如何转行做数据分析?

1. 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。

2. 转行数据分析需要做什么?

软素质：是否对数据分析感兴趣，是否具有良好的自主学习能力与沟通表达能力。


想要从事一个行业，首先是要感兴趣，如果你对数据分析无感，在面对大量数据运算感到头疼，更对编程学习表示抗拒，那可能入门数据分析对你来说有点困难。


同时，自主学习能力也很重要，对于那些完全不了解数据分析的人来说，转行需要重头学起，而数据分析所涉及的知识体系非常庞大，需要学习者持续不断地学习。


沟通表达能力不用多说，职场通用技能，作为一名数据分析师，经常需要和业务沟通了解需求，也经常要将数据分析得到的结果进行可视化表达，和领导沟通，利用数据分析结果进行有效决策。因此，良好的沟通表达能力很重要。


硬技能：了解数据库、数据仓库、数据采集，Excel、SQL，Python 等。

3. 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。

4. 转行或跨界数据分析行业需要做什么？

就目前而言，很多人都想跳脱目前的工作状态，转行或跨界到数据分析领域，期盼自己可以做出点成绩出来。寻寻觅觅间，有的人转行或跨界成功了，有的人转行或跨界失败了；有的人生活品质提高了，有的人还在人生十字口徘徊不前。有不少人人看到数据分析行业的就业前景和当前的人才需求，就想转行或跨界到数据分析行业，但是对于数据分析并不是很了解，这就显得有些草率和迷茫了。那么转行或跨界数据分析行业到底需要做什么呢？
如果转行或跨界做数据分析的话，需要学习很多的东西，首先需要了解的是数据分析的步骤，一般来说，数据分析的步骤就是提出问题、理解数据、数据清洗、构建模型、数据可视化等步骤，下面我们来一一解答一下这个问题。
首先是提出问题，我们都知道，一切数据分析的目的都是为了解决我们生活或工作中的实际问题，明确的问题为我们后续的数据分析提供了一个大的方向和目的。提出问题以后我们需要理解数据，理解数据需要采集数据、导入数据、查看数据集的信息，包括描述统计信息，从整体上理解数据。数据清洗就是对数据进行预处理。构建模型就是对清洗过的数据进行分析。简单的分析就是得出一些业务指标；复杂的分析就要用到机器学习的算法来构建模型。数据可视化就是与他人交流你的研究成果，最好的展示方式就是图表。
数据分析中最重要的就是提出问题，这就需要我们和业务人员一起讨论明确他们的需求以及各个指标的计算公式。从而去改进业务中的不合理的地方。其实数据分析的工作中有很多时间都是用在了数据清洗的工作上，由此可见数据分析中数据清洗的重要性了。我们在数据清洗中需要处理缺失数据、删除异常值等等。以便于后期的数据探索和分析。一般来说，原始数据经常会由于记录缺失错误，这时候就会导致有些数据是缺失的。我们可以采用两种办法来处理：第一种就是直接删除缺失的数据；第二种就是通过建立模型进行插值的办法来补充这些数据。
现在的社会就是一个商业社会，如果想转行跨界到数据分析领域，一定要注意上面小编提到的内容，应该会给你的转行跨界之路带来不少帮助和启发。小编觉得，无论是转行成功，抑或跨界失败，我们都要拥有承担后果的能力。最后给大家奉献一句箴言——只有自己拥有了核心竞争力，才不会被逼到淘汰的境地！

5. 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