写在工作即将满五年......

我是一名本科生，毕业前就立志从事数据算法的工作。然而学历不突出，职业生涯坎坷，一转眼快五年，服务过3家公司（没有机会去所谓的大厂，BAT之类）。不同职场的风格几乎都体验过了。但凭着一腔热血，和内心的不甘，以及一点自信，挣扎多年，终于争取到一个接触大数据的机会——美的集团，从事自己一直梦寐以求的算法工作。

本文主要是想分享一下这五年的一些工作经验吧。希望给后来的师弟师妹一些职业建议，特别是在选择工作的时候。

我的5年职业生涯

2016年，考研失败，又由于是个贫困生，大四快毕业找工作都是找朋友借的交通费。所以很草率面试了几家就接受了offer。这一点也是我悔之莫及的（当年应该厚脸皮找家人要点交通费去面试，可能现如今进步得更快）。

我第一家公司签的offer的title是“数据分析师”，当初是在深圳的一家豪华酒店大堂咖啡馆面试的，长这么大没见过世面，土生土长的乡巴佬，见到这么豪华的地方，心里就三个字——高大上。

当时面试我的是公司的老板和技术总监（面试中得知他是清华大学的计算机博士），我当时内心就觉得“哇，好厉害”。抵挡不住如此高大上的诱惑，我当场接受了这个offer。

原本以为初入职场就让自己事业步入正轨，后来发现是自己天真了，做的工作跟预期的相差甚远，反正就跟数据分析没啥关系（具体是什么我就不说了，因为这家公司老板对我还是非常好的，我很感激他，带我走遍大江南北，算是见过了世面）。

正是因为老板对我的期望，我一留就是两年。这期间，我跑过市场，做过销售，还正儿八经的做过产品经理....但我发现自己越来越焦虑，因为既没有人指导，自己又琢磨不出个一二，关键是毫无业绩，工资自然原地踏步。这种状态会非常糟糕，每天都感觉在内耗，离毕业时的初衷南辕北辙，且越走越远。

我害怕了，坐在上海金融中心的办公地点，面对着东方明珠塔，拿着一杯自己泡的咖啡，听着当年成龙大哥刚出的单曲“物是人非”，陷入了沉思......

岁月那么久、记忆那么旧，卧床听雨心思如残柳......

老板即使对你再好，如果公司正在做的事自己从打心底就不感兴趣，且初入职场没有得到开展工作方向性的指导，对于刚毕业的年轻人来说，无异于一只无头苍蝇，用宝贵的青春换取几年的薪资，这真是一场血本无归的买卖。

于是，就这样，我离职了，第一次离职，也是我最沉重的一次，我觉得愧对老板，即使我们曾经也促膝长谈，在那个繁华的魔都....

接着到了2018年7月，我回到了深圳，来到了一家金融公司。面试岗位是“数据分析师”，这次是真的做数据分析了。

说来也是我的运气，面试的时候，我拿的项目案例都还是两年前实习的时候做的，因为第一家公司等于零数据经验。然而我还是通过了。可能大学积累的数学没忘光，加上一个“211本科”头衔，加上本科专业读的是“金融数学”，就这样开启了职业生涯第二份工作。

这一家是我学习成长最快最多的公司，在这里，直属领导是重点名校出来的，她们不但告诉我针对一个具体的项目如何做，而且有时候手把手指导我如何分步骤去得到想要的结果，我不仅把数据工程师的基本功——sql练得炉火纯青，还从几个同事那里学到了关键的处理技巧。我还把传统金融风控的建模全流程掌握了，这系列已经发表在公众号“应用专场”的“金融风控”专题里。

这里虽然不像上一家那样，得到老板的器重，可是对于我一心想做算法的来说，已经是相当好的学习平台，即使这里不足以接触大数据。

除此之外，因为双休的原因，我还报名了机器学习的课程，让我在算法方面积累了更多。

对于一名算法工程师，注意力是我们最宝贵的财富，未来能挣多少钱，取决于你的专业度和经验值。2018年，我算是真正学会的初级算法工程师的技能——调包侠。

女朋友我也是利用双休时间找到的，关于IT男的爱情，我以后也打算出一篇文章分享。现在回到正题。

后来因为女朋友在广州，我就从深圳过来了。来到了另外一家创业公司（工资涨了50%）。这里不像第二家公司，有经理手把手教如何做事，要自己主导项目的进行（这或许来创业公司的机会），给到我的自由度很大。我可以思考利用任何的机器学习算法去建模。

也得益于这个平台，在这里，我完成了两个模型，第二个模型是我自己认为从理论算法到落地业务的突破。主要是通过改造集成学习的结合策略达到业务的标准，经此一战，我第一次体会到了深入掌握算法理论对业务落地突破的关键。

就好比天体力学不是牛顿干坐在苹果树下就能凭空想出来，还积累前人很多的知识。

我现在也是站在巨人的肩膀上，站在数百个世纪数学家的肩膀上，才有了今天这样的工作。对于我来说，今天就是最好的时代。

那个时刻起，我感觉到想要进阶，必须梳理算法的战略地图。于是我写起了公众号，梳理了机器学习到深度学习的算法，从细节到应用。在2020年我反复体会到五千年前“温故而知新”这句论语的魅力。

回顾4年多的经历，我想表达的是，工作秉持一个心态才能每天保持激情——为自己的简历打工。

无论正身处的工作岗位多么枯燥也好，对正身处的平台多么不满意也罢。但也是当刻给你发工资的平台，与其感慨命运不公，不如做好当下的工作，写好一串sql，建好一个模型。

吐槽、埋怨总是轻而易举的，安于现状是毫不费力的选择，但即使再渺小的角色，在午夜梦醒时刻，多多少少都会有星爷那句“做人没有梦想跟咸鱼有什么区别”的感概吧。既然如此，在还能抓住命运的年纪，安逸或奋进，任君选择吧！

如何选择工作

每个人的内心都有一个“不值得”定律——如果你觉得一件事不值得做，你就不会把它做好。

在职场上更是如此，如果正在做的工作，你打心底就没兴趣，做的工作也没意义，那么就会失去激情。很容易产生职场厌倦，进而产生消极的情绪，从而外在表现出埋怨。

因此，我认为，找工作的第一点，就是工作岗位是否符合自己预期。

比如你想从事算法，结果岗位是做报表；

比如你想从事数据分析，结果岗位是做产品设计；

比如你想从事销售，结果岗位是做PPT；

这些那就不符合预期。

找工作的第二点，是直属领导在工作能力上是个什么样的人。

你的直属领导是否能够带你快速成长，给你工作有切实的指导。这个直接关系到你能力、经验增长的快慢。

领导没有义务教你如何去做一个项目，但是他有责任告诉你要往哪个方向去做，并在适当的时候(不知道下一步如何开展工作的时候)给予专业性的意见，如果遇到肯手把手教你的领导，请珍惜机会，好好把握。

人的生命是有限度的，职业的青春期更加短暂，然而“爱因斯坦”、“高斯”、“牛顿”之流千年一个，对于普通的我们，是需要有人带，站在巨人肩膀上才能更好的进步。

找工作的第三点，是否身处大平台。

大厂固然几乎是所有人的梦想，固然大平台有其各种优势。但据我所知，大厂也经常裁员的，从这个角度看，无论你是大厂还是小公司，如果自身能力没有增长，被辞退是最终的宿命。所以，大平台对于初入职场的技术男来说，并不是第一考虑因素。

注意，我这里只表达大平台不是找工作第一考虑因素，并非表达不重要。

从数据到算法的突破

最后分享一下干货。从数据分析到算法工程师的成长关键突破点。

首先，我要表达的核心观点：

• 面对错综复杂的业务，想要结合算法落地，最好从基础数据开始

• 算法是否高级不重要，重要的是解决业务问题

深入细节，建立微观体感，踩过各种坑，你才知道哪些算法能够落地，哪些不能够实现，避免出现“纸上谈兵”的尴尬，成为算法解决业务的高手。

做数据分析，要具备两点的能力——熟练常用编程工具（excel\sql\python）；掌握逻辑分析的基本原理。

首先说第一点，作为数据分析师，得先学会取数，现在数据都是存储到数据库或者分布式平台上。那么sql是必备能力（大学工科就有这门课），其次所有职场人都会使用的office，也是必须掌握的。

在此基础上，想做复杂的分析，熟悉一门编程工具也是必要的。现在最火的就是python，我是从实习接触它的，一用就是五年。

上面这些工具是开展数据分析工作的前提。如果你想在公司有所产出，想从被动式执行上级命令到主动性发现问题，那么你得学会分析数据隐含的结论。而这个基础，就是逻辑。

什么是逻辑。简单来说，就是根据已有的事实，能推导出什么样的结论。

大学有修过一门课程《逻辑与思维方法》，就是讲逻辑的。而我们学数学的，是24小时在训练逻辑的，比如证明题已知条件，证明某个结论是否成立。这个推导过程就是逻辑。在工作中，大多数情况是要根据不完备的数据和信息，做出决策。我们更加要具备逻辑思考力。

大多数做专题分析，需要我们假设前提（一般根据业务常识假定，这就需要我们深入了解业务）。才能更好发现问题和挖掘出结论，对业务进一步指导。

数据分析大多情况是在很小的几个维度数据中进行分析得出结论。如果要对更加复杂情况做决策（一般是预测），那么就需要用到算法了。

算法的基础，就是数学，这包括高等数学，线性代数和概率论。其中，前两者都是为概率论服务的，至少我是这么认为的。

现在的机器学习中，模型的建立就是从频率派和贝叶斯派来的，而这两者就是概率论的基础。所以，要了解算法，概率论建议深入学习。熟悉算法的来龙去脉，你对最终建立模型有一个很深入感性的理解。你知道最终的结果是怎么得来的。

做到这一步，只是在已有的算法模型基础上做“拿来”主义，就是清洗出一张业务表，明确是分类还是回归问题，然后建模、调参。但想要更进一步，就得再提升一个档次——思考如何巧妙的把数学思想融合到业务场景中，使得业务问题转化为一个数学问题.

这就是我要说的第二点：算法高不高级不重要，重要的是解决业务问题。

我之前也深陷一个误区：认为算法越高级就越厉害，遇到一堆自己都还没摸清楚的数据，不管三七二十一，上深度学习算法，上图模型，直接import、fit、predict，然后结果好就行。

可是，这样的结果往往是在外行人面前“显得自己做的模型很高级”而已。但很多时候是需要去解释其中的逻辑，算法面对业务，最经典的职场三问：为什么要这么做，是如何得到这个结果的，怎么样应用到业务上去。

很多时候，第一个问题就已经卡壳，连自己都整不明白的，怎么能讲得明白给别人听呢。而且，很多时候，用大量时间资源去整出来的模型，未见得比用基础的统计手段得到的结果好。

我要表达的是——做算法模型，除了考虑准确性，还要考虑解决实际的业务问题。先有问题才会有答案，贴合业务的算法才是好的算法，解决问题越高效算法就越高级。

入职美的，我第一个交付的模型（即将生产上线）不是什么高级的深度学习或者神经网络算法，甚至连机器学习模型都没用上，仅仅依靠概率论的知识来解决（知道了很简单，问题是不知道前怎么想出来的才是关键）。

“拿来主义”已经远远不够，所以，我必须回到算法最初的地方——数学。重新回顾复习数学分析、高等代数和概率统计，去吸收几千年来数学家沉淀的思想，再思考如何用到业务中。五千年前“学而不思则罔，思而不学则殆”的智慧至今仍闪闪发光！