某招聘网站“商业分析”搜索结果

面对这样一个兴起不久、热度极高的岗位，企业在人才招聘、培养和管理上会存在一定困难，新人找工作也面临挑战。

首先，数据分析岗特别是大数据领域对人才素质的要求较为综合。专业背景以计算机和信息科学居多，不但要求相关的硬核知识和技能，如人工智能、机器学习、算法开发等，还要求具备产品相关的知识储备，懂得数据分析、逻辑分析等。对于企业而言，这样复合型的人才要求会带来职位划分与定位的混乱。

其次，面对这一新兴岗位，企业往往缺乏有效的新人培养模式，从而导致新人在成长阶段产出较有限。在无法预估新人能够为公司带来的价值时，企业为新人定制薪酬也存在一定程度上的困难。这会直接导致企业人才流动较大。

最后，对于新人而言，面对浩如烟海的职位，找到适合自己的工作是一个较大的挑战。新人虽掌握专业的数据分析知识，但欠缺行业背景知识，不了解实际应用场景，难以把分析结果可视化，产出落地方案往往需要较长周期。在成长阶段与自己职业预期不符的工作安排以及公司给出的较为保守的薪资也会导致职业获得感较低，从而加剧了企业的人才流动。

因此，企业如何更好地进行数据分析岗职位和薪资的划分，致力于数据分析岗的新人如何选择适合自己的工作，是企业和新人双方都亟需解决的问题。

本案例试图利用从某招聘网站采集到的数据分析相关岗位的招聘信息，探究数据分析岗位目前的招聘情况，并进一步分析影响数据分析岗位薪资的因素及其作用方式。本案例的分析结果可以为企业的招聘提供参考，帮助企业更好对数据分析岗进行职位划分和薪资定制；同时也可以帮助应聘者更科学地进行职业测评，看清自身的优势和劣势，从而帮助应聘者找到适合自己的工作。与此同时，本案例的分析结果还可以为高校中大数据方向的人才培养提供借鉴，让致力于数据分析岗的大学生明确自己的努力方向，提前准备好自己，以迎接未来工作中的挑战。

01

数据介绍

本案例所使用的数据是以“数据分析”和“商业分析”为关键词，从某招聘平台上抓取的招聘信息数据集。进行数据清洗和前期预处理后，数据集共包含10,266条观测，每一条观测代表一个职位的招聘相关信息。其中，平均薪资水平（月薪）是本案例的研究目标，因此视为因变量；自变量共11个，包括公司信息（公司类型、公司规模等）和应聘要求（工作经历要求、学历要求等）2个方面。具体的变量说明见下表。

02

描述性分析-因变量

03

描述性分析-自变量

接下来，初步探索各自变量与平均薪资之间的关系。下图展示了城市级别对平均薪资的影响。这里的城市级别取自第⼀财经2019年发布的《2019城市商业魅⼒排⾏榜》。从左图可以看到，不同级别的城市数据分析岗位的平均薪资（以中位数计）存在明显的差异，一线城市最高，新一线城市次之，三线及以下城市最低。这与人们的常识是相符的，一线城市更发达，与数据分析相关的行业、公司发展更为成熟，且消费水平更高，薪资自然较高。从右图可以看到，一线城市之间数据分析岗的平均薪资（以中位数计）也存在比较明显的差异，北京最高，上海次之，然后是深圳和广州，足见一线城市之间数据分析相关行业的发展也并非齐头并进。

接下来对招聘公司所属的行业进行探索。利用条形图展示各一级行业对数据分析岗位人才的需求人数及平均薪资情况，具体见下图。可以看到，在人才需求方面， “计算机/互联网/通信/电子”行业的人才需求最大，远远超过其他行业，相关岗位数量达4896个，占比47.69%。与此同时，该行业的平均薪资水平也是最高的，为13157元。平均薪资水平紧随其后的是“会计/金融/银行/保险”行业与“房地产/建筑”行业，虽然岗位人数不多，但是平均薪资都超过1.2万元。

公司在招聘时一般会对应聘者的工作经验与学历提出一定的要求，本案例在数据的采集过程中也对这一方面进行了记录。下图展示了竞聘要求类因素对平均薪资的影响。从左图可以看到，应聘者的工作经验对其平均薪资水平呈现明显的正向影响，工作经验所要求的年限越高，平均薪资也越高。从右图可以看到，要求的学历层次越高，其岗位的平均薪资越高。这两点既与常识相符，也侧面反映了数据分析岗的特点： 一个优秀的数据分析人才既需要通过专业的训练掌握各种专业技能，又需要具备丰富的实操经验，才能灵活应对真实的业务场景。

04

描述性分析-文本挖掘

每个职位的招聘信息都有一段对于应聘者的具体要求，接下来运用文本分析的方法，对职位的要求及其对平均薪资的影响进行探索。对所有的职位要求进行分词、去停词，提取出现频率最高的前100个词绘制词云图。从图上可以看到，出现频率较高的几个词是“数据”、“能力”、“数据分析”、“业务”和“经验”。从中可见： 数据分析岗位对于人才的数据思维、数据分析能力是比较基本的要求，更需要人才对于业务的了解，能将分析结果落地。

接下来从“能力要求”、“软件要求”和“经验要求”几个维度探索招聘要求对于岗位平均薪资的影响。下图首先展示了“能力要求”维度的词频分布情况及其对平均薪资的影响。从左图可以看到， 能力要求维度中，“沟通”一词出现的频率远多于其他能力，这说明数据分析岗位要求应聘者在分析数据的基础上，具备将分析结果可视化并传播出去的能力，表达与沟通是该能力的核心。紧随其后的是“学习”、“团队”、“逻辑思维”等。

下面分析“软件要求”维度。下图左展示了数据分析岗位对软件、工具及技术方面要求的词频分布情况。从图上可以看到， “Excel”出现的频率最高。这与实际相符，作为应用最广泛、操作相对较简单的数据管理软件，Excel的使用是各行各业都要求具备的技能。另外几个出现频率较高的是专业性更强的统计分析软件SPSS、R和Python。注意到“大数据”、“数据挖掘”、“产品”和“基本面”出现的频率也较高，这是数据分析的发展趋势。

右图则具体展示了不同软件要求对平均薪资的影响，可以看到薪资最高的职位要求能够使用Spark、Hadoop、Hive，这些都是大数据背景下进行数据计算、挖掘的有力工具。相对而言，传统的数据分析软件R、SPSS和Python对应的薪资稍低一些，从中可以看到， 大数据时代对数据人才的计算机编程、数据分布式计算等能力提出了更高的要求。

最后来看“经验要求”。从下图左可以看到，经验要求维度出现频率较高的词语有“项目”、“管理”、“金融”和“运营”。“项目”一词出现的频率最高，可以见得数据分析岗的实际工作是以解决问题为导向的。在某一项目进行过程中，会出现各种各样的问题，这就要求应聘者能够根据实际问题来完成任务，而不仅仅是简单地分析某个数据。从下图右可以看到，有“咨询”、“大数据”、“产品”和“管理”相关经验要求的岗位平均薪资更高， 这也反映数据分析岗位不仅要求应聘者具备数据分析能力，更需要其了解应用领域关心的问题，如收入、成本、风险，并了解这些问题的表现形式。

通过描述分析可以看到，较高的学历、较强的综合能力对数据分析岗位的薪资有促进作用；在此基础上，发达的城市、前沿的行业等，也是影响薪资的重要因素。为了更加深入地把握各个因素对于平均薪资的影响，接下来我们建立平均薪资关于公司信息和应聘要求等因素的对数线性回归模型，并通过模型结果对数据分析岗位人才的招聘、应聘及高校的培养提出建议。

05

建模分析

由于本案例的因变量呈现明显的右偏分布，因此以“对数平均薪资”为因变量建立线性回归模型。在构建模型时通过BIC准则进行变量选择。为了更直观的展示各个自变量的影响情况，绘制系数估计的柱状图。

下图展示了“公司规模”这个变量各水平的回归系数。从图中可以看到，在其他条件不变的情况下，相较于基准组“少于50人”，规模在1万人以上的公司平均薪资最高，比基准组平均高24.9%；平均薪资最低的是规模在50-150人的公司，比基准组平均高出5.1%。总的来看，公司规模越大，平均薪资越高。

再来看“城市级别”。下图展示了各个城市级别的系数情况，总体来看，职位所在的城市级别越高，平均薪资水平越高。具体来看，在其他条件不变的情况下，相较于基准组“二线”，一线城市的平均薪资最高，比二线城市平均高出33.6%；其次是新一线城市，比二线城市平均高出6.6%；三线及以下城市的平均薪资最低，比二线城市平均低7.8%。

不同的学历要求也会对平均薪资有影响。下图展示了“学历要求”这个变量各水平的回归系数。总体来看， 职位要求的学历越高，平均薪资水平也越高。具体来说，在其他条件不变的情况下，相较于基准组“无明确学历要求”，要求硕士及以上学历的职位平均薪资最高，比基准组平均高出23.6%；要求为大专及以下学历的职位平均薪资最低，比基准组平均低14.4%。

此外，经验要求以及能力要求方面的一些变量也会显著影响数据分析岗的薪资。对于经验要求来说，相较于基准组“无明确要求”，要求有“大数据”“业务”“咨询”“产品”等工作经验的职位平均薪资会显著变高。其中，具有“大数据”工作经验的职位相较于“无明确要求”的职位薪资涨幅最大，高达10.3%。对于能力要求来说，相较于基准组“无明确要求”，具有“管理”方面能力的职位平均薪资水平会显著高9.4%，具有“业务”方面能力的职位平均薪资水平会显著高6.5%。 这说明，数据分析经验很重要，业务管理能力也很重要。

06

模型应用-薪资定制

上述回归模型的一个直接应用就是“薪资定制”。将应聘者信息与招聘岗位情况代入回归模型即可得出薪资的预测值，该值可以为个人薪资预期和公司薪资定制提供参考。例如，假设有某职场“高富帅”，硕士毕业，有8年大数据相关工作经验，能熟练使用Spark和Python，他想跳槽到北京金融行业某万人大公司。那么根据他的情况预期能够获得的月薪为52580.34元。

07

模型应用-职业测评

根据文本挖掘的结果以及回归系数制定职业测评方案。例如， 可以从“学历”、“工作年限”、“职业素养”、“工作经验”、“软件掌握情况”五方面来对应聘者进行评分。其中，“职业素养”表示应聘者在工作中需要具备的各项能力，包括沟通能力、学习能力、团队协作以及逻辑思维能力等。“工作经验”主要来自数据分析工作对应聘者的工作要求，包括 管理经验、项目经验、运营经验等。“软件掌握情况”则衡量应聘者掌握的各种软件情况。这五个维度中， “学历”和“工作年限”两个维度涉及的各个水平的权重主要来源于回归系数；其他三个维度涉及的各个水平的权重来自于描述分析中各水平下的平均薪资。进一步的，将每个维度中各个水平的权重进行标准化处理，将最大值设为100分，最小值设为0分，将中间值减去最小值再除以极差（最大值-最小值）的方式进行标准化，从而得到具体的分值。根据上述测评方案，可以给出任意一位应聘者在五个维度的打分，从而帮助其更好的进行自我定位。

最后总结一下。通过对数据分析岗位平均薪资的分析，能够给我们以下几点启示：

首先，对于应聘者而言，可以根据职业评测更清晰的自我定位。在职业发展方面，除掌握必备的专业知识和修炼个人品格外，同时应熟悉多种数据分析软件，特别是大数据背景下的数据计算和处理工具（如Spark、Hive等）。除了数据分析的专业技能外，一个优秀的数据分析人才还需要具备丰富的实操经验，才能灵活应对真实的业务场景，并可以将分析结果落地。因此，在校学生可以考虑继续深造相关内容来提升能力或者进行相关实习来丰富经验，从而获得高薪工作。

其次，对于招聘公司来说，招聘时可根据不同应聘者的各方面条件合理为其定制薪资，既可以避免薪资过高导致用人成本太高，又可以避免薪资过低导致人才流失。

最后，对于开设了数据分析方向专业（如大数据技术与应用、应用统计硕士）的学校，可以根据分析结果优化其培养方案，注重学生的软件能力培养和训练，为学生提供更多的实习机会，从而更加有效地助力学生成长为数据分析专业人才。

需要指出的是，由于数据分析岗位平均薪资的影响因素有很多，因此在未来的研究中可以考虑在模型中加入更多因素，从而更好地反映薪资的影响机制，为应聘者、公司和高校提供更多参考。

作为未来的大热门，数据分析能力势必会在更多领域发挥作用。立足当下，着眼未来，不断打磨专业技能，关注商业市场状况，就能占据主动。最后祝各位熊粉在数据分析的道路上越走越顺利！

灰灰小分队成员：鲁宁、振锋、灰灰

戳 “阅读原文”我们一起进步 返回搜狐，查看更多