京公网安备 11010802034615号
经营许可证编号:京B2-20210330
一年一度的高考结束了,除了焦急地等待成绩公布,是时候考虑下选专业的问题了。有些人把专业当成兴趣的延伸,更多的人把专业当成是工作的前奏。前者就不多说了,大可以跟着兴趣走;对于后者,就涉及到职业的选择问题。
最近一段时间,不少人来问我:如果以后想从事金融行业,该如何选专业?这着实是一个需要推敲的问题。
参加2017年高考的学生,将主要于2021年(本科)和2023年(硕士)走入工作岗位,所以,先要想一想,那个时候,金融业态有何变化?哪些岗位会“消失”,哪类人才又会受到青睐。只有对毕业时的行业需求做好预判,才能走好当下选专业的关键一步。
人工智能驱动金融人才需求高端化
主要意思是,人工智能在金融业的快速渗透将会替代很多单一的、操作性的岗位,一方面使得行业员工人数下降,另一方面也驱动金融行业的人才需求高端化。整体的影响便是,金融业的就业门槛越来越高。
随着新技术的出现,社会上现有工作的数量、类型和组成都要发生改变以适应新技术,而人工智能无疑是影响最大的变数之一。
所谓人工智能,是指通过研究人类智能行为规律(如学习、计算、推理、思考、规划等),构造具有一定智慧能力的人工系统,以完成往常需要人类智慧才能胜任的工作。换句话说,解放人类的“大脑”,是人工智能的天职。
2013年,牛津大学马丁学院做过一项研究,预测人工智能发展将经历两次“人工替代”的浪潮:
在第一次浪潮中,运输和物流业的大部分工人、大量的行政人员和生产领域的劳动者可能被计算机取代;在第二次浪潮中,所有涉及手指灵巧度、反馈、观察和有限空间内工作的任务都将受到人工智能的影响。
可能也正是基于这一点,霍金曾这么评价人工智能:
人工智能之于人类,可能是最好的事情,也可能是会终结人类的最坏的事情。
就金融业的柜员、客服、交易员等群体而言,人工智能扮演的便是“替代者”的角色,可能就是有一天会变成坐在柯洁对面的AlphaGo,替代他们“下棋”(指各种基础类银行服务)。
对于诸如风险管理、财务管理等中后台岗位而言,可能也会面临类似的问题。下面以科技驱动对风险管理岗位的影响为例,进行简要分析。
良好的风险管理是金融行业持续发展的根本保障,风险管理岗位在金融业内部也一直处于核心地位,在银行业尤其如此。所以,风险管理岗位一直都是金融业的金领,受大数据、物联网技术的冲击,未来三五年,其含金量可能会大幅缩水。
粗略来看,风险管理包括目标设定、事项识别和风险对策三个关键因素,其中,事项识别(风险识别、风险计量等)和风险对策(风险定价、风险监测、风险控制等)的数据驱动趋势越来越明显。在一个标准化的授信审批流程中,债项评级、押品评级、授信额度及定价等均可以通过大数据风控模型直接得出,而贷后管理很大程度上也可以通过负面信息引擎、风险预警模型、基于物联网的押品管理等减少对人力的依赖。
这种趋势的影响在于,随着风控人员的经验内化为模型,金融行业的风险管理岗位将从经验积累型的“金领”转变为诸如模型参数调整、系统日常运营等操作性“蓝领”,职业发展前景大大受限,行业所需从业人员数量也将大幅下降。
复合型人才一直并将继续受到青睐
一直以来,金融企业就偏爱复合型人才(在本文语境下,可简单理解成跨专业人才),未来的三五年,这一趋势还会加强。
一是金融业属于虚拟产业,通过服务实体经济而实现自身的发展,所以,金融业是需要和各行各业打交道的,跨专业的人才对于相应行业的理解更为透彻,也就受到金融企业的青睐。典型的是证券公司行业研究员招聘,最喜欢两类人:
一类是理工(本科)+金融(硕士)组合,处理数据、做模型能力强;
一类是行业(本科,如生物、医药等)+金融(硕士)组合,在研究相应行业时不会存在障碍。
不难理解,如果让一个本科学金融的去研究医药行业,这不是难为人嘛。不过,有一种说法是,人工智能在证券业的运用,第一类要取代的岗位便是行业研究员,因为机器更擅长基于历史数据的预测。
二是金融业自身的业务逻辑演变,不断提升对复合型人才的需求。举例来说,金融业的数据化和科技化趋势愈发明显,自然会导致对信息“IT+金融”的复合型人才的需求增加。以大数据建模为例,所有的模型归根结底是为业务服务,要服从于业务模式。对人才的需求便是,既需要有数据挖掘和建模能力,又需要对金融业务模式、风控逻辑等有着深入的了解。
三是金融跨界和业态融合逐步成为新的趋势,金融与实业的边界越来越模糊,在场景金融下,金融服务甚至成为消费场景中的一个环节,也在催生着对复合型人才的需求。
填报专业需要注意的一个风险点
首先,面对人才需求数量下降和人才结构高端化的趋势,需要仔细评估下自己未来如愿进入金融行业的可能性有多大。有理想是好的,但并非所有的理想都能照进现实,也并非每个金融专业的毕业生都能如愿做金融。
其次,关于复合型人才和跨专业策略。如果你再次明确了想要从事金融行业的决心,结合上文的分析,最好在你硕士毕业时具备复合背景。看上去,“理工+金融”的跨专业操作是最好的选择,但其实这里面也有“陷阱”,那便是你能否确保在本科考研时能“跨”成功。
要知道,为了进入这一高薪行业,很多人都会在考研时选择金融专业,跨专业考研的竞争绝对比你想象中激烈得多。能否在四年后的竞争中成功突围,并进入一个还不错的学校,这是“跨专业”策略需要考虑到的一个风险。实在没把握,老老实实地在本科就选择金融专业,也是一个可行的策略。
最后,高考并非是学习的结束,大学也只是持续学习的开始。所以,大家还是先好好过一个愉快的暑假吧,9月份开学后,等待你的,是人生的新征程。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
金融行业的运营风险贯穿业务全流程,涵盖交易欺诈、操作违规、流程漏洞、合规偏差、客户信用异常等多元场景,是银行、保险、证券 ...
2026-07-17财产保险作为金融行业的核心板块,涵盖车险、家财险、责任险、企财险等多元品类,是个人与企业抵御财产风险、经营风险的重要保障 ...
2026-07-17 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-07-17【核心关键词】模块、餐饮、客户、门店、企业、订单、供应链、多样化、产品、生产计划、数据分析、生产管理、物料管理、业务分 ...
2026-07-16在数字化分析时代,原始数据本身不具备业务价值,只有通过科学的统计学方法加工、拆解、验证与解读,才能挖掘数据背后的规律、差 ...
2026-07-16 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-07-16在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09