数据分析硕士招聘

作者 | CDA数据分析师来源 | CDA数据分析研究院随着大数据和人工智能时代的到来，传统企业开始向数据化和智能化转型。由此，数据分析师相关岗位的需求量逐年递增，近两年呈现出供不应求的状况，在未来很长一段时间这种需求还将继续保持下去。作为过来人，我也算是苦尽甘来啊。想想自己当初为了转行数据分析师行业，付出了多少心血和汗水。相信还有很多像我一样计划转行或已经准备好转行的朋友，为此，我特地给大家分享了我的专业数据分析师经验之谈，让大家可以更加直观地了解当下数据分析师的行业情况和职位需求。为了帮助大家对数据分析师相关职位的目前发展状况有个清晰明了的认识，本文通过分析“数据分析师”在全国招聘信息的城市需求、职业门槛、各公司要求情况，以及当下各大企业的人才需求状况，使用数据分析工具Python，包括数据的获取、清洗和可视化的呈现，就为了帮助大家更好地了解数据分析师这个职业。本文所用数据均来源于BOSS直聘的近期数据分析师的全国招聘信息。，绝对客观真实有效！分析流程一．明确分析目的明确分析目的是数据分析的首要的、关键的步骤。在开始一项数据分析前，首先要清楚我们想解决什么问题？通过这次分析想达到一个什么样的效果？下面列出了本次分析的几个目的：1）了解各城市对数据分析师的需求；2）数据分析师这个职业的门槛有多高；3）了解招聘公司情况；4）了解各行业对数据分析师的需求；4）了解数据分析师的薪资情况。二．获取相关数据明确分析目的后，接下来要做的就是为了解决这些问题，有针对性的获取相关数据。之所以说“有针对性”，是因为并不是数据越多越好，数据越多，我们的抓取、清洗成本也就越高，只有对本次分析有用的数据才是有价值的数据。因此，根据我们的分析目的，本文用Python从BOSS直聘中抓取了如下字段信息：公司名称，公司地址，公司规模，融资情况，所属行业，职位名称，经验要求，学历要求，薪资。源数据格式如下：三．数据清洗与规整化得到源数据后，还需要对其进行清洗和规整化后才能进行分析，一般包括清洗、转换、合并、重塑。下面本文使用Python对源数据进行处理：1） 导入包2） 缺失值处理3） 删除重复值4） 提取城市名5） 删除空格6） 提取最低薪资和最高薪资7） 数据重塑四．数据可视化分析报告1. 城市需求分析初步观察可知，数据分析师的需求主要集中在大城市，其中排名前十的分别是北京、上海、深圳、杭州、南京、广州、东莞、合肥、天津、武汉。其中北京的需求远远超过其它城市，接近上海和深圳的需求总和。数据分析师职位在城市地理分布上，主要集中于北上广深、长江三角洲、沿海地区。中国内陆地区需求较少，一般集中于省会城市。2. 职业门槛分析在学历要求上，数据分析师的门槛相对较高，80.2%的公司要求至少本科学历，4.8%的公司要求硕士学历。因此对想从事数据分析师职业的人员来说，本科学历是必要的敲门砖。在工作经验要求上，大部分公司对工资经验都有较高要求，其中3-5年工资经验的数据分析师最受欢迎，需求达到37.9%；其次就是1-3年经验的数据分析师，需求达到31.1%。因此，一定的行业工作经验能帮助数据分析师求职者快速找到工作 ，而应届生和无工作经验者只有提高自己的专业技能，才能获得竞争优势。3. 公司情况分析对于招聘公司的融资情况上，上市公司居多，达到33.4%；在公司的规模上，大公司对数据分析师的需求更多，其中1000-9999人规模的公司最多，达到45.4% ，其次是10000人以上规模的公司，达33.8%。4. 行业需求分析在下面词云图中可以看出，数据分析师涉及的行业十分广泛，供求职者的选择空间很大，其中各行业中，互联网、电子商务、金融、医疗健康、计算机软件等行业的需求量最高。5. 薪资分析（1）工作经验和学历对薪资的影响总的来说，工作经验的长短和学历的大小基本跟薪资的高低是成正比的，工作经验越长，学历越高，薪资也会越高。在工作经验上，拥有十年以上经验者平均起薪已经超过25000，5-10经验者平均起薪在20000左右，3-5年经验者平均起薪接近15000了，而三年以下和无经验者平均起薪则在10000以下。由此可看出，数据分析师对工作经验的要求还是比较高的，对行业和业务熟悉的人薪资会更高，同时也说明这个职业有很大的上升空间，“越老越值钱”，看重资历。在学历上，本科和硕士的平均起薪相差2000左右，差别不是很大，但本科以下学历，平均起薪就相对较低了，一般不超过6000。因此，本科学历是数据分析师高薪的门槛，拥有本科学历和3年以上工作经验是数据分析师高薪的敲门砖。（2）各城市起薪分布对比下面展示的是数据分析师职业需求前十的城市起薪的分布状况。容易看出，北京、上海、深圳、杭州的平均起薪都在15000左右，而广州只有10000左右，南京则在7500左右。对于北京，数据分析师的平均起薪分布对称，比较符合正态分布；上海、深圳、南京呈右偏分布，其中上海、深圳高薪资职位相对较多，南京有个别公司起薪异常高。杭州、广州呈左偏分布，半数职位起薪在10000以下，个别职位薪资不超过5000，远远低于平均水平。因此，在北京、上海、深圳三个城市能有更大的概率找到高薪的数据分析师职位；其次是杭州、广州，虽有部分公司薪资较低，但平均工资还是比较可观；而南京虽然需求较多，但高薪职位相对较少，大部分职位工资都不超过10000，集中在3000-7500中间。五．分析总结本文从多角度分析了BOSS直聘近期数据分析师的招聘信息情况，对数据分析师有如下几点总结：1）北上广深、长江三角洲、沿海地区是数据分析师的集中地区，其中，北京的需求远远超过其它地区，若想从事数据分析师职业，在北京机会最多。2）本科学历、3-5年以上工作经验的数据分析师成为最受公司欢迎的“香饽饽”，并且平均薪资也相对较高，在15000左右。3）上市公司、1000-9999的大公司对数据分析师的需求更高；4）互联网、电子商务、金融、医疗健康是数据分析师首选的几大行业。4）在北京、上海、深圳寻找高薪职位的概率更大。

2019届毕业生秋季校园招聘会马上快结束了，目前的数据足以说明问题，后面的工作已经不影响大数据分析了，所以，小编从数据上来分析一下就业专业和地区问题。给大家提供个参考！综合所有学科就业数据，可以看出经济学就业相对较难。2019届校园招聘学科就业难度系数从这张指数图上可以很清晰的看到，经济学就业难度系数高达1.45，最容易就业的是医学类的，只有0.46，艺术类和理科类的算是居中，分别是1.03和1.00。经济学之所以就业难，从专业知识上来说，理论性很强，就业时需要发挥专业知识的实用性，需要运用专业知识再结合市场运行机制，进行调查、分析，还得要求操作能力强。所以，刚毕业的学生没有实践过程，缺乏经验，很难达到企业的要求。基于此，企业向校园内投放的岗位也很少，这也就更增加了就业难度系数。医学类专业就业容易，一是本身专业技能要求高；二是国家各种政策的影响，比如二胎政策、养老政策等，对医疗的需求更多，很多医院都在扩大规模，招聘更多的人才。除此，还跟我国人口老龄化趋势有关，未来专门针对老人的医疗及保健人才也是社会必须的，所以，这个专业就业机会很多。从就业区域上来看，东北三省 位居就业难度榜首2019届校园招聘省份就业难度系数从这个数据上可以看出，辽宁省是全国身份就业难度的老大，难度指数为9.93，东北其他两省，吉林排老二、黑龙江省排老四，位居第三的则是陕西省。相比来说南方城市就好很多，招聘的企业多，投放的职位也多，而且还有很多知名企业，给毕业生提供了更多好的就业机会。一线城市，就业难度最大2019届校园招聘城市就业难度系数就城市来说，跟以往差不多，还是一线城市难度大，不过新一线城市就业难度系数并不高，只有1.23，还是很容易就业的。就业难度城市排名除了一线城市，往后排名依次是四线第二、五线第三、三线第四、二线第五。目前，一线城市对企业来说成本压力很大，所以很多企业开始转战到二三线城市发展，给二三线城市提供了更多的就业机会。新一线城市为加快发展，势必也要大量招聘新型人才。有的地区为了吸引人才入住，还提供了很多优惠条件，比如落户、住房、补助等政策，这些政策都给企业招聘提供了有利的资源，所以，新一线城市就业机会非常多。对于新一线城市更有利于企业招聘的资源是，这些城市大多是省会城市，高等院校很多，年年不缺毕业生，而毕业生们往往也喜欢留在学校所在地工作。温馨提醒：以上数据只是个招聘供需的客观数据，不代表实际就业情况。各位求职者还需根据自己所学专业的水平，对自己做好合理的规划。

这两年的大数据热潮带火了数据分析这个职业，很多人想转行干数据分析，但是又不知道现在这个行业的求职环境和前景如何，动了心却不敢贸然行动。前两天有个干运营的妹子找我聊天，也是问我数据分析岗位前景的问题，看在妹子长得实在好看的份上，我花了一晚上时间，去智联招聘上面爬了一下数据分析岗位的招聘数据，对数据分析岗位的薪水，需求情况，以及要求的工作年限做了个分析。python数据爬取我就不多说了，可以参考网上的代码，我一共爬了5000条数据拿到数据后，选择工具进行数据分析，一提到分析工具，很多人都会想到用Excel，我刚入行的时候也是“Excel打遍天下”，但Excel数据清洗和计算效率低下，需要进行大量重复性、低附加值的人工操作，而且要做好看的图表得花很多时间研究功能，遇到大数据量就卡的不行。后来我了解到了自助分析工具FineBI,从此放弃了Excel，这篇我就用FineBI来给大家展示一个完整的分析过程：数据分析的步骤：1、提出问题——明确数据分析目的2、理解数据——理解数据列名的意义3、数据清洗——统一格式内容4、构建模型——思考用什么样的表现形式把数据呈现出来5、数据可视化——把数据转化成图提出问题首先要明确这次数据分析的目的是什么？也就是为了解决什么问题？（提出的问题要能用很明确的指标和数字来衡量，切勿模棱两可）提出问题：1、在哪些城市找到数据分析师工作的机会比较大？2、数据分析师的薪水如何？3、根据工作经验的不同，薪酬是怎样变化的？理解数据接下来要理解表格中的各个字段（列名）表示什么意思：城市：用于比较不同城市对数据分析师的需求如何职位所属：分析以后的工作岗位职位ID：表示职位的唯一表示，也就是每一行数据的唯一标识------用于去掉重复ID薪水：比较不同城市、和所属领域的薪水区别工作年限：从时间轴上对比薪资涨幅数据准备下载安装好FineBI后，链接数据。FineBI可以直接和数据库进行对接，实时更新数据，以往用excel统计数据的时候，一旦数据需要更新，比如做了8月份的财务报表，到了9月份时，就需要再次花费人力更新数据，十分麻烦，用FineBI就很方便。除此以外，FineBI还提供业务包功能，基于我们的分析主题新建一个业务包，把我本次分析需要用到的数据表存放在业务包里，方便查找。然后将数据表添加到业务包中，数据表添加支持数据库表，sql数据表，excel数据表，还有自助数据集中的表，这里我把爬来的招聘数据Excel表添加到业务包中然后将数据表添加到业务包中，数据表添加支持数据库表，sql数据表，excel数据表，还有自助数据集中的表，这里我把爬来的招聘数据Excel表添加到业务包中。数据清洗加工数据准备好了，下一步就是对数据进行清洗加工，去掉重复、无效的数据，拿到我们想到的数据，FineBI的处理过程十分方便，自助数据集可以对数据进行求和、平均、排序等一系列的运算1、选择子集业务包中添加自助数据集，只选择对数据分析有意义的字段，无意义的字段不勾选，也就是在Excel里面隐藏列。这里我们隐藏公司ID和公司全名，保留职位ID和公司简称还有薪水数据，数据实时预览，2、脏数据清洗浏览了以下，发现有几条记录中城市数据缺失，我们直接添加过滤条件，过滤掉空值和异常值3、薪水上下限分割：数据集中，因为薪水是以xxK-xxk的文本形式进行存储的，我需要用FineBI新增公式列（类似excel函数）将这些字符进行分割，方便面对薪水进行分析薪水下限（数值）：left( indexofarray ( split (薪水,"-") ,1),find( "K",INDEXOFARRAY( split(薪水,"-") ,1))-1)薪水上限（含K字符）：right ( indexofarray( split(薪水,"-") ,2),len(薪水)- find("K",indexofarray(split(薪水,"-"),2 ) ) )薪水上限（数值）：left((薪水上限（含K字符） ,find"k",薪水上限（含K字符）)-1 )这样就得到每个岗位的数值格式的薪水区间了：4、岗位平均薪水计算知道每个岗位的数值格式的薪水区间，我们还可以计算以下每个岗位的平均薪水，新增列：平均薪水=(薪水下限+薪水上限)/2，即可得到每个岗位的平均薪水。数据可视化分析数据清洗加工完毕，接下来就是数据可视化分析阶段了，用Finebi做数据可视化十分的简单，拖拖拽拽就可以自动生成图表，而在Excel里，要想作出美观的可视化，就肯定要学会数据透视表，操作过程也十分的繁杂。下面我用Finebi来展示以下数据可视化分析的过程：1、我们先来看看在哪些城市找到数据分析师工作的机会比较大？新建组件，将城市拖入横轴，记录数拖入纵轴，并将工作年限拖入颜色，图表就自动生成了从表中可以看出，在北京数据分析的岗位最多，往后是上海、深圳、杭州、广州；按工作年限要求来看，3-5年的需求量最大，其次是1-3年，这说明数据分析对年轻人需求将更多。2、看完了数据分析岗位在各城市的需求情况，我们再来看看数据分析师的薪水如何？新建组件，将城市拖入横轴，平均薪水拖入纵轴，平均薪水进行二次计算，选择求平均值从上面的结果可以看出，北京的数据分析师平均薪水最高，其次是深圳，上海，杭州。3、根据工作经验的不同，薪酬是怎样变化的？以工作年限要求行横轴，平均薪水为纵轴，分析工作年限与平均薪水的关系从上面的分析结果可以看出，随着工作经验的增长，数据分析师的薪酬也在不断增加。综合上面三个分析结果，我整理出来以下结论分享给了问我问题的妹子：1）数据分析这一岗位，有大量的工作机会集中在北上广深以及新一线城市，如果将来去这些城市找工作，可以提高求职成功的条件概率。2）从待遇上看，数据分析师留在北京，深圳发展是个不错的选择，其次是上海。3）数据分析是个年轻的职业方向，大量的工作经验需求集中在1-5年。对于数据分析师来说，5年似乎是个瓶颈期，如果在5年之内没有提升自己的能力，大概以后的竞争压力会比较大。4）随着经验的提升，数据分析师的薪酬也在不断提高，10年以上工作经验的人，能获得相当丰厚的薪酬。FineBI个人版永久免费，感兴趣的朋友可以私信回复“数据分析”获取免费下载地址！

这两天在朋友圈一张华为的HR招聘广告传的很火。年薪40万招聘HR数据分析师！这还没算上股票期权和其他福利补贴。一般企业的HR工资水平在公司应该处于中等甚至偏下，没想到多加个数据分析的标签，薪水居然能这么多，而且这两年，数据分析能力似乎已经成为优秀企业招聘HR的重要指标，不光华为要求数据分析能力，百度、阿里等企业在HR的招聘简章中都提到了数据分析能力的要求。大公司的招聘要求，一定程度上代表着职业发展的方向。不会数据分析的HR，必将没有市场。特别是在人力资源岗位上，因为本身不具备直接产生效益的能力，如果还不懂得运用人力资源数据推动业务发展的，那对企业而言，只能是成本部门，不被重视，没有任何话语权，还不如外包省钱省力。正因为如此，很多像百度一样的企业，都已经开始设置人力资源分析师岗位，通过大数据获取有关组织和人才的信息，对企业在组织和人才上未来可能产生的问题进行预测、预警、预判，并据此向业务部门提出决策建议，让人力资源真正发挥价值。人力资源数据分析，不仅仅是对HR个人的要求，更是企业发展的需要。人力资源数据分析应该如何做？人力资源数据分析的岗位之所以高薪，主要还是当下的HR多数都缺乏数据分析的能力，稀缺性造成了高薪，另一方面，HR用数据说话，从来不是一件简单的事情，也是HR工作里含金量高的工作之一。人力资源管理中的数据分析最主要的就是两个方面，一方面是人员结构性分析，一个方面是人效的分析。跟踪企业人效，能够有效地监测公司经营状况，了解每个员工或者每个部门以及公司整体的人力效能情况，分析人员结构，能够帮助公司在招聘上提前做方案，做好储备，避免人才断层的风险。虽然大部分的HR对人力资源管理知识掌握熟练，也大概知道做人力资源数据分析的意义，但是大部分人对数据分析的理解还不够深入，所以很多人做出来的人力资源数据分析的模板，可能就是下面这样：员工性别比例、工作年限、地区分布、学历水平等等，把数据罗列好，配上简单的图表。然而这样的数据，掌握基本Excel使用能力的人都能轻松统计出来，为什么要高薪聘用人力资源数据分析师来做？这样的数字统计出来了，到底代表了什么呢？好还是不好？性别比例背后的意义，是要老板自己猜吗？只有数字罗列，没有分析，这样的数据不要也罢。而所有的数据分析，都应该有驱动业务的价值。人力资源的数据分析，应该是通过数据获取有关组织和人才的信息，对企业在组织和人才上未来可能产生的问题进行和预测、预警、预判，并据此向业务部门提出决策意见。这里我们就以一个真实案例，来讲解一下有价值的业务分析是怎样的。人力资源数据分析中的痛点小王是某公司总部的人力资源专员，每个月、每季度、每年，小王都要负责整理这段时间区间内员工的新增、离职、调动情况，并针对员工的构成特征、KPI绩效、工资发放等进行管理。公司的员工信息保存在OA系统中，而薪资信息又保存在另一套云ERP系统中，有一些分公司还有自己的业务系统。这些数据之间没有被打通，就像一个个孤岛，将其整合在一起需要耗费大量的人力，而就算费了老大劲整理好了数据，这些数据也存在滞后性、准确性等问题。比如：1.小王每个月月中就要发布通知，让各分公司将本月的人力资源信息开始汇总，之后进行上报。从发布通知，到上报结束，往往需要经历2周甚至更多的时间， 白白耗费了许多人力不说，还存在严重的滞后性。2.人力资源数据采用Excel进行上报，绩效、薪资的计算也是人工使用Excel进行核算，篡改、纰漏等数据准确性问题无法把关，全靠业务人员的责任心和专业性。3.数据以月份为单位进行存放，当需要汇总观察趋势时候，就需要将N张Excel进行整合，费时费力，Excel的性能也堪忧。因为以上的种种数据问题，小王每个月的大部分工作时间都在整理、核算数据，更不要提什么数据分析了。分析工具+解决方案为了解决上述问题，小王需要的是一套能够实现多数据源整合+数据处理+数据分析的软件。小王的这一需求，是许多企业推进数字化进程中的共性需求。这样能够满足从数据源到业务人员数据分析完整分析流程的软件，就叫做商业智能（BI）软件，这个概念最早由Gartner集团提出，目前国内的BI软件很多，我就以比较有名的FineBI为例，来讲解如何进行人力资源数据分析。1、数据连接FineBI可以把不同来源的数据基于业务分析需求进行分类管理。无论是传统的关系型数据库MySql，Oracle还是Kylin，Hive，Spark等大数据平台，都可以通过FineBI进行连接，将其中的数据进行整合，打破各个业务系统中的“数据孤岛”。而如果选择直连模式，则可以实现实时数据展示，上一秒发生的人员变动信息，下一秒就可以在BI中展现出来，消灭数据迟滞的同时也降低了人力浪费，大大提升了决策效率。2、数据加工在设置好数据连接，添加好需要的数据表并设置了表间关联后，我们可能还需要对数据进行一些处理，比如过滤掉一些不需要的数据，或者进行一些计算等等。这时候就可以使用FineBI的自助数据集进行数据的二次加工。3、自助分析数据治理这些后台的底层工作完成后，HR就可以针对数据进行探索式分析了。把纬度和指标拖拽到坐标轴就可以自动生成可视化分析图表，制作完成的各图表组件之间还能实现联动、钻取等OLAP分析功能，从多个角度探索，深入挖掘数据价值人力资源分析模板1、新入职员工分析我们可以通过探索分析发现以下特点：“新员工数、去年同期新员工数和与去年同期相比的在职员工数变化率(%)(按月)” 组合图显示，今年每个月雇佣的员工数都比去年多。 有几个月的雇佣员工数明显很多。从按地区和种族划分的新员工计数和在职员工计数组合图可以看出，我们在东部区域招聘的员工较之更少。按年龄组划分的新员工增长率变化瀑布图显示，我们主要招聘的是年轻员工。 这种趋势可能是因大部分工作都是兼职性质所致。“新员工数(按性别)” 饼图显示，新员工数按性别大致均分。左边的两个组合图显示了，与去年同期相比在职员工数和离职员工数的变化情况。 今年的在职员工数比去年多，这是由于快速雇佣所致，同时离职员工数也比去年多。8 月的离职员工数比其他几个月都多。通过点击不同的区域、性别进行探索分析，发现其中东部地区的离职人数明显更多。我们注意到，在饼图中，在职员工数按性别和年龄段均分。 接下来可以选择不同的年龄段了解各个年龄段是否按性别均分。2、差员工分析要探究的最后一个部分是差员工。 差员工定义为上班不超过 60 天就走人的员工。 我们正在快速雇佣，但我们是否雇佣到了优秀候选员工？选中左侧“区域” 过滤组件中的“西北” ，并点击“差员工数(按性别)” 环形图中的“男性” 。研究“差员工数” 页上的其他图表。 我们注意到，男性差员工数比女性要多，并且 A 组中有很多差员工。如果研究“差员工数(按性别)” 环形图，并选中“区域”过滤组件中的不同区域，就会注意到，东部区域是唯一一个女性差员工数比男性要多的区域。

你对自己有一个简单的剖析，你就会知道你自己的岗位定位应该在什么样的一个阶段。如果你是高校的学生，还没有拿到毕业证，你可能只能去找实习；如果你已经工作了，根据我刚才讲的工具使用和项目经验的情况，你分析完了之后，你觉得我只能做分析助理了，因为我只会一些工具，其他的我都不会，你可能就从助理开始做起了；还有的可能说我是学数学的，这些工具我也掌握一点，我也懂得一点点项目，你可以考虑做一些统计报表的工作；有些人可能工作过一两年，这方面多多少少都有些经验了，你就可以去做数据分析师这样的岗位了；如果说经验的话比较丰富一点的，工作已经有个两三年时间了，也做过很多的项目，也有自己的一些思维的方式，你可以去挑战资深的数据分析师；如果在行业里面待了很久，有足够的经验，在各方面的能力都具备的情况下，你可以去挑战行业里面的数据分析专家或者说数据科学家这种岗位。那么这些都是要根据你自己的情况来判断，你需要去找什么样的岗位，绝对不是随便去匹配的。你要说我只会工具，我只做过简单的小项目，我能不能去挑战一下资深的数据分析师？挑战的精神可嘉，但是结果很惨。▍企业如何招人对企业里面的人来讲，招人的时候不会随随便便招一个什么都不懂的人进来，就算HR不懂专业知识的情况下，他也会有自己的判别选才的一个方式。HR会请专家来鉴别比较重要岗位的人才。如果说是一个实习生的岗位，可能它的重要性没那么高，只要是数学专业毕业的，HR认为你多多少少知道一些相关的知识，然后会招你过来，之后让你去做一些比较简单的活，做一些报表统计，做可视化图表。这个工作可能要求本来就不高，你的基本条件也都具备，HR会觉得让你去做，你只要勤奋好学应该能做得出来，不会影响到我整个大的项目方面的事情。但如果说要招个稍微好点的员工，像正式的岗位的时候，这是正儿八经要去创造价值的。这种岗位的重要度就不一样，所以它选拔的标准也就不一样。我们来看实习生的价格。▍实习岗位我今天查资料的时候，就发现今年就业确实是压力很大，可能是学生比较多，大家在找实习的时候，只要你放出一个岗位很多人都会投简历，那么企业其实也是知道最近就业压力大，企业本身的压力也很大，所以今年我们就发现实习生岗位的薪资降了很多。去年我们实习生的工资像基本上都有每天150元~180元，今年很多企业都已经放到每天100元~150元之间，所以今年可能找工作的小伙伴们薪资要求可能要降低。否则你不愿意干工资这么低的工作，别人愿意干，那HR肯定就要那个肯干的人，这个是很现实的问题。我们看实习生的职业描述：基于业务需求，支持分析师对所有的数据进行整理、分析和检查。其实这里面无非就是要你帮做一些数据的整理和清洗方面的工作，然后负责与业务部门沟通，支持分析师对所有的报表进行制作和调整。 比如说我把数据已经整理结束了，然后剩下的我可能说做一些图表，我没有那么多时间让实习生帮我做，我就告诉你实习生这个数据，你帮我做成什么图数据库，你做完了之后直接把图给我，我把它做成PPT。所以作为实习生，可能就是一个打杂。我教你怎么去做可视化图表这些，你也学到了一些知识，那对于认知的要求来讲，只要求你会PPT、powerBI、EXCEL等包括分析的软件，Python或者SAS，只要会一项就可以了，做事比较严谨，要求并不高。那么像这样的实习生的岗位，数据分析师只要你是数学或者是计算机相关专业的，然后自己能够学一点分析的软件，你作为大学生主要去找一个实习生的岗位，我举得应该还算是能找到的。▍数据分析师我要说一下老娘舅的hr，他们家的hr在做这样的一个简历的招聘的信息的时候，肯定是抄人家的。你看他是招数据分析师：参与BI类项目的分析与实施；负责数仓、数据集市、数据报表，包括ETL的数据清洗开发。以上都没问题，包括简单的模型建模都没问题，但是下面的要求的有点不清楚了，比如要求要hadoop开发，我不知道你到底在干嘛。分析和开发是两回事。老娘舅全国应该是两三百家门店，员工数也就是两三千人，菜品也就那么多。我觉得你如果招分析师，可能大部分是顾客方面、地域的选址方面、产品、人群分析等等这方面的分析。我就不知道为什么要有“云”？所以可能hr在写的时候会借鉴人家的职业描述。因为hr并不是咱们这个领域里面的专家，所以他在招聘的时候，我们能看到他招聘信息，大概是可以判断他是想招什么样的人去做什么样的事情。老娘舅是一个连锁品牌，做的也挺好。他要是想招分析师，主要做什么？这个时候你可以去判断它，无非就是几百家门店分布在各个地方，它的人群结构是怎么样的？哪些地门店哪个菜卖得很好？哪些门店的话生意特别好，他的原因是什么？我们下一次在开店的时候应该更加注重哪些方面？新产品的开发的时候，这种人群里面的口味怎么样？新产品出来之后的应该怎么去符合这样的客户需求？如何定价？外卖的促销等等大部分都是这些事。所以我们可以通过企业在写的岗位描述、企业的名称，看他企业里面的业务情况，可以判断出来他要干的事情。 我觉得只要是学过分析的，知道产品、顾客、促销、定价，以及优化报表，掌握分析技巧的人，基本上符合老娘舅的数据分析师岗位。当然你进去了之后说我不会Hadoop怎么办？其实作为分析师来讲，你了解就可以了，无非知道在什么地方取数据。 我觉得老娘舅目前还没必要上做云平台这样的概念，它的数据量没那么大，像茅台这种企业它要上云的情况下，完全是由第三方去操作的，不需要你一个分析师去干这个事情。数据分析师的岗位描述你会发现对工具的描述越来越少，不像去年和前年。去年和前年在招数据分析师的时候，他的岗位任职要求里面会写很多你要会这个工具那个工具，今年你会发现很多都偏业务层比较多，他把业务的描述写的很重，把认知会轻一些。▍高级数据分析师数学、统计学、计算机、金融等相关专业有互联网的这样一个工作经验更好。然后会常用的一些模型和算法，并且掌握数据库，哪怕只会一种分析工具，比如说sp ss、SARS或者Python，没要求你必须要会什么，但会要求商业感觉敏锐、对数据敏感、能够理解业务、寻找业务环节中的分析的相应的机会。分析师的话其实就是在业务层，在运营、在产品、在决策。在各方面进行分析，我们分析师有三个分析的过程：原因分析、现状分析、预测分析。稍微高一点的高级数据分析师，它的要求其实也是业务很多，比如说面向市场精通业务、能够反映数据的体系、进行运营、决策、产品销售等方面的一些数据支持。你对于这个比如说服装领域业务员很熟悉，你是做服装行业高级分析师，你对服装行业非常熟悉，从原材料、仓库到门店线上线下等等，包括运营这些东西，全部是要用数据化进行支持的。这个要求就比较高，这种人的薪资也比较高，你看他基本上年薪都能达到50~80万之间。他对认知的要求也不是很高，也没有说你必须要会机器学习，你必须要会那个软件，他岗位描述里没有这么写。所以现在还是偏重于业务层面东西比较多一些。▍个人经验总结因为我当时在为阿里做大数据认证的时候，我17年18年两年时间是专门在研究岗位的。那个时候中国的数据分析师的岗位描述方式，以及企业他们对于数据分析这个岗位的理解度和要求是不一样的，今天是越来越明显。我相信未来还有很多新的岗位会出来，比如说专门做数据清洗，专门做数据可视化的，现在已经有一个新的岗位名称出来，叫web可视化,前端web可视化工程师。也就是说原来做web开发的那帮人，也要学可视化，这样你能把你的前端做得更漂亮，有的会出现2D或者3D的这样的效果出来。未来可能有专门的建模，专门的建模师、算法师、可视化工程师等等这些岗位会细化掉。所以大家在找工作的时候，我建议大家认清自己的情况，根据自己的情况来选择对应的级别，你到底是做助理还是做分析师，还是做资深的还是做高级的。自己有个定位，然后同时有相关的能力，比如说项目能力、思维能力和行业的业务能力等。九道门在本周五有一个线下沙龙，地点在我们公司。如果你们有时间可以到我们这来参加，可以线下进行交流，我们是觉得技术或者是分析的思维方式方法，是需要相互之间的交流碰撞，才能够更好的去思考这些问题。--END--

伴随着高速互联网、智能终端设备、和云存储的迅猛发展，商务实践数据以前所未有的速度积累。与此同时，新兴的数据分析算法（如统计学习、机器学习以及深度学习等）也日益成为未来商业领导者的核心竞争力。为了应对和拥抱未来商学教育新趋势，复旦大学管理学院针对企业当前对数据分析人才的强烈渴求，推出了数据科学与商务分析专业硕士项目，以全面回应企业在数字化时代所面临的人才痛点。昨天（18日），这个跨传统学科的新专业项目正式启动招生。复旦管院副院长郑明介绍，该硕士项目学生将系统性学习商务统计方法、商务决策模型、数据管理与挖掘技术等课程，从而具备应用定量方法处理与分析复杂商务数据、并应用于解决商务领域中的决策与管理等问题的能力，“该项目的推出旨在着眼未来，培养适应商务智能化发展趋势的管理精英；放眼国际，培养领导全球商务分析行业的技术领袖；立足上海，培养服务上海科创中心建设和智能金融科技建设的领军人才。”据悉，该项目招生对象为应届本科，推荐免试生为主，要求学生具备较强的数理基础、计算机编程能力。项目学制为期2年，全日制，课程设置方面统计学有关课程占40%、管理学方面课程30%、计算机和大数据占30%。2020年首届预计招生40-50人，达到学位要求者，授予应用统计（数据科学与商务分析方向）专业硕士学位。复旦管院校友、强生医疗高级生物统计分析师徐晶在发言中表示，数据科学不仅创造商业价值，也创造乐趣，每个行业都需要用到数据算法才能够实现高效发展，数据分析师和数据科学家将成为大数据时代最紧缺的人才。复旦管院陆雄文院长也表示，在迅猛发展的大数据时代，各行各业每天都会产生海量的数据，数据搜集和储存只是第一步，更重要的是懂得分析、应用这些数据。掌握数据分析技术的能力就是未来的竞争力，管理学院将以此来教育和培养我们的学生，让他们在各行各业发挥领导力，成为能够引领国家未来产业发展的人才，这也是我们项目的使命。据了解，数据科学与商务分析硕士项目旨在为政府、公司、企事业等提供数据分析与数据管理的高端人才，从而天生具有“特立独行”的基因：项目视角全面，以培养学生的数据分析理论基础、实际分析能力以及商业理解等视角来设置核心课程。项目师资雄厚，囊括统计学、物流管理、市场营销、信息管理、财务金融、计算机等专业的优秀师资以及业界专家。项目以丰富的实战案例为支撑，以市场营销、电子商务、物流管理、风险管理等领域的实际商业案例作为基础来展开分析，为学生带来“学以致用”的启发。项目还特别设计采用了双导师制，每位学生都将在校内导师和业界导师的共同指导下完成毕业论文。新民晚报记者 张炯强

本文来自：北风网职位画像项目组本期看点数据分析岗位薪水趋势数据分析职位量发展趋势数据分析职位就业指导薪酬—北上深平均月薪10K+薪酬地图：从职位薪水来看，数据分析行业的高薪主要分布在长三角、珠三角和京津地区。北京、上海和深圳的薪水位列第一方阵，均薪在10k+；杭州、宁波和广州位列第二方阵，均薪在9k+；其他沿海及内陆区域中心城市，如南京、重庆、苏州、无锡等位于第三方阵，均薪在8k左右。薪水地图职位量—北京职位量3W+职位量地图：从职位量来看，北京、上海、深圳和广州位列第一方阵，职位量在30000+，杭州、成都、南京和天津位列第二方阵，职位量在20000+，武汉、西安、郑州等区域中心或省会城市对数据分析职位的需求也相对较高，职位量在10000+。职位量地图薪水&职位量趋势薪水趋势：2017年数据分析行业职位薪水总体趋势波动不大，平均最低月薪基本在7k左右，平均最高月薪能达到10.9k，2018年呈上升趋势，发展“钱”途良好。薪水趋势图职位量趋势：受春季及招聘季影响，2017全年数据分析职位量存在一定波动，但总体需求呈上升趋势，预计2018年1季度需求量有明显上升。职位量趋势图热门职位TOPNTOPN热门职位：薪水一般都在8k+，其中高级数据分析师均薪在15k+；职位需求量方面，产品经理、数据分时和运营经理排名前三，可见数据分析在产品运营方面的重要性。热门职位稀缺职位TOPNTOPN稀缺高端职位：薪水一般都在15k+，其中以高级运营管理类职位居多；职位需求量一般都在20以下。稀缺职位六维薪水概况行业维度：基金/证券等金融行业薪水相对较高，其次是IT服务和咨询行业公司规模维度：公司规模与薪酬关系并不明显，但大公司薪水相对高出10%左右公司性质维度：合资、外资和国企平均薪水福利较好职位级别维度：高级比中级薪水高出80%左右，可见数据分析行业经验的重要性工作经验维度：5~10年是涨薪关键时期学历维度：学历越高，薪水越高，其中博士和硕士差距最大稀六维薪水概况图六维职位量概况行业维度：互联网/电子商务需求量最大，占数据分析行业40%+公司规模维度：中小创公司人才需求量巨大，占总职位的60%左右公司性质维度：民营企业消化了市场近60%的职位职位级别维度：大部分(79%+)公司对职位没有没有明确的级别定义工作经验维度：求才若渴，不限和1~3年占77%左右学历维度：大专及本科占总职位量的70%左右，其中以大专居多六维职位量概况图热门职位TOP10薪水趋势图TOP1-5薪水趋势：除运营总监外，其他职位薪水相差不大，全年薪水趋势较为平稳，预计2018年会稳中有升。2018年Top1-5薪水趋势TOP6-10薪水趋势：2017全年各职位薪水存在一定波动，其中9月份薪水相对较高，预计2018年1季度薪水会有一定程度上升。2018年Top6-10薪水趋势热门职位TOP10职位量发展趋势TOP1-5职位需求趋势：受春节及招聘季影响，各职位招聘需求存在较大波动，其中5月、8月及10月职位有明显上升。2018年Top1-5职位量趋势TOP6-10职位需求趋势：受春节及招聘季影响，Q1职位量低于Q2职位量，职位全年Q2、Q4职位量较高；8月，10月各职位均呈上升趋势。2018年Top6-10职位量趋势职位技能图谱对招聘需求进行分词和词频统计，通过绘制词云图可以看出，Excel、Python、Hadoop、Oracle、Spss、Linux是数据分析行业的主流技能。职位技能图就业指导薪水维度：建议在2月、10月、12月找工作职位量维度：5月、10月、11月职位量比较多月份薪水&职位量雷达图薪水维度：二线城市与热门一线城市相差25%左右职位量维度：去掉一线热门城市，其他可以考虑杭州、成都、南京、天津和武汉等城市城市薪水&职位量雷达图薪水维度：推荐重点关注1000以上大公司职位量维度：推荐重点关注100~499中小规模或20~99初创公司公司规模薪水&职位量雷达图薪水维度：推荐关注基金/证券等金融行业职位量维度：推荐关注互联网/电子商务类公司行业薪水&职位量雷达图北风网保留所有权

不知不觉，2020年已经来了。从2015年回国加入百度，我已经在分析师这个行业工作了5年，也算是个milestone了。恰逢最近总有亲戚家小孩请教毕业后怎么找一份数据分析师的工作，而我在分析师的招聘方面也有一定的经验，所以今天就来写一写我的想法。专业要求几乎没有要求，我曾经问过周围的数据分析师， 大家的专业还是挺具有差异化的。我的一位同事专业就是心理学，但这并不耽误她在数据分析领域的优秀表现。还有，我自己也是飞行器专业，严格来说也是跨行就业。对于候选人的学校部分，我们通常会先看下学校的好坏，985或者211还是受青睐的，然后就是看候选人的成绩， 一般本科期间能拿优秀学生奖金或者国家奖学金的，大概率成绩是很不错的。如果没有获奖历史，我会口头问下候选人在班里的排名。另外，虽然数据分析对专业的要求不高， 但是计算机、统计、数学、经济、信息管理这些相关专业毕业会加分不少，毕竟相关性强一些。如果候选人是这些专业毕业，在面试的时候我一般会问几个专业知识问题， 以考察候选人基础知识是否扎实。总而言之，我在筛选候选人的过程中，学校的好坏和成绩的好坏会比专业本身更加重要。毕竟，校招我们还是更看重学生本身的态度和潜力。对于学生而言，没有什么比成绩更能直接说明问题的了，是吧？通用能力一般公司对应届生招聘都会做通用能力测试，考评候选人的逻辑能力、沟通能力、数学能力。在海量的简历筛选中，这个测试会是我们筛选的重要条件之一。如果候选人的学校和成绩一般，测评分数也偏低的话，基本是不会进入面试环节。如果通过简历筛选，进入面试，我们也会准备一些难度不等的智力题来考察候选人。通常候选人会有三种表现，有些候选人特别聪明，会另辟蹊径提出解决问题的方法；有些候选人则是按照缜密的逻辑推理，给出正确答案；有些候选人则会没有清晰思路，需要在几次引导下才能给出些答案。第三种候选人的表现会减分，但是我们不会因为这道关卡就直接fail他们，还是会综合后续的表现进行整体评估。实习经历很重要！对于应届生招聘，实习经历是我们把握候选人的重要标尺。并不是说有实习经历的就肯定比没实习经历的优秀，而是对有实习经历的候选人，我们可以有更多的考察点来了解候选人。说白了，就是我们有相关的问题可以问，问的多了才能试出候选人深浅，我们对候选人的考察才会更全面更有把握。我们经常遇到一些硬件条件还不错的候选人，学校好，绩点好，也有获奖经历，通用能力测试偏上，但是实习经历和课外经历相对贫乏。这种条件下除非候选人善于表达，主动通过各种case展现自己的优点，并在架空的业务分析题目还有软能力上有突出的表现才会通过，否则我们会放在waiting list中。所以，如果你的职业方向特别明确，特别想进入数据分析师行业，我建议一定在假期或者研二、研三找一份实习数据分析师的工作。拿到一个实习offer的难度会比校招offer的难度低很多， 如果你在实习期间好好表现， 就很大概率能在实习结束后拿到转正offer。对于我们招聘者而言，最主要的就是确保正式offer给到我们需要的人，在实习生实习期间，我们可以有充足的时间对他们进行全方位的考评，决策会更有依据；且实习生拿到转正offer之后也会大概率正式入职，毁约的概率会远低于校招生。所以如果一个实习期间表现还不错的实习生 VS 一个硬件条件都高出一筹校招生，我们会倾向前者。技能要求hive sql，以及一定的编程基础，机器学习知识是个plus。我们不会因为sql不会或者不熟练就直接fail候选人，因为sql是一门很简单的语言，通常两周的时间就可以学会。但是熟练的hive sql会给候选人加分不少，毕竟来了就能干活谁不喜欢呢。除了sql，数据分析师还有可能用到的就是Python，如果不会python，学过其他编程语言也可以。毕竟我们需要的就是有一定的编程意识，而对应的编程语法，能够边学边用就够了。对于机器学习，数据分析师用到的比较少，如果你对常用的机器学习算法原理有一定的了解，也会是个plus，但不会是面试的决定项。业务能力应届分析师由于有限的相关工作经历，我们会问一些架空的分析题目来考察候选人的业务分析能力。这点其实和咨询公司的面试非常相似，咨询公司经常会问一些开放性的分析题目，比如某连锁餐厅准备在某市开一家分店，如何选址？如何预估一天的流水？又或者我们会问互联网分析师常常遇到的问题，某天的dau出现异常下跌，如何定位原因？通过这样的问题，我们可以考察到候选人以下三个方面：一是候选人是否思维活跃，想的全面；二是候选人是否具有结构化的思维能力，即思考是否有逻辑；三是候选人的表达能力是否清晰。我在面试中遇到的候选人会有几个典型的负面表现：一是不经思考直接作答，边想边说，最后也没有总结，所以整个回答非常散乱没有逻辑。二是思维特别受限，说来说去就一两点，拓展思考的能力较弱。三是特别啰嗦，一个点几句话已经说清楚了，但是候选人还要举很多的例子来佐证。软能力说白了就是每个人的优缺点。这个是我最喜欢的环节。我比较喜欢经常剖析反思，自我认知比较深刻的候选人。无论职场还是生活，我们都需要经常反思，不断复盘。反思不仅仅限于事情本身，更重要的是自己。我经常会问候选人，这二十几年来你最骄傲的一件事情或者最后悔的一件事情是什么？为什么？如果再来一次，你会怎么做？你对第一份工作的期待是什么？为什么选择数据分析师这个行业？有的时候我还会直接问，如果让你只说自己的一个优点，你觉得是什么？九成的候选人都会说自己学习能力强。但当我要求举出例子的时候，大部分人的例子都不够有说服力。以上就是我对数据分析师入坑的建议。大家如果有什么问题，欢迎底下留言。如果你觉得不错，希望能转发评论，点亮再看。谢谢！本文由 @阿娇 原创发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议

我是一名普通的不能再普通大学生，学校一般，成绩一般，没什么特长，也没有在学生会担任过什么职位。但是我现在是一名年收入20W+的数据分析师。冲着钱做的第一个决定我家住在三线小城市里，也没有什么太大的发展空间，所以一心想出来闯荡。和爸妈说了毕业之后想去杭州发展，还罗列了一大堆理由，就怕他们不同意。我是在九月份的时候来杭州的，来之前听说过杭州很热，没想到这么热。刚踩在杭州的地面上，就有种要中暑的感觉。房子是和别人合租的，合租人是两个小姐姐，人超好！都是同龄人，我们也很合得来，都喜欢美食、都喜欢拍照，最关键的是都喜欢千玺！扯远了，先说我面试的经历，我是市场营销专业毕业的，所以想找和专业相关的工作，在招聘网上（主要用BOSS直聘和前程无忧）直接搜“市场营销”，各种投简历，一天去三四家公司面试，但是感觉这些公司的工作内容和我想象的有点不太一样，拐弯抹角让你做销售，我可是有远大理想（暴富）的人，拒绝做销售。冲着钱做的第二个决定我开始找其他的工作，看到招聘信息上有“应届生”，投简历！“协助市场部……”，投简历！“新媒体营销实习生”，投简历！只要是和市场营销有一毛钱关系的岗位我都投了简历。接到各种面试邀请，我喜欢的公司没有要我，让我入职的公司又不是很喜欢。我之前听别人说第一份工作能大致确定未来的职业道路，所以我第一份工作想找好一点。但是真的太难了！白天奔波于各大写字楼中，晚上刷各种面试就业公众号、百度贴吧，就是想看看到底为什么一直找不到工作!!!冲着钱做的第三个决定每天刷公众号，刷着刷着就刷到了一个叫九道门的培训机构，真正吸引我的是九道门的内推！大致的意思就是去她那里培训两个月就可以获得企业内推的名额。我不信！怎么会有那么好的事情。心里虽然这么想，但是身体很诚实地去找了九道门的负责人，大致了解了具体内容，要在九道门学习数据分析（不懂）两个月，有企业里的人来看你的学习成果，如果做得好直接就可以去企业上班，培训地点就在杭州。说实话有一点点心动，但我又怕学不好就浪费钱了。白天在找工作的同时，还一直想着“九道门”的事情，上网查了“九道门”，看看到底可不可信，我是真的有种想去的冲动了，工作太难找了。纠结了一个星期，后来我还是报名了。鸡飞狗跳的学习了两个月，真的太难了，不仅学习难，生活上也很难，房租都是爸妈给付的。晚上上完课，回家就继续看上课的知识点，每次想到要是不能内推怎么办，就会哭，哭完了继续学习。努力就会有收获！这句话没错。两个月的课程没学完，我就收到了一家电商公司的数据分析师offer，太开心了！目前工资1W+，休息的时候就和合租小姐姐们逛街或者看看书（学习使我快乐），打算年后再换个工资高的工作存钱买房（以后就是房奴了），准备把爸妈也接过来。第一份工作真的很重要！我很幸运，我的第一份工作是数据分析师，这个岗位让我的眼界开阔了很多。（没有表情包的文章是没有灵魂的！）