六成大學生認為畢業(yè)十年能年入百萬，這數(shù)據靠譜嗎？

近日看到一則新聞，讓我虎軀一震：

新聞下面很多評論都是過來人的口吻在批判，我倒是覺得樂觀總歸是件好事，“想到”是“做到”的前提。子曾經曰：后生可畏，焉知來者之不如今也！某位最近十分低調的“大佬”也曾經曰：夢想還是要有的，萬一實現(xiàn)了呢？

別說剛剛踏入社會意氣風發(fā)的00后了，就我這樣已經畢業(yè)十年的老碼農，也憧憬可以通過自己的努力年入百萬不是嘛。

不過作為一個比大學生多十年經驗的社會人，我來好為人師地灌兩句雞湯：

1. 前途是光明的，但道路是曲折的。年薪百萬不是不可能，但終究是少數(shù)。要超過六成？那一百萬的購買力恐怕也貶值的厲害。（瞧瞧隔壁知乎就知道了：人均百萬，剛下飛機，稀松平常，沒啥稀奇。匿了匿了~）

2. 財富是結果，不是目的。我這不是站在道德的角度說漂亮話，而是以大部分人的心態(tài)來說，如果你只盯著掙錢這個目的，往往只能掙小錢，搞不好還會吃大虧。反倒是專注于做好事情、提升自我能力的那些人，能得到更好的經濟回報。財富就像狗尾巴，追著自己的尾巴只會原地轉圈，但只要向前跑，尾巴永遠會跟著。（狗：你禮貌嗎？）

然后我不禁回憶了一下當年大學時對未來薪資的預期。記得當時我們班有倆同學在食堂一邊啃著一塊五的大排一邊聊天：

• A說：你說咱們畢業(yè)后工資能有多少??？

• B說：我覺得怎么著也得有3000吧！

• A想了想說：嗯，我也覺得差不多。

十年下來，這倆人現(xiàn)在有沒有百萬不知道，但三千加個零肯定不在話下。

當年985的畢業(yè)生，月薪三千的“野心”算是保守了。然而放在當年那會兒，在南京河西也是可以買下兩平米的。如今要是能拿河西兩平米房價的月薪，算下來可不就是年薪百萬嗎？從這個角度來看，大家也彼此彼此嘛

來都來了，咱們也來做個調查：

既然說到了問卷調查，這也算是我們經常提到“數(shù)據分析”的一部分。最近我正好在統(tǒng)計學之家（tjxzj.net）上面看到關于收集數(shù)據的幾個不錯的觀點，結合我自己的經驗，來跟大家分享一下。

收集數(shù)據的三個原則 ^[1]

1. 數(shù)據必須真實

有人說，我這數(shù)據都是真的，沒有造假。這里說的“真實”，并不僅僅說不造假，而是說能反映被調研者的真實想法。像問卷調查這種形式其實就經常會因為問題的設置或者調研的環(huán)境等影響，造成被訪者做出并非完全真實想法的回答。假如一個公司通過內部系統(tǒng)調研員工對公司某些制度的意見，那想必是很難得到真實反饋的。

如果做產品調研，通常來說，不是要看用戶怎么“說”，而是要看用戶怎么“做”。一個很經典的例子，Netflix 根據用戶的觀影行為來分析用戶的觀影喜好，進而確定出《紙牌屋》的類型、導演、主演，并大獲成功。如果僅僅是通過發(fā)放問卷，恐怕會有較大的偏差。

2. 數(shù)據一定要準確

造成數(shù)據不準確的原因有很多，比如監(jiān)控粒度過粗、問卷設置有歧義、樣本過少或過于集中等等。假如我在編程教室搞個調研，可能就得出超六成大學生想學Python；而在B站搞個調研，得出超六成大學生想娶王冰冰這樣的結論也不奇怪。

不準確的數(shù)據源 + 正確的分析邏輯，也只能得出錯誤的結論。

3. 數(shù)據必須是可以使用的

是否可用，其實是一個相對的概念。比如 Netflix 采集了用戶播放時的暫停、快進、跳過等操作，對他們來說這些數(shù)據是有用的、可用的。但如果我把編程教室網站上的視頻教程播放操作也記錄下來，對我來說就是無法使用的。類似的，大量的文本或語言聊天記錄，只有具備相應的分析技術能力，才有分析的價值。

而另一方面，可以使用也不僅僅是技術層面，還有法律層面的考量。俗話說：爬蟲學得好，牢飯吃到飽。這話可不是段子而已。版權、隱私、商業(yè)協(xié)議都是采集數(shù)據之前需要仔細斟酌的。

以上僅僅是數(shù)據采集階段的一些建議，這是數(shù)據分析的最初階段。一個完整的數(shù)據分析流程往往還包括：數(shù)據存儲、數(shù)據清洗、建模分析、數(shù)據可視化等步驟。感興趣的同學可以留言說一下，哪一塊想聽的人多我之后會做詳細解讀。

之前有不少同學問過：要做數(shù)據分析方面的工作，需要學習哪些內容？是不是學會Python就能做數(shù)據分析師了？

我用下面這張圖來回答：

最底層是技術基礎，是進行數(shù)據分析的工具。Python是目前最流行的工具之一，但不是唯一，甚至不是必須。但如果你掌握Python，并且熟悉Pandas、Numpy、Matplotlib這幾個數(shù)據分析常用庫，那這一層面你就沒問題了。它是一個必要條件，但不是充分條件。作為一個合格的數(shù)據分析師，你必須要有使用相關工具的能力；但如果你只是會寫Python，距離數(shù)據分析師還尚有距離。

工具之上，你需要有統(tǒng)計學的基本常識，了解常見的分析方法，并可以用工具對數(shù)據進行相應的分析工作，如果了解一些機器學習的模型就更好了。這些都可以通過相關的書籍、案例進行學習和練習。到了這一步，你差不多就入門數(shù)據分析了，但此時也還只是個“工具人”，只能實現(xiàn)別人給你定好的分析指標。

最上層的軟實力才是一個數(shù)據分析師的核心競爭力。你需要對業(yè)務有足夠的理解，可以選擇合適的指標、模型，找出并驗證數(shù)據的相關性，提出并推進有效的優(yōu)化方案。

這一步離不開長期的實踐、復盤、思考，作為一個新人來說或許還很難，但多做、多想，是需要從一開始就養(yǎng)成的習慣。假如交給你的任務是分析某個指標，那你是就只看這一個指標，做完拉倒，還是再多試試其他指標、其他模型，完全取決于你自己。

大家都是同一年畢業(yè)，但十年后的薪資差異，就都在這一點一滴的細節(jié)中產生了分化。（好嘛，最后居然又扯回來了）

一點淺見，如果對你有幫助，歡迎轉發(fā)/點贊/收藏~你們的支持是我更新的動力。

參考：

[1] http://www.tjxzj.net/1236.html

延伸閱讀??

延伸閱讀《數(shù)據分析即未來》