数据分析到底好不好入门，看看这个例子你就知道了！
偏远地区，普通本科，物理专业，工作两年，裸辞半年。
然后成功从普通行业零基础小白成功转行成为某五大行的数据分析师，也算是“逆袭”吧。
接下来将以第一人称给大家分享下他的逆袭故事。
1.
我曾经只是一个普通大学毕业的物理专业毕业生，因为专业比较冷门，加上所在的城市又是三四线小城市，导致毕业基本没什么好的工作可以选择。
毕业后进入了一家不到100人的小公司，做着一份没什么技术含量的工作。你说没什么技术含量就算了吧，还特别忙。经常周末老板一个电话我就得加班一整天。
那时候我就在想，我从小学就开始接触电脑，从小到大我都算是在同龄人当中电脑使用的很好的人，为什么就不能找一份有点技术含量的工作呢？
男怕入错行，女怕嫁错郎。那么既然打算转行，就需要选择一个好的方向就格外重要。既然我是转行那么就不免要和这个行业的专业人士竞争，那么越是成熟的行业就越难以进入。
考虑到这一点我就开始在网上搜索当下既热门又是新出现的行业，在这两个条件的交叉选择下，我很容易的就发现了数据分析这个行业。
在我了解了数据分析这个岗位具体工作内容后发现数据的价值只有在进行合适的分析后才会体现出来。
而未来智能硬件的不断推出，数据将无处不在，甚至数据分析将会成为一种普遍适用的技能，那么越早进入这个行业就越能抓住这个行业的红利。
了解数据分析岗位的发展方向后，我快速对自己的能力进行了评估。
而在 2018 年数据分析岗出现的时间并不久，对技能的要求还不是很高。如果你能有不错的学习能力，能够很快进入这个行业，就能保持自己的竞争优势。
所以在考虑了以上这些信息后，我便义无反顾的决定进入数据分析的世界。
2.
开始学习阶段。学习还只是通过网上的免费资料，或者买书自学。
这种学习方法对于有一定基础的人来说还可以，但我当时只是一个小白，用这样的学习策略想要尽快达成目标，是不太可能的。
当时我也是报名了付费课程进行学习的，价格非常高。
课程中也是学习了很多工具的使用。对我影响比较大是，当时课程中学习的拍拍贷数据分析项目的分析，成为了我转行成功的垫脚石。
那这个项目为我带来的优势在哪里呢?
首先，这是一个金融类的项目，数据都是金融方面的，而金融是应用数据分析最广的行业， 所以这个项目并不冷⻔，我在应聘各个行业的数据分析师时都可以将这个项目拿出来和对方讨论。
其次，数据量比较大，数量在 30 万左右。数据维度也很多，有超过 30 个字段。这已经算是一个比较复杂的项目了。因为当时很多人还在用数量级在几百或者几千的数据进行分析。所以这也就造就了我自身的一个优势。
当时开始面试找工作时，就靠着这个项目，最夸张的时候达到了两周面试十几家公司，几乎是上午一家下午一家。举一个例子，爱回收，和我现在的这家公司。
爱回收的面试官曾问过我一个问题，你对我们公司业务有什么建议么？
这是一个开放式的提问，也是展示你思维高度的一个机会。但很容易回答不出效果。
由于我前一天专门看着爱回收的各种资料和数据。所以直接表达了我从数据中了解到的洞见：
我看了爱回收的一些数据，发现很多人都在抱怨回收价格太低。大多数人都是网上询价时感觉还可以，实际回收时价格却低于网上询价。
这就会让用户的期望得不到满足。我觉得可以尝试一下网上询价时价格略低，实际回收时价格略高的策略，通过AB Test在小部分客户中进行尝试。而定价策略可以通过各个SKU的历史数据，在网上询价时略低于中位数既可。
就这样我加上的拍拍贷项目，在面试的当天下午我就轻松斩获了 Offer。
3.
而我现在这家公司就更有意思了。
开始也是笔试、加常规面试问题，自我介绍，项目介绍之类的。
面到后面时面试官问到我未来三年发展方向要怎么规划时，我由于做过完整的数据分析项目，知道业务知识的重要性。所以我当时的回答是这样的：
我打算第一年和第二年多花时间了解业务知识，并且精进一下数据分析技能。第三年打算着重了解建模方面的知识。
未来的方向是做一名既懂业务又懂数据的数据产品经理。
当时面试我的领导就拍着桌子说，我就想要一个这样的人。而这时候我就知道我有戏了。
最后果然不出所料的顺利拿到 Offer 入职。
这就是我的转行的经历了，其实里面有很多细节由于时间关系就不展开来讲了。
其实我两次的面试经历中可以看出，这样看上去很难答的【开放题目】考察的其实是面试官最看重的还是你的数据分析思维。
4.
当你真正成为了一位数据分析师，面对的挑战都有哪些？
大部分人可能认为最难的部分可能是技术部分，例如复杂的算法或者建模，又或者是数据分析工具， 比如对 Python、SQL 的熟练掌握等等。
但我可以以我的亲身经历告诉你，其实这些都不是最难的部分。最难的部分其实是对业务的理解。
还记得我刚才讲的面试的故事吗？
面试官问到我未来三年发展方向，我首先告诉他的是，我打算第一年和第二年多花时间了解业务知识。
因为当你真正开始尝试做一个数据分析项目的时候，你会发现你第一件需要思考的事情是，我要分析的这个东西到底是什么？
当你的老板给你一个数据，让你帮他分析分析的时候，你不会上来就用 Excel 数据透视表，也不会运用各种数据分析技能展开分析。而是要先搞清楚这个数据里包含的内容是什么，数据背景是什么，以及老板想要解决的问题又是什么。
而这些其实全都是业务知识。
在数据分析有一个固定基本流程
确定问题——分解问题—— 确定解决方案，这三个步骤这里面每一个步骤不需要你知道具体某个数据分析知识，但这里面每一个步骤却需要你知道分析所需的所有业务知识才可以往下进行。
我举个例子：
我所在的公司是银行，大领导发现我们有几个亿的欠款持续很久没有追回，进行款项分类发现一个类别是我们发现很多客户的信用卡都刷爆了，欠款很多也没有归还。
就想找找其中的原因，看看有什么方法可以解决。
我拿到的数据是这样的：
在这里说明一下，这个数据我是调整删除过的，并非真实数据。但是整体的理解思路和分析是一致的。
其实我们拿到数据的时候，就是这样，冷冰冰的，我们首先想的不是怎么分析，
如果你不了解业务，你完全找不到分析的入手点。
所以在分析之前，我们需要先理解业务
在做分析之前我们最需要做的一件事情就是理解业务思路。那如何理解业务思路呢？最简单的办法就是多问为什么？只要是自己不懂的都要问一下为什么，看自己是否清楚明白。比如你可以自问自答
1.什么是信用卡刷爆了呢？答：超额就是客户实际使用金额超过最高额度的情况。
2.业务部门为什么要分析客户超额的原因？答：由于坏账率较高，公司为降低违约金成本增加收入，而超额客户未还款金额占违约金比例较高，所以需要分析这部分客户超额的原因，从而有效的降低违约金金额。
3..那什么情况可能导致客户超额呢？答：保险扣费、利息费用以及额度降低都会导致超额。
了解到这里，这个问题的业务知识就基本够用了。可以看到业务提的需求虽然只是简单的一句话，但其中隐藏的内容并不少，如果你不能把这些都业务知识都梳理一遍，是很难下手进行分析的。
另外交易代码2021代表一般交易，2022代表保险扣费，2023为利息扣费。
其中保险扣费的意思是当客户通过我们公司购买了保险后，保险费用可以关联信用卡自动扣费。而利息扣费则是当客户未按时还款，或者拖欠太久迟迟未还款时产生的费用。
然后是进行实际分析：
首先我们需要从两个方面去分析问题，一是从客户首次信用卡刷爆时的账单去分析，另一个是从客户刷爆信用卡交易额最大的那一期账单去分析。由于分析过程相同，所以我仅说首次信用卡刷爆时的分析方法。
我先将客户卡号和使用额度两个字段同时按照逆序排列，然后用COUNTIF函数来排序，这时为了筛选出首次信用卡刷爆时的账单。
然后根据交易代码2022筛选出保险扣费，通过用消费金额/使用额度，来得出保险消费占比。
然后再计算保险消费占比均值，然后将使用额度-总信用额度来得到超出额度的金额部分。
再使用消费金额/超额部分来得出超额部分保险消费占比，然后再计算超额部分保险消费占比。
最后用 if 语句判断超额部分保险消费占比是否大于1，来分析保险扣费大于超额部分的比例是多少。
另外利息扣费分析方法一样。就不在赘述。
具体的分析方法和函数的使用还是比较简单的，相信大家在之后数据分析课程的学习中都会掌握的。
最后我们一起来看看结果：
我们可以得出这样的结论：
根据数据可以看出，无论是总消费各自消费占比均值、还是超额部分消费占比均值。利息所占的比例都高于保险部分。
考虑到保险业务扣费为固定扣费，而利息扣费在客户一直未还款的情况会不断增长，建议着重从利息扣费方面入手，缩短客户信用卡违约还款时间，从而降低违约金成本。
但保险方面的占比也不容忽视，从超额部分保险占比看，保险自动扣费也容易导致客户超额，建议当客户额度不足时，保险自动扣费失败，从而降低保险部分导致的坏账率。
通过整个分析得出的结论可以帮助公司更好的解决欠款问题，当利息消费占比均值下降1%，就可为公司带来上千万的收益，可见数据分析的作用是多么重要。
这就是为啥公司愿意为数据分析师支付
高工资的原因。
5.
最后我来总结一下
成为一名数据分析师你需要掌握哪些技能知识呢？
如果你是想要在本职岗位上增加一点数据分析思维，或者掌握一些数据分析的基本工具和基本原理的话，会熟练使用 Excel 就够了。
不过这里的熟练使用可不是简单的用 Excel 做个表格这种。而是能够熟练使用各种函数，比如 Vlookup 函数，sum， If 等这些函数。还需要知道如何嵌套函数。
还有 Excel 的各种图表的使用也是需要掌握的。
不过 Excel 的功能虽然非常强大，但由于其面向的对象群体太过庞大，所以其中难免会有一些我们根本用不到的功能，这些功能学习了只会白白浪费我们的时间。
最后也是最重要的技能，就是掌握数据分析的思维。你的思维不转变，学再多的技能也会想不起来用。
关于 Python，SQL，Tableau这些软件如果不是专门从事数据行业的人，并不是一定要学习的。
Python 在数据分析中是为了能够更灵活的对数据进行各种处理，因为有很多包可以直接调用，很方便。
SQL 就是为了从公司数据库中抽取数据出来。
6.
最后说一下，掌握数据分析后会有哪些收获呢？
最最最重要的其实也是思维方式的转变，人都是感性生物，无论是在工作中还是生活中，总是会不经意的将事情现状按照自己的认知来理解。
举个例子，当你想要转行到一个行业的时候，这个行业发展如何？薪资如何？成长空间是否大？岗位需求是否多？
这些信息都是需要你知道的，但是大多数人的获取信息和了解信息的方式都是直接去问身边的朋友，或者网上直接搜索相关信息。
这两种方式获得的信息都并不一定准确，这两种获取信息的方式首先存在一定的局限性，大部分人身边并不是都有那种博学多才的人能给自己真正有用的建议。
而网上搜索的信息有可能并不准确，也有可能是信息滞后的。所以都有获取到错误信息的可能。而一旦获取到不准确的信息进入到一个夕阳行业，那人生很可能就进入了一个低谷，很长时间都走不出来。
而一个懂数据分析的人则可以通过自己爬取各大招聘网站的相关信息来了解这一行业要求的工作年限区间，对应的薪资区间，岗位数量，这些数据就是当前最新的招聘数据。
通过一些简单的数据处理和数据可视化，就能够直观的看出这个行业的一个现状。从而决定是否要进入这个行业。
我当时转行的时候虽然不会数据分析，也不会爬虫，但是当时已经有了一定的数据分析的思维。
决定转行数据分析之前我本来要转行做安卓开发的。实际上当时安卓开发市场已经快饱和了对求职者的要求也在慢慢变高，但网上说法各不相同。
为了了解实际情况，我就跑到各大招聘网站去搜索「安卓开发」和「数据分析」。根据招聘页面的页数来判断岗位需求数量，再筛选不同薪资阶段，来对比两者的薪酬。
甚至还去搜索了两个关键字的百度指数，发现数据分析的百度指数增长是非常迅猛的，从而断定数据分析会是未来的热门行业。
随着后来对数据分析的越发了解，我也开始慢慢的重视数据的价值，会不自觉地去看各种数据。
比如很多人都喜欢 B 站，大家都只是在上面看视频而已，但很多人不知道的是有一个叫做「BiliOB观测者」的网站，上面有关于 B 站各种 UP 主的数据。
比如通过最近涨粉最快的 UP 主类型群体可以判断 B 站上的用户喜欢的视频类型。或者是通过搜索最多的关键词来发现热点等。
另外每当有一些新的热点出现的时候，别人只是去看各种解读，而我还会顺带的看一下背后的数据，挖掘一些别人不为人知的东西。
这些都是在学习了数据分析后慢慢养成的思维习惯。
最后，为了能够帮助到大家更好的了解数据分析的方方面面，我还为大家准备了「数据科学面试终极指南.pdf」的电子书关注我的公众号「转行做DT」或是扫描下方二维码进行关注后回复「终极指南」即可获得。
分享自己转行数据分析的经历与感悟，说不定哪一篇文章就能对你产生帮助。
长按下图二维码关注，转行数据行业的道路上不迷路。