最近，国产大模型DeepSeek在全球火了，并带火了一个95后AI“天才少女”罗福莉。据说，小米创始人雷军以千万年薪招揽DeepSeek开源大模型DeepSeek-V2的关键开发者之一罗福莉，领导小米AI大模型团队。
01
千万年薪背后得益于精准抉择
传言雷军挖角罗福莉，看中的是她“DeepSeek-V2关键开发者之一”的身份。但罗福莉在计算机领域的起点并不高，用她自己的话说，“属于在计算机领域绝对的‘低起点者’”。
罗福莉之所以能得到雷军的青睐，顺利拿到千万年薪Offer，很大一部分原因在于她每一步的精准选择和超强的行动力。对于普通职场人而言，选择适合自己的行业和岗位非常重要。
1.选择行业
初入职场的人，想要立刻发现自己最适合的行业，其实并不容易，那不如先干了再说。你不在一个行业待上一段时间，就很难说对这个行业有所了解，比如发展趋势，市场行情，竞争态势，供应链等。
因此进入新岗位后，不管是在技术岗还是营销岗，踏实工作，多观察，多体会，多思考，争取成为这个行业的专家。一旦失去了行业背景的积累，未来你在人才市场的价值会大打折扣。
但如果经过一段时间，发现对所在行业的确不感兴趣，一定要转行的话，也建议在相关行业之间转换，保持行业内在连续性。
2.选择岗位
了解了行业选择，你还需要明白岗位在一个组织中的组成。除了一些支持和辅助性的岗位，企业中一般分为技术岗和营销岗，技术岗位主要在后台，营销岗位在前台，面对客户。这两类岗位对企业发展都至关重要。
技术岗位包括产品研发，项目管理，技术支持等；而营销岗位包括销售，市场，公关，产品，业务拓展等。如何在这两类岗位中做选择，既要考虑个人性格，也要考虑未来发展的不同路径。
技术岗位未来的发展路径是走向技术专家或管理岗位，而营销岗位则是走向最佳销售等个人贡献者或管理岗位。
02
尽量选择发展前景好的行业
行业一般都会有 萌芽，成长、成熟、衰退四个阶段。很少能有行业经久不衰。 所以我们在选择行业时要尽量选择成长期，这个阶段通常是高速发展，就如雷军说的， 风口上的猪也会飞一样。踏入就是赚到。
那如何看是否为成长期呢，还是 需要通过行业报告，看行业的细节，如果报告中提及行业热度已过，那么这个行业就会往两个方向发展，一个是一直衰退下去；一个是虽然在衰退，但是有减速，并且该行业的技术普及度提升。
若是后者，那行业就正在进入成长期。另一个方法，就是看行业是否已经有绝对头部企业，如果有，那多半也不是成长期了。
除了炙手可热的AI行业外， 数据分析是目前比较有发展前景的行业之一。根据 国际数据公司（IDC）2024年10月发布的报告中预测，到2028年，全球数据量将增长至393.8ZB，可见数据将是未来非常有前景的行业。
1.数字化转型广泛需求
随着各行各业的数字化转型，未来数年全球数据总量将继续保持高速增长态势。如此庞大的数据海洋，若没有专业的数据分析师进行挖掘、整理与解读，那它们就只是一堆毫无价值的乱码。
因此，只要数据的 “开采” 与利用需求存在，数据分析师就永远有其用武之地。
2.就业前景广阔
数据分析岗在一开始只有金字塔的顶尖，没有金字塔的底座。
数据分析岗最初只出现在大厂中，薪资也可谓是天花板级别的。但随着现在的数据的技术越来越发展，数据的获取和处理成本越来越低，很多的传统企业，小企业也开始有了自己的数据建设。
所以也开始有了数据分析的需求，会有越来越多的初级岗，或者说数据专员这样的岗位出现，这些岗位可能薪资不会特别高，但是能够容纳大量的就业。
在未来，数据分析被广泛应用在各个领域，例如：市场营销，通过分析用户行为数据预测市场趋势，制定营销策略。企业管理，通过分析企业运营数据，发现潜在问题和机会，支持决策等。
3.薪资待遇和晋升空间高
关于数据分析的薪资，建议可以去招聘网上看看各个企业招聘给的薪资，都很高，经验工作年限越高，薪资就越高。
● 初级数据分析师
薪资：8k-10k
主要职责：数据监控，统计和出分析报告。主要用Excel解决这些工作，工作难度不大，强度也不大；
● 中级数据分析师
薪资：12k-18k
主要职责：数据挖掘，模型开发，优化监控，出解决方案；
● 高级数据分析师
薪资：20k-30k
除了中级数据分析师日常工作之外，还需要为运营及公司发展方向提供决策意见。
~
如果您也想做数据分析类的工作，可以测测自己的数据分析能力，欢迎挑战。
提升
数据分析基础知识和技能
对数据分析师来说，主要职责是发现问题，分析问题，解决问题，所以数据分析师基本上可以理解为是靠脑子吃饭，那么也就是说思路决定出路。
数据分析师岗位的核心技能主要有数据工具、统计学、分析方法论、机器学习模型能力、通用能力、擅长领域等。
数据工具，主要包含三个方面：数据查询(sql)、数据处理与分析(excel、python、r、spss等)、数据可视化(tableau、powerbi、python包等可视化工具)；
统计学基础，常用统计分析方法例如假设检验、方差分析、回归分析等；
分析方法论，这部分可以写一些常用的业务分析模型及常用分析方法论，例如ab实验分析、转化漏斗分析、rfm分析、同期群分析、生命周期分析，异动分析，因果推断的常用分析方法如双重差分、psm等；
通用能力，可以写一些数据分析所需软技能，例如结构化思维、沟通协调能力、推动能力、项目管理能力、业务理解等；
机器学习模型，建议罗列一些自己熟悉的模型，体现自己的机器学习方面能力，例如线性回归、逻辑回归、决策树、随机森林、聚类等；
擅长领域，如果对某一领域非常擅长将是很大的加分项，例如擅长搭建用户增长体系、擅长用户画像、擅长战略分析、擅长会员体系搭建、擅长补贴策略、擅长社区内容分析、擅长分析报告等，写清所擅长领域会非常便于公司快速的定位简历关键词，定向寻找人才；
数据分析岗对于数据分析思维、业务分析模型的考察十分重视。这两年随着数据化转型，学数据分析的人越来越多，做点调研就会发现CDA数据分析师是含金量最高的，知识体系非常的完整。
