入行数据分析,十个月工资翻一番

注:本公众号去年曾发表过一篇倪雪华的《三个月,从化工实验员到数据分析师》讲述了作者通过自身努力完成行业转换的经历,并对入行数据分析所需技能和知识做了介绍。

入行后,雪华同学的职场之路突飞猛进。本文就是她为我们分享的,入职数据行业第一年的职业经历。感谢@李强同学的记录整理。

给转行者的忠告

转行的过程在之前文章中已有详细介绍,此处不赘述。针对要转行的朋友,分享一下经验体会:

  1. 有的放矢,做好准备 我转行的时候在家脱产学习了三个月。如果小伙伴们要脱产学习的话,最好先准备好充足的存粮。避免因为生活所迫,从一个火坑跳到另外一个火锅坑。 我有认识很多小伙伴仓促辞职后,不久就因为生活所迫,不得不匆忙进入另外一个原本不喜欢也不甘心去做的行业、岗位。
  2. 管理预期,从头开始 决定转行之前,要做好充分的心理准备。在转行的过程中,你是一个年纪比较大的新人,必然会面临各种各样的被拒绝、困难和挫折。 你可能会遇到各种情况:一切工作要从头开始学;开始只能要很低的薪水;比你小好几岁的90后是你的领导,甚至你要天天跟在人家的屁股后面求学…… 转行之前先想好,能接受这些,再开始行动。
  3. 放低心态,接受拒绝 我最开始转行的时候,比较有针对性的投简历,只投理想的公司和岗位。但是后来发现根本就没有人面试我。 因为总是被拒绝面试,后来很无奈地海投了六百多份简历,只换来了四个面试机会(150:1的投递面试比)。最后才终于拿到两个offer。
  4. 抓住重点,选择未来 我最终选择那个offer的原因,并不是因为公司大或者待遇好,而因为我觉得面试我的那个领导很牛,能跟着他学到很多东西。 而快速学习正是我当时最需要的。为了这个最需要的,我可以放弃另一个薪水更高些的offer。

起步:数据分析专员

从初级岗位起步

我转行后的第一份工作,是在一家P2P公司贷后催收部门数据分析专员

直白点说,催收部门就是催帐的。我就是要催别人还钱的那种部门的数据分析专员。所用的工具是Excel和SAS。

书到用时方恨少

虽然我在家准备了三个月,面试的时候觉得自己已经学得差不多了。但是实际工作以后才发现,我根本就什么都没学会。连Excel最基本的数据透视表都不会。

哎呀,总之是各种无奈。但好在我前面就提到的那位领导,比较包容也比较有耐心,给了我充分的空间和时间学习。

技术入门有技巧

先和大家分享一下Excel和SAS的快速入门技巧吧:

  1. 你在家里看一万遍书也是没有用的,只有真的用到了,才能学会。 比如说你学了很多Excel酷炫的操作技能;你听了那么多课;看了那么多书,你觉得学会了,但是真正到用的时候转脸就忘。 还有那些各种语言的code,你觉得你看了好多书,什么都学会了,但是真正让你去写的时候,根本就写不出来。 要在工作中学习,通过不断的解决问题,在不断克服困难的过程中学习。这样,你学到的技能就不一样了,你就会牢牢记住它。
  2. Excel来说也没有什么别的好办法,只能通过不断的计算来积累使用经验。 如果遇到问题就百度一下,Excel基本上所有的问题都可以百度出来。
  3. 我学的第一门编程语言是SAS。个人感觉,学语言最快捷的方法就是从现成的code开始。 有别人写好的现成的code,你看着学,跟着写,并且写完之后马上实践。这样的话,你就会牢牢的记住它。 如果是用这样的方法的话,入门一个语言可能都用不了一个月,一两周就差不多。 我后来学SQL以及R,都是用的这种方法。比单纯的看书要有效的多。

跳槽转岗:数据建模专员

追随导师跳槽

我在那个P2P公司工作的时间很短,原因是我当时的领导——就前面提到的那位领导,跳槽去了另外一家消费金融公司。

我自己是想学建模的,并不想一直做数据分析。这位领导走了以后,我们整个部门,没有一个会建模的,甚至连一个会SAS的都没有。

为了实现理想,我就抱着那位领导的大腿,跳槽到后来的消费金融公司,岗位是数据建模专员

工作内容分为两部分:i)公司信用评分模型的搭建维护和更新,和ii)公司所有MIS报表的计算和自动化,及部分临时性的报表工作。

当时做了非常非常多的报表,大概有一半的时间在制表。但同时也终于有了建模的机会。

进入理想岗位,挑战激增

专业不是数学的人转行数据分析,大部分都要从Excel开始。只不过这个时间有长有短,有的人可能要做一年,有的人可能做一个月。

我比较幸运,在P2P公司干了一个多月纯数据的工作,就得到了可以接触模型的机会。

刚到消费金融公司时,公司成立不久,工作不太忙,有比较充足的时间学习建模。

我第一个模型大概建了一个多月。那个模型其实很简单,数据大概五六千条,变量三四十个,总之是一个很小的模型。

我搞了一个多月,因为之前从来没有接触过,在初次尝试过程中遇到了各种各样的问题和挫折。

从无到有,掌握建模技术

最开始根本无从下手,只知道信用评分模型应该是一个逻辑回归模型。但步骤是怎么样的,用什么方法来生成这个模型,这些具体的东西都不知道。

幸好我追随投奔的那位领导有建模经验。他告诉我大概分成几块儿,我就按照这几块做。

当时看了好多书,加了好多的qq群,泡了好多的论坛。在qq群里我总是不断地提问题,都混成话痨了。

化繁为简,各个击破

就这样摸着石头过河,一步步把一个大目标分解成许多个小目标,然后各个突破

比如:先是数据清洗,那么数据清洗是怎么洗的呢?别人是怎么洗的?书上要求是怎么洗的?下一步是特征分析码,别人是怎么分析的?你应该怎么分析?做新品要算一个WOE,别人WOE是怎么分的?我应该怎么分?分组的方法有哪些?等等

全情投入,终成正果

总之花了很多的时间和精力在这上头,费了好多心思才终于把这个模型做出来。

我家住得比较远,离公司有两个小时路程。我那个时候就是,吃饭也在想模型;睡觉也在想模型;在去公司的路上(地铁上)也在想模型,还抱着各种书在那里翻;就连上厕所走路的时候都在想模型。

不管怎么样,最终的结果是好的,模型建出来了。

这个过程中主观能动性是根本。你要想干成这个事情,得有自我驱动力。

因为我一直是想做建模,好不容易有这样一个机会,就特别想把这个事情做出来。只有完成了第一个任务,我以后才有可能在建模上发展。否则,错过这个机会,下一个机会还不知道什么时候才会来。

跨过门槛,渐成章法

一期模型建成之后,后面再建模就不会像第一次那么难了,因为大概的方法已经知道。

我觉得建模——不仅是逻辑回归,其他的模型也是一样——一期模型只是写出来而已,其实并不是很理解。

到二期三期四期模型,每更新一次模型都对逻辑回归有更深入的、更透彻的理解。

还有那些评估模型好坏的指标参数,以前都不知道是什么意思,就知道这个好用就行了,但是我一遍遍的优化和更新模型之后,就越来越熟了。

难者不会,会者不难

随着建模量的增加,越来越深刻的理解到:其实建模没有什么难的!

建模现在都有软件,尤其是R和Python,调一个包,然后一跑程序就出结果了。对业务的理解和把握才是关键!

把握好对业务的理解,你的变量分析(就是机器学习上的特征工程)才能做好。而这个变量是一切的基础,如果没有好的变量的话,模型再好也没用。

随着不断优化模型,对模型本身的理解渐深入,对业务的理解和把握也越来越透彻。这才是你竞争力里最重要的部分。

水到渠成,身价倍增

升职加薪

第二家消费金融公司是半年转正。我转正的时候就开始跟公司提升职加薪的事情了——这其实是水到渠成的一个事情。

如果你对公司有巨大的贡献,你的技能在很短的时间内有显著的提高,领导都是看得见的。那么升职加薪也就很自然了。

走俏职场

就在升职加薪的那个节骨眼上,因为当时公司的一些原因,上层领导的一些原因,还有我家里的一些原因,共同促使我就开始寻找别的工作机会。

现在干建模的人才很紧俏,我再次出去找工作的时候就感觉到已经跟之前小白时候完全不一样了。我感觉几乎每天都能收到猎头的电话,有时候一天好几个。

还有很多我根本就没有投过简历的公司,来邀请我去面试。而入行前,我投的几百份简历大多都石沉大海了。

职业规划

我也不是每面试邀请都接受,用老公的话说就是要有自己的规划,不要什么公司都去面,把自己弄得跟地摊货一样。

我入行时的职业规划是:先找一个公司干,有了一定的技能积累后,跳槽去一个相对来说大一点的公司,把自己的技能和level都往上拔一拔。然后,再思考下一步的规划,是继续在大公司干还是去小公司创业。

所以,在我已经有了建模经验后再找工作,基本上只投口碑好的大公司了。

但是因为我的工作时间很短,到那时转行才七个月,所以我第三次找工作持续的时间还蛮长的,就是慢慢悠悠的找。

进入理想企业

三度求职被拒

我目前这个公司,我自己简历投了三次,只有一次得到了回应。

HR给我打电话说你愿不愿意到我们来这做数据分析师。我就问你们建模招不招人啊?人家说我们招人。我说我想做建模。

对方毫不留情的拒绝了我,说他们希望经验更丰富一点的,言外之意就是我不够资格。

朋友圈的正能量

被HR拒绝后过了大概一个月,有一天,我跟我同事看机器学习的时候看到二项分布。我就跟我同事讨论二项分布的公式是什么样的。

我以前一直以为她是学文科的,数学水平应该一般。但是那个同事对二项分布掌握得特别扎实,她给我从头到尾讲了一遍。

我密密麻麻的写了笔记,并发了一个朋友圈,说:“一个学文科的妹子给我普及了二项分布”。

正好这个朋友圈被现在公司的一个同事看到了,这个同事是我在某个群里认识的,具体哪个群,我自己都不记得了。他问我愿不愿意到他们那儿去,之后就推荐了我。

我非常偶然的就获得了一个机缘,获得了现在这个公司的一个面试的机会。

心态平和,态度积极

面试我的是我现在的领导,他很有知名度,我以前从来没见过咖位这么大的牛人。

面试的过程中,我发现该公司员工都比较牛。或者有多年工作经验,或者是名校、海归、名企背景,比如京东、益佰利之类的。

我当时觉得自己肯定够不上人家的要求。但是,好不容易获得了这样一个跟高手过招的机会,不能浪费了。

我就拿了一个本子,上面记了整整一页纸我在工作中遇到的各种问题,现场提问。

面试后,我目前这位领导委婉的表达了:我的能力不够,他们需要经验更丰富一点的,或者是背景更深一点的,或者是专业更对口一点的。

坚持不放弃

我又争取了一下,就说:虽然我现在咖位不够,专业技能也很一般,但是我学习能力很强

这位领导就详细的询问了一番,问题包括大学都学了什么课之类的。我说高数、数值分析、概率论、统计、线性代数全学了。

我们领导最后居然要我了!当时特别受宠若惊,就这样到了现在的公司。

梦想成真

我现在的这家互联网金融公司属于业内龙头企业,我主要的工作内容是评分模型的搭建。

这个模型不是具体某一项业务上用的评分模型,而是我们公司整合众多行业数据,开发评分产品,然后再卖给其他互联网金融公司,供他们结合具体策略,来应用到自己的业务之上。

我负责开发这个评分模型产品,title是信用评分产品经理

入行十个月,工资翻一番

脱胎换骨500天

从我转行到入职当前这家龙头企业,正好是十个月整,我的薪水比我刚入行的时候也恰好翻了一倍

我是去年7月10号入职的第一家P2P公司,到现在是一年零大半个月。加上之前准备的三个月,总共将近500天。

虚心自省,客观评价

回顾我这500天,自己就是在不断的学习、学习、学习

但说到成功,如果说数据行业内的知识是有一座山那么多的大米,我就才刚刚吃了小半碗。

毕竟转行嘛,别人大学里专门学了四年,你要一下子赶上怎么可能呢?所以,在以后的日子里,还是要不断地学习、学习、再学习!

一路行来的心得体验

分享一下我转行以来的心得体会:

  1. 要对自我有清醒的认知,和明确的职业规划。要知道自己是什么样的人,到底想要什么样的东西。 每个人都会给你很多建议,但是你想要什么,只有你知道。你适合什么,也只有你知道。只有你自己能为你的选择负责任。 比如:百分之九十转行做数据分析的人,都要从Excel开始做。你如果不能接受从做一个Excel制表的职员开始,那转行的成功性就很小了。 大家都是成年人了,获得任何一件东西都有代价,不要抱怨、推卸、纠结!那些都没用。 转行是人生大事,你整个的工作轨迹,甚至之后的生活,都可能从此改变了。这个选择是你做的,不是别人替你做的。 你做了选择,就要为自己行为的结果负责,不抱怨,不推卸! 自己选的,有什么好说的呢?自己磕倒了,有什么好哭的呢?光看过去没有用,努力看未来,把以后的日子过好。 另外,有感于前些天比较火的《北京两千万人假装在生活》一文,说两句:那个作者通篇都在抱怨!你想留在北京,你去奋斗啊。你抱怨那么多有什么用?别人有五套房又不是你的,有这些功夫抱怨不如多看两页书。
  2. 在转行的路上,时刻牢记自己是转行的。要谦虚,不忘初衷,持续不断的学习。 偶尔学一次不难,难的是持续不断地学习。难的是坚持,任何事情都是这样。能够坚持下来的,最后都是佼佼者。
  3. 最后分享一个小窍门儿:有目的的学习是最高效的学习方法。 无目的的看书,看完转眼就忘。但有目的的学习就不一样。 比如:假设你现在的工作要用神经网络,你无论如何都只能自己死磕。但如果你自己专门去学神经网络,可工作中现在用不着,那很可能你以为自己明白了,其实根本没懂;或者当时懂了,转脸就忘。 悦思悦读公众号之前发表过一篇《工作以后如何有效学习》,就是讲有以目的为驱动的高效学习。

原文发布于微信公众号 - 悦思悦读(yuesiyuedu)

原文发表时间:2017-08-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

英伟达黄仁勋发布全球最大GPU,超300斤,汽车后备箱大小 | GTC2018

19630
来自专栏CSDN技术头条

如何解读「中国科大首次实现量子机器学习算法」?

如何解读「量子计算应对大数据挑战:中国科大首次实现量子机器学习算法」? ---- 1)关于这项工作本身 ? 简单来说就是,用光子比特(photonic qub...

23650
来自专栏PPV课数据科学社区

吐槽版评《大数据时代》一点笔记和一些琐碎的感想

? 我觉得维克多的“相关关系比因果关系更重要”指的应该是以数据预测为目的的时候,不应该过于看重去通过找寻数据产生的关联性的原因然后去推测规律,而是直接把相关性...

26650
来自专栏DT数据侠

2万条评论数据带你揭秘“菊粉军团”真实面目

最近,创造101很火。但比节目更火的是全民pick的菊姐!王菊体型微胖,皮肤黝黑,和传统选秀偶像相去甚远。但她有想法、不服输的性格却受到了广大观众的喜爱。菊姐从...

11000
来自专栏机器之心

Kevin Kelly解读人工智能狂热:破解超人类人工智能的五个假设

选自 backchannel 作者:Kevin Kelly 参与:Rick、晏奇、黄小天、吴攀 人工智能正变得越来越热,有时候让人难以分清新闻报道中那些关于超级...

393110
来自专栏AI科技评论

业界丨需要什么样的智能助理,是《棋魂》中的佐为还是蜡笔小新?

AI 科技评论按:本文来自袁峻峰的投稿。袁峻峰,蚂蚁金服人工智能部,复旦金融学硕士,FRM金融风险管理师。10年以上从事金融IT相关领域工作经验,包括国内银行间...

36470
来自专栏大数据文摘

盖茨、马斯克都遵循的终身学习法则:知识不是由学科划分的

16340
来自专栏大数据挖掘DT机器学习

评《大数据时代》一点笔记和一些琐碎的感想

《大数据时代》是国外大数据研究的先河之作,本书作者维克托•迈尔•舍恩伯格被誉为“大数据商业应用第一人”,拥有在哈佛大学、牛津大学、耶鲁大学和新加坡国立大学等...

39460
来自专栏CreateAMind

一旦机器人眼超越人眼,机器人物种会发生大爆炸 | 张晓林 一席第424位讲者 内容丰富深入

作者介绍了眼睛进化的丰富知识,生物视觉的各种类型、还有鹰眼、兔眼等各种生物眼,介绍了生物视觉的各种应用:机器视觉的路线分析。仿生眼的制作思路。前庭动眼反射就是人...

16940
来自专栏SeanCheney的专栏

《数据科学家访谈录》总结·3

01 - 05:DJ Patil, Hillary Mason, Pete Skomoroch, Mike Dewar, Riley Newman 06 - ...

17510

扫码关注云+社区

领取腾讯云代金券