一、我是文科生，我數學不好

互聯網和移動互聯網時代，程序員成了公認的高薪工作，是眾多企業的搶手人才。但凡大學專業沾邊計算機的理科生，都有機會去競逐一下互聯網大廠的高薪崗位。

數據時代，數據人才就像之前的程序員成了企業的「香餑餑」，互聯網大廠又開始招募大量數據崗位，根據《2020中國數字化人才現狀與展望》報告顯示，數據人才的需求在不斷增加：

數據人才的崗位薪資也高于普通白領平均薪資：

面對這么大好的形勢，這次難道沒咱們文科生什么事情了嗎？「我讀的文科，我讀的商科，我數學不好，我能學數據分析嗎？」這也是我們被問的最多的問題之一。

其實文科生已經意識到自己的競爭對手會是數學好的理科生，所以他們的問題細化成兩個就是：

· 如果不是計算機或者數學統計相關專業，他就不能做數據分析嗎？

· 想轉行數據分析師，應該學哪些技能或者編程語言？

我們根據服務過7萬學生的經驗，總結了三個關鍵，幫助文科、商科專業的學生成功找到數據好工作：

· 找對求職途徑

· 找準就業企業

· 找好學習方法

二、找對求職途徑

進入一家公司一般有兩種途徑——常規的人力資源（HR）途徑和內推途徑。HR途徑就是通過招聘人員、公司招聘網站、招聘系統，或者申請實習來找到工作；而內推途徑則是通過招聘經理或者公司的現任員工來推薦申請工作。

HR途徑上會根據硬性的專業要求、學歷要求進行篩選，可能在你被面試之前，傳統的HR途徑因為你沒有數學統計或計算機學位而剔除你。但在內推途徑中，你通常能夠直接地與決定是否錄用你的人以及最終與你共事的人或團隊打交道。

對于那些只擁有市場營銷教育背景的求職者來說，獲得一份數據科學家工作的最佳途徑就是選擇內推。

三、找準就業企業

在BOSS直聘上以「數據」為關鍵詞搜索，得到北京地區的前3226個熱門崗位，我們可以看到：

3.1 最熱門的崗位

數據分析師，是招聘職位里面最熱門的，其次是大數據開發工程師、數據產品經理，說明在產品經理領域，數據的應用也是非常廣泛。

3.2 薪酬水平

數據相關崗位的薪酬集中在月薪20-50K之間，部分高薪的可以到月薪50-100K，比如BOSS直聘就在北京以80-100K，16薪，招分布式存儲計算平臺專家，但要求是10年以上的工作經驗，不要被這個工作經驗嚇到，看看接下來的統計。

3.3 工作經驗的要求

我們可以看到工作經驗的要求還是集中在1-3年，3-5年，其中經驗不限的也占了較大比重，所以有志于從事數據行業的，可以大膽的嘗試，這個行業很開放，另一個佐證就是下面的學歷。

3.4 學歷要求

本科是要求最多的，因此擔心學歷是不是必須要碩士的可以放心，數據告訴你：本科就滿足大部分企業的要求。

3.5 招聘企業

從數據來看，在北京對于數據人才需求最大的企業是京東，接下來是滴滴、理想汽車。

3.6 最需要的技能

SQL、Python，數據分析，是這些數據崗位要求最多的技能。這些技能要怎么掌握，學習方法就至關重要了。

四、找好學習方法

并不是所有想往數據方向發展的人都已經從事過數據相關的工作，但每個人都可以將自己曾經做過的數據相關的項目整理到一起，以此來展示自己在數據領域的工作能力。如果你做過一些很不錯的項目，并且將它們展示在你的github或簡歷上，這將大大提高你找到工作的機會。

4.1 如何選擇一個好的項目呢？

關于數據項目的選擇，最重要的事情之一是它需要是非常有針對性且具有行業獨特性。項目內容越具體、越緊密聯系某個你感興趣的行業，你就能越好地解釋這個項目的意義。

選擇的項目應該符合下列兩個類別之一（或者兩者都包括）：

（1）這個項目是針對你想進入的某個行業或某份工作設計的——做這類項目可以證明你為什么要申請某個特定的職位。這還說明你對可能從事的領域已有了潛在的了解。

（2）這個項目對你來說是有趣的、有熱情的——當你面試時，面試官談論起這段經歷，這一點熱情就會變得很明顯。當候選人對自己做過的項目感到自豪時，面試官是可以明顯感受到候選人在被問到該項目時的那份激情的。

4.2 學習數據技能的最佳路徑——「以終為始」的項目學習

你選擇的項目應該大致遵循以下這樣一個流程，并且在做完項目后你需要能夠詳細地描述當中的每個步驟。

Step 1: 解決一個實際數據問題——以終為始，課程的最后是怎么的項目？項目背景是什么？是出于什么原因要去做這個項目？（商業問題舉例：希望通過歷史數據評估營銷渠道的效果，以此為明年的營銷預算分配提供建議）

Step 2: 數據收集——好的項目要有數據收集的過程，既可以是直接從數據源下載數據集，或者是從某個渠道去使用API爬取。（例如使用python從Twitter上獲取tweets相關的數據。）

Step 3: 數據清洗和聚合——這一步實在太重要了。沒有這一步的項目都不是“貼合實際工作情況“的好項目。它是數據科學中最重要的一步。對數據格式的處理和清洗會對最終分析的結果產生非常大的影響。你需要通過項目去完全了解你在處理數據時做出決策的原因，比如如何處理缺失值，如何選擇或提出某些變量特征，以及如何處理異常值等等。（例如某些天因為技術問題，無法收集到營銷支出的數據。）

Step 4: 變量探索——這部分對于一個好項目來說也非常重要。因為在這部分分析中，你要去審視每一個變量的特點。你需要深入研究每個變量（或者叫特征）的分布，并評估這些特征之間的關系。為了顯示這些關系，你需要使用諸如箱線圖、直方圖、相關性圖等視覺效果。這一過程有助于告訴你哪些變量和數據可以幫助你解答你想要解決的商業問題。（例如顯示每天不同渠道的營銷費用的分布圖，每天的平均花費。）

Step 5: 數據探索性分析——在這一步，你開始利用數據來探索趨勢?？梢允褂?a href='/map/shujutoushi/' style='color:#000;font-size:inherit;'>數據透視表來了解變量和變量之間隨著時間變化而變化的趨勢?？梢暬墓ぞ咭矐撛谶@一環節的分析中被大量運用。與前面一步非常相似，這一步也是幫助你來了解在模型中要放入哪些變量。（例如每個品牌每天的銷量、營銷支出與銷售量之間的散點圖，等等）

Step 6: 特征工程（或叫變量轉換transformation）——這一步的分析非常重要（所以我將其單獨列為一步），然而它通常應與數據分析（Step 5）同時進行。特征工程分為兩種：

（1）創建可以提高預測準確性的新特征變量；

（2）改變數據的性質，使其更適合進行量化分析。好的項目會教你，在構建新特征變量時如何充分發揮創造性。你可以使用其他數據進行各種形式的組合，把數據的屬性從數值轉換成類別（或者反過來），亦或是對某一特征變量應用一個變形的函數。（比如，相比直接顯示每一天的絕對數值，你可以利用這一天的數據除以一段時間內的平均值，來創造出可以展示相對概念的變量。）

Step 7: 模型的構建和評估——你應該要比較多個模型，以確定哪個模型對于你需要解決的問題能給出最合理的解釋和結果。通過使用訓練集和測試集對模型進行交叉驗證，你可以看出哪一模型對預測結果準確率更高。同時你還應該特別注意如何去評估模型好壞，能夠解釋為什么你選擇這些評估指標。

（例如比較一個隨機森林、lasso回歸和支持向量機回歸模型來預測產品銷量。）

Step 8: 將模型結果進行應用（Optional）——如果面試官看到候選人將她的模型投入運用進了一個真實的網頁或API，這會讓人印象很深刻。這表明候選人可以使用更高級的編程技術或編程包。我個人偏愛使用python，但是我也看到過其他人把R使用得爐火純青。（例如在你可以創建一個R Shiny Project，通過對預測指標給予不同的假設來預測銷量。）

Step 9: 回顧與展示——你需要回顧你做過的項目，看看在項目過程中遇到了哪些困難，通過什么方法解決，哪些地方可以做得更好，并不是所有項目都可以從始到終進行得很完美）這些都將是你在面試中回答行為問題的寶貴素材。我還建議你可以根據當前項目的發現和洞察來思考和開啟下一個項目的主題。（例如我應該在這個分析中考慮如何自動化一些比較手動的流程，是否可以找到其他一些指標來提高模型準確率。）

五、總結

如果你是“非計算機或者數學統計專業背景”的數據崗位求職者，那么就像上文所說的，你應該遵循以下步驟：

· 找對求職途徑——找人內推，而不只是給HR投簡歷。

· 找準就業企業——去有著更多數據的公司，走上你的數據成長之路

· 找好學習方法——去學習一套完整的數據技能，做有針對性的數據項目。

CDA數據分析師按照CDA認證標準打造的《敏捷算法建模訓練營》，完全符合一個優秀的項目的9大必備條件！攜手全球領先的咨詢公司首席數據科學家，真實還原企業常見的數據科學項目，致力于培養優秀的數據科學家！項目經歷可放在簡歷上提升履歷背景。