Category: 职场干货
-
观察：把自己逼得太紧的人
今天遇到两个客户，都属于比较偏‘学生思维’的人，会把自己逼得很紧。交下来的任务好像没做完，就会有一种‘烫手山芋’、‘试卷还没搞定’的感觉 – 不管这个任务是不是对的任务、大小如何，他们都会有这种压力感。幸运的时候，任务边界清晰、规模合适、路径明确，他们能快速解决，然后感觉很爽。 但是，工作中大部分不可能是这种简单任务；尤其是随着经验提升、等级提升，遇到的问题会越来越复杂：不确定性更高、协作更多、依赖更多、变量更多。于是这些人在处于复杂项目的时候就会遇到困难，特别是那种复杂又非常不确定、又需要和别人合作、很多东西都被别人做的事情所影响的情况，就更容易觉得非常沮丧，觉得“我没有在推进”“我没有在产出”，产生强烈的沮丧与自我怀疑。 这种心理通常来自两个来源。第一是长期的学生思维：习惯收到一个有正确答案的作业，就赶快去做，谁做得快、交得早、结果好，谁就安全、就优秀。另一种则出于某种自卑和防御心理，或者说害怕被人看不起，害怕自己不够强。他们过去可能处于一些很辛苦的环境，但靠自己能力强，能解决问题，处理了各种各样的事情，保护了自己的安全 – 不管是生活中还是工作中 – 而这成为了自己的生存之本。所以他会很在意“自己是否强”这件事：因为如果这个“本”一旦塌掉，他整个人就要崩塌。也许，在他的经验里，如果自己不够强，小时候的他可能就会被“弱肉强食”掉；因此他也会非常急于展现能力。一旦遇到任何对能力的质疑，或者遇到那种会让他变慢、不能快速看到“能力开花结果”的事情，就会变得比较焦虑。 这两类型的人有一个盲区：他们默认“解决问题”应该是线性的 – 从 A 到 B，再到终点；只要我足够努力，事情就会一路推进。但大部分问题解决都不是线性的：它会绕路、会返工、会改方向、会被外部条件改变，甚至会走到某个节点才发现“这件事根本不该做”。更重要的是，他们把自己放在了解决问题的“主角位置”，仿佛自己且只有自己就是问题的解决者、项目的推动者、最终成败的承担者，而问题的成败关乎自己的立身之本。 可事实上，其实每个人都只是世界的一部分，在工作中每个人也只是这个项目的一部分。我们的存在是为了让事情发展下去 – 但有些项目一开始就不是好项目，所以更合适的并不是把项目从A点盲目推进到终点，而是可能在开始时就去好好推敲：这件事是否值得做？如果值得做，我们有没有足够的资源把它做下去？现在是不是适合做这件事的时机？还是说需要等一些机会成熟了才更适合做？ 这样做带来的变化非常具体：自己会更愿意早沟通、更愿意透明分享、更愿意快速暴露风险，而不是闷头干五天，最后发现走不通才焦头烂额，然后开始觉得“大限将至”，怀疑自己是不是能力不行、动作太慢、没有表现 — 哪怕没人说，自己也会在心里审判自己。相反，自己可能在第一天就形成大概框架，发现假设不成立就立刻拉相关方讨论，保持信息畅通，让大家共同承担、共同决策。 当“成败=个人存亡”的感觉消失，急迫感会自然下降，压力也会变小。更重要的是，别人看到的你不再是“只会干活的小兵”，而是一个有判断、有结构、有协作意识、有系统思维的人。 Photo by Matheo JBT on Unsplash
-
“我快毕业了，想找数据分析或者数据科学的工作，能分享下你的经验吗？”
（本文中英文夹杂，不喜误读） 这些年来，LinkedIn上总是能收到类似的站内信，累计下来和不下20个人聊过天。仔细想想，大部分人问的问题都很类似，需求也基本相同（想找工作/实习）。今天想挑几个大家都好奇的问题来说说。 先简单介绍一下我的经历。我学的是经济+统计，本科毕业后就直接工作了。第一份工作是经济咨询 (Econ Consulting)，不同于管理咨询，有非常多的数据分析需求。两年后跳到了Facebook。刚开始的职位叫Operations Analyst，后来职位转成了Data Scientist。在F做了将近5年后跳到了Netflix，title叫Analytics Engineer，但和F的Data Scientist, Analytics基本做的是同类型工作。总体来说，我走的主要是Analytics Track外加一些Inference Track（下面会聊不同的Track），比较少做Modeling。 好了进入正题吧，罗列一下大家都好奇的问题 + 一些常见的误区吧。 ==== 个人技能 ==== 问题：“Data Scientist / Data Analyst / Business Analyst…到底有什么区别” 数据分析行业的职位名称特别多，让人非常困惑。遇到过人说只想看Data Scientist 的工作，不考虑Data Analyst。也遇到过人说担心Data Scientist的要求太高，只想关注Data Analyst的工作。然而实际上，数据分析行业对于title并没有统一的定义。举个例子，Facebook的Data Scientist, Analytics需要的技能基本等同于Google的Product Analyst，也基本等同于Netflix家的Analytics Engineer。如果一个求职者不知道这些，只是一味地去找“Data Scientist”的职位，那可能会错过很多相似的职位。为什么会出现这个情况呢？除了没有统一的定义之外，很多公司为了能吸引更多的求职者，会尽量把title写成Data Scientist —— 科学家听起来多厉害呀。这个方法亲测有效，可以吸引一大波求职者😝 那求职的时候改怎么应对这样的职位名称不统一的情况呢？有3点: 依靠大体上的判断：从大体上来分，Data Scientist的Technical Skills Expectations一般还是比Analyst更高，尤其是在一个公司又有Data Scientist又有Data Analyst这两种职位上的。当然，这个说法并不一定适用于跨公司比较，比如Google的Product Analyst = Facebook的Data Scientist, Analytics 看具体职位的Job Description：这是一个最靠谱的手段。Title太迷惑，但Job Description是骗不了人的。可认真读一下Job…
Walk with An 