工作之后如何高效的学习？

接近1年不太顺心的工作经历

20年7月完成毕业论文答辩后，匆匆忙忙就进了职场。一开始对工作感到非常期待，刚入司的时候也是十分激动，准备大干一场，给自己定了一个小目标：弄出一个像Airbnb公司出品的superset的数据分析平台，从爬取数据源开始，到数据加工可视化，并包含一些简单的机器学习分析。

因为本科研究生读的都是机械，所以在数据分析上，各方面技能都显得不足，于是拼命学习各种技能，数据分析的numpy, pandas, scikitlearn，可视化的matplotlib, pyecharts，后面还学习了搭建网站的flask, tornado，前端的javascript, html, css, echarts基础，数据加工的sql, sqlalchemy等等——为了最后能做成一个像样的数据分析平台。

然而，现实总是那么的令人失望，领导不希望我去插手前端vue, react的任何技术，组里也不需要开发这样的系统，pandas的价值也被否定了，因为大家都只会sql，数据分析、机器学习更是没有需求。然后因为公司没有内勤懂C++，我还被分去研究一个C++的临时项目，项目也是巨坑无比，十年前的老代码，外包给别的公司做的，百万行级没有注释没有文档的代码，从win7升到win10终于挂了，甚至都没人说得清这个项目是干什么用的。

10月份完成了一个可视化的项目demo，完成转正答辩。没想到那三个月因为担忧未来主动996发奋学习的日子，竟然是我成长最快的一段时光，随后就进入了常规的报表和可视化看板开发，熟悉之后，便觉得无聊乏味，入职即巅峰。之后就陷入了迷茫的日子里，学了一些网上的课程，加入了一些社群，把大数据和数据分析领域摸了个大概，决定考虑数据分析这个岗位作为下一份职业，但因为和公司签了不能离职的保证合同，短期内也交不起违约金离职，就觉得未来还很远，一直没有动力去推动这些事情。

工作不太顺心，因为金融公司安全的原因，每天要输入几十遍账号密码动态口令，各种软件都不能装，有道词典，typora不让用勉强还能理解，notepad和UltraEdit也不让用，难道让我用记事本开发代码？笔记本配置也很可怜，其实就一8G内存+i5-7200u低电压CPU的上网本，配合公司的各种安全+水印+监控+扫描软件，卡成小霸王，好几次申请台式机也不让。时不时就搞安全考试，研发合规考试，签了一些保密合同不敢随便写博客怕惹麻烦，领导和同事们大部分时间都在低头玩手机，搞的我对技术基本上是失去了热情。工作饱和度极低，又不敢明目张胆地学习转型，21年的上班时间，基本都在研究炒股这件事情打发时光。

前行的动力

推动一个人前进的力量，通常有两种，一种是爱，另一种是恐惧。

最近听说了很多人离职的消息，也让我产生了很大的焦虑，如果我拿着现在的履历，在就业市场上能找到一份什么样的工作？很可能根本找不到工作，我认真整理了一下自己的工作，发现真的没有什么拿得出手的项目。

再深度一点思考，假如自己充分发挥主观能动性，调用起身边的资源，天花板在哪里呢？大约就是领导的角色，即“数据产品经理”+“管理者”，数据产品经理的能力圈取决于对数据产品的了解，而数据产品的需求本质上是由业务的需求和资金推动的，而现在因为“各部门自负盈亏”的考核指标，使得各部门都陷入了收缩的发展阶段，需求和预算都在不断萎缩，道阻且右。而管理者的身份，显然又离我甚远。

黯淡的前景，足以激发内心的焦虑和不安。

而真正的动力，源于对美好生活的向往。

这段工作让我感觉最美妙的，还是当初完成demo的那些时刻，以及后来开发出第一个看板的时刻，因为有挑战性，又能看到经过努力后自己的产品，所以内心非常满足。平时做的ppt，博客上的博文，剪辑出来的vlog视频，都让我内心觉得有价值感，所以我觉得那种能拥有自己产品的工作，才能让我内心感到愉悦。

加上后来和一些分析师的交流，让我觉得他们的思维很敏捷，生活也很有趣。

我希望自己10年后，更多和人交流，用思维和洞见构建自己的护城河，而不是那种戴着耳机坐在屏幕前敲代码的程序员，靠编程技术构建自己的护城河。

当然更直接的其实还有薪资，毕竟自己需要用钱维持基本的生活，也需要给父母和未来的家庭一个经济保障。

好的学习方式和习惯

工作后，我断断续续学了不少课程，也做了很多笔记，甚至还发了博客，但最后大多都忘掉了。

有时候，我也会安慰自己，学过的那些东西，虽然想不起来了，但他们其实还在记忆深处，等你下次去挖掘的时候，他们自然会出来。

可现实就是，很多东西，可能永远都不会去挖掘，甚至连想都想不起来，而眼下的事情又是如此繁多，也根本没时间去炒冷饭，把过去的那些东西复习一遍。即便真的把那些东西炒热了，又有什么用呢？既然没用，那干脆就不去管它，久而久之，就真的忘了。轮番几次的挫折和信心打击，连学习的热情都搞没了。

根本的原因是因为，学了之后没有去应用，或者找不到应用场景，始终处于一个被动的学习状态中。

美国学者埃德加·戴尔（Edgar Dale）提出过一个叫「学习金字塔」（Cone of Learning）的理论。

可以发现，传统的教育都是上面的这种“填鸭式”教育，我们去阅读教材、听老师讲课、看视频学习，然后做笔记，甚至连汇报都很少，然后，就没有再进一步学习了。

而更好的方式是主动学习，把学到的东西讲述出来，和别人讨论，然后实践落地，甚至做成教程。这些方式之所以有效，是因为在这个过程中，能激发出更深层次的思考，你不思考都不行。

想象有两个学习场景，第一个场景是学习sql、python、机器学习算法、分析思维，第二个场景是分析一下抖音为什么能火，背后的推荐系统到底怎么做。

面对第一个场景，应该说每个人都知道怎么做，很简单，买书买教程，然后看书看视频，完了做做笔记，看看例题会做的就做做，不会的就算了。这就是大部分人的学习状态，如果弄个漏斗分析，甚至会发现100个“热爱学习”购买书籍课程的人里，80个人都没看完就去刷抖音追剧打游戏去了，只有20个坚持看完，10个人做了笔记，5个人做了例题，最后只剩1个人在思考怎么应用。

而面对第二个场景，应该说每个人都能扯上几句，但很少有人能有理有据地分析出原因，不知道具体要怎么搭建推荐系统。但是只要有兴趣深挖下去，就一定会接触到sql，python，机器学习算法和分析思维这些东西，这时候再去学，就很明确知道他的使用场景是什么，这些技术的价值有多大。

如果学习能直接从第二个场景出发，为了做一件有趣的事情去学习，其实就不存在“填鸭式”教育的那些困扰和痛苦。而事实上，我们生活中的大部分“学习”都是这种模式，比如觉得滑雪很酷，就会去滑雪场找教练学习，比如想去哪里旅游，就会去网上搜索相关的攻略。

如果能用这种模式学习，该有多好。

在这种模式中，目标一定是清晰明确且有吸引力的，比如为了跳槽找一份好工作，为了搭建出一个网站，目标对自己的吸引力，决定了后续学习的动力，如果目标不明确，那其实大可不必去刻意学习，因为学习的目的是为了解决问题，不要为了学习而学习。

在学习的过程中，一定要充分联想，深度思考。学习是个脑力活，而不是体力活，我之前在学习的时候很喜欢做笔记，觉得markdown笔记做完，思维导图做完，就大功告成了。后来发现没用，很快就全部忘记了，因为学到的这些内容都是点和线，散落在那里很快就被遗忘了，而只有经过深度思考，把这些点和线都串起来，才能有一个很好的理解。其实串起来也并不会记住多少细节，但这个时候会有个很感性的认知，就像你无法在纸上画出父母的容貌，但你一定能记住和父母在一起的许多美好片段，环境、面容、声音、味道、心情这么多细节，正因为被组织在了一起，所以才变得鲜明深刻。所以不要着急去做笔记，做思维导图，归纳和总结应该是在深入了解之后做的事情，不要在刚开始的学习中就做归纳总结的事情，大概率是无效的。

在挑选学习材料的时候，一定要选择一手资料，把基础打扎实，后续才有可能筑成高楼。如果一手资料确实太难，可以选择难度曲线稍微平滑一点的学习资源，等入门之后再切换到一手资料。在这个互联网非常发达的时代，其实真正好的资料反而不多，专栏、博客、微信公众号其实都不是很好的学习材料，看似的“干货”非常不系统，对真正的学习鲜有帮助，但胜在能满足快速学习的成就感，抵消学习的焦虑。

接下来的一些计划

最近在积极的准备转型数据分析。看了不少数据分析思维的书，sql和python基础还可以，机器学习算法过去就学了个皮毛，还挺混乱。

在极客时间上找到了一份很好的《数据分析实战45讲》，正好符合最近思考的主动学习的这种模式，先找到应用场景，然后再去补充相应的知识。

sql方面，把牛客上的题目再刷一遍，第一遍只是通过了，第二遍更要讲究解法和思路，看有没有更好的解法，把所有的可能性都验证下，同时多看看一些面试中经典的sql题目，认真思考。
excel和pandas方面，把他们放到同一个关系型数据的框架下，和sql进行对比学习。
机器学习算法方面，更多地放到项目里面拆解出来学习，多联想，多自问自答，手动敲一点源码找到对算法的感性认识。
分析思维放到具体的面试问题和数据分析报告中学习。

另外，在小飞象的群里立了个flag，要在6月19号前分享学习笔记，利用社交监督自己。

争取在这个夏天，成为一名数据分析师。