机械本科，德国硕士。在德国、美国有过工作经验，在工作中慢慢体会到数据的力量，通过自己学习，目前在某汽车公司做数据分析工程师。
会在这里进一步分享个人的职业发展、学习心得。
希望可以让更多的人了解数据分析，能让更多的人实现个人价值提升。
一提起来机械行业，大家想起来的总是
好一点也是这样
额不对，这个不是很重要。
上班要么是在在荒郊，要么是在野外，虽然行业内也会有部分分工好一些。但是总体来说相比高大上的金融、IT互联网这些火热行业，大概就是天上和煤矿底的区别。
机械 行业从业者，或者说广泛一点制造业从业者，不管是在价值链的哪个部分，都难免有这些问题
行业发展慢：制造业往往重资产，价值链长，转型慢。眼看IT技术在几年就改变了中国，创造了多少千万富翁。制造业虽然现在有中国制造2025，也有各种各样的新战略，而且也一直在嘴上被称为“一个国家的基础”，但是也不能避免这个事实，我们国家的制造业这么多年，依然没有脱离低端，附加值低，从业者整体薪资低的这个情况。
个人薪资低，发展慢：往往看到IT互联网行业，优秀员工不到30岁年薪百万，30出头都是行业的中流砥柱。但是在制造业，小领导往往都是45往上，大领导就更不用说。众多制造业巨头都是国企作风，个人成长慢，职业发展慢。而且受制于制造业的行业分工特性，制造业从业者很难像其他行业一样，有丰富的职业选择。往往是在一个岗位上干上好多年。
所以第一个点，学习数据分析，如果到有能力转行做数据分析，进入入门行业，可以在“钱途”上跨出一大步。前边有说到过，你的薪资，尤其是刚入职场薪资，50%靠行业，30%靠公司在行业的地位，还有10%靠自己，剩下看运气。可以转行到一个正在
除了非常核心的，影响个人职业发展以及“钱途”的两点，制造业还有很多比如工作地点环境差、福利差等。尤其是相比时下热门的数据相关工作，差的不是一点半点。
（图：类似资历薪资对比）
这是第一个直接的动力，如果能实现转行，可以在”钱途“跨出一大步
二、
数据分析从来都不是一个新的东西，只是近年因为“大数据”的炒作变得火热，其实利用数据、用数据说话、会分析数据，这些能力是一直在各行业都是深受重视。
而且这些能力是通用的，就算不转行或者不做数据相关的专职工作，这些能力在你现在的岗位上，都可以让你更突出：你工作中的问题可能能更好的得到解决，你给老板的汇报会更有说服力，你的思维方式会慢慢有进步。
三、数据分析师都是什么样子？
数据分析师，或者数据科学家这样一个大概念，总的来说就是收集、处理、分析数据，挖掘数据的价值，利用数据来引导公司/部门/产品/项目改进，帮助决策。
在不同的行业不同的公司不同的岗位，可能岗位名字一样，但是做的完全不同的事情。
最宽泛的来说，数据科学家/数据分析师可以分成两类：
偏向数据挖掘方向和偏向数据分析（互联网产品经理）方向。两者工作的内容也是非常不同。
数据挖掘往往是企业拥有大量的数据，或者是提供数据服务的公司，数据挖掘也是以数据为驱动的。比如购物网站利用数据挖掘做推荐，谷歌利用数据来做广告推荐，这些产品依赖数据来作为主要决策方法，通过挖掘数据来获取信息。比如发现啤酒和尿布销量相关性，把这两个放在一起大大提升了销量。
数据分析师的工作更偏向于利用现有的数据分析内容、产生报表，分析报表来决策。日常工作很多的也是提取数据、数据清理、利用可视化工具生成报表。数据挖掘工程师更需要更扎实的数学、统计学基础以及算法、机器学习这样的知识，往往是有数学、统计学、算法背景的人才可以担任。
数据分析师来说，对于基础数学、算法等要求较低，日常也很少需要和高深的算法打交道，而更多的需要对于业务的理解。利用数据来帮助分析业务，实现价值。对于把业务转化成数据、把数据解释清楚的能力要求比较高。
除了这两个大类，往往大公司还会有数据工程师，或者叫大数据工程师。当公司的数据越来越多，就需要建立大数据的架构。对这样的人来说，软件工程技能是最重要的。
借用一张优达学城的图来说明一下不同数据分析相关工作需要的能力：
如果你对于数据方面有所接触，应该知道上边的的意思代表什么。
不过，这些是互联网行业，或者是一些强数据驱动的行业锁需求的能力。而其他行业中的数据分析和挖掘，往往是有所不同。
四、制造业数据分析
制造业相比互联网，数据目前来说还不是一个重点。
制造业价值链长：互联网的核心价值链大多是这样的
“推荐客户喜欢的东西-客户买单-让用户再来“，
”推荐音乐/电影-用户买单-让用户再来“。
“推荐吃喝玩乐- 用户买单-让用户再来
或者是这样的：
“推荐用户的广告-用户喜欢点了广告-不让用户讨厌”
等等
整体来说价值链短，而且目标相对来说明确，涉及的方向较少。数据在各方面应用已经相对成熟，应用广泛，目标明确。
而制造业，尤其是对于大一些的制造企业来说，涉及”市场、供应链、研发、制造、销售、售后“等多个部门，企业结构复杂，涉及到众多上下游供应商。
不同于互联网行业数据的来源是主要来自于客户的“下载、浏览、点击、购买”等高频次活动，以及自己相关的其他外部数据，制造业因为客户往往是行业内上下游，面对终端客户也不会是高频次的行为。
所以制造业的主要数据来源往往是来自于内部的产品生产数据、物联网数据，而主要利用数据的方式也是提高质量、降低内部成本、提高内部灵活性。
和互联网行业相比还又：重资产，改变慢，不能像互联网快速迭代。
决策还是人为驱动，不能直接由数据驱动。
数据基础设施还不够完善。
整个行业目前对于数据的利用率较低，但是现在正在慢慢开始重视起来，是一个非常好的机会。机会多，门楷也相对低。
五、制造业做数据分析的路线：
前边说到的制造业和互联网行业的不同，也有不同分工的数据分析师。从个人经验来说，制造业的从业者，不管最终目的是不是要转行，是否接触过很多的数据分析，应该从三个方向开始或者强化
1。数据分析的基本能力、可视化的基本能力
有没有这个能力，可以算是从0到1的开始。
在制造行业这个能力，可以简单的描述为：大概可以非常熟练的使用Excel以及SQL/VBA/Python/R中的一个，有能力处理分析一定量的数据（比如分布在若干个文件夹的几百个excel文件中的数据）; 可是使用做出相对漂亮的图，如果会使用Tableau等BI软件（只需要很简单的使用）就有加分；还有最基本的统计学知识，分布、相关性，回归等。
初步了解一些各种各样的算法，比如有史以来最容易理解的遗传算法
2。深刻理解并且将业务理解转换为数据理解，或者说数据的思维
比如日常的业务，是否会产生数据，产生什么样的数据，从这些数据可以挖掘到什么样的价值。比如日常的生产任务是不是可以通过数据分析优化，这个机器的质量不稳定，是否通过数据分析可以找到方案。
这个能力是一个慢慢培养的过程，找一些现有的数据分析的例子可以加快这个过程。
比如一个不是那么完全合适的制造业例子大数据在能源管理中的应用：预测模型
只要开始注意，开始思考这个问题，就算是一个开始。
3。交流能力
在互联网以外的行业，从业者往往对于数据理解不那么深刻的时候，这个能力显得更为重要。
关于数据分析如何在制造企业落地，是一个很大的问题。对于这个能力从0到1的开始，我认为就是，你可以有能力给自己的同事，给自己的直接老板说情况想要做的事情，得到想要的时间或者其他资源。
结
如果可以走上从0到1的过程，很快就会体会到和以前的不同。
有点理想的人，不管是薪资提升、实现个人价值，都会有不一样。
可以关注专栏，会进一步分享制造业数据分析相关/一起学习/可以有一个群讨论问题
也可以关注
网友评论