京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26