其实就论文而言，是我整个研究生生涯最大的遗憾，一直以来也有一个心愿就是发一篇高质量的论文，但是研究生生活草草而过，这个梦还没很好的实现，希望在末尾冲一把，把丢失的梦找回来。
由于是跨专业考研，本科专注于建筑项目工程管理方面的学习，对港口、码头、物流乃至供应链都不是很了解，所以在确定研究方向的时候很迷茫，因为无论哪个内容都是很大的概念，所以一度不知道论文从何看起，该看哪些方面。当时刚好参与导师的BS项目，项目组即将会做调拨相关的内容，因为有项目支撑上手比较容易，所以选择了横向转运这个研究方向。
整个研一的生活似乎是在浮躁中度过的，着急发论文急匆匆的看了几篇就开始写，急匆匆的上课开小差查资料，急匆匆地着急论文进度，饥不择食的看了点东西就匆匆下笔，果不其然，第一次投稿就被拒了，审稿意见一大篇。之后就其中较容易的几条改了改，又急匆匆地投了一次又一次，直至最后一次被拒稿，我把论文扔进了垃圾箱，打算推倒重来。
然后零零散散的看了一些论文，发现自己写得跟学者们的研究内容不是一个东西，研究思路存在问题，同时，因为太着急，好多内容都没看透，文献综述的内容甚至都不准确。一次，在与朋友讨论自己缺乏创新意识的时候，朋友毫不留情的指出，所谓的创新思维，都是深耕这个领域的人通过不断学习积累得到的，就是看得多了自然自己做的时候也有了想法。是啊，创新点不足，是因为看的太少啊。想要出成果的心，来源于太在意外界给的标签。所以，有时候要学会屏蔽外界的声音，让自己慢下来，把每一篇文章读透，日积月累，论文一定会写出来。
实际上，写论文的过程也是一个修心的过程，教会自己放慢脚步，耐住性子，踏踏实实的积累，心急贪快，终究走不远。把每一篇文章读透读通，可以清晰的说出文章有点缺点，模型假设和实验设计，甚至能找到他和其它文章的不同之处和改进点，这就是很大的收获。有时候收获不一定是你的初稿多了多少行，这种见效慢的积累，或者看起来的“无用功”，才是最有效的，有时候大家一起的优质论文交流分享，也可能会打开新的思路。
研一的时候加入了导师的算法组，让我顺利的完成了本科生向研究生的过度。为了更好地做项目，先后自学了Python\MySQL\Linux和机器学习，这给自己未来的数据分析之路打下了坚实的基础。
在BS的项目中，我们参与到了DYY、BLY、RF、GLBY、JBNZ等多家知名服装企业的库存管理调研，通过直接与企业一线人员和管理层对话，让自己快速感知到了服装企业的库存管理逻辑以及难点痛点，加深了自己对供应链的了解。同时，作为项目组核心成员，我们还参与到企业ERP系统的开发设计中，前期收集客户及竞品信息，了解行业现状和客户特点，开展用户访谈调研，访谈过程中定位用户需求，输出需求分析文档，中期和百胜软件、客户公司三方沟通，针对用户需求和数据表现完成产品原型设计，确定好前端和后端数据交互方案，无论是沟通方面还是代码落地方面都有了大大的提高，项目收尾阶段，调试代码，书写产品使用说明，完成项目梳理的同时大大提高了自己归纳总结的能力。
BS项目是我所做的第一个完完整整从初期意向调研，到中期开发以及后期投入使用跟下来的项目，在项目过程中遇到了许许多多的困难，包括怎么样识别客户需求，怎样打造用户满意的产品，怎样与人沟通，怎样提高代码的可复用性，怎样克服推进过程中一个个问题……在这个过程中，自己收获了很多，也凭借这份经验顺利地收获了第一份实习，所以很感谢导师的栽培，让自己在校期间有了很大地提高。
数据分析是时下比较热门的岗位，许多人都对此很感兴趣，本次分享主要围绕数据分析师的角色，数据分析师与商业分析师的区别，数据分析师的素质以及一些学习资料推荐。
3.1数据分析师的角色
就对《精益数据分析》、《产品思维》等书和日常实习的观察，笔者认为数据分析师在团队中主要肩负“*师”和“裁判”的角色。“*师”是指在企业制定战略或产品发展过程中，数据分析师通过对业务的理解和内外部数据的挖掘，发现问题，找准业务新的机会点和风险点；“裁判”是指在产品迭代过程中，通过监控、复盘，帮助产品经理、运营同学及时止损，做出相对客观中立的判断。
由于数据分析刚刚兴起，不同公司、不同团队对于数据分析的岗位职责定义有很大不同，大体上数据分析师主要业务型数据分析师和技术型数据分析师两大类。业务型数据分析师主要倾向于业务的落地，使用数据驱动业务发展；技术型数据分析师，又叫数据挖掘工程师，数据科学算法，出专项的数据分析，建模型，更偏重于技术的实现。而业务型数据分析师又可以细分为两种，一种在业务团队，主要负责运营/产品同学的日常取数需求；另一种在BI团队，负责一些专项项目的数据分析，以及一些中间表、可视化图表的开发。针对于公司的规模和工作内容，还有偏运营向的数据运营，也有负责数据清洗的数仓开发，还有负责数据中台的数据产品经理等等。
3.2数据分析师与商业分析师的区别
虽然都要求掌握数据分析工具，也都需要依靠数据得出结论，但是商业分析师分析的数据不局限于企业内部，还会收集行业讯息，放眼的是全行业、上下游。而数据分析师更偏向落地能力，具体帮助业务某个产品得到增长，所以商业分析师站的高度会比数据分析师更高。
3.3数据分析师的素质
3.4学习资料推荐
3.4.1
