去投递，积累经验算是不错的，但是一定不要在这样的公司呆超过三个月，那个时候基本上对excel已经很熟了，应该考虑更进一步。
excel的学习不难，主要学习各类函数，从最基础的聚合函数sum到表查询函数vlookup都要学习。以及各类图怎么做，怎么用数据透视表等等。
这里说excel学习不难，并不是指excel比python低级，excel要做的好其实非常困难，但不管怎么说，目前公司都在要求比较新的python技术，excel做的再好，不符合职位要求也白搭。
从工作的角度来谈，通过excel对少量的数据做简单处理确实更加方便一些，我也经常用excel先做简单的格式转换，排序和可视化。但复杂处理或者大量数据就不是excel力所能及的了。
4.3 python
python是数据分析的大头，当然选择学习r也可以，可是一定不要同时学，用熟一个比用会无数个要重要的多。
对python有一些了解的人应该都听说过numpy,pandas和matplotlib，这三个包是数据分析必会的包，先用熟这三个，之后更进一步可以学习os，seaborn，sklearn等。
python学习仍然可以在b站找到足够多的视频，各类公众号也会发学习资料。
python要细讲的话可以讲太多的东西，之后我会对学习数据分析期间的笔记做一个梳理，会详细到各个包的使用，各个函数的使用等等，这里就先按下不表。
4.4 tableau
tableau的基本使用在b站是可以学习到的，但是计算字段和其中的函数的使用仍然需要一定量的练习，并且需要一定的编程基础。
我的工作中基本不需要太强的tableau技能，网上那些看起来很复杂的图在工作中实际上用的并不多。
这几天工作中用的最多的图就是柱状图，直方图，条形图，交叉表这几个，偶然见到热力图，桑椹图，甚至散点图和饼图出现都很少。当然这可能与业务需求有关，具体问题具体分析。
如果你会做那些复杂的图自然更好，说明你对tableau的理解较深，侧面表现了你的能力比别人强。
五. 简历和面试技巧
不要以为硬技能做的好就能够横扫所有公司，并不是这样，简历的撰写和面试的练习都是很重要的，很多人技术很强，但是不懂如何写简历和面试，会浪费大量的时间在找工作上。
我在投递简历和面试之前都首先询问了带我的老师，可以这样说，如果不是我的老师，我会在找工作这件事上再多花费可能3倍的时间不止。
5.1 简历
制作简历时，一定要把你的经历中与数据分析最相关的技能写在简历里，并且要放在最前面，所谓的放在最前面，是指比你的教育经历还要提前，也就是除了你的个人信息之外，最重要的一栏。写技能和经验时一定要详细，说明你用了什么软件，什么方法，达成了什么目的。提高了多少效能等等。
学历和专业什么的并不重要，这些与技能和经验相比，只能是锦上添花的部分。
如果你没有做过学校或者公司项目，建议在投递简历前，先在网上找一些数据，做两个从取数，到数据处理，再到可视化的项目，这些都可以写进简历。
5.2 面试
在接到第一个面试时，我是很慌张的，因为那个时候我并没有想到面试通知来的这么快，因此还没来得及准备，所以只能通宵准备了面试。
也正是因为这次通宵准备，让我通过了我现在所在公司的一面和二面，并在随后的三天通过了多个公司的面试。
一般来说，面试官一定会让你做自我介绍，一定会问你写在简历里和你自我介绍时说的项目经历。
因此，第一，请熟练背诵你的自我介绍。第二，你需要就你的项目发散开来，想一想面试官具体会问什么。你的回答一定要显示出你真实的做过这个项目，并且理解项目中的每一个细节。
回答问题时，要减少嗯嗯啊啊的时间，这样会让面试官觉得你是当场编造。在面我现在所在的公司的最后一面时，面试官问了一个我在校内做的与数据分析不是特别相关的一个项目，因为我在准备时觉得面试官应该不会问这个，就没有准备，因此回答得非常不流利，但幸好面试官听到我讲话磕磕绊绊的，就基于这个项目问了一个更具体的问题，有了方向后我就回答的很流利了，就这样通过了面试。
所以，不要有侥幸心理，不要为了填充简历，就把你不熟悉的项目写进简历，面试官可能会问到简历中提到的任何项目和经历。
写于下班的地铁上
2020-4-25 至 2020-4-30
终身学习社群正式启动~
在这里会分享各种自我提升的理念和技巧，包括时间管理，投资理财，学习技术，睡眠管理等等~
详情可以添加微信~
zxn059
网友评论