2019数据分析求职经验贴【持续更新】
这可能更像是一篇转行自学经验贴。
-------------------------------------------------------------------------------------------------------------------------------
吐槽一下，牛客的markdown真的不好用呢，排版好痛苦==，强迫症接受不了啊喂ヽ(●-`Д´-)ノ
最沉重的秋招教训
******************************************************************************************************************************************************************************************************
我自己之前是准备后台研发岗来着，6月初，脑子一抽，投身到互联网三大坑（产品、数分、算法）之一的数据分析岗，3个月的时间，十分紧张，付出了不少心力，但准备时间实在不足，一线大厂都没有收到offer，所以啊，没事千万不要临时换方向
********************************************************************************************************************************************************************************************************
- 有些公司是宣讲完一场，就面一场，马上签一场，因而必然会出现HC越来越少的情况。这就出现了前面场次聊天面试，后面场次劝退面！ 所以如果你很想去某家，建议最好就去参加他的第一场次宣讲会和面试。
- 不少公司的提前批招聘门槛非常低，比如OV厂，还有银行分部门提前批or专场招聘，这些情况下，拿offer会容易不少。
声明
本帖里的很多知识和内容不是个人原创，内容抽录汇总自我的个人求职学习笔记，仅供牛客网网友交流学习记录使用。有些知识与图片当时做笔记未备注来源，已经不好标明。只能心怀愧疚的感谢原作者。发这个帖子是做什么呢？
数分的经验贴相对其他岗位来说，太少了，虽不是大佬，但秋招经历还算丰富，希望把自己的一些心得体会、踩的坑，分享给以后的求职者。助力牛客网成为中国应届校招第一site
我曾有个梦想，成为一名数据科学家...（画外音：撤了撤了，别丢人了
）
） 牛客网上的数据分析帖子太罕见了，大佬们都不屑于发帖了吗，我这种转行入门新手真的很需要笔经面经。。。。
受优秀的群主和群内大佬分享精神的感染，我打算把此贴打磨成牛客网数据分析加精贴（flag别倒ヾ(Ő∀Ő๑)ﾉ，至于打磨时间嘛，这个不好说，ヾ§ ￣▽)ゞ2333333）
PART_ONE 2018.10.6 第一次提交
1 内容：
个人背景+投递企业+投递岗位
2 背景：
211本+985硕（保研） 工科专业（会接触IT知识），比较菜，没有一线大厂offer
3 投递企业：
包括已经结束的和正在进行的，包含岗位有：
1. 数据分析
2. 数据挖掘
3. 后台研发
4. C++开发
5. 大数据开发
6. 产品经理
7. 风控相关
不是说上面这些岗我都会，而是都接触过一点点，想多试试，不给自己设限（其实是怕突然换岗找不到工作。。。），但大家不要学我，精力分散是个很严重的事情，泛而不精，容易半桶水。
| 公司名 |
|---|
| 问：为什么投这么多呢？不累吗？ 答0：首先要知道有哪些公司可以投，offer都没有，我哪里来的底气和自信来限制 地域、行业、公司规模？（PS： 大佬请忽略此条）其一是个人求职信息的汇总，其二是给未来求职者一个公司列表，免搜寻之烦 答1：我这算跨行吧？最开始肯定抱着谁要我我就去的想法。所以海投，另外其实在前程无忧、智联招聘这类网站上是可以一次填写多次投递的，也不算麻烦。 答2：我也想去定向投递，锁定BAT啊，可我不是大佬，万一把flag高高立起来，一个都没有岂不唏嘘。所以海投！！！使劲投！！我9月开始花了5天时间投了近80家，很麻烦，但结合我个人情况及后面的拿offer情况来说，前期的海投还是值得的。另外，牛客网的简历填写助手chrome插件确实帮助很大！ |
| 公司信息汇总 | |||
| 远景能源 顺丰科技 多益网络 贝壳网阿里巴巴（三面挂） 奇虎360 网易 携程 京东（临时换岗，题没换，凉凉） 大疆 爱奇艺 联合利华 海康威视 腾讯 （笔试挂） 完美世界 拼多多 汇顶科技 | 虎牙直播 小米 中兴 美丽联合 便利蜂 字节跳动 （线下面试冲突，放弃了头条视频面） 融360 一点资讯 招行信用卡中心 厦门趣店 美团 滴滴出行 迅雷 唯品会 饿了么 37互娱 oppo | 360企业安全 电信IT研发中心 新浪微博 科大讯飞 畅游 小红书 作业帮 欢聚时代 好未来 知乎 搜狗 airbnb 英语流利说 100词斩 猿辅导 Face++ | 依图科技 猎豹 ebay 百度（笔试挂） 酷家乐 宜信 同城58 搜狐 游戏4399 乐贝 微策略 华为 巨人 51信用卡 瓜子二手车 宝洁 华为 |
| | | | |
| 微软 中国移动互联网 联通 步步高 神策数据 任子行 bigo 深信服 快手 陌陌 拼多多 斗鱼科技 美的 海尔 | 海信 国家电网 联想 金山云 金山WPS 同程序艺龙 猎豹移动 苏宁 去哪儿 达达京东到家 有赞 英伟达 度小满 苏宁 | 点我达 趣头条 CVTE 寒武纪 shopee 秒针 用友 咪咕 阅文集团 上汽 绿盟科技 中移互联网 中移动杭研院 中国联通 | 商汤 广州汇智科技 工信部五院 丰巢科技 vivo 美的 银联 thoughtworks 去哪儿 趋势科技 平安科技 微众银行 vipkid |
| | | | |
4 投递岗位的思考：
楼主本来想走实验室往届师兄师姐的道路，投递 后台研发岗位 OR C++岗，但是发现自己确实没有那种热爱与激情，虽然也写过大的编程项目，但那种眼睛疼，脖子疼的感受现在还历历在目，除此外，自己算法和刷题准备不足。
去年11月份的时候也想过转机器学习，但是感觉一缺背景、二缺积累、三缺引路人、四缺时间，遂放弃，和别人交流后发现了数据分析这个神奇的岗位，为什么说神奇呢？后面发帖我会再补充，一句话说不完o(∩_∩)o （PS：经历求秋招后，我：数据分析到底是个什么乱七八糟的岗？？？）；
一言概之，就是不想纯敲代码+入门机器学习+对业务感兴趣，楼主算那种有一点点会BB的人，也希望日后从事的职业不只是和机器打交道；好啦，大概的求职出发点和转折就是这些啦，具体有兴趣的可以私信or留言，或者我后面有时间了再补充。
转行数据分析有点晚，真正投入大量精力定向集中准备是在2018.6月起，当然之前其实也有过一些接触数据分析相关的知识，因为我自己对互联网感兴趣，平时刷微信也多刷那些类似于虎嗅、猎云、爱范儿、36kr之类的公众号，此外也看过产品经理相关的书籍（比如说人人都是PM？）。
5 相关技能图：
图片来源于网络，知识结晶来自网友，摘录汇总自我的个人OneNote笔记本，当初素材来源没做标记=-=，已经不好说明图片来源了
先放几个我觉得对我帮助很大的几张图，包括对数据分析岗位的划分、技术栈、职业发展与规划、工具、书单。
PART_TWO 2018.10.7 第二次提交
1 内容：
书单+学习路线推荐+数据分析介绍
2 书单：
2.1 书单列表（有重复，可选）
业务技能培养：
《精益数据分析》，作者Eric Ries，撰写的精益创业丛书曾拿下纽约时报畅销书排行榜第一名，美国奇点大学学院***，毕业于耶鲁大学，创立的公司被Uber收购；
《增长黑客》，作者范冰，WIFI***产品经理；
《增长黑客》，作者范冰，WIFI***产品经理；
2.2 学习线路
推荐网课的一个学习计划
【以下文字摘录自网上，仅供学习交流使用】
1. 第一阶段（一般岗位叫数据专员）
基本学会excel（VBA最好学会；会做透视表；熟练用筛选、排序、公式），做好PPT。这样很多传统公司的数据专员已经可以做了
2. 第二阶段（数据专员~数据分析师）
这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。
3. 第三阶段（数据分析师）
统计学熟练（回归、假设检验、时间序列、简单蒙特卡罗），可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。
4. 第四阶段（分裂）
• 数据分析师（数据科学家）、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用（调参+选模型+优化），取数、ETL、可视化啥的都是基本姿态。
• 可视化工程师：这部分国内比较少，其实偏重前端，会high charts，d3.js, echarts.js。技术发展路线可以独立，不在这四阶段，可能前端转行更好。
• ETL工程师：顾名思义，做ETL的。
• 大数据工程师：熟悉大数据技术，hadoop系二代。
• 数据工程师（一部分和数据挖掘工程师重合）：机器学习精通级别（往往是几种，不用担心不是全部，和数据分析师侧重点不同，更需要了解组合模型，理论基础），会组合模型形成数据产品；计算机基本知识（包括linux知识、软件工程等）；各类数据库（RDBMS、NoSQL(4大类)）
• 数据挖掘：和上基本相同。
• 爬虫工程师：顾名思义，最好http协议、tcp/ip协议熟悉。技术发展路线可以独立，不在这四阶段
发现回答的有点文不对题额，不过大致是所有从底层数据工作者往上发展的基本路径。往数据发展的基本学习路径可以概括为以下内容：
1. EXCEL、PPT
数据工作者的基本姿态，话说本人技术并不是很好，但是起码会***作；要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。
2. 数据库类（必须学）
初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。
NoSQL可以在之后和统计学啥的一起学。基本的NoSQL血MongoDB和Redis（缓存，严格意义上不算数据库），然后（选学）可以了解各类NoSQL，基于图的数据库Neo4j，基于Column的数据库BigTable，基于key-value的数据库redis/cassendra，基于collection的数据库MongoDB。
3. 统计学（必须学）
如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归（特别是广义线性回归）、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。
其他数学知识：线性代数常用（是很多后面的基础），微积分不常用，动力系统、傅里叶分析看自己想进的行业了。
4. 机器学习（数据分析师要求会选、用、调）
常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯；不常用的也稍微了解一下；深度学习视情况学习。
5. 大数据（选学，有公司要求的话会用即可，不要求会搭环境）
hadoop基础，包括hdfs、map-reduce、hive之类；后面接触spark和storm再说了。
6. 文本类（选学，有公司要求的话会用即可）
这部分不熟，基本要知道次感化、分词、情感分析啥的。
7. 工具类
语言：非大数据类R、Python最多（比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab）；大数据可能还会用到scala和java。
可视化（选学）：tableau、http://plot.ly、d3.js、echarts.js，R里面的ggplot、ggvis，Python里的bokeh、matplotlib、seaborn都不错
数据库语言：看你自己用啥学啥
其他框架、类库（选学）：爬虫(requests、beautifulsoup、scrapy)，日志分析（常见elk）
基本学会excel（VBA最好学会；会做透视表；熟练用筛选、排序、公式），做好PPT。这样很多传统公司的数据专员已经可以做了
2. 第二阶段（数据专员~数据分析师）
这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。
3. 第三阶段（数据分析师）
统计学熟练（回归、假设检验、时间序列、简单蒙特卡罗），可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。
4. 第四阶段（分裂）
• 数据分析师（数据科学家）、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用（调参+选模型+优化），取数、ETL、可视化啥的都是基本姿态。
• 可视化工程师：这部分国内比较少，其实偏重前端，会high charts，d3.js, echarts.js。技术发展路线可以独立，不在这四阶段，可能前端转行更好。
• ETL工程师：顾名思义，做ETL的。
• 大数据工程师：熟悉大数据技术，hadoop系二代。
• 数据工程师（一部分和数据挖掘工程师重合）：机器学习精通级别（往往是几种，不用担心不是全部，和数据分析师侧重点不同，更需要了解组合模型，理论基础），会组合模型形成数据产品；计算机基本知识（包括linux知识、软件工程等）；各类数据库（RDBMS、NoSQL(4大类)）
• 数据挖掘：和上基本相同。
• 爬虫工程师：顾名思义，最好http协议、tcp/ip协议熟悉。技术发展路线可以独立，不在这四阶段
发现回答的有点文不对题额，不过大致是所有从底层数据工作者往上发展的基本路径。往数据发展的基本学习路径可以概括为以下内容：
1. EXCEL、PPT
数据工作者的基本姿态，话说本人技术并不是很好，但是起码会***作；要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。
2. 数据库类（必须学）
初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。
NoSQL可以在之后和统计学啥的一起学。基本的NoSQL血MongoDB和Redis（缓存，严格意义上不算数据库），然后（选学）可以了解各类NoSQL，基于图的数据库Neo4j，基于Column的数据库BigTable，基于key-value的数据库redis/cassendra，基于collection的数据库MongoDB。
3. 统计学（必须学）
如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归（特别是广义线性回归）、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。
其他数学知识：线性代数常用（是很多后面的基础），微积分不常用，动力系统、傅里叶分析看自己想进的行业了。
4. 机器学习（数据分析师要求会选、用、调）
常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯；不常用的也稍微了解一下；深度学习视情况学习。
5. 大数据（选学，有公司要求的话会用即可，不要求会搭环境）
hadoop基础，包括hdfs、map-reduce、hive之类；后面接触spark和storm再说了。
6. 文本类（选学，有公司要求的话会用即可）
这部分不熟，基本要知道次感化、分词、情感分析啥的。
7. 工具类
语言：非大数据类R、Python最多（比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab）；大数据可能还会用到scala和java。
可视化（选学）：tableau、http://plot.ly、d3.js、echarts.js，R里面的ggplot、ggvis，Python里的bokeh、matplotlib、seaborn都不错
数据库语言：看你自己用啥学啥
其他框架、类库（选学）：爬虫(requests、beautifulsoup、scrapy)，日志分析（常见elk）
2.3 其他
【其他不错的知乎回答与书单推荐】：
3 数据分析意义
4 发展方向划分
▇▇ 数据分析有什么小方向吗？
数据分析的小方向比较多，分类方法也不尽相同。在这里我根据技术要求的侧重点不同，简单的划分为三个方向：
1、BI方向
BI的概念已经出现很久了，但仍然不过时。
重点在于如何设计高效的数据模型，以及如何通过BI工具从多个角度观察数据，了解数据内部的规律。
传统的BI工具可以满足大部分传统企业的数据分析场景。近些年随着分析工具功能日趋强大，大数据领域的BI平台也有了长足的发展。
所以我认为BI仍然具有强大的生命力。
2、机器学习方向
机器学习与BI的区别在于，更多的依赖机器模拟人类学习的过程去发现数据内在的规律，构建一个数据模型，通过某些算法来预测未来的可能性。
机器学习和深度学习概念非常火热，但相对入门门槛也较高，因为想真正理解那些算法的原理需要高等数学的基础。
3、行业分析方向
还有一些数据分析师，仅仅通过一些公开的市场宏观数据，通过经济学和统计学分析方法，观察经济的运行状况，从而发现行业的经济发展规律，进一步预测未来行业发展的趋势。这个方向也很不错的，但是需要对统计和经济学有一定基础。
▇▇ 想要深度做数据分析有怎样的建议
楼主想深度做数据分析领域，首先要认准自身的优势，参考上面列出的几个发展方向，选择其一进行深入的学习和实践。
如果楼主的计算机基础比较好，擅长SQL和BI工具，可以向着BI方向发展；
如果数学基础比较好，可以考虑机器学习方向；
如果对所在行业的业务比较精通，也可以从事业务分析或行业分析方向。
做适合的和喜欢的最重要。不论哪个方向，都是要先掌握工具使用，了解你要分析的业务流程，培养独到的分析思维模式，锻炼自己的表达。
▇▇ 统计的学习应该从哪里下手
基本就是看前面推荐过的那本《商务与经济统计》，并且在实际工作中要有意识的应用。
比如，观察一批数据的时候，就可以用R先了解数据的均值，方差，中位数，极大值，极小值等等，通过绘制直方图来了解的数据分布情况、缺失情况等等。
通过预测的场景，首先可以用线性回归来尝试，效果不一定比机器学习的算法差。
数据分析的小方向比较多，分类方法也不尽相同。在这里我根据技术要求的侧重点不同，简单的划分为三个方向：
1、BI方向
BI的概念已经出现很久了，但仍然不过时。
重点在于如何设计高效的数据模型，以及如何通过BI工具从多个角度观察数据，了解数据内部的规律。
传统的BI工具可以满足大部分传统企业的数据分析场景。近些年随着分析工具功能日趋强大，大数据领域的BI平台也有了长足的发展。
所以我认为BI仍然具有强大的生命力。
2、机器学习方向
机器学习与BI的区别在于，更多的依赖机器模拟人类学习的过程去发现数据内在的规律，构建一个数据模型，通过某些算法来预测未来的可能性。
机器学习和深度学习概念非常火热，但相对入门门槛也较高，因为想真正理解那些算法的原理需要高等数学的基础。
3、行业分析方向
还有一些数据分析师，仅仅通过一些公开的市场宏观数据，通过经济学和统计学分析方法，观察经济的运行状况，从而发现行业的经济发展规律，进一步预测未来行业发展的趋势。这个方向也很不错的，但是需要对统计和经济学有一定基础。
▇▇ 想要深度做数据分析有怎样的建议
楼主想深度做数据分析领域，首先要认准自身的优势，参考上面列出的几个发展方向，选择其一进行深入的学习和实践。
如果楼主的计算机基础比较好，擅长SQL和BI工具，可以向着BI方向发展；
如果数学基础比较好，可以考虑机器学习方向；
如果对所在行业的业务比较精通，也可以从事业务分析或行业分析方向。
做适合的和喜欢的最重要。不论哪个方向，都是要先掌握工具使用，了解你要分析的业务流程，培养独到的分析思维模式，锻炼自己的表达。
▇▇ 统计的学习应该从哪里下手
基本就是看前面推荐过的那本《商务与经济统计》，并且在实际工作中要有意识的应用。
比如，观察一批数据的时候，就可以用R先了解数据的均值，方差，中位数，极大值，极小值等等，通过绘制直方图来了解的数据分布情况、缺失情况等等。
通过预测的场景，首先可以用线性回归来尝试，效果不一定比机器学习的算法差。
数据分析师方向，很多读数学、统计学、计算机的童鞋会选这个方向，终极目标都是成为数据中心的负责人。中间有2个分叉，一条是从数据分析师到数据产品经理，这个路线最近很流行，主要是结合了数据分析和产品经理的能力。一条是高大上一点的数据挖掘方向，这条路线要求比较高，但薪资也高。当然能走数据挖掘路线是很多数据分析师的梦想，但算法和代码实现能力不是谁都能掌握的。
码农选择的方向，毕业后可以根据自己兴趣选择ETL、运维、可视化，所要求的能力各不相同。
以上的公司只是我知道的有这些职位的公司，不代表一定要去这些公司才可以从事这些岗位。
以上的公司只是我知道的有这些职位的公司，不代表一定要去这些公司才可以从事这些岗位。
PART_THREE 2018.10.17 第三次提交
1 内容：
银行/金融 专栏
2 概述：
10月份太凄凉，除了海康，其他一个offer都没拿到==，另外导师还疯狂的催着搞科研。
海康是我秋招体验最不好的一家，最后给的薪资还极低==，不知道这样的企业哪里来的底气和自信开这样的价，差评！
3 正文：
投递企业如下，薪资属于上游的应该是：招商银行信用卡中心、招商金科、中信卡中心、招联金融、平安产险的管培生貌似非常不错（待遇和升职）。
总的来说，感觉银行/金融比较看学历和专业，招的人（就总行/部而言）相对互联网来说不太多。
| 招商银行信用卡中心 | 收到感谢信 |
| 招商银行 | 还没面 |
| 招银网络科技 | gg（别投数据研发岗） |
| 平安产险 | 线下宣讲+简历面，等后续面试通知 |
| 银联 | 投太晚，没消息 |
| 交通银行 | 未投 |
| 中汇信科 | 未做 |
| 招商金科 | 线下宣讲+笔试，全英文，当天出结果，gg，听说待遇极好 |
| 工行软开 | 提前批定向宣讲面试，pass |
| 工行数据中心 | 线下宣讲+面试；未做 |
| 平安证券 | 未投 |
| 广发银行 | 未投 |
| 中信银行信用卡中心 | 广州是第一场，招的差不多，后面的城市就是劝退面 |
| 51信用卡 | 未投 |
| 招联金融 | 共两轮技术面，二面gg。非常看重学历/校、奖学金以及成绩排名 |
| 上海清算所 | 知乎上风评不好，放弃 |
| 东方财富 | 未投 |
| 兴业银行信用卡中心 | 线下宣讲+笔试，然后面试，待通知 |
| 平安银行信用卡中心 | 所有岗都要先群面+在线性格测评+笔试，待通知 |
| ***银行信用卡中心 | 放弃 |
| 长江证券 | 放弃 |
PART_FOUR 2018.10.18 第四次提交
1 内容：
牛客网不错的笔经面经推荐+ 游戏类数据分析思维导图推荐
2 概述：
https://www.nowcoder.com/discuss/131043
查看3道真题和解析