有youtube常青藤名教授的免费上课视频，为何不先睹为快？？？当然了，翻墙是楼主suppose你们需要拥有的基本生存技能。&br&先放链接再阐述我对数据科学进击之路的理解。（注：以下视频是楼主自己在学习的，因此多为graduate course，仅作演示目的）&br&1，Machine Learning by Prof. &a href=&///?target=https%3A///user/ProfNandoDF& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Nando de Freitas&i class=&icon-external&&&/i&&/a&， 此视频是其在UBC时13年所录，后来跳槽去牛津计算机系了。&br&&a href=&///?target=https%3A///playlist%3Flist%3DPLE6Wd9FR--EdyJ5lbFl8UuGjecvVw66F6& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/playlist?&/span&&span class=&invisible&&list=PLE6Wd9FR--EdyJ5lbFl8UuGjecvVw66F6&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&2，Deep learning at Oxford 2015
by Prof. &a href=&///?target=https%3A///user/ProfNandoDF& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Nando de Freitas&i class=&icon-external&&&/i&&/a&， 跳槽到牛津所录。&br&&a href=&///?target=https%3A///playlist%3Flist%3DPLE6Wd9FR--EfW8dtjAuPoTuPcqmOV53Fu& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/playlist?&/span&&span class=&invisible&&list=PLE6Wd9FR--EfW8dtjAuPoTuPcqmOV53Fu&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&3，Probabilistic Graphical Models by &a href=&///?target=http%3A//ai.stanford.edu/users/koller/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Daphne Koller&i class=&icon-external&&&/i&&/a&, 斯坦福大学计算机系教授&br&&b&&a href=&///?target=https%3A///playlist%3Flist%3DPL50E6E80E8525B59C& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/playlist?&/span&&span class=&invisible&&list=PL50E6E80E8525B59C&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/b&&br&&br&&br&简单的说，原理和基础都在数学这边。&br&线性代数（矩阵表示和运算）是基础中的基础，微积分（求导，极限）；&br&数据处理当然需要编程了，因此C/C++/Python任选一门，数据结构可以学学，只是让你编程更顺手，但是编程不是数据处理的核心。&br&Mid-level的课程，概率论+统计（很多数据分析基于统计模型），线性规划+凸优化（统计到最后也还是求解一个优化问题，当然也有纯优化模型不用统计模型的）&br&再高阶的课程，就是些研究生的课程了，就比较specific了，可以看你做的项目再选择选修，比如：Probabilistic Graphical Models, Nolinear Programming, Integer Programming, Machine Learning（其实机器学习，学的都是一些统计和优化），图像处理，deep learning, 神经网络，等等等等。&br&&br&学到Mid-level，然后做几个实际项目，就能上手咯。要读Phd搞科研，才上高阶的。&br&至于书，没有特别推荐的，但是建议看英文原版。或者，直接翻墙Youtube看视频课程，很多国际知名教授都很无私地把自己上课的视频放在youtube上免费学习。&br&&br&比如，海德堡HCI 的Fred，图像处理课程：&br&&a href=&///?target=https%3A///playlist%3Flist%3DPLuRaSnb3n4kSgSV35vTPDRBH81YgnF3Dd& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/playlist?&/span&&span class=&invisible&&list=PLuRaSnb3n4kSgSV35vTPDRBH81YgnF3Dd&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&然后，就可以着手做项目了，最经典的regression，clustering, outlier detection，看几篇paper学习几种不同的模型和算法，对一个现实问题，从拿到问题，分析问题，数学建模，编程实现，可视化，一套做下来，对项目整个流程有所了解。&br&&br&完了你就有项目经验了，恭喜可以找工作了。有名校毕业证会是很好的敲门砖，没有的话，多积累项目经验。&br&&br&更详细回答，参见：&br&&a href=&/question//answer/& class=&internal&&想学数据分析需要学哪些课程？ - Ruobing Shen 的回答&/a&&br&&br&&p&关于我对最优化理论在咨询行业的应用，参见&/p&&p&&a href=&/question//answer/& class=&internal&&Data Science/Analytics 出身，可以在咨询行业做些什么？ - Ruobing Shen 的回答&/a&&/p&&p&最好按照惯例广告一波：&/p&&p&&a href=&/p/& class=&internal&&欧洲、北美、全球留学及数据科学深度私人定制咨询，从此DIY - Ruobing Shen的文章 - 知乎专栏&/a&&/p&
有youtube常青藤名教授的免费上课视频，为何不先睹为快？？？当然了，翻墙是楼主suppose你们需要拥有的基本生存技能。 先放链接再阐述我对数据科学进击之路的理解。（注：以下视频是楼主自己在学习的，因此多为graduate course，仅作演示目的） 1，Machine …
热诚推荐看过的几本经典。&br&&br&&br&-----------2017年1月更新，增加一本豆瓣上没找到的，但是初学者必看的2016版新书--------------&br&&br&&br&&br&&b&一、数据分析入门：&/b&&br&&ul&&li&&b&《Head First Data Analysis》&/b&链接：&a href=&///?target=http%3A///subject/5257905/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出数据分析 (豆瓣)&i class=&icon-external&&&/i&&/a&&/li&&/ul&电子工业出版社的经典书目系列，从数据分析基本步骤开始、实验方法、最优化方法、假设检验方法、贝叶斯统计方法、主观概率法、启发法、直方图法、回归法、误差处理、相关数据库、数据整理技巧一一讲到。图比较多，适合入门。&br&&ul&&li&&b&《Head First Statistics》&/b&链接：&a href=&///?target=http%3A///subject/7056708/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出统计学 (豆瓣)&i class=&icon-external&&&/i&&/a&&/li&&/ul&推荐理由同上，适合入门者的经典教材。&br&&ul&&li&&b&《R in Action-&/b&&b&Data Analysis and Graphics with R》&/b&链接：&a href=&///?target=http%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&R语言实战 (豆瓣)&i class=&icon-external&&&/i&&/a&&br&&/li&&/ul&R是属于GNU系统的一个自由、免费、源代码开放的软件，用于统计计算和统计制图。这本书从实用的统计研究角度逐例分析R在数据处理、模型构建、以及图形操作上的由浅入深的结合，堪称经典。&br&&ul&&li&&b&《数据之魅-基于开源工具的数据分析》&/b&链接：&a href=&///?target=http%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据之魅 (豆瓣)&i class=&icon-external&&&/i&&/a&&/li&&/ul&作者是华盛顿大学理论物理学博士。这本书是数据分析的经典之一，包含大量的R语言模拟过程及结果展示，例举了很多数据分析实例和代码。&br&&ul&&li&&b&《数据挖掘-市场营销、销售与客户关系管理领域应用》&/b&链接：&a href=&///?target=http%3A///subject/1843100/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据挖掘技术 (豆瓣)&i class=&icon-external&&&/i&&/a&&/li&&/ul&作者是Data Miners的创办人，有二十多年的营销和客户关系管理结合数据挖掘的经验。详细介绍了作为一个数据挖掘团队需要的知识体系，包括数据库、SAS使用、统计学、机器学习、数据可视化、如何访问用户收集需求、如何写论文与沟通等等。有条件的建议看英文原版。&br&&br&&ul&&li&&b&《&a href=&///?target=https%3A///Data-Analytics-Beginners-Basic-Master/dp//ref%3Dsr_1_3%3Fs%3Dbooks%26ie%3DUTF8%26qid%3D%26sr%3D1-3%26keywords%3DData%2BAnalysis& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Data Analytics for Beginners: Basic Guide to Master Data Analytics&i class=&icon-external&&&/i&&/a&》&/b&&br&&/li&&/ul&&b&入门五星推荐。&/b&里面很多图表实例，手把手教你如何EXCEL画图，对各种知识点（平均值，模式，中值，方差，标准偏差）的讲解相当的到位，比起大学里的各种课本靠谱。&br&&br&&br&先把这些花时间啃啃，数据分析的理论部分就基本入门了，根据实际情况还需要结合你的业务需求来进行系统的学习。&br&&br&&br&&b&二、数据分析进阶：&/b&&br&&ul&&li&&b&《&/b&&b&&b&&b&&b&&b&&b&&b&&b&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Doing Data Scienc&i class=&icon-external&&&/i&&/a&&/b&&/b&&/b&&/b&&/b&&/b&&/b&&/b&》&/li&&/ul&作者Cathy O’Neil是哈佛大学的博士，MIT的数据博士后，曾今作为一名Quant在对冲基金D.E. Shaw 工作，目前是一家纽约初创公司的Data scientist 。这本书需要有一定的编程和理论基础，作为入门教材来说有点难，虽然只有400来页，但是涉及的知识点很全面。每一章节的核心内容都附有编程案例，R/Python/Shell三种语言任君挑选。&br&&br&&ul&&li&&b&《&/b&&b&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python for Data Analysis&i class=&icon-external&&&/i&&/a&&/b&》&/li&&/ul&Python数据分析必看，适合入行不久的数据分析师。作者有多年的Python数据分析工作经验，对各种Pyhon包iPython，NumPy，pandas，matpotlib等有着很深的理解。看完这本，敲完代码，Python数据分析就算入行了。&br&&br&&ul&&li&&b&《&/b&&b&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Data Science for Business&i class=&icon-external&&&/i&&/a&&/b&》&/li&&/ul&很多牛人为之作序，数据科学如何与商业结合，相信这本书会给你一些启发。&br&&br&&ul&&li&&b&《&/b&&b&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python Data Science Handbook&i class=&icon-external&&&/i&&/a&&/b&》&/li&&/ul&2016年6月出版的，500页保质保量，作者（&a href=&///?target=https%3A//staff.washington.edu/jakevdp/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Jake VanderPlas&i class=&icon-external&&&/i&&/a&）是华盛顿大学电子科学研究所的高级数据科学研究员，研究领域包括天文统计学、机器学习和可扩展计算。书的前半部分介绍了用于数据分析和一般的科学计算的基本Python库，后面从实际应用的角度使用Python库scikit-learn开始机器学习实践。适合有一定Python基础人（或者R基础），并且想学习如何使用Python进行数据分析的人。&br&&br&&ul&&li&&b&《&/b&&b&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Storytelling with Data&i class=&icon-external&&&/i&&/a&&/b&》&/li&&/ul&&p&作者Cole NussbaumerKnaflic，私募分析师，前Google人力分析团队总监。本书展示了如何高效率展示量化资讯，如何用丰富的资料讲故事。Google内部的数据可视化课程讲师，之前也在Maryland Institute College of Art兼职讲师。如果你想知道如何以图叙事，这边好书不容错过。&/p&&br&&br&OK，这几本够看一阵了，有时间再更新。&br&&br&&b&欢迎关注我存储知识的地方：&/b&&b&&a href=&/foresee& class=&internal&&预见未来——Han Hsiao的知乎专栏Foresee&/a&&/b&
热诚推荐看过的几本经典。 -----------2017年1月更新，增加一本豆瓣上没找到的，但是初学者必看的2016版新书-------------- 一、数据分析入门： 《Head First Data Analysis》链接：电子工业出版社的经典书目系列，从数据分析基本步…
&b&从入门到精通：互联网数据分析的书籍清单！&/b&&br&&br&任何一个技能的学习，都有从浅到深的过程，数据分析也不例外。因此我把推荐书籍划分成几个段位，更便于大家挑选。&br&&br&&br&&b&Part 1 | 入门版&/b&&br&&br&&br&&b&适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验尚浅的转行者。&/b&&br&&br&&a href=&///?target=https%3A///subject/5257905/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出数据分析 (豆瓣)&i class=&icon-external&&&/i&&/a&：HeadFirst 类的书籍，一向浅显易懂形象生动，可以对分析概念有个全面的认知。&br&&br&&a href=&///?target=https%3A///subject/6434328/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谁说菜鸟不会数据分析 (豆瓣)&i class=&icon-external&&&/i&&/a&：不仅讲解了一些常见的分析技巧，并附带 Excel 的一些知识以及数据分析在公司中所处的位置，对职场了解亦有一定帮助。&br&&br&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&赤裸裸的统计学 (豆瓣)&i class=&icon-external&&&/i&&/a&：作者年轻时是个追求学习意义的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。&br&&br&同样类似的书籍还有「&a href=&///?target=https%3A///subject/3595095/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计数字会撒谎 (豆瓣)&i class=&icon-external&&&/i&&/a&」，这本书知名度要高点，不过我还没看…&br&&br&&br&&b&Part 2 | 进阶版 &/b&&br&&br&&b&具有一定的行业针对性，要求具备一定的分析常识，适合网站分析师，商业分析师以及数据产品经理。&/b&&br&&br&&a href=&///?target=https%3A///subject/6414998/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&精通 Web Analytics 2.0 (豆瓣)&i class=&icon-external&&&/i&&/a&：此书虽老，但其中很多思想和流量分析的案例仍然很有借鉴意义，现在纸质书只能上淘宝买旧书了。&br&&br&与此类似的有「&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&网站分析实战 (豆瓣)&i class=&icon-external&&&/i&&/a&」，是国内一本讲网站分析的书，没有上面经典，但胜在新出，很多案例和理念都有及时的更新。&br&&br&&a href=&///?target=https%3A///subject/7056708/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出统计学 (豆瓣)&i class=&icon-external&&&/i&&/a&：Headfirst 类书籍，可以帮助你快速了解统计方面的知识。&br&&br&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据化管理：洞悉零售及电子商务运营 (豆瓣)&i class=&icon-external&&&/i&&/a&：黄成明著，讲解在企业中应用数据的例子，读完受益匪浅，里面举的很多例子都很接地气。虽说偏向于零售业管理，但大道归一，可适用于很多行业，当时依据里面的理念规划了美团外卖面向 BD 的数据产品。&br&&br&&a href=&///?target=https%3A///subject/3354490/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MySQL 必知必会 (豆瓣)&i class=&icon-external&&&/i&&/a&：这本也是我当年学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。&br&&br&&a class=& wrap external& href=&///?target=https%3A///posts/hu-lian-wang-chuang-ye-gong-si-yong-hu-zeng-zhang-shi-zhan-mi-ji%3Futm_source%3Dzhihu%26utm_medium%3Dqa%26utm_campaign%3Dqutm_content%3D160830-xintao-book-data%26utm_term%3Ddata-analyse& target=&_blank& rel=&nofollow noreferrer&&互联网增长的第一本数据分析手册&i class=&icon-external&&&/i&&/a&：我司 GrowingIO 出的一本数据分析的增长手册（封面和目录见下图），为大家提供常见的分析手段讲解，如漏斗分析，同期群分析等等。可点击书籍名字在 GrowingIO 技术论坛中免费下载。&br&&br&&img src=&/670a36bae23be320ef3e5cc462ee1af0_b.png& data-rawwidth=&1600& data-rawheight=&1280& class=&origin_image zh-lightbox-thumb& width=&1600& data-original=&/670a36bae23be320ef3e5cc462ee1af0_r.png&&&br&&br&&b&Part 3 | 高阶版&/b&&br&&br&&b&更高阶的数据相对来说专业性较强了，如涉及到企业内部数据治理，数据结合的业务分析，数据可视化等。当然，还有数据挖掘算法之类的更深入的东西，这块没有研究就不瞎推荐了。&/b&&br&&br&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&决战大数据 (豆瓣)&i class=&icon-external&&&/i&&/a&：阿里巴巴前数据副总裁车品觉老师所著，讲解了阿里巴巴在企业内部治理数据过程中的心得，所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”，字字珠玑，可堪借鉴。&br&&br&&a href=&///?target=https%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&精益数据分析 (豆瓣)&i class=&icon-external&&&/i&&/a&：此书优势在于将企业分成了几个大的行业类别，并分门别类的讲解了每个行业的商业模式特点及分析技巧，对使用者的分析能力要求较高，且必须具备相应的业务知识。&br&&br&&a href=&///?target=https%3A///subject/4776049/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Wall Street Journal Guide to Information Graphics (豆瓣)&i class=&icon-external&&&/i&&/a&，华尔街日报负责商业分析的人做的可视化指南，精华且实用，我之前在公众号上写过读书笔记「&a href=&///?target=http%3A//mp./s%3F__biz%3DMjM5NjcxMzIwMQ%3D%3D%26mid%3Didx%3D1%26sn%3Dd013e39d6b4b099f179ad8%26scene%3D1%26srcid%3D0830tJVuFLsyG3xUkIQ6Zf6h%23rd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&华尔街日报是这样做数据可视化的（1）&i class=&icon-external&&&/i&&/a&」，可供大家参考。&br&&br&《数据仓库经典教程》：网上有人整理出来的资料，优点是简单明了，不像正常的数据仓库教材厚厚一本。&br&&br&&br&本文作者陈新涛，&a class=& wrap external& href=&///?target=https%3A///%3Futm_source%3Dzhihu%26utm_medium%3Dqa%26utm_campaign%3Dqutm_content%3D160830-xintao-book-data%26utm_term%3Ddata-analyse& target=&_blank& rel=&nofollow noreferrer&&GrowingIO - 硅谷新一代数据分析产品&i class=&icon-external&&&/i&&/a& 产品经理。
从入门到精通：互联网数据分析的书籍清单！ 任何一个技能的学习，都有从浅到深的过程，数据分析也不例外。因此我把推荐书籍划分成几个段位，更便于大家挑选。 Part 1 | 入门版 适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验…
有朋友私信我，让我说说找工作的经历。&br&我回国后并没有直接去找工作，而是选择了创业，但是发现自己社会经验太窄，人情世故也不精通，便放弃了创业，准备先出去工作几年。&br&我在网上投了大概16家企业，我没有投那些牛逼的不行的公司，比如３大ＢＡＴ。一是我不想和清北交的孩子们竞争，因为我知道我竞争不过。。。。&br&我投了10家互联网，6家咨询公司，拿到了14个面试通知，选择面试了7个，给了6个ｏｆｆｅｒ。&br&&br&下面讲过程：&br&第一家是南京的一个咨询公司，主要做电信的数据挖掘工作，面试的问题就是讲讲自己的实习工作以及自己掌握的技能。我描述了我在英国电信公司实习做数据分析工作的经历以及自己会使用的ＳＡＳ，Ｒ之类的。有趣的是，面试主管让我讲讲实习期间遇到的有趣的事情，然后我就把凯特王妃生孩子和苏格兰独立的事件讲了一遍。最后就被录取了，总得来说，面试不难，看中实习经历。&br&&br&第二家是苏州的一个在线旅游公司（我想大家都知道的）。职位是数据分析，同样的还是讲了讲自己的实习经历以及能够使用的技能，面试官还问了一些统计学的知识，不过很简单（大概就是因子分析之类的）。面试官很有意思，问了我是否有自己的一套思考问题的方法（后来才知道面试官是学心理学的硕士，而且我们竟然成为了挚友），好在我当年学过数据分析方法，对答如流，最后也被录取了。&br&&br&第三家是常州的一家咨询公司，只要是做ＳＥＯ和社交网络分析的。我之前用过ＧＡ，也学过点ＳＥＯ，再加上由于是老家的原因，面试很轻松，只是工资开的真的是太低了。&br&&br&第四家是上海的一家在线旅游公司（大家也应该知道的），职位是数据分析。面试的时候主要考问的是对网页流量分析的看法，还有统计分析的一些技术。面试有点难度，面试官是统计学硕士，问的比较专业和深刻。但是我也发现该组织严重的官僚作风，当时有点不太想去。不过给的工资不错！！&br&&br&第五家就是我现在的公司，也是互联网，小型上市公司。面试的时候我要的工资很高，本来面试是要两天的，但是我坚持说希望一天就完成，因为我要回家。。。。。　于是那个可爱的人资妹妹就到处去找主管来面试我，足足面试了4个小时，我说的口干舌燥。第一个面试官问我对渠道反作弊的看法，我之前没接触过，于是就不协调的讲了很多话，但是那个面试官发现了我在数据挖掘中的长处，他觉得我不适合他的部门，但是适合公司的其他业务。于是他去找了另一个部门的主管（也就是我现在的主管）来面试我，这个女主管没有问我任何有关业务和技能的问题，而是问我喜欢什么，将来准备做什么等等～～然后就结束了。接下来就是和ＨＲ谈工资，我依然坚持当初的薪酬，ＨＲ说两个主管都觉得我很踏实，技能也很过关，很想留住我，但是我开的工资有点高，毕竟我是应届生～～～　　此话一讲，我就心软了（我真是太善良了），于是我就稍稍的降了些。ＨＲ后来让我回去，说等电话通知，然后第二天就通知我可以去上班了～～～&br&&br&总结：我找工作坚持薪资第一，发展第二，如果大家觉得我说的不对或者觉得我那个傻×什么来着的，还是老说，尽情的喷我吧。　知乎里很多人（现实中也是）都会说年轻人不要太在乎第一份薪水，要看发展，看前途。&br&&br&老子信了你的邪！！　还真抱着这种想法去苏州工作了一个月！！　后来受不了，不干了。&br&&br&那些动不动就跟你谈理想，谈前途的公司都是骗子，只有实实在在的跟你谈工资，谈福利的公司才是真真觉得你是个人才，想留住你！！&br&&br&我发现一个道理，公司给你多少钱就会让你干多少活！给你5000，那你就只能去处理处理数据，给你1万，那一定会让你去建模挖掘的！！！这是真理，请务必记住！&br&&br&如果你第一年的工资只有3000，你第二年跳槽的时候你觉得第二家能给你多少？　&br&如果你的第一年工资是1万，你觉得第二家能给你多少？&br&　工资3000的第二家能要到6000就不错了，哪怕你第一家是三大ＢＡＴ出来的。&br&工资1万的第二家要多少还真的说不定，两万也是有可能的。因为第二家ＨＲ坚信，你的老东家愿意花1万买你，那你就绝对值这个价。如果老东家只愿意花3000买你，那也说明你只值这个价，哪怕你再有才华！！&br&&br&&br&&br&－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－&br&我本科是市场营销专业，和数据分析搭不着边。后来在英国苦读一年数据挖掘，学习了数据分析，计算机编程等各种知识。如今回国也成功的在一家互联网公司担任数据分析师。待遇不错，起薪14W/Year&br&你是学物理的，数学功底比我强多了。所以不要担心学不好。&br&总的来说，学好数据分析并以此找到工作，你要注意以下几点：&br&&ol&&li&学好统计学，数理统计，数据挖掘。这是最基础的理论知识，你今后是否能驾驭数据分析大部分取决于你对这几门学科的理解程度&/li&&li&一定要学会EXCEL。相信我，等你工作后你就会发现EXCEL是用的最多的一个工具&/li&&li&至少掌握SPSS,SAS,R等专业分析软件中的一个。这些软件可以帮助你后期快速的进行建模&/li&&li&学会一门编程语言，这里推荐python&/li&&li&大数据方向需要学习hadoop,mysql, machine learning等知识&/li&&li&上面的其实都是技术篇，每个人都可以学会。但数据分析领域最重要的时分析思维，也就是你怎么处理一个问题，你要形成一套属于自己的数据分析流程。而这个流程需要你不断的熟悉业务和阅读书籍来提高自己。&/li&&li&我和几个英国的朋友开的微信公众账号，为大家分享学习数据分析的方法和书籍。欢迎添加：soton2014sky
&/li&&/ol&&b&扫扫二维码，添加账号&/b&&br&&p&&a href=&///?target=http%3A///r/t0xgeH-EQiI9rTsb9xml& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/r/t0xgeH-&/span&&span class=&invisible&&EQiI9rTsb9xml&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& (二维码自动识别)&/p&&br&我之前写过一个帖子，关于如何学习数据分析，并且推荐了书单，大家可以参考&br&--------------------------------------------------------------------------------&br&&br&&br&&a href=&/question//answer/& class=&internal&&做数据分析不得不看的书有哪些？ - 卡牌大师的回答&/a&
有朋友私信我，让我说说找工作的经历。 我回国后并没有直接去找工作，而是选择了创业，但是发现自己社会经验太窄，人情世故也不精通，便放弃了创业，准备先出去工作几年。 我在网上投了大概16家企业，我没有投那些牛逼的不行的公司，比如３大ＢＡＴ。一是我…
谢邀。终于得空来更新一下&br&&br&从商业分析说起吧。关注过不少知乎上类似的问题和回答，发现个较严重的问题：大多数人对商业分析这个行业的认知并不准确。具体说来&b&商业分析有两种&/b&：&br&&br&1. Business analysis. 应属于&b&传统商科&/b&，主要是任务是对公司整个运营的流程、业务的开展等方面的分析。比如发现新的商业需求、提出/改善某些商业问题的解决方案。它可能包括公司组织上的变更，业务流程的改善，策略性的规划，政策的制定和提高。这个领域需要一定的数据分析，一方面因为公司发展前期一般主要靠业务的扩展，会涉及一些销售业绩等类似的数据分析。另一方面，大数据时代嘛，很多公司都觉得好像应该顺应潮流掺和一把。但总的来说还是business analysis为主。即定性为主导，数据分析（一般较简单）为辅助。这也是大多数答主所提到的。要在这个领域成长为专业人才，一般会选择MBA，MBA课程一般也会包含一定的相关课程，但很简单。&br&&br&2. Business analytics. 这才是真正的&b&新兴学科&/b&。翻译上都叫商业分析，但内容却差很多，所以特意用英文区分开来。这个行业的&b&核心就是数据分析，&/b&而且是高深的技术、模型和算法。通过对数据的深度分析、挖掘来研究公司以往的业绩，对行业市场潜在的商业信息的搜索等。目的是获取那些通过定性分析和简单的定量分析根本无法获得的insights。这个领域逐渐得到了学术界、业界和政府的高度重视：学术界，从纽约大学13年开始开设business analytics的硕士专业以来，全球各大高校纷纷增设相关专业，并且学费直逼MBA，在金钱至上的资本主义国家，高学费往往是高收入和良好职业发展的风向标。业界，更不用说了，BAT都在开设这一类的部门，阿里巴巴去年跟今年就从名校挖了一些这个领域的教授，百度更是把斯坦福大牛Andrew Ng请了来。政府，就我知道的，新加坡和澳洲政府直接拨款赞助开设business analytics部门的公司。&br&&br&说完基本概念，回到题主问题。仔细读过问题描述后，我相信题主感兴趣的应该是business analytics吧（不是的话，就请忽略以下吧）。那再深入一点讲一下&b&相关的技能&/b&。题主是统计本科生，很好！哈哈！我是统计博士，现在在纽约一家投资管理公司做类似的工作，同事不乏一些计算机、自动控制、信号处理等数据分析相关的领域的博士。总体来说business analytics无疑是个交叉学科，包括数学（统计）、计算机和商学（经济学、市场营销，博弈论等等）。&b&统计类&/b&的方法占据了数据分析学科的首要地位（主要是回归模型）。可以说如果把统计方法全部拿走，数据科学基本就支离破碎不成体系了。然后是&b&计算机&/b&（包括机器学习、模式识别、图像处理等一类的领域），基于一些应用层面的需求，计算机领域提出了一些新颖的思路和模型。值得一提的是，这些东西又吸引了统计学家的关注，他们把同样的问题又用统计学方法做了出来。再结合一些传统的回归模型，统计学出现了新的分支：统计学习。最后是&b&商学类&/b&，现阶段来说比重最小，不过其中一些思路也是值得借鉴的，比如博弈论。一些专门的business analytics硕士会结合商业应用来讲统计和计算机方法。&br&&br&&b&实际的商业分析案例&/b&（当然是business analytics）。简单说几个吧：1.&b&生存模型&/b&，生物统计最常用的模型，研究疾病的愈合、死亡时间之类的问题，可以用以测试某些药品、治疗手段是否有效。应用到商业中，比如公司对特定人群投放广告，他们通过不同的渠道点击观看，那么需要多久的时间他们才会决定购买？我们定义：消费者不购买=‘活着’，一旦消费即为‘死亡’。接下来的任务就是研究哪个渠道的广告/哪种组合的广告最为有效。2.&b&聚类问题&/b&，公司投放过大量广告，做过促销。然后大量消费者前来购买，到底哪些真的看过上述宣传呢？如果这个都不知道如何分析哪个渠道或者哪些渠道的组合最有效？聚类分析就是解决这一类问题的。3.&b&贝叶斯方法&/b&，不知你可了解过贝叶斯分析？是统计/机器学习领域很火的方向。主要应用是在建模时候可以把人为的观点融合进模型中去。使得定性和定量分析的结果结合起来。这一点很是受在business analysis领域做数据分析的人的欢迎。除此外还有很多，就不一一说了。&br&&br&最后说到你的近况。本科背景还是弱了点，想要接触上述类型的工作，你需要更进一步。并且想吃的开最好也不要限制在统计学领域，毕竟读一个偏应用的学科，学会从应用角度考虑问题对于职业发展更有好处。升学的话可以考虑data analytics/business analytics的硕士专业。不过，如果觉得学费太高的话，其实统计硕士也是个不错的选择。自学的话，coursera上也有很多不错的课程。至于R/Python/SAS嘛，能会一个就够了。数据分析级别的编程，会一个，别的看个把礼拜就能上手。&br&&br&最后的最后，分享一个链接：&a href=&///?target=http%3A////graduate-programs-in-big-data-and-data-science/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Graduate Programs in Big Data Analytics and Data Science&i class=&icon-external&&&/i&&/a&。里面列举了全世界各地高校开设的数据分析类的研究生专业、各种收费的/不收费的在线课程。&br&&br&与题主共勉！
谢邀。终于得空来更新一下 从商业分析说起吧。关注过不少知乎上类似的问题和回答，发现个较严重的问题：大多数人对商业分析这个行业的认知并不准确。具体说来商业分析有两种： 1. Business analysis. 应属于传统商科，主要是任务是对公司整个运营的流程、业…
谢邀。&br&&br&我看下问题日志，要不题主你考虑来我们公司？保证活多得你干不完。考虑一下？&br&&br&根据我的了解，题主的工作内容是偏数据工程师一点的，不过题目是问的是数据分析团队，所以就我有限的见识，抛砖引玉讨论一下数据分析团队如何给自己找活儿干。&br&&br&为方便说明，这里以知乎为假想例子（也就是说都是我瞎掰的）。&br&&br&比如说以用户注册过程为例，主要包括潜在用户通过某种方式到达知乎注册页面（比如说搜索，或者朋友圈分享的答案、文章），开始注册流程（邮箱注册？电话注册？），注册成功之后的一系列动作，比如关注了哪些话题、是否更新个人资料，是否有进一点互动（比如说点赞或者答题）等。&br&&br&&b&1. 数据报表 (dashboard report)&br&&br&&/b&题主提到“各方面数据看板已经做得很完善”，那么可以试着从以下几个方面入手？&br&&br&&b&a. 不同维度的完善&br&&br&&/b&比如说现在报表包括了注册整个过程的数据，那么是否有按用户性别、年龄等，地点（国家），使用设备（Andriod, iOS 等），来源（搜索引擎？朋友圈分享？微博分享？），注册方法（手机号？邮箱？）等来做分类呢？&br&&br&&b&b. 数据的时间精度&br&&br&&/b&我们知道微信公众号是提供每天的数据追踪的，如果能够有更精细一点的数据，比如说按小时的，是否会提供更多的信息呢？以上面知乎注册数据为例，有每天的数据当然很好，但是假设现在半夜 12 点突然因为某些原因不能通过手机号注册了，而且只是在页面端有这个问题。如果没有时间精度更高的数据，而只能看每天的话，那类似这样的问题可能就没法发现或者需要过一两天才能发现了。&br&&br&类似的，比如知乎日报想看每天几点推送效果更好，可以尝试在不同的时间段推送，然后看每天的阅读量、互动等，但是如果能够实时看推送之后的效果，自然比看每天的数据更有说服力。&br&&br&&b&c. 数据的完善度&br&&br&&/b&理论上来说数据永远只能部分代表实际情况的，不可能把所有情况都一一记录下来。比如说在记录用户注册的过程中，是否记录了用户注册失败的情况？比如说用户名已经存在？用户名已经存在的情况下，是用户忘了密码呢？还是本来应该点登录的，结果点成注册导致失败了？注册失败之后下一步动作是什么？假如有这些数据，可以带来什么分析结果？&br&&br&&b&d. 数据的可靠性&br&&br&&/b&数据并不总是 100% 可靠的，那么如何提高这个可靠性？如果建立一个大家都可以用、都可以信任的数据系统？当然这更多是属于数据工程师的活儿，跟数据分析有点差别。但是另一方面来说，数据分析过程中也是可以发现一些数据存在的问题，提供反馈进一步改进的。&br&&br&&b&2. 开拓性数据分析&/b&&br&有完善的数据报表是一件很好的事情，但是绝不能止步于此。&br&&br&&b&a. 给业务团队提供方向&br&&br&&/b&业务团队应该有自己的想法接下来应该做什么，或者说至少有个大致的想法，同时数据分析在这里也能起到很重要的作用，有时候是确定哪些项目比较重要，影响力比较大，有时候是找到新的方向。&br&&br&比如通过数据发现，注册错误里有一部分是因为用了海外的手机号，导致无法收到确认码，那么就可以考虑如果解决这个问题了。还有一部分是因为用的邮箱收不到确认邮件导致注册失败。假设现在工程团队资源有限，只能干其中一个，如何确定优先级？&br&再比如说数据分析发现很多文章浏览量来源于微信朋友圈，那么添加通过微信登陆的功能，有什么好处，又有什么坏处？&br&&br&&b&b. 了解用户&/b&&br&数据分析可以改进产品，很多时候可以通过分析用户的行为来得到一些想法。比如说对比一下文章和答案的赞数和评论数会发现，有一些文章和答案的评论数/赞数非常高，说明在评论里有很多互动，但是赞同文章的人却很少。再进一步分析可能发现，有时候是因为读者强烈反对文章或者答案，所以评论区很热闹，有时候是因为大家在评论区里聊天，如此种种。那么这些信号是否能够用在知乎时间线的排序上？是否有必要给文章也增加“反对”的按纽？是否有必要给评论也排序而非单纯的按照时间来？&br&&br&&b&c. 设定目标&/b&&br&跑过马拉松的人可能都了解领跑者的重要性（我没跑过，别问我怎么知道的），因为有人在前面带节奏，跟着合适的目标按照适合自己的节奏跑就可以了，不至太快跟不上，也不至于太慢而没有发挥自己的潜力。&br&&br&数据分析也可以起到类似的作用，给团队设定一个合适的目标，而不是脑袋一拍，能不能完成天知道的。有时候目标设得太高，团队拼死拼活也完不成，有时候又目标太低，不能发挥团队的潜力。&br&&br&&b&3. 数据基础架构 (data infrastructure)&br&&/b&&br&这方面可能也更多的是数据工程师的职责，不过数据分析团队也是可以在其中发挥一定的作用的。&br&&br&&b&a. 方便团队做测试&br&&/b&&br&比如说是否有系统能让工程师们方便的做测试，不需要专门的人来做 A/B 测试的数据分析？&br&&br&&b&b. 方便团队使用数据&br&&/b&&br&比如说产品经理要看这周和上周的对比，一些常用的数据是否可以直接有报表呈现。如果有某个特定的方面需要进一点查看的，是否有好用的 UI 点几下就可以？如果产品出现什么问题（比如说注册页面挂了），是否有系统能够及时报警，并且能够快速查明原因？&br&&br&&b&c. 自动化分析&/b&&br&比如说写个程序把一些常用的分析过程给自动化了？&br&这个回答下的思路就很好：&br&&a href=&/question//answer/& class=&internal&&工作被效率更高的机器抢了是什么体验？ - 知乎用户的回答 - 知乎&/a&&br&&br&暂时就想到这些，不过我还是想不通，俗话说得好，产品经理动动嘴，数据分析跑断腿（开玩笑的，产品经理不要打我）。&br&&br&贵司的数据分析团队怎么会轻松没活儿干呢。。。要不来我司试试看？
谢邀。 我看下问题日志，要不题主你考虑来我们公司？保证活多得你干不完。考虑一下？ 根据我的了解，题主的工作内容是偏数据工程师一点的，不过题目是问的是数据分析团队，所以就我有限的见识，抛砖引玉讨论一下数据分析团队如何给自己找活儿干。 为方便说…
&p&谢邀。&/p&&p&看到这个问题，我想起上个月我们 &a href=&///?target=https%3A///%3Futm_source%3Dzhihu%26utm_medium%3Dqa%26utm_campaign%3Dqutm_content%3D170418-tujiaBI-TB%26utm_term%3Ddata-analyse& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GrowingIO&i class=&icon-external&&&/i&&/a& 在上海举办的数据驱动增长大会，其中有一位演讲嘉宾是途家网的 BI 总监。他在大会上，非常详细地讲了数据团队的搭建过程以及每个部门所做的事情。我们的内容团队将这个演讲编辑整理成了一篇文章，在这里贴出来，希望对你有帮助。&/p&&p&更多优质文章，也可以前往 &a href=&///?target=https%3A///%3Futm_source%3Dzhihu%26utm_medium%3Dqa%26utm_campaign%3Dqutm_content%3D170418-tujiaBI-TB%26utm_term%3Ddata-analyse& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GrowingIO 官方博客&i class=&icon-external&&&/i&&/a& 阅读。&/p&&h2&&b&途家网 BI 总监 | 数据分析团队的搭建和思考&/b&&/h2&&img src=&/v2-a96c0c884d126e81c195_b.png& data-rawwidth=&1063& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-a96c0c884d126e81c195_r.png&&&blockquote&本文作者：秦涌，途家网 BI 总监&br&本文根据「 2017 GrowingIO 据驱动增长大会」演讲内容整理编辑，首发于 GrowingIO 微信公众平台及博客，授权转载。&/blockquote&&br&&p&大家早上好，非常高兴能来参加这次上海站的数据驱动增长大会。&/p&&p&以前说到数据驱动业务增长，我们第一个想到的可能是数据分析的方法。但就目前来看，数据驱动业务的增长已经成为一个不仅仅是分析方法和模型，而是包括了数据人才培养、数据架构的设计，甚至整个公司组织架构设计的企业治理问题。所以今天我想从途家数据团队的发展、部门的构成及职责这两个方面去跟大家分享一下途家网的一些实践。&/p&&p&如果对一个公司的业务没有足够的了解，是没有办法去做分析的，今天演讲中阐述的不管是组织架构的设计还是分析案例，都是紧紧围绕途家网的商业模型展开，所以我先大概介绍一下途家的业务：途家网是一家已经进入“独角兽”俱乐部的全球公寓民宿预订平台，于日正式上线。我们提供服务公寓、度假公寓、别墅、客栈、民宿等各类度假租赁产品的在线搜索、查询和交易服务。&/p&&p&&b&Part 1 | 数据分析团队发展的5个阶段&/b&&/p&&p&我们途家网成立五年以来，整个数据团队的成长也是经历了五个阶段。&/p&&img src=&/v2-8d1f1c690d43dedf1d16ef727d45f6bd_b.png& data-rawwidth=&1063& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-8d1f1c690d43dedf1d16ef727d45f6bd_r.png&&&p&&b&第一阶段：从 2011 年底途家网正式上线到 2013 年 2 月，这个阶段我们没有专业的数据分析师。&/b&&/p&&p&在公司刚刚成立的阶段，没有招专业数据分析师的必要，但是这个时候仍然需要做数据分析。途家网的创始人具备深厚的计算机背景，所以这个阶段基本上是创始人自己在做分析。通过数据分析，创始人对公司的业务发展能有很清晰的认识，非常有利于去快速做一些重要的决策。&/p&&p&&b&第二阶段：从 2013 年 2 月到 2014 年 2 月，我们有了专职的数据分析人员。&/b&&/p&&p&这个时候创始人已经没有足够的时间去看大量的数据了，所以我们有了第一个专职的数据分析人员。全公司第一个专职的数据分析人员非常关键，因为这个人在很大程度上决定了整个公司之后在数据方面的如何发展。&/p&&p&&b&第三阶段：从 2014 年 2 月到 2015 年 4 月，我们成立了专门的BI团队。&/b&&/p&&p&这个时候，途家网基本上进入了一个快速发展的阶段，业务部门也非常的多。在这个阶段我们除了基础的数据分析，会把更多的精力放在原始数据的收集、数据工具的优化上面。&/p&&p&&b&第四阶段：从 2015 年 4 月到 2017 年 1 月，这是一个业务井喷的阶段。&/b&&/p&&p&这时 BI 部门的一个最基础的责任就是，务必让每一个业务的负责方及时地看到自己的数据，进而及时发现问题。所以这个时候我们会做一些数据可视化的工作。&/p&&p&&b&第五阶段：从 2017 年 1 月份到现在，我们开始做一些自助式的分析。&/b&&/p&&p&因为这个时候我们发现，整个 BI 团队 12 个人，需要去支撑整个公司上千人的团队已经很困难。我们只能把数据分析的职能下放，做到去中心化。也就是 BI 团队负责制定标准的数据，让业务的人去自己去做分析。&/p&&blockquote&总的来说，数据团队发展路线，其实和业务增长的路线是一致的。这个过程我们用了 5 年多的时间，这个发展速度和途家网整个商业模式是相关的。有可能在交易频次更高的一个公司里，完成这些步骤只需要一年多的时间，但是不论时间长短，这5个步骤是大部分公司都会经历的。&/blockquote&&br&&p&&b&Part 2 | BI 团队组成&/b&&/p&&p&BI 团队有两个比较重要的责任，第一个是务必能够保证用数据讲清楚每一个业务的状况；第二个责任是要辅助公司做决策，用数据去告诉大家未来怎么样做更有效率，如何去达到公司最大的目标。&/p&&p&为了承担这两个责任，我们成立了四个团队。商业分析团队，BI报表团队，数据仓库团队，和市场竞争分析团队。&/p&&img src=&/v2-61d3badc_b.png& data-rawwidth=&1063& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-61d3badc_r.png&&&br&&p&&b&一、商业分析团队&/b&&/p&&p&这个团队的两个非常重要的职能，一个是分析一些非固定的专项问题；另一个是当企业大了之后，负责一些分析工具的培训。&/p&&p&接下来我会用3个实践案例去讲这个部门具体做的事情。&/p&&br&&p&&i&案例1，首位数据分析人员的培养&/i&&/p&&p&在初创的企业做数据分析是一件非常让人头疼的事情，大家请看图片就能说明这个岗位的繁忙程度，负责数据分析的这个人基本什么都得干。&/p&&img src=&/v2-1b9c67ab7b0f898b9fcb94e_b.png& data-rawwidth=&1063& data-rawheight=&629& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-1b9c67ab7b0f898b9fcb94e_r.png&&&br&&p&更重要的是，他会碰到很多很多的问题：&/p&&ol&&li&初创企业没有标准的数据，也没有足够多的数据；&/li&&li&业务与业务之间的数据逻辑关系需要大量时间梳理；&/li&&li&没有足够的技术人员帮忙写代码；&/li&&li&不熟悉业务的情况下很难用简短的语言概括分析结果。&/li&&/ol&&p&这时候公司可能会考虑选择去招一个大公司背景的专业的数据分析师，但是实际情况是，在发展已经成熟的公司里，一个数据分析师背后是有成千上百人的数据产品和数据技术团队支撑的，成熟的分析师在商业分析上更擅长，但在整合数据的生产流程上未必非常清楚。所以我觉得，初创型的公司除了招聘一名成熟的数据分析师，还有更高效率的解决方案。&/p&&p&我们途家网的解决方案是，让一个熟悉业务的老员工转岗去做数据分析；或者说让一个熟悉技术，又懂业务的人去转岗，避免沟通上的低效。同时使用成熟的数据分析工具，避免在数据质量、以及重复性工作上浪费大量的时间精力。&/p&&p&通过这样的方式，这个人会很快地把整个数据分析的框架搭建起来。最后你会发现，在公司成立四年到五年之后，这个人就是整个公司通过数据去驱动业务增长的灵魂。&/p&&br&&p&&i&案例 2，业务和财务的互动&/i&&/p&&p&一个企业无法脱离的目标是盈利。现在国内的市场竞争日趋激烈，大家都在拼命去抢市场，但是在这个过程中可能会阶段性忽略盈利这个指标。途家网一直非常注重财务结合业务的分析，我们的业务分析人员和财务分析人员，每周都会固定地去看一下，业务上的动作在财务报表上的表现。这对管理层来说是一件非常让人放心的事，因为能非常清楚地知道资金和人的精力花在了什么地方，有什么样的效果。&/p&&img src=&/v2-4b34e63e7e2d68a1ab09_b.png& data-rawwidth=&1063& data-rawheight=&498& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-4b34e63e7e2d68a1ab09_r.png&&&p&为什么要做这件事情？因为通常来讲，从业务前端到最后财务数字的整个链条里，业务分析人员很难掌握财务收入的确认规则，财务人员又需要更多时间去学习掌握不停变化的业务逻辑。通过财务分析人员和业务分析人员深度的互补和互动，能够做到驱动一个企业尽快地盈利。至少这个过程会让我们知道，盈利的来源是什么，哪怕目前是亏损，你也能知道为什么是亏的，以及怎么能做到止损。&/p&&br&&p&&i&案例3，大胆假设，小心求证的分析思维&/i&&/p&&p&以上两个案例是比较宏观一些的商业分析人员需要解决的问题，以下这个案例则是日常工作中经常发生的：当业务人员来找分析师要一个数据的时候，负责任的数据分析师需要帮业务人员梳理分析的逻辑。&/p&&img src=&/v2-ddd3be967e9e98d7db4f4fe_b.png& data-rawwidth=&720& data-rawheight=&405& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/v2-ddd3be967e9e98d7db4f4fe_r.png&&&p&比如业务人员问你要一个APP订单变化的数据，但其实他想看的东西，或者应该看的东西，远不止这些。&/p&&img src=&/v2-60e325bd36ea2f0bea026b443a8ad525_b.png& data-rawwidth=&1063& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-60e325bd36ea2f0bea026b443a8ad525_r.png&&&p&这时候再回过头去问他，你到底要干什么？这个时候你会发现，有可能是老板发现昨天的订单比前天的订单突然增长了50%，超出了他的预期，但是他又不知道为什么发生了这些增长。业务人员在做分析的时候，经常提出来的是一个点。但是对于一个数据分析师来说，你需要帮业务人员具体理这些分析的框架，最终找到数据变化的原因。&/p&&p&不管是你在初创型的公司还是中型公司，在做数据分析的时候一定不要忘记这三个步骤。&/p&&p&1、定义问题&/p&&p&首先你想清楚，你在数据分析的时候你到底要分析什么题目？&/p&&p&2、大胆假设&/p&&p&思考出现这个数据变化所有可能的原因。&/p&&p&3、小心求证&/p&&p&在小心求证完之后，才能得到比较客观的结论。&/p&&p&对于比较初级的分析师来讲，可能适应这个思维会花一定的时间；但是一个商业敏感度非常高的分析师，可能只需要几分钟就能够完成以上4个步骤并给出客观的分析结论。&/p&&p&接下来我们从一个具体的案例去验证以上的分析逻辑：假设今天我们的订单突然增长50%，为什么？&/p&&p&我们可以通过多维度分析的方式去考察，第一个是城市的维度，第二个是渠道维度。&/p&&img src=&/v2-a992df351497cccadb261b46_b.png& data-rawwidth=&1063& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-a992df351497cccadb261b46_r.png&&&p&第一个场景，从城市的维度上看，每个城市大概增长了5%，都是等比的增长。从渠道上看，APP增长了80%左右，但是其它的渠道并没有带来这么多的增长。所以这个时候我们可以得出一个结论，这种数据现象有可能是我们在APP 端投放的启动量导致的增长。&/p&&p&第二个场景，北京这个城市增长的非常多，但是其他城市基本上没什么增长；APP也同样是80%左右的增长。结合这两个图，我们就会得出，有可能是一个北京的 KA 用户，在 APP 下了订单导致的增长。&/p&&p&这两个数据的图形看起来非常的相近，但是得出来的结论很不一样，最后导致的企业的决策也会很不一样。&/p&&br&&p&&b&二、BI 报表团队&/b&&/p&&p&BI 报表团队的 3 个重要职责是，将业务方常规需要查看的数据沉淀为 BI 报表；帮助业务人员实现可视化的自助式数据分析；分析师自己沉淀一些主动分析的数据结果给大家看。&/p&&p&接下来我还是用 3 个具体的实践案例去讲这个团队在做的事情。&/p&&br&&p&&i&案例 1，可视化&/i&&/p&&img src=&/v2-c7fd1a8ab5ba3_b.png& data-rawwidth=&1063& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-c7fd1a8ab5ba3_r.png&&&p&这个报表说明的是，我们每周在每一个渠道上面的表现。当然我们做的实际报表会比这个更长一些，会看到每一个渠道吸引过来的注册，以及这些注册用户在未来的一段时间内的留存率以及价值转化。&/p&&p&这个报表在每一个公司都非常常见，但是它的核心的目的是什么呢？是让我们的业务人员清楚地知道投放的效果，以此来决定未来的投放资源如何去调整，进而提升投放的 ROI。这个目的需要通过报表的制作以及一些额外的可视化来实现，报表负责展示数据，可视化负责让业务人员花更少的时间去获取数据之上的关键信息：假设我们根据过去的业务情况得出，ROI 低于 10 是不能接受的，做一些简单的可视化工作就能够突显这个信息。&/p&&br&&p&&i&案例 2，可视化基础上的自助式分析&/i&&/p&&p&在业务线和业务部门越来越多之后，我们希望业务人员能够自主地在报表上完成一些初步的分析。所以这个 BI 报表实际上就是在可视化的基础上，做了更多的自助设计分析。让业务人员能够通过一些拖拉拽的钻取操作，快速的看到问题的所在，找到问题的原因。&/p&&p&这个报表其实是可以支持下钻的，如果某个渠道的 ROI 过低，可以点击下钻到每个订单的其他属性，例如什么会员级别、什么落地页、什么优惠措施、买的产品是哪些，提供产品的商户的服务质量怎么样。这个报表对我们分析师团队来说，也大幅度地提升了工作效率。现在我们可以在 10分钟内知道整个公司一周的业务变化。&/p&&br&&p&&i&案例 3，商业分析师的报表沉淀&/i&&/p&&p&传统的报表制作流程是，需求方把需求提出来，然后工程师来负责把报表做出来。但是我们会更强调商业分析师的主动性，这个主动性是什么？&/p&&p&第一个主动性的要求是因为商业分析师在看过海量的数据之后需要产生自己的一些想法。从不同的维度上去分析数据，可能会对业务有额外的帮助。&/p&&p&第二个是因为，对于一个业务人员来讲，每天只看自己业务范围内的数据即可，但是跨业务之间的数据产生的价值大部分时候是被忽略的。所以商业分析师需要主动的去思考跨业务之间的逻辑，然后固化在报表上面，给业务人员提供更多的价值。&/p&&p&下面我提供一个途家网自己的案例：&/p&&img src=&/v2-75b3626ae87ceaf5bef8ee_b.png& data-rawwidth=&1063& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-75b3626ae87ceaf5bef8ee_r.png&&&p&我们是一个在三亚起家的住宿型公司。我们通过数据会发现，在夏天的时候是西南地区的人去三亚比较多；而冬天东北地区的用户会大量的去三亚过冬。因为冬天东北非常冷，有很多老年人在这样的天气里会很不舒服。我们通过用户季节性的分析，发现一些规律。这样的规律对线上线下的活动投放非常有帮助，尤其是在冬天投放线下户外广告的时候，我们会把更多的精力放在北方区域。&/p&&p&我们还做了其他的实践去体现数据分析的价值。比如分析师会去挖掘，这个商圈到底是 300 块钱的房子更好卖，还是 400 块钱的房子更好卖？怀柔区可能两室一厅的房子更好卖，但 CBD 就有可能是一室一厅的房子更好卖，把这些分析的结果去指导销售人员去获取房源，一个量化的结果就是新签房屋的动销率提升了 20 个百分点。&/p&&p&目前我们已经沉淀了 300 多个报表，有84%的报表在一周之内被打开过，这些报表平均每天被100多个人访问，每天大概被访问 300 多次。这样的做法会让 BI 团队的人感到自己非常有价值，而且这么多的报表经常被打开，说明整个公司的数据价值没有被浪费掉，也说明数据驱动业务增长的理念是深入到公司大部分的人心里的。&/p&&br&&p&&b&三、数据仓库团队&/b&&/p&&p&在更大的公司，或者说在 BAT ，数据仓库应该是被放在技术部，而不是 BI 部门。我们为什么要放在 BI 部门呢？因为这样能让分析师知道每一个指标，在数据库里是怎么被算出来的。数据的标准性和严谨性会有很大程度上的提升。&/p&&img src=&/v2-f746bc0f5a6bba7ad6a5d06_b.png& data-rawwidth=&1063& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-f746bc0f5a6bba7ad6a5d06_r.png&&&p&&b&数据仓库的主要 4 个职能&/b&&/p&&p&1、负责整个原始数据的收集和清洗&/p&&p&对任何一个初创型的公司来讲，这个工作都是要花费大量人力的，所以我们选择使用 GrowingIO 的产品，可以获取实时全量的用户行为数据。&/p&&p&2、负责数据报表的抽取&/p&&p&因为公司的数据结构越来越复杂，数据报表越来越多。让数据仓库团队做一些数据指标的抽取工作，就可以让分析师直接去分析已经抽取过的统计表，大量地节省分析师在原始代码上的精力。&/p&&p&3、负责各个系统之间的数据规整&/p&&p&各个系统都会展示一些数据，但是每个系统展示的数据可能都不太一样。为了解决这个问题，我们会让数据仓库的工程师去做统一数据的输出，务必保证每一个人在每一个平台上看到的数据都是一致的。&/p&&p&4、负责一部分分析的职能&/p&&p&以上 3 个最基础的工作完成之后，数据仓库的人员也会承担一些分析的职能。&/p&&p&&b&四、市场竞争分析团队&/b&&/p&&img src=&/v2-4b15ba2df63a1c3c23d449fd9ff31935_b.png& data-rawwidth=&1063& data-rawheight=&408& class=&origin_image zh-lightbox-thumb& width=&1063& data-original=&/v2-4b15ba2df63a1c3c23d449fd9ff31935_r.png&&&br&&p&整个互联网公司市场竞争会越来越激烈，涉及到的是企业内部每个细节的竞争。我们在BI 团队设置了一个这样的职能，是因为BI团队对企业内部各个环节的数据都非常的清楚，此时他在研究外部竞争对手的时候，就会非常透彻。而整个企业内部的数据和企业外部的信息，才能组成一个企业数据完整的图谱，这样才能在一个完整的生态中找到企业增长之道。&/p&&br&&p&&b&Part 3 | 经验和思考&/b&&/p&&p&&b&一、6 个经验&/b&&/p&&p&以上的分析零散地介绍了数据团队日常的一些案例，以及为什么设置这些职能、这些职能在驱动业务增长的过程中起到什么作用。总结一下，有 6 个经验：&/p&&ol&&li&分析师一定要足够地了解业务。对于一个分析师来讲，商业敏感度是第一位的。&/li&&li&分析师一定要主动地梳理业务问题框架，而不是被动地接受业务方提上来的每一个小问题。&/li&&li&BI 报表团队要保证每个人都有数据可看，而且务必要通过一些可视化的手段提升业务人员阅读数据的效率，让他们能迅速地提取关键的信息。&/li&&li&在企业从小到大的过程中，推动一些自助式的分析，因为自助式的分析能够解决分析师的瓶颈问题。&/li&&li&善用工具。尤其是企业成立初期，大量的数据没有规则，也没有经过任何整理，工具能够很大程度上提升分析的效率。&/li&&li&数据分析视野问题，内部的数据一定要分析的非常透彻。但是每一个分析师的眼界不仅仅如此，更要有整个行业的宏观数据，这样才能找到企业的增长之道。&/li&&/ol&&p&以上这些经验都仅仅局限于途家网。每一个公司的行业特征、人才配置、碰到的问题都不一样，所以经验的适用程度也不一样，除了这 6 个经验，还有一些通用的思考是想和各位数据从业人员，尤其是管理人员交流的。&/p&&br&&p&&b&二、6 个思考&/b&&/p&&p&&b&1、我们对数据的要求是讲清楚业务，还是通过数据变现？&/b&&/p&&p&这其实是一个数据从业者或者说整个公司的数据负责人应该去想的一个很大的问题。途家网的商业模型决定了目前对数据的应用是这样的，但是放在别的公司，我们对数据的要求又是什么？&/p&&p&&b&2、在什么阶段应该成立 BI 团队？&/b&&/p&&p&途家网是在运营两到三年后成立了 BI 团队。但是对于交易频次更高的公司，有可能半年左右就需要快速地成立 BI 团队，这样整个公司的数据才够扎实。&/p&&p&&b&3、数据分析师是不是有足够的权威？&/b&&/p&&p&分析师提出的意见在业务改进，或者驱动业务成长过程中到底能起到多大的作用，这也是我们每一个数据管理者应该去思考的问题。&/p&&p&&b&4、在特定的阶段，是研发一个工具，还是采买一个工具？&/b&&/p&&p&这是一个效率提升的问题，要综合考虑公司目前的数据、人员等等情况。&/p&&p&&b&5、业务方是否会主动看数据？&/b&&/p&&p&BI 团队会把数据梳理清楚，但是我们有没有做好日常的驱动工作，让每一个业务人员去看这些数据？&/p&&p&&b&6、集中式分析还是自助式分析？&/b&&/p&&p&集中式分析的好处是，一个人能够把公司的数据情况说得非常的清楚；但在业务发生井喷的情况下，12 个人，或者 20 个人，甚至 50 个人的数据团队，也是没办法应付公司所有的业务分析需求的。所以在不同的阶段，需要推动不同的分析方式。&/p&&p&以上就是我的演讲，谢谢各位的聆听。&/p&&blockquote&&a href=&///?target=https%3A///%3Futm_source%3Dzhihu%26utm_medium%3Dqa%26utm_campaign%3Dqutm_content%3D170418-tujiaBI-TB%26utm_term%3Ddata-analyse& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GrowingIO &i class=&icon-external&&&/i&&/a&是新一代基于用户行为的数据分析产品，数据采集无需埋点，用户行为数据分析更专业。登陆 &a href=&///?target=https%3A///%3Futm_source%3Dzhihu%26utm_medium%3Dqa%26utm_campaign%3Dqutm_content%3D170418-tujiaBI-TB%26utm_term%3Ddata-analyse& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GrowingIO 官网&i class=&icon-external&&&/i&&/a&立即注册免费试用，或者关注微信公众号（ID：GrowingIO）&a href=&///?target=https%3A///%3Futm_source%3Dzhihu%26utm_medium%3Dqa%26utm_campaign%3Dqutm_content%3D170418-tujiaBI-TB%26utm_term%3Ddata-analyse& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GrowingIO 官方博客&i class=&icon-external&&&/i&&/a&获取更多数据分析干货。&/blockquote&
谢邀。看到这个问题，我想起上个月我们
在上海举办的数据驱动增长大会，其中有一位演讲嘉宾是途家网的 BI 总监。他在大会上，非常详细地讲了数据团队的搭建过程以及每个部门所做的事情。我们的内容团队将这个演讲编辑整理成了一篇文章，在这里贴…
您的问题提到三个概念，&b&数据分析&/b&、&b&数据挖掘&/b&还有目前炒的火热的&b&大数据&/b&，谈这些概念的区别和联系，以及未来的就业前景，就不得不从这些职业细分的来源以及公司的业务需求谈起，通过公司的业务流程把他们串起来，自然能豁然开朗。&br&------------------------------------------&br&&b&A公司&/b&是一家音乐软件公司，一开始只是一个简单的音乐网站，提供其他网站的mp3下载链接和搜索服务，因为访问量小而且没有自己的曲库，所以基本不涉及数据分析，团队构成就是网站前端开发为主。&br&&br&慢慢地，随着音乐行业竞争加剧以及对版权的重视，A公司开始通过购买版权建立自己的曲库，慢慢地曲库开始有几十万首歌，同时为了现金流开始推广付费会员服务，搭建了一套账号体系，这时因为有了很多自己的数据（歌曲信息数据，会员数据），购买了很多服务器同时团队引进了&b&DBA（Database Administrator）&/b&，这是技术端最初的数据相关岗位，同时因为数据量小，公司用的是&b&MySQL&/b&数据库，因为免费且开源。此时业务端因为每个月都有会员付费情况，而会员的转化率跟付费率是很重要的指标，需要专门的人去跟进并写&b&Excel&/b&进行分析，一开始是由产品部的同事在做，慢慢地开始招聘一些专门做报表的人，这是最初的&b&数据分析师&/b&，或称&b&数据运营&/b&，工作就是简单地处理一下&b&Excel&/b&函数，做一下&b&PPT&/b&。&br&&img src=&/16cadfb82c6090bfbb7ba2_b.png& data-rawwidth=&359& data-rawheight=&403& class=&content_image& width=&359&&&br&后来&b&A公司&/b&拿到了风险投资，开始发展多元化产品战略，不仅做音乐软件，还做MTV视频软件，产品线慢慢从1变成2,3，数据源本来只存在于一个产品，现在分散到多个产品，各个产品团队由于数据上报格式不一，口径不一，导致数据无法规整统一地进行分析，于是公司决定成立一个&b&数据中心&/b&，统一地从各个产品部门的数据库、网络日志里拉取数据，用统一的格式处理并存储，此时光有&b&DBA&/b&就不够了，于是公司决定招聘几个&b&ETL工程师&/b&或称&b&数据仓库工程师&/b&，负责从各个部门的服务器进行数据的&b&抽取（Extract）、转换（Transform）、加载（Load）&/b&，形成统一的数据仓库，或称&b&数据集市&/b&，这时业务端也不甘寂寞了，你们招工程师，那我们也招分析师，而这时招聘要求也提高了，除了&b&Excel&/b&，多了对&b&SPSS&/b&及&b&统计背景&/b&的要求。&br&&br&来到了2012年，由于Google的&b&Mapreduce框架&/b&大大提高了数据处理的速度，诞生了&b&Hadoop&/b&，也就是&b&大数据&/b&的技术代名词，大数据的概念吹遍大江南北，很多国内公司都不甘寂寞地整起&b&Hadoop&/b&，这时A公司也挖了&b&BAT&/b&的工程师过来担任&b&数据架构师&/b&，搭建了整套Hadoop系统，虽然是跟风，其实也是因为数据量越来越大，传统的&b&关系型数据库&/b&已经不能满足大数据量的存储以及因为快速迭代的互联网开发模式所带来的数据及时性的需求，而随着数据量的增多，数据的价值越来越显重要，这时一种职业开始崭露头角，他们是&b&数据挖掘工程师&/b&，挖掘机可不是普通的精通&b&Excel&/b&就能干的数据分析师能开的，&b&数据分析师&/b&说白了是马后炮，为管理层写写报表，展现一下数据，让管理层知道一下过去一年公司有哪些成长，并不直接产生业务价值，而&b&数据挖掘工程师&/b&干的活是&b&预测&/b&，是&b&分类&/b&，是依托数据为公司开拓更多的产品线，带来更多的用户，他们不仅需要有扎实的&b&统计学背景&/b&，还要会&b&编程&/b&，会用&b&代码&/b&来实现算法，并最好能将算法在分布式平台上实现。&b&A公司&/b&的死对头&b&B公司&/b&就是靠&b&数据挖掘工程师&/b&做的歌曲&b&推荐系统&/b&拉来了上千万的日活。&br&&img src=&/879cc454fec7_b.png& data-rawwidth=&273& data-rawheight=&92& class=&content_image& width=&273&&&br&慢慢地&b&数据分析师&/b&发现完了，自己做的事情越来越低价值了，工资死活涨不上去，于是转型，变成了&b&数据产品经理&/b&，负责分析业务部门的各种业务需求，并负责协调&b&数据仓库团队&/b&或&b&数据挖掘工程师&/b&，将需求变成&b&数据后台&/b&或者如&b&推荐系统&/b&、&b&用户画像&/b&这样的挖掘类产品。&br&&br&关于&b&数据产品经理&/b&，在我另一个问题的答案下有详细的描述，请参考：&br&&a href=&/question//answer/& class=&internal&&为何很多公司要将数据产品经理独立出来？ - 挖数的回答&/a&&br&&br&数据分析师跟数据挖掘工程师只有在大的互联网公司才有细分，两者还是有比较明显的区别的，前者在很多公司只需掌握Excel外加一种数据分析软件如SPSS就可以做，而后者一般门槛是硕士以上，因为公司觉得本科的数学和统计学学的不够深入，不能对算法有很好的理解更不用说应用在业务上，一般要求熟悉Linux系统，至少会一种编程语言，如JAVA、Python、Scala，有数据挖掘的项目经验或者拿过数学建模的奖项等。从薪资的角度讲，数据分析师一般薪资幅度波动比较大，月薪从&b&4K&/b&到&b&15K&/b&都有，&b&15K&/b&以上一般就是带团队的了，而数据挖掘工程师一般都是&b&20K&/b&以上，甚至一些拿到&b&35K&/b&都不稀奇。&br&&br&关于大数据的起源和发展，可以参考这篇文章&br&&a href=&///?target=http%3A///Blog/archives/30916& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[职业]现在学习大数据晚吗？&i class=&icon-external&&&/i&&/a&&br&&br&最后，请关注我，我会好好维护你的时间线的 &b& *\( ^ v ^ )/*&/b&
您的问题提到三个概念，数据分析、数据挖掘还有目前炒的火热的大数据，谈这些概念的区别和联系，以及未来的就业前景，就不得不从这些职业细分的来源以及公司的业务需求谈起，通过公司的业务流程把他们串起来，自然能豁然开朗。 ---------------------------…
&p&周末没有上知乎，没想到居然这么多赞了！！！让我这只小萌新简直受宠若惊好吗！谢谢大家的赞！大家的支持也让我觉得回答这个四年前的问题很值得！&/p&&p&----------------------------------------------------------------------------------------------分割线 以下为原答案&br&&/p&&p&看到这个问题就觉得相见恨晚有没有！&/p&&p&看到这个问题就觉得有一肚子话要说有没有！&/p&&p&看到这个问题就觉得文思泉涌有没有！&/p&&p&答主目前刚毕业在一家翻译公司做笔译，大学期间有3年兼职翻译经验，现在想想这3年的兼职路真是充满艰辛坎坷！在总结了自身和业内一些朋友的经验后，把这几个靠谱的推荐给大家，让想做兼职翻译的朋友能有所借鉴！&br&&/p&&img data-rawheight=&234& data-rawwidth=&240& src=&/391feec713f5e754d1f5_b.png& class=&content_image& width=&240&&&p&1.有道人工翻译 &a class=& external& href=&///?target=http%3A///joinus/& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/joinus/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&br&&/p&&img data-rawheight=&343& data-rawwidth=&553& src=&/23d17f45ff924ed0f233d36be89b3c14_b.png& class=&origin_image zh-lightbox-thumb& width=&553& data-original=&/23d17f45ff924ed0f233d36be89b3c14_r.png&&&p&由于有道的名气比较大，在知乎上看到口碑也还不错，于是第一个接触的兼职翻译平台就是有道了。投完简历之后会联系你测试，测试过了就可以去接单了。中译英是80元/千字中文，英译中120元/千单词，接到的稿件大部分是中译英。这个价格不算高也不算低吧，但是有道给客户的报价是比这个高很多的，所以有一种被剥削了的感觉。不过付款非常方便及时，信誉还不错。&br&&/p&&p&2.Gengo
&a class=& wrap external& href=&///?target=http%3A///zh/translators/& target=&_blank& rel=&nofollow noreferrer&&Translator - Gengo&i class=&icon-external&&&/i&&/a&&/p&&img data-rawheight=&193& data-rawwidth=&553& src=&/e14afbed94fe08e1ef5f63_b.png& class=&origin_image zh-lightbox-thumb& width=&553& data-original=&/e14afbed94fe08e1ef5f63_r.png&&&p&Gengo是日本上线的一个面向国际的翻译平台，当时是朋友推荐的，说特别高大上，于是就去试了试。给我最大的印象就是测试非常难！测试分三个级别，standard/pro/proofread，对应的价格分别是30/80/40美金/千单词。我考的是standard,考完后等了一个星期发邮件告诉我没过！当时心里简直有一万只草泥马呼啸而过：宝宝好歹也是有一年多笔译经验的英专学生好吗！&/p&&p&后来才知道审核标准是：小错误顶多只能出现3处，标点符号什么的都算上；大错只能出现一处。超过了，不管整体水平如何，一律fail。看来国外平台的要求还真是高呢！本来还想多考几次，但是又听朋友说简体中文的项目特别少，基本接不到中英对译的单子，而且提现只支持PayPal，于是就放弃了。我建议精通其他语言对的朋友可以多尝试一下。&/p&&br&&p&3..做到网 &a href=&///?target=http%3A///%3Fi%3D1%26k%3D7fsYIVUvNPU& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&做到！- 改变生活，改变工作。&i class=&icon-external&&&/i&&/a&&/p&&img data-rawheight=&240& data-rawwidth=&554& src=&/270b59dcc42c0b6_b.png& class=&origin_image zh-lightbox-thumb& width=&554& data-original=&/270b59dcc42c0b6_r.png&&&p&这个网站很火，知乎上也是褒贬不一。说一说我自己的评价吧。&/p&&p&优点：首先这个网站成为译员的入门门槛非常低，测试的题相对简单；其次每次翻译的任务量很少，基本是一两句话那样的，很适合没有经验的新人；最后就是自由，按句算钱，想不做就不做，想做随便打开做一句。&/p&&p&缺点：酬劳实在是低，五级用户大概在每千字60元左右，而且评审机制不太科学 ，里面对翻译质量的判定并不十分准确，反而由于翻译级别比较低，可能无法识别简洁而富有美感的翻译，而这甚至会导致扣钱。最后，满500才能提现，很不方便，很不人性。&br&&/p&&p&4.我译网 &a class=& wrap external& href=&///?target=http%3A///& target=&_blank& rel=&nofollow noreferrer&&专业翻译|在线翻译&i class=&icon-external&&&/i&&/a&&/p&&img data-rawheight=&258& data-rawwidth=&553& src=&/92a11ee8f2f0c46dfddf9c_b.png& class=&origin_image zh-lightbox-thumb& width=&553& data-original=&/92a11ee8f2f0c46dfddf9c_r.png&&&p&这个网站上线时间不长，现在还不到一年，但是我觉得炒鸡棒！&/p&&p&首先是费率高，今年年初通过了中级考试，接单的价格是180元/千字，这在兼职翻译平台上是很高的一个价了。&/p&&p&其次是整个交易流程清晰透明，客户给的翻译费用几乎全部给译员。网站收取的服务费非常低，报给客户的价格和给译员的酬劳相差不是很大。这一点和有道比起来简直不要太棒！瞬间有种农民从地主手中翻身了的感觉。&/p&&p&不过有一点，考试难度特别大，出的题都是主观题而且是人工审核。可以选择最多四个擅长的专业领域，之前我因为选择了不擅长的专业领域还挂了一次。我觉得想专注在网上做兼职翻译的可以去尝试尝试。&br&&/p&&p&5.N邦翻译 &a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&N邦翻译平台_全国顶尖专业翻译平台,一站式满足您的翻译需求&i class=&icon-external&&&/i&&/a&&/p&&br&&img data-rawheight=&303& data-rawwidth=&553& src=&/8a948360b75bfd77c974f_b.png& class=&origin_image zh-lightbox-thumb& width=&553& data-original=&/8a948360b75bfd77c974f_r.png&&&br&&p&初看这个画面，有点像某宝，而这确实也是这个网站的一个特色。译员入驻以后是以“店铺”的形式存在的，点进“店铺”会显示译员的收费标准和译员的介绍。你的资历和能力越高，受关注的可能性越大，也意味着更多的客户选择你。&/p&&p&不过有一点会比较麻烦和耗时间，以店铺的形式存在意味着需要自己和客户去沟通，做客服。&/p&&p&最后，还有译言网，译云，传神语联等业内知名度比较高的平台，但是我没有体验过，而且评价也都褒贬不一，因此不做评价。&/p&&p&好吧，写完回答才发现，这居然是个4年前的问题了&/p&&img data-rawheight=&188& data-rawwidth=&333& src=&/1ccef6ff4c9e39deabc825_b.png& class=&content_image& width=&333&&&p&有没有现在看到这个回答的，让我看到你们的赞！！！&/p&
周末没有上知乎，没想到居然这么多赞了！！！让我这只小萌新简直受宠若惊好吗！谢谢大家的赞！大家的支持也让我觉得回答这个四年前的问题很值得！----------------------------------------------------------------------------------------------分割线 …
这个故事充分说明了，眼界和环境对一个人一生的影响。&br&以题主前5年的工作经验和双证做背景，换成我身边任何一个朋友，都会在第六年的时候去一线券商投行部，然后在第十年的时候可能在考虑要不要跳去某拟上市公司拿股票期权。
这个故事充分说明了，眼界和环境对一个人一生的影响。 以题主前5年的工作经验和双证做背景，换成我身边任何一个朋友，都会在第六年的时候去一线券商投行部，然后在第十年的时候可能在考虑要不要跳去某拟上市公司拿股票期权。
已有帐号？
无法登录？
社交帐号登录
199 人关注
385 条内容
562 人关注
1225 条内容
2136 人关注
1564 条内容
398 人关注
691 条内容}