2017年回顾

2017年对于我来说，改变还是蛮大的，我从一个在校学生过渡成一个职场人（当然期间还是经历了很残酷、艰辛的挣扎）。

2015年毕业的时候（本科毕业），很迷茫的选择了考研（当时的想法差不多就是，一个学习经济学的文科僧，不知道该怎么择业，不想回到老家从事天天看脸色的职业、也不想随随便便的委屈自己做自己不太喜欢做的事情），所以随大流的选择了继续读研（因为实在迷茫啊不知道该干啥，然鹅我又读了老本行——经济学）。

好在我很早就意识到了这种危机感，索性在读研之初就坚定了自己要进入数据分析行业的方向，读研期间的时间还算过的充实（当然和一年拿到CPA\司考的小伙伴儿比起来，我还是觉得自己荒废了太多时间）。

（所以我有了两年半时间的缓冲期和转型期）

在2016年、2017年除了日常的学习功课以及学术任务之外，所有的精力几乎都投入到了Excel、R语言的学习中去，选择了数据可视化作为自己软件学习的方向（因为单纯的技能操作和语法是很枯燥的，必须有一个持续的学习方向）。

没有人带路、没有人指导，更没有防入坑指南。一腔热血、大把时间就这么挥洒完了，2017年踩着末班车，入门了Python，开始练习爬虫，SQL。

终于在18年秋招（也就是2017年9月份），有幸拿到了某O2O巨头的商业分析offer。

回顾2017年经历，最让我难忘的，我觉得是两年前定下的求职方向，一直没有因为父母、朋友、同学甚至老师的各种观点和周边外界环境的影响。

制定一个目标很容易，但是愿意付出足够的时间，并且竭尽全力的为了这个目标持续努力。这也许是数据分析行业高门槛（特别是大厂）的最重要原因。

求职之前

我花了将近一年半的时间研究Excel(一天一篇推文，讲解一个小功能或者图表实现方式)；

花了将近6个月的时间入门R语言，1年的时间精进R语言数据操纵，6个月的时间集中精力攻破ggplot2；

半年时间入门Python（以上时间有重叠，合计是2年半）；

期间也博览了数据可视化领域的各种主流著作、网站、资料以及工具组件等。

虽然勉强拿到了数据分析行业的入场券，但自知资历尚浅、专业背景欠佳、数理功底偏弱、分析能力仍待提高，路还有很长，仍需坚持努力。

以上是一个文科小白转行数据分析的艰难经历。

一路走来的感想

回顾这一路走过的各种坎坷，还是想给那些想我一样，因为专业背景限制而对数据分析行业又爱又恨、举棋不定的小伙伴儿们讲几点儿发自肺腑的建议：

1、在选择这条路之前，要思考再三，虽然这条路看着光鲜（至少收入类比其他行业不会太差）、看着很公平（要么牛逼、要么滚蛋），但也是一条不归路，也充满着未知、荆棘和绝望；

2、虽然这个行业有着天然的专业鄙视链（文理科的逻辑思维功底、编程语言接受程度上实实在在的存在差别，这也是甲方更信赖理科生的重要原因，因为社科类专业，很少有学校会严格的按照数理逻辑去制定学生的课程培养计划），但是并不代表文科生没有任何机会（因为往前推5年，大家都是文科生）；

3、如果你要坚定的选择这条路，就必须克服各种依赖症，比如安装一个R语言软件，下载一个包都要在群里@别人，因为这种学习习惯决定着你必然会被同行的有心者远远的摔在后面，百度、谷歌、Stack Overflow永远像你免费敞开大门；

4、动手实践和实习参与项目是很好的数据科学或者数据分析的开端，只学不练假把式，只有直接用于实战，才能看出来你学的东西到底有多少能够落地，能够用于提升业务的价值；

5、在求职以前，倘若时间允许，把R语言、Python（数据科学相关模块）、SQL（可以选择一个平台，比如MySQL）这三大关卡早点过了。（如果你不想再天天加班补的话）；

6、如果你还是在校学生，学会分清各种事情的轻重缓急，比如各种无聊拉人凑场子讲座、听课发礼品的营销洗脑课，各种……的无效应酬社交，如果全部都用在数据科学的学习上，你会发现你的时间多了很多，自然你也可以更早的追上同行的脚步；

7、脚踏实地的去走自己的路，不会的多写、多看、多问（问真正有价值的问题）、多总结、多交流，给自己足够的转行周期（如果你是科班出身的【统计、数学、计算机】，也许会走的顺风顺水，但也不可以掉以轻心，倘若不是，请一定要慎重选择，起码要给自己一到两年的转行缓冲期【具体视自己的专业背景和技术实力而定】，什么7天精通机器学习、三个月精通人工智能，你自己敢信嘛）

8、学会融会贯通不同领域的知识，触类旁通、横向迁移，这样学起来才有越学越有通透的感觉，否则你只能增加笔记本的厚度，徒增烦恼罢了。

未来的建议

保持一颗平常心，养成良好的作息习惯，时刻不忘学习，吸收新鲜知识和观点，融会贯通与总结提炼，锻炼好身体，这同时也是对自己的警示和建议。

往期精彩内容整理合集：

2017年R语言发展报告（国内）

R语言中文社区历史文章整理（作者篇）

R语言中文社区历史文章整理（类型篇）