随着互联网行业的发展和数据的爆发式增长，数据类人才炙手可热，需求量与日俱增。据职业社交平台领英发布的《2019中国新兴职业报告》显示，数据分析师的职位增长率在所有新兴岗位中排名第五，是中国人才市场增长最快的职位之一。数据岗作为中国高速发展的新兴职业，在招聘市场上信息还不完善。作为招聘方，希望吸引更多的数据人才，为人才提供合适的薪资待遇。作为应聘者，希望能够对自己的能力做出合理的评估，选择合适的数据岗位和企业。那么数据类岗位对人才有哪些具体的要求？数据人才如何选择更适合自己的岗位？为获得更高的薪资需要提升自己的哪些方面？

本文的数据爬取自互联网行业垂直招聘平台拉勾网，按数据分析师、数据挖掘师、数据运营员三个岗位爬取数据，共获得样本2550个。由于薪资反映了企业的数据人才需求，是衡量应聘者能力的直观因素，因此将平均薪资视为模型的因变量。自变量按岗位因素、求职者因素、公司因素归纳为3类。各变量的具体描述如下：

先来看看模型的因变量——平均薪资吧。互联网行业数据类岗位的薪资在3千元~8万元之间，呈现明显的右偏分布，说明存在少数薪资很高的岗位，拉动了数据类岗位薪资的平均水平。具体地，岗位薪资的平均数为 2.02 万元，中位数为 1.8 万元。

对薪资取对数后，绘制数据岗位类型的分组箱线图，对比三个岗位的薪资水平。从图中可见，数据挖掘师的整体薪资是最高的，其次是数据分析师，而数据运营专员的薪资水平明显偏低。其中数据分析师的样本量在总样本中占比最高。

为什么不同岗位的薪资差别这么明显？从职位描述中或许能找到答案。职位描述中包含了岗位职责、任职要求等信息。对数据运营专员、数据分析师、数据挖掘师的职位描述进行分词处理，分别绘制高频词的词云图。数据运营专员岗位的词云图中，频率较高的词汇有数据、运营、业务、沟通、监控、报表等。数据分析师岗位的词云图中，频率较高的词汇有数据、分析、业务、统计、产品、报告、团队等等，还出现了SQL。说明数据分析师与数据运营相比，需要更多的专业知识，和更强的业务能力。数据挖掘师的词云图中，算法、机器学习、业务、模型、语言、开发、技术、Python 等词出现的频率较高。说明与前两者相比，数据挖掘师更看重技术层面上的模型知识、编程语言、开发能力等等，因此薪资普遍较高。相同的是，三类岗位都对应聘者的业务知识、团队意识、沟通能力提出了较高要求。

从各城市的薪资水平来看，一线城市无论在岗位的数目上，还是在薪资水平上，都领跑其他城市，样本占比达到了77.8%。北京作为我国的政治、科技、经济中心，数据类岗位的薪资水平最高，深圳、上海紧随其后。二线城市也开始崭露头角，其中杭州市的薪资水平已超越广州市，武汉市也势头凶猛。其他城市的岗位虽然整体薪资水平不高，但仍有许多与一线城市薪资持平的高薪岗位存在。

下图为不同城市岗位数目的柱状图。横向来看，数据类岗位数目排在前面的仍是一线城市北上广深，其中北京独占鳌头，岗位数目几乎是排在第二位的上海和第三位深圳的数目之和，远远超过了其他城市。从纵向来看，数据分析师的人才需求是最大的，在各城市中都是如此。

软件技能是求职成功与否的重要因素，如前文词云图中出现的SQL和Python。自然想到数据类岗位都要掌握哪些技能？对薪资是否有影响？对于每个软件技能，绘制出包含该技能的所有岗位平均薪资的柱形图。从图中可见，要求应聘者掌握Excel技能的岗位给出的平均月薪最低。猜测此类岗位对技术的要求不高，能够使用Excel进行基本的数据分析与报表制作即可，因此薪资相对较低。要求R和Python的岗位给出的薪资较高，平均薪资超过了2万元。而要求 Spark、Hadoop、Java等大数据技术的岗位薪资最高，平均薪资超过了2.5万元。

以上图中的前6个最常见的软件技能为例，绘制三类岗位的分组柱状图，探索各岗位所要求的软件特点。从图中可见，数据分析师提到的最多的技能依次为SQL、Python和R，其中有超过60%的数据分析岗位对SQL能力提出了要求，超过40%的岗位对Python和R提出了要求。数据挖掘师提到最多的为Python，近80%的数据挖掘岗位都要求应聘者的Python能力，比例远远超过了其他技能。而对数据运营专员来说，要求最多的为Excel，比例超过40%，其次为SQL，对Python和R的要求不高。

从工作经验的分组箱线图可见，薪资随着工作经验要求的增加而呈上升趋势。这说明 工作经验是影响岗位薪资的重要因素，随着工作经验的增加，薪资也不断上升。

从学历的分组箱线图可见，随着学历的升高，岗位薪资稳定上升。拥有博士及以上学历的应聘者获得的平均薪资最高，大专及以上的应聘者薪资最低。大多数岗位要求应聘者的学历为本科及以上，样本占比达到了81.7%

自变量中的公司因素包含融资阶段和公司规模两部分。上市公司给出的平均薪资最高，未融资、天使轮融资的公司给出的薪资最低。但所有融资阶段的公司给出的最高薪和最低薪是大致持平的。公司规模从另一个角度反映了公司的实力。随着公司人数的增加，公司给出的薪资也不断升高，大规模的公司给出的薪资最高。

（一）对数线性回归模型

以岗位平均薪资作为因变量，岗位类型、工作地点、软件技能、工作经验、学历、融资阶段、公司规模作为自变量，删除异常样本后，建立对数线性回归模型，并使用AIC准则进行变量选择。由回归系数的估计值可见，当控制其他因素不变时：

1. 岗位类型：数据运营专员平均薪资最低，数据挖掘师平均薪资最高，比数据运营专员高41%。数据分析师的薪资介于二者之间，比数据运营专员平均高出14%。
2. 工作地点：北京市数据岗位的薪资水平最高。与其他城市相比，北京市数据岗位的平均薪资高47%，上海市数据岗位的平均薪资高39%，深圳市、杭州市、广州市的薪资分别高出38%、33%、20%。
3. 软件技能：要求掌握SQL、Python、Hive、SAS、Spark的岗位比不要求的岗位平均薪资要高，分别高5%、9%、8%、5%、7%。相反，要求掌握Excel和SPSS的岗位比不要求的岗位平均薪资低11%、5%。这是由于Excel和SPSS相对来说比较简单，此类岗位不要求复杂的技术，薪资水平较低。
4. 工作经验：要求应聘者有5年以上工作经验的岗位，比不要求工作经验的岗位平均薪资高出了67%。要求3-5年工作经验比不要求工作经验的岗位薪资高33%。
5. 学历：学历是影响岗位薪资的重要因素，硕士及以上的学历比大专及以上的学历平均薪资高43%。
6. 融资阶段：处于未融资或天使轮融资的公司给出的平均薪资最低，C轮、D轮融资的公司给出的薪资最高，比未融资或天使轮融资的公司平均高出11%。上市公司比未融资或天使轮融资的公司的薪资平均高7%。
7. 公司规模：与小规模公司相比，大规模公司数据岗位的薪资平均高18%，中规模公司的薪资平均高8%。

（2）各岗位分别建模

前文分析了数据岗位薪资影响因素的总体情况。对于应聘者而言，如果想应聘某一特定的工作岗位，应该提升自己的哪些技能？对这一岗位，哪些技能是提升薪资的加分点？对三个数据岗位分别建立对数线性回归模型，以未掌握相关技能为基准组，得到的显著软件技能变量的回归系数如下图所示。

其中回归系数为正代表该技能对岗位薪资有促进作用，回归系数为负代表该技能对岗位薪资有抑制作用。从图中可以总结出应聘各岗位时的加分点：

1. 数据分析师：Hive、Python、SAS、SQL技能是提升数据分析师薪资的显著因素，可使薪资分别提升至原来的1.111倍、1.096倍、1.057倍、1.049倍。
2. 数据挖掘师：掌握Spark技能可使薪资变为原来的1.084倍。
3. 数据运营专员：掌握SQL技能可使薪资提升至原来的1.136倍。

从整体上来看，无论是数据分析师、数据挖掘师，还是数据运营专员，Excel技能的回归系数都是负的，说明要求应聘者掌握Excel的岗位薪资都不高。特别是数据运营专员，传统认知上，该岗位要熟练使用Excel进行数据管理、制作报表。但回归结果却显示Excel技能抑制了薪资的增长，反而SQL技能可以使薪资提升13.6%，说明数据运营专员岗位也越来越要求应聘者的技术水平。无论应聘什么岗位，只有提升自身技能才是硬道理。

由于自变量都是定性变量，回归树模型比传统回归模型的解释效果更强。

第一层节点为工作经验，经验在3年以下的岗位薪资较低，进入左边分支。在工作经验3年以下的岗位中，数据挖掘师的薪资最高，约为22004元，比数据分析师和数据运营专员的薪资高了约8877元。对于工作经验在3年以下数据分析师和数据运营专员，影响薪资最明显的因素是工作地点。若岗位设置在北京、杭州、上海、深圳，薪资能达到大约14568元。若设置在其他二三线城市，薪资仅有9843元。

工作经验在3-5年的岗位薪资较高，比3年以下的岗位高了约10801元。在工作经验3-5年的岗位中，无论是数据分析师、数据运营专员，还是数据挖掘师，受工作地点的影响都很大。北京、上海、深圳的数据分析师和数据运营专员岗位比其他城市的薪资高了约6146元。北京的数据挖掘师岗位比其他城市的薪资高了约7765元。工作经验在5年以上的岗位薪资最高，平均为31919元。工作经验在5年以上且工作地点在北京、杭州、上海、深圳的岗位薪资比其他城市高出约10929元。

从回归树结果中可以总结出如下结论：

1. 决定数据类岗位薪资的影响因素中，工作经验是首要因素，工作地点和岗位类型也很重要。
2. 北京、上海、深圳无论是哪种岗位、几年的工作经验，给出的薪资都比其他城市高很多。
3. 数据挖掘师薪资水平最高。在工作经验5年以下时，数据挖掘师的平均薪资比数据分析师和数据运营专员高出了1万元左右。
4. 数据分析师和数据运营专员受工作经验影响较大。随着工作经验的增加，薪资涨幅十分明显。
5. 工作经验在5年以上的薪资受岗位类型影响不明显，而受工作地点影响很大。

针对模型结果可对个人的职业发展指明方向：

1. 要提升自身的学历和技能，增加工作经验，多接触、了解公司业务，是应聘成功与否的核心因素。
2. 提前做好职业规划，了解不同岗位的侧重点，有针对性地学习技能。
3. 在能力范围内选择机遇多、保障好的大城市、大公司。不能以应聘薪资作为唯一衡量因素，也要考虑未来的发展。

对高校的培养方式也可以提出以下建议：

1. 培养复合型人才。既要开设统计学、计算机、数据库、统计软件等相关课程，也要锻炼学生的沟通表达、团队协作能力。
2. 不能只讲述传统的模型和方法，要跟上数据产业的发展速度。
3. 在强调基础知识和理论素养的同时，注重应用能力的提升，使学生具备解决实际问题的能力。
4. 不要把提高升学率作为唯一的目标，要注重学生的职业规划指导。多制造实习机会，鼓励学生在实习中积累业务知识，提升学生的竞争力。

作者：白皓

本文转载自： 狗熊会

封面图来源于网络，如有侵权，请联系删除