
北京CDA数据分析就业班50期学员
姓名kmell:庞同学
毕业院校:北京工业大学
专业:信息管理与信息系统
入职信息:玖富集团,数据分析师,北京
就业感言:
一、学习阶段:(远程版)
由于一些个人原因选择了远程学习的方式,较现场学习而言,从学习的态度和方法上都有很多不同之处。
首先,远程学习需要较强的自控力和持之以恒的耐心,并不会有人严格监督你的打卡和听课质量,所以在了解自身情况的基础上去选择适合自己的方式才是一个好的开端(自控力不足的小伙伴建议果断现场学习,理想很丰满现实很骨感)。持之以恒的耐心在于三个月的学习对我们来说并不是一个很短的周期,在整个学习的过程中,各模块知识点对你来说可能有难有易,有感兴趣的也有不太关注的,那么就需要去平衡他们,找到良性循环的方式:最基本的要保证听课的完整,因为无论哪部分内容总有你不太了解的知识点,先保证漏斗的开口足够大,才能为最终吸收的知识奠定基础;接下来要明确哪些内容是你的核心需求,因为人的精力都是有限的,不可能一上来就把方方面面学到极致,在学习前我们都应该明确自己的目的和目标,课程内容的设置也都能提前了解到,对于你的目标工作岗位的核心技术要求就是需要你重点关注的,那么无论难易都要花更多的时间精力去学习和练习,这些内容具体的排期你也要了解以便提前准备不受其他各种因素影响,比如SQL,统计知识等(像python和机器学习就要看每个人具体的目标岗位的设定了);三个月下来,我们并不需要保持每天时刻的高率学习(当然我们也做不到),而是应该有的放矢,劳逸结合,达到事半功倍的学习效果,这样也有助于我们保有持之以恒的耐心。
其次,学习方法上我使用三种模式(但对于远程小伙伴而已,保证这些模式效率的前提是你手边最好准备两台电脑,一台直播课程,一台跟着操作以及记录):
1. 对于熟悉或容易的知识点,上课用xmind做笔记,建立知识框架,紧跟课程节奏,熟悉的知识点简要记录,重要以及易忘的可以突出标记,课后根据框架梳理一遍并补全课上没记全的内容,例题和作业自己都再单独完成一遍,确保思虑清晰完整。
2. 对于不太熟悉且重点模块的知识,最好提前预习,不然上课就是完全懵(至少可以把涉及到的一些基本概念先理解一遍),上课遇到难点不理解的可以先记录之后找机会询问,尽量在当天多理解多记录多询问,还可以课间/晚自习讨论或上网搜一些资料答疑解惑,因为录播一般都是第二天课后才更新,当天课程如果落下太多可能会影响第二天的听课效果。但看录播复习也是重要一环,在整个课程的学习中,我对于不熟悉的知识点通常都会在后期观看2-3遍录播视频,每多学习后面的一部分知识再回过来复习前面的内容都会有新的认知理解和收获,同时对于知识点之间的连接也非常有帮助。
3. 对于知识的运用是我们学习的最终目的,所有的理论知识也都是为了支持实践,第三个模式贯穿整个学习过程,就是建立一个练习文件夹,像SQL,Python可以搜罗一些练习题来熟悉命令操作等。其他模块可以利用网上的数据或自己工作上的数据甚至是老师提供的练习数据,去作为一个分析项目来完成,从数据提取,清洗整理,描述性统计甚至建模做一些挖掘工作,到最终的数据可视化及数据分析结论报告的产出。项目输出的完整性既有助于我们把各部分知识整合起来,还锻炼了分析问题的思路,从中我们还会遇到很多实际问题,去解决,去优化,切身感受数据分析工作中的点滴(课程后期的案例和你自己学习过程中完成的一个个小项目都可以作为将来面试中的项目经历)。
二、就业阶段:
对于找工作的过程,我总结了几个关键点:
1. 准备要充分:如果说前面的三个月的学习都是纸上谈兵,那么找工作就开始真枪实干了,请拿好枪再上战场,不然一次次的失败可能会让你失去勇气和信心。简历和面试技巧在面试前老师都会协助我们做准备,但面试终究是要自己单打独斗,所有写在简历上的内容以及从面试时说出来的话,都必须是我们提前准备好且对答如流的,不然干脆就不要提及(这是亲身踩过的坑,不要给自己挖坑)。
2. 面试节奏和优先级安排:建议趁刚学完对知识比较熟悉的时候保持每天2个的面试量,岗位或公司不太满意的也不要一味拒绝,可以排在理想公司面试的前面,作为一个锻炼自我的机会,完善面试经验,为后续更好的发挥做铺垫。
3. 保持良好心态:心态为什么重要?如果你的能力不行,那么心态再好也没法通过面试,但是如果因为前期的失利导致自己心态崩了,不自信,破罐破摔不好好去准备后面的面试,那么那些本可以抓住的机会可能也就此错过了,导致陷入恶性循环,所以正视每一次的面试结果,总结问题。
最后,希望小小分享可以给小伙伴们带来一些帮助,也祝愿大家都能通过学习丰富自己,最终get到自己理想的工作
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09