最近我也在招聘数据分析师，看了几百份简历，面试了几十个人，和许多不同背景想要转型数据分析的同学都有比较深入的交流。

看到越来越多的人想要转行数据分析师，因为岗位的平均收入高，发展前景好，也是不容易被机器替代的核心职能。

但是并没有太多人考虑过，为什么数据分析这个职能的收入会更高一些？而且这些年以来，一直都很高？

数据分析师的岗位收入高，经济学解释当然是专业人才供不应求。数据分析的岗位需求越来越多，但是满足条件的人才太少。

满足条件的人才太少，不是感兴趣的人少，很多人都知道数据分析的岗位收入高（十几年前，美国收入最高的岗位中就包括精算师、统计学家，就像很多人都知道程序员收入高一样），主要矛盾是因为人才产量过低。即便是在数学系、计算机系这些硬核专业中，能够好好学数学、好好学编程、好好学逻辑思考，并且坚持下来的人，数量其实比想象中还要少很多。美国的大学每年从计算机、数学、机械工程等STEM专业转出到心理学、管理学等软专业的同学是转专业人群的主力。

产量少，需求大，决定了数据分析岗位的收入高。产量一直很少，需求持续放大，也决定了数据分析岗位的前景会一直很好。

对于想要转型数据分析的同学来说，这里面的关键词并不是岗位需求大，那是外部客观世界，很容易通过统计数据确认。真正要思考的关键词是产量少，因为大多数人最终都没有办法成为一个靠谱的数据分析师，只能重复从入门到放弃的循环。

我和上千位数据工作者、数据学习者打过交道（目前有近两万名数据分析师、数据科学家用户），目前得到的一个观察是，“成为数据分析师”即便对于数学、计算机类的同学来说，也是一个成功率很低的目标，对于其他专业的同学来说，只会更久、更难一些。

这里所说的数据分析师，是真正掌握了数据分析技能，并且通过分析创造商业价值的人，不能参与业务决策的数据分析师其实是没有很多价值的。在公司只是在重复操作SQL、Excel等基础工具的数据处理专员（大企业，比如如银行、制造业，目前还是以这类数据岗位为主），这些岗位并没有太多壁垒，可以通过2-3个月的培训掌握，也很容易被自动化替代。

真正的主要矛盾并不是快速转型，因为转型大概率会失败，心怀“快速”就更容易放弃了。（就像90%的创业公司三年之内都会关门、大部分的企业转型也都失败）

真正值得讨论的问题是，如何提高自身转型数据分析师的成功率，并且持续成长，面对未来一次又一次的数据技术的升级（现在平均每5-7年都会有一次数据技术的整体升级）。

结合我自己的经历（我本科学的是财务，研究生读统计学，做过金融数据咨询，目前在做数据人才平台 ），以及和大量数据分析师、算法工程师的交流，这里总结一个针对普通人（高智商大牛在人群中的比例大概是5%，基本啥事儿都能自己搞定，这里针对的是95%的普通人）的框架，希望提高青年同学转型数据人才的成功概率。

首先是看似废话但很必要的建议，如果心理素质允许，一定要控制“快速转型”的冲动。我当初用了大约一整年在和“快速转型”的冲动做斗争，又有一整年在和数学、编程带给人的“挫败感”、“无力感”做斗争，两年过去之后，终于可以进入“快速转型”的良性循环了。

《禅与摩托车》书中有个金句：“仓促本身就是最要不得的态度。当你做某件事的时候，一旦想要求快，就表示你再也不关心它，而想去做别的事 ”

只要选对了方向、坚持下来，就算转型和成长慢一些数据分析公路 知乎，也不吃亏（Facebook不是第一个社交网络、Alibaba不是第一个电商平台，Google不是第一个搜索引擎..）。中国经济的数字化、智能化转型，才刚刚起步，建设数字化的新中国，还需要几十年的努力呢。

人和人之间的差距往往不在撞线速度，更在于“复利效应”，短期速成的冲动反而破坏了“复利效应”的可持续性，欲速则不达。成为数据分析师的过程中的“复利效应”，归纳一下可以发现有这几点：（8月7日更新）

转型数据分析的动力、

数据分析的知识积累、

对于数据分析的兴趣、

数据分析工作的成效，

这四者之间如果能够构成良性循环，那就能够产生不错的“复利效应”。

框架很简单，要讲透其实也很复杂，涉及到的因素和关系很多，认为本答有价值的同学请点个赞，鼓励一下啦，我会绞尽脑汁让这个回答更有价值一些。

我计划未来四周每周讲透一个点，整理一些比较好的资源和工具，归纳关键点和风险点，勾勒出一张“更稳”成为数据分析师的路线图，希望能够对各位未来的数据人才有一些帮助和启发。

关于转型成为数据分析师的动力。（8月10日更新）

可能是由于中国的应试教育的原因，中国的老师和学生普遍对于“学习动力”都不太重视，而往往更加重视能力。在大部分的中国高校的课程中，老师并不会告诉你为什么要学这门课，它的价值和意义又是什么。课堂的画面往往是：老师点名之后，马上进入黑板公式推导的环节，认真的同学们开始埋头记笔记，其他的同学则默默打开手机。

人们对于动力的漠视，有两个重要因素，一是认为动力不太重要（相比能力而言），二是认为自己对于某件事物的动力是稳定而无法改变的。

事实上，动力不仅很重要，而且比能力更加重要（越是长期的尺度下，动力就越重要），学习的过程很漫长，会不断陷入这些场景：

很多的诱惑（A："来来来，搞一盘农药"，B：“...”）、

很多的困惑（A：“你之后打算做什么？”，B：“...”）、

很多的羞辱（A：“你怎么微积分考这么差？”，B：“...”）、

很多的无奈（A：“你好像不适合学数学嘛”，B：“...”）。

如果没有强烈的、稳定的动力，如何面对这些高频的负能量？

数据分析的知识体系，在入门阶段给人带来的挫折感和无力感，可以说是人类的信息文明进化到高级形态后的必然结果。几百年以来最聪明的数学家、计算机科学家的知识结晶，要塞到你的脑袋里面，无论什么姿势都不会太舒服，不舒服就想放弃。好比人类进化出的这颗大脑袋，给孕妇分娩带来的痛苦。

新东方教师李笑来本科也是学财务的，做了5年销售工作后，想要转行到新东方。当时的英语基础肯定不如科班出身，笑来老师把投资模型（这是他的专业知识）用在了背单词的动力管理上。

背了5000个单词可以去新东方教书，假设年收入是30万元，背一个单词对应的年收入就是60元，而英语老师又是可以做上20年的岗位，这个单个单词的总收益就是60*20 = 1200元。

如果一天能够背下来50个单词，所能创造的总收益就是1200 * 50 = 60000元。而当时，全国大部分的岗位一年的总收入都没有60000元，笑来老师的这个思路，让他的学习动力超越了大多数的人，考过托福（据说是高分）就去新东方上班了，然后一路开挂。

新东方的单词老师也经常给学生讲类似的故事，但是大部分学生并不信这套。估计笑来老师学的是财务，天然的思维就是 cost-benefit analysis。

转型数据分析（或者其他类似有技术门槛的职业）的动力结构也是一样的：

只有更清晰地看到一个知识体系（加上知识对应的职业生涯）所带给自己的价值（X），才能够产生足够强的动力（Y），驱动一系列的行为（A）。

动力是个很主观的东西，你看到的、相信的不一样，动力也就会很不一样。

当初为了确保我自己的动力，我基本遍历了数据领域内的科普资料（整个大四阶段的所有业余时间），就是为了让自己“看到”数据在未来足够大的价值，并且“相信”这个价值一定能够被兑现，从而让自己产生“箭在弦上、不得不发”的动力，也就是给自己灌高能鸡汤。在管理学里面，这也叫做self-driven，自我驱动，其实也是一个需要通过学习掌握的技能，也是在企业界被越来越重视的一个品质了。

当初对我影响很大的视频材料有这些（BBC的制作人是真正有责任心和使命感的一群人，配乐到摄影，再到主持人的讲解，都基本无可挑剔）：

《BBC-数学的故事》

看到了数学发展的历史，才能够看到数学会如何进一步改变我们世界的未来。

《BBC-Code》

为什么自然世界、人类世界是可以通过数学来理解、预测和控制的。

《BBC-统计的乐趣》

统计学为什么如此重要，为什么如此有趣，为什么和你我都如此息息相关。

《BBC-数据的时代》

这个世界已经一只脚进入了数据时代，实在不想做停留在门外的另一只脚。

这些视频在大B站基本都有，~( ゜▽゜)つロ 。

如果看完这四个视频，觉得数据分析不重要、或者自己和数据分析仍没有什么关系、或者不想学习数据分析的话，可能说明数据和你确实没有缘分，撩不起来，不要强求。

用一两天看完了视频，就可以再多花些时间看看干货了（大概要有一两个月，每天2个小时的预算），通过书籍和报告来了解数据分析、数据技术将如何改变世界，“改变世界”这个词已经被用滥了，我们需要更大的视角来理解，什么叫做“改变世界”。

英文不太好的同学，可以首先看看那涂子沛老师的两本书《大数据》和《数据之巅》，还有阿里的CTO王坚16年底出的《在线》，涂子沛、王坚都是国内为数不多的文理知识能够打通的实践型学者。三本书看完的话，基本上能够认同“数据技术将会改变人类的未来，以及每个人的生活与职业”这个重要的论点了。（这种论点虽然字面上好懂，但是因为尺度太大，在机理上是很难透彻理解的，更难以联系到自己的生活和决策中）

对于数据技术的历史趋势有了一个基本脉络之后数据分析公路 知乎，就可以看些更有深度的书籍了（思想原创性这方面不得不佩服美国的顶尖学者）。相比舍恩伯格著名的那本《大数据时代》，我更推荐《第二次机器革命》，后者的思想深度、逻辑连贯性和指导意义都要胜于前者，看完本书有种看完战争大片之后的荡气回肠之感，也会逼着自己去思考、去改变。

最近还出了一个非常棒的课程，就是阿里的大军师，曾鸣教授在得到APP上开的驻场课程《智能商业20讲》，曾鸣是国内公认的战略学研究第一人，又在中国战略能力最强的公司做了十多年的军师，在战略视野和洞察上真是快修炼成神了，而且曾鸣教授的表达非常清晰易懂，很适合初入职场的年轻人、大学生作为理解商业未来的学习材料。我自己是听了三四遍，虽然收获很大，还是觉得自己的理解不够，毕竟洞察未来确实太不容易（所以很多人就干脆直接放弃了），也很期待曾鸣教授即将出版的《智能商业》这本书。

英文比较好的，选择就比较太多了。我推荐的是麦肯锡的研究报告。作为世界上最好的战略咨询公司，麦肯锡在十年前就开始系统性地关注信息技术、互联网技术、数据技术的变革对于商业会带来的巨大影响，而且会定期发布质量极高的研究报告（报告发布的主体是MGI，McKinsey Global Institute），我至今还没有看到有可以在持续性和深度上相媲美的系列材料。

麦肯锡的研究报告的目的是为了影响世界上最大的企业和政府机构的决策者，从而更好地销售昂贵的战略咨询服务，这些500强的CEO当然都不是省油的灯。MGI的研究报告可以说是麦肯锡的金字招牌，是公司能力和价值的集中展现，聚集了整个公司的资源和智慧。既然这些报告的目的就是影响最强的决策者，帮助他们做出更好的战略决策、更好的把握未来，那对于年轻人如何理解经济发展、如何做出职业的决策取舍来说，参考意义不可谓不大。

我这里就按照时间顺序，把和数据技术高度相关的几篇报告做一个整理。麦肯锡的报告不仅数据详实、文字优美流畅、经典的金字塔内容结构、配图还非常精美，阅读体验很愉快。

《How IT enables productivity growth》，2002年10月，这篇文章就指出了信息技术是美国经济增长最重要的推动力量之一，一流的经济学家和管理顾问就是善于总结历史、预判未来。关于预判未来，当然更牛的还有Kevin Kelly、托夫勒这些人，麦肯锡的报告的好处就是数据非常之详实，逻辑论证也很细致，很适合于KK的书作为宏观和微观的互补。

《Internet matters: The Net's sweeping impact on growth, jobs, and prosperity》，2011年5月，这篇报告指出基于IT的互联网技术，对于经济增长、企业竞争力、就业正在发挥越来越大的影响，而目前数据采集、数据利用的闭环，最有效的途径就是互联网产品。（回头再看这个报告还是觉得很震撼，这6年里面，Amazon、Google、Alibaba、Tencent的股价平均都上涨了十几倍，滴滴、美团、头条、微信也破土而出，成为了超级独角兽，互联网的力量堪称摧枯拉朽，再造了一个全新的数字经济世界）

《Big data: The next frontier for innovation, competition, and productivity》，2011年5月，不像《大数据时代》这样的畅销书，这篇报告把大数据在各个行业的应用空间做了详细的测算，数据技术如何降低成本、提高利润做了精确的描述，也指出了数据分析人才的巨大缺口。可以说我就是看了这篇报告，对于数据技术的发展、前景、机会构建起了基本的认知地图，才下定决心从金融行业辞职去转专业读统计学。

《Disruptive technologies: Advances that will transform life, business, and the global economy》，2013年5月，麦肯锡这篇报告也是堪称经典，将10个最具有颠覆性的技术做了影响力的测算和排序。虽然没有直接使用Big Data或者Analytics这个词，但前四项技术都和数据技术高度相关，特别是第二项Automation of knowledge work。麦肯锡作为顶尖的咨询公司很牛的一点就是善于算大账，不同技术对于行业、岗位的经济效益的影响的测算，对于选择职业和技能的投资是很有借鉴意义的，这也是其自身的数据分析的强悍功底。当然这个尺度的经济计量，并没有绝对的精确，只有相对的精确。比如前些年新能源技术在国内也很火爆，但是麦肯锡认为能源技术的影响不及数据技术的十分之一，从现在能源行业和信息行业、数据岗位的收入差距和趋势也能够验证这一点。

《China’s digital transformation》，2014年7月，我通过这篇报告接触到了digital transformation这个概念，digital transformation也就是14年出版的《第二次机器革命》的主题。毕竟我们更多人还是要在中国做数据分析师，数据技术也只是整个digital t

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！