为什么要聊这个话题？
1> 今年夏季的时候，有几位大学应届生，想问问我“大数据”的就业前景；
2> 学生的基本情况相似：普通本科、考研难、出国贵、考公人挤人、工作不好找，计划报培训班学习技能再就业，这似乎成了普通大学生的必然选择（绝无诱导大家报培训班之意）；
3> 这种选择的关键在于学习哪种技能，如此“大”的一个话题，关乎生存与生活，如果依赖只言片语就给出建议，未免有些草率，还是写个短文来聊聊吧。
1. 择业方程式
2. 发展曼陀罗
3. 现在与未来
一、择业方程式
你了解这一阶段的自己吗？
可以是情绪、心理、职业、家庭、生活任何一个方面。
了解自己可能就是解一个多元方程式，很多时候因为未知数太多，找不到解，所以方向感微弱、摇摆不定，然后纠结、迷茫...
But不要担心，这个方程真的很难很难，可能大家在20岁左右的时候都充满了未知，每一个未知数都需要在无数“强大”的事物中来回碰撞，一遍又一遍确认它的值，直到这个值稳定且稳健。
择业也可以看作是解多元方程的过程，那这个方程是啥呢？怎么解？
简单来说就两步：
1. 确定未知数，即了解自己在各个维度上的想法、目标；
2. 找到解，即根据已有信息推导出对应的专业、行业。
1. 确定未知数
可以从这7个维度来思考：
1> 喜欢共事的人的特点；
2> 喜欢的工作环境；
3> 拥有的技能或希望拥有的技能；
4> 人生目标或人生哲学；
5> 感兴趣的知识或领域；
6> 期望的薪水；
7> 喜欢生活的地方。
根据每个维度对自己的重要程度，给予不同的权重；
在每个维度写下自己的答案序列，从第一偏好开始，可以参考下图。
有了这样一个权重、目标值的结构图，就可以快速了解自己目前在择业方向上的重点、以及择业偏好。
对于这个方程如何解，博主也没有想得特别清楚，它可能有解，也可能无解，有可能根据自身已有信息可以快速推导出来匹配的专业，有时候解在认知盲区。
2. 求助“顾问”，找到解
了解了择业偏好，但不清楚有哪些具体的专业、岗位与目标匹配，不妨求助于“顾问”。
1> 很多时候大家对顾问的印象就是“纯忽悠”、“价格高”、“没有实质帮助”，这未免有些误解，顾问更多是提供一些“方法”、“信息”，而实践要因人而异；
2> 这里提到的顾问不是说建议大家找专业顾问付费咨询（当然如果有靠谱的顾问付费也可以尝试），而是指任何可以提供帮助的人，都可以称之为顾问；
（如果还有人愿意免费为你指点迷津、答疑解惑，真的，请他吃饭！）
3> 普适的长期摸索方法已不适合高度竞争的现在，要尽可能科学、快速地找到量身定制的解。
（就像学生选择技能培训班一样，推广人员也不了解每个人的性格特点，统一推荐去学习大数据，从业一段时间后可能发现它枯燥无聊、随时加班、薪水也没有想象中那么高，如果没有在这个方向上长期坚持，这不就是拿成本去试错嘛！）
顾问一般的咨询流程：
1> 访谈，通过沟通了解一些信息，如：学历、专业、性格、爱好、技能现状等，可以参考择业方程式结构；
2> 建议，顾问会结合大量的案例、经验，快速检索出行业、职业、岗位信息（问问GPT应该也可以有一些答案）。
有了目标专业之后，就要给这栋大楼建地基、添砖加瓦啦！
二、发展曼陀罗
曼陀罗思考法是一种采用“地图式”的思维扩散方法：凝视一个中心点，尽可能发散思维，找出足够多的相关项，以相关项为中心点再次发散，以此类推，最后聚焦关键项。
接下来以数据分析这个专业为例，来说明技能建设的过程：
1> 这部分也是对很多学生咨询“大数据”这一方向的回答吧，博主仅在“数据分析”这个方向上做过一些研究，数据库、算法等了解不多，专业技能图也是围绕数据分析展开的；
2> 如果你计划转行做“数据分析师”，或者选择数据分析这一专业，可以做一些参考；
3> 用曼陀罗图来呈现，可以比较全面地看到这个职业的技能地图。
1. 第一层曼陀罗：技能路径
以分析师为中心点，扩散出不同阶段需要的知识模块：
1> 初阶主要是满足数据分析效率的要求，也就是基本功，比如：拿到一个业务问题，从哪些角度分析？从哪些数据库统计数据？对于100个样本和1000万个样本的处理方式有何不同？可以从专业工具、理论知识、企业软件3个模块展开学习；
2> 高阶主要是满足分析、洞察的需要，也就是从商业的角度来说明这些数据、现象代表了什么？有什么实践意义？如果还只是从零零碎碎的数据中来分析，未免会有大量信息盲区和逻辑疏漏，这时候可以依赖一些行业知识和分析方法（框架思维）；
3> 牛人除了对专业深度的要求，更对能力提出广度要求，也就是要懂得多，需要有实践的过程、可以横向兼容、知识体系化，形成一套经过实践检验的组合拳。
2. 第二层曼陀罗：技能地图
接下来，以第一层曼陀罗的每一个模块为中心点，发散出知识图谱，对每个模块涉及到的知识做个简单说明，就不长篇大论啦，可以参考下方曼陀罗技能地图。
【专业工具】Excel使用场景最广、从初阶到高阶，一路都要使用；SQL是数字化时代的必备技能，有数据库就要用SQL；R/Python这两种专业的数据分析工具，任选其一做到精通。
【理论知识】总的来说包括两类：统计和算法；统计学中的描述统计、概率统计、假设检验尤为重要，构成了工作中70%的内容；除此以外，有时候数据分析师需要做一些产品推荐、预测等算法相关的业务支持。
【企业软件】企业经常会自研或采购三方分析软件，如：Fine BI、神策、观远BI等，是否会使用这些软件有可能成为岗位应聘的门槛，所以保持行业交流、了解市场上有哪些主流工具、解决方案就很重要了。（在主页菜单栏新建了Fine BI专题，会陆续分享一些在官方教程找不到的、相对高级的用法，欢迎阅读和提问。）
【行业】分析师的洞察能力极大依赖于对所处行业的理解，如：行业的产业链、客户需求、客户特征、提供的产品和服务、经营模式等，只有对行业有了解，才能在看到数据异常时保持高敏感度、快速定位到业务环节。
【分析方法】分析方法有上百种，适用场景各异，如果不知道从哪里开始，可以先读一读20年前的麦肯锡9大方法，它是麦肯锡咨询师将客户服务过程中的一些问题分析技巧、解决方法总结出来，用于员工技能培训，保证对客户的服务质量，读了它不得不说一句：麦肯锡，你真牛！
牛人3项可以用小范围的三立来概括：“立功、立德、立言”。
啥意思呢？就是得有战绩、能服众、能传递经验。
【实践】要成为牛人，just say say是不行的，需要有拿得出手的成绩，要对生产流程、团队能力、不同策略产生的效果有深度理解和实战经验，以及资源整合、不同环境下的应急策略等。
【横向兼容】深度理解不同职能在整个链条上的作用，能沟通协调，可以理解“人”，除此以外还需要有单项目管理能力、有多项目并行能力。
【体系化】遇到一个问题，可以快速检索出一整套连贯的分析思路及解决办法，从实践中总结规律，形成方法论，能够进行经验传递。
数据分析其实是一套技能组合，它需要长期的积累，曼陀罗技能地图也是博主要分享的内容主线哦。
三、现在与未来
只讲方法不给数据，总觉得有点夸夸其谈，简单分享两组数据做个信息补充吧：
1. 现在，上海2009年-2022年私营企业各个行业的平均年收入，用于了解现状；
2. 未来，麦肯锡2023年技术趋势展望报告，用于了解技术发展的趋势。
1. 上海各行业年收入
行业的选择有时候就决定了收入水平（当然每个行业都有高收入群体），金融和计算机行业收入真的远远高于其他行业，也意味着竞争很大。
数据来自国家统计局。
2. 肯锡2023年技术趋势展望报告
报告中给出了一组数据：2021年-2022年技术类招聘的趋势，这一次真的把AI带入寻常百姓家，或许AI曾经是概念、是空中楼阁，但是当市场开始有商业需求、岗位需求的时候，就已经进入AI时代。
文末：事物总是动态变化的，商业会变、技能会变、岗位会变，生活、人生轨道亦然。
