第一部分：电商数据分析师的职业图谱
 适用人群
 零基础小白，对电商、数据分析有兴趣的人群
 期次简介
 本门课程作为电商数据分析师的开篇导论，将从数据分析师的岗位及透过岗位理解业务为切入点，讲解数据分析师的职业诉求，发展路径，及数据分析在业务中的存在价值，如何通过数据分析理解业务的价值和发现机会点。
 
课程核心关键词：
 
认识数据分析师
 
如何透过数据理解业务？
 教学大纲
 第一章：认识商业分析师
 1.1：什么是商业分析师？
 1.2：商业分析师，解决什么业务问题
 1.3：成为商业分析师
 1.4：商业分析师的进阶之路
 
第二章：透过岗位理解业务
 
第二部分：电商数据分析师的技法修炼
 适用人群
 零基础小白，对电商、数据分析有兴趣的人群。
 期次简介
 本门课程主要阐述作为一名分析师必备的技法和应用指南，从入门→理解分析需求→数据处理技能→数据可视化贯彻全线，帮助学员快速掌握数据分析所需的思路、方法论和工具。
 
课程核心关键词：
 
分析思路
 
需求分析
 
SQL/Python入门及技巧
 
数据可视化
 
教学大纲
 第一章：数据分析入门指南
 1.1：系统方法–数据分析的基本框架
 1.2：业务实践–三大典型场景实践分析框架
 1.3：能力升华–数据分析能力培养
 
第二章：一切分析之基础
 2.1：需求理解&分析
 
第三章：筱说图表–0基础到图表达人
 3.1：“说在前面”
 3.2：图表思维
 3.3：图表运用
 3.4：玩转图表
 
第四章：SQL技能
 4.1：SQL基本介绍
 4.2：DDL、DML和DQL
 4.3：SQL常用函数和操作实例
 4.4：补充Hive简介
 
第五章：Python新玩家的上手攻略
 5.1：Python基本介绍
 5.2：Python数据分析核心工作包
 5.3：Python入门策略规划
 
第三部分：实战(一)：数据分析师的宏观视野
 适用人群
 零基础小白，对电商、数据分析感兴趣的人群。
 期次简介
 本课程带你从外到内看业务机会和风险， 手把手带你搭建电商指标体系，并进行目标管理，助力业务自我审视，发掘突破点，达成目标。
 
课程核心关键词：
 
行业格局
 
电商指标体系
 
KPI管理
 
教学大纲
 第一章：格局：如何从外向内看业务的机会和风险？
 1.1：行业研究的意义与内涵
 1.2：如何观察行业：估计规模&三种视角
 1.3：如何观察行业：四种规模&三种视角
 1.4：聚焦竞争者研究
 1.5：本章回顾&进阶难点
 
第二章：框架：业务要如何自我审视？–电商指标体系
 2.1：业务要如何自我审视？——电商指标体系
 2.2：三大族谱：财务+经营+体验
 2.3：聚焦生意本质：财务指标篇
 2.4：助力业务增长：KPI+KSF
 2.5：从满意到忠诚：NPS体系
 2.6：指标体系要素&tips
 2.7：指标体系监控闭环
 
第三章：目标：业务要如何达成目标？–KPI管理
 3.1：目标的理解与设置原则
 3.2：目标设置方法与思路（上）
 3.3：目标设置方法与思路（下）
 3.4：目标的联姻效益与动静相宜
 3.5：有始有终的目标管理体系
 
第四部分：实战(二)：人·全链路用户分析
 适用人群
 零基础小白，对电商、数据分析有兴趣的人群。
 期次简介
 本门课程带你从数据、研究多维刻画用户。同时，让你知道如何基于“拉新-复购-价值提升”的全链路用户分析，助力精细化用户运营。
 
课程核心关键词：
 
渠道分析
 
用户刻画
 
拉新、复购
 
价值提升
 教学大纲
 第一章：拉新–从渠道看如何获取用户
 1.1：渠道精准追踪实现原理
 1.2：渠道归因方法及优缺点
 1.3：推广目标制定及效果评估
 1.4：渠道评级及组合最优化
 1.5：数据化决策推广营销策略
 1.6：作弊鉴别及预防
 
第二章：电商用户数据分析的内功与招式
 2.1：结合业务场景理解什么是用户数据分析
 2.2：用户数据分析武功秘籍
 2.3：用户数据分析产品化实战–以CRM产品为例
 2.4：用户研究赋能数据分析
 
第三章：从数据到用户，探究现象背后的原因
 3.1：为什么要学习用户研究
 3.2：全链路用户研究框架搭建
 3.3：我们的用户是谁？–聊聊用户刻画
 3.4：如何助力用户获取？–聊聊0→1，1→2单用户研究
 3.5：如何助力用户终生价值提升？聊聊会员体系研究
 
第五部分：实战(三)：货·商品分析
 适用人群
 零基础小白，对电商、数据分析有兴趣的人群。
 期次简介
 本门课程让你知道：①怎么样进行品类管理，了解品类当前的发展状态和潜在的问题，②如何识别明星商品？③如何更好的辅助类目运营和商品销售？④怎么样构建一个完整的商品分析的框架体系。
 
学完本课程，您将能够从点到面，围绕商品而不是仅仅着眼于商品，注重人货场的结合，注重分析的体系化，让分析的结论更具实际的指导意义。
 
课程核心关键词：
 
品类管理
 
爆品橱窗
 
商品评级
 教学大纲
 第一章：玩转商品–从电商的核心要素说起
 1.1：商品：贯穿电商全流程
 
第二章：品类管理
 2.1：品类定位和诊断
 2.2：多品类联动–打组合拳
 
第三章：打造“爆品橱窗”
 3.1：新品上新–如何一炮而红
 3.2：推广运营–如何打造持续爆品
 3.3：商品分类管理
 
第六部分：实战(四)：场·数据分析师的双11
 适用人群
 零基础小白，对电商、数据分析有兴趣的人员。
 期次简介
 本门课程带你看：别人都在买买买的双11，数据分析师都在做什么？他们的分析与你看到的商品、促销活动有什么关系？当然，通过本门课程的学习，你也可以以数据分析师的角度去洞察双11，去看别人眼中看不到的双11。
 
课程核心关键词：
 
活动数据
 
分析框架
 
实例剖析
 教学大纲
 第一章：活动分析的三个阶段
 1.1：场·活动数据分析理论和实践-成片
 1.2：活动分析的三个阶段
 
第二章：活动分析典型分析框架剖析–以双11“红包”项目为例
 2.1：活动分析典型分析框架剖析
 
第三章：大型促销分析项目管理方略
 3.1：大型促销分析项目管理方略
 
第七部分：实战(五)：不容忽视的品牌要素
 适用人群
 零基础小白，对电商、数据分析有兴趣的人群。
 期次简介
 品牌的意义和价值何在？为什么企业愿意大手笔投品牌广告呢？你的购买行为和品牌有关系吗？本课程将带你探寻品牌的意义和价值，紧密结合业务，搭建一套品牌资产管理的研究支撑体系，助力业务占领用户心智。
 
课程核心关键词：
 
品牌价值
 
定位理论
 
感知监测
 教学大纲
 第一章：理解业务–什么是品牌管理？
 1.1：思考–什么是品牌？
 1.2：研究赋能–品牌研究的模块和闭环
 
第二章：心智占领–如何支持你业务的品牌定位？
 2.1：定位理论&定位的产生
 2.2：情感属性：帮助你的品牌建立人设
 
第三章：如何建立监测机制，实现价值点管理？
 3.1：建立监测机制，实现价值点管理
 
第八部分：复盘：0到1成为数据分析师
 适用人群
 零基础小白，对电扇、数据分析有兴趣的人群。
 期次简介
 本课程总结数据分析图谱，归纳实用宝典技能，助力你成为优秀的电商数据分析师。
 教学大纲
 第一章：复盘–0—1成为数据分析师
 1.1：你的数据分析知识图谱
 1.2：你的数据分析实战宝典
 1.3：从1到2
 
第九部分：延伸：职场秘籍
 适用人群
 零基础小白，对电商、数据分析有兴趣的人群。
 期次简介
 严选一线老师教你如何给你的业务方讲一个好故事，作为一个数据分析师在日常生活中如何学习，并且如何保持终身学习，不断提高自己的核心能力与知识体系。
 教学大纲
 第一章：如何给你的业务方讲一个好故事
 1.1：如何给你的业务方讲一个好故事
 
第二章：保持终身学习
 2.1：知识的游牧民族
 2.2：数据分析师的终身学习规划
 
资料分享Q 2844366079

 
 

 
 
导读：企业当前需要什么样的数据分析人才？这些人才应该具备怎样的能力和素质？数据分析师挣多少钱？下面的分析过程正在试图给你答案。希望本文能够为你今后的学习和求职提供指导，也为正在学习数据分析和找工作的朋友们提供一定的参考价值。
 


 

 


 


 
01 项目背景
 


 
在学习数据分析的路上，少不了经常逛知乎，写这篇文章的启发来源于@BigCarrey 的一篇文章《数据分析师挣多少钱？“黑”了招聘网站告诉你！》，该文章给了我一些帮助，让我了解了数据分析岗位相关的信息，但同样也留给我一些疑问，该文章分析的数据分析师所需技能的结果丝毫没有R的踪影，尽管是一年前的分析，我觉得应该不可能不存在。
 


 
因此，抱着证实R语言这款工具的想法，以及希望了解当前企业对数据分析岗位的需求，开始了一次针对招聘网站的数据分析岗位招聘数据的分析与挖掘实践，避免自己所学习的方向与企业实际需求脱轨。
 


 
此实例采用R语言作为分析工具，下面展现的是我整个分析过程。
 


 


 
02 目标
 


 
了解企业当前需要什么样的数据分析人才，以及应该具备的能力和素质。
分析的结果为今后的学习和求职提供指导，也为正在学习数据分析和找工作的朋友们提供一定的参考价值。
 


 


 
03 问题的分解
 


 
不同地区，数据分析岗位的需求分布以及对应的薪资分布
不同经验，数据分析岗位的需求分布以及对应的薪资分布
不同学历，数据分析岗位的需求分布以及对应的薪资分布
不同企业规模，数据分析岗位的需求分布以及对应的薪资分布
探索数据分析岗位对应的工具型技能与对应的薪资水平
探索数据分析岗位对应非工具型能力的需求
 


 


 
04 数据集的定义
 


 

 
▲表1：数据分析岗位信息表
 


 

 
▲表2：数据分析岗位技能关键词表
 


 


 
05 数据获取
 


 
数据来源：拉勾网
 
数据范围：互联网行业、数据分析岗位
 
数据集：全国数据分析岗位招聘信息数据集（采集样本量：449）
 
工具：爬虫
 
时间：所有数据截止2018年3月12日
 
数据集获取方式：请关注公众号数说物语（ID：DataTalk_）回复【拉勾网】即可获取下载链接和密码
 


 


 
06 数据处理
 


 
步骤1：加载原始数据
 


 

 


 
步骤2：识别缺失值
 


 

 

 
▲图1. aggr缺失值识别图
 


 
幸运的是该数据集不存在缺失值，这是很少遇到的情况。
 


 
步骤3：数据清洗
 


 

 

 


 
步骤4：文本挖掘
 


 
文本挖掘工具：jiebaR包
 


 
说明：
 


 
在进行正式挖掘之前测试了一下jiebaR的关键词（keywords）分词器，测试的结果发现SQL,Python等词在jiebaR词典中的IDF值均为11.7392，但“R”这个字符无论如何(即使自定义了用户字典，或者在idf字典中添加R的idf值)都无法被分词器识别为关键词，猜测可能是默认R的词性标注或者算法实现方法的原因。但因为R是数据分析师的重要工具，识别不出来是不可容忍的，因此要另求出路。
 


 
测试代码如下：
 


 

 


 
结果如下：
 


 

 


 
解决办法：
 


 
关键词算法的实现原理是TF-IDF算法，TF为词频，IDF为逆文档率（词的权重），因此TF-IDF=TF*IDF为衡量是否关键词的指标，若控制IDF，则TF-IDF的值与TF值成正比关系，简单来说TF值可以代替TF-IDF值。
 


 
由于此次分析的是数据分析师的工具和技能，因此只考虑SQL,PYTHON,R,SAS等常用且类似的词的分析，又因为该类词在jiebaR分词器识别出来的IDF值均是同级别的（即使可能存在有差异也在此假设其等值），因此这部分词汇的关键指标的衡量可以简化为出现的词频，即TF值，这个可以通过jiebaR的默认分词器（不是关键词分词器）来处理即可，最终解决R关键词识别的问题。
 


 
文本挖掘思路：
 


 
1、工具型技能的关键词：采用默认分词器的词频TF值
 
2、非工具型能力或素质的关键词：采用关键词分词器的TF-IDF值
 
代码如下：
 


 

 

 

 


 
到此数据处理的过程基本完成，处理后干净的数据如下：
 


 

 


 


 
07 分析的结果
 


 
数据分析代码：
 


 
具体代码可以前往该链接查看整个过程：RPubs - 分析实例：企业需要什么样的数据分析人才（http://rpubs.com/Joffy_Z/DA_analysis）
 


 
描述统计信息：
 


 

 


 
问题一：不同地区，数据分析岗位的需求分布以及对应的薪资分布
 


 

 

 


 
总的来说数据分析师的平均薪资比较好，工作1年以上拿到10k月薪的机会还是比较大
在需求量前5的城市中，北京和深圳的平均薪资是最高的，广州的平均薪资最低
需求量在第二梯度的城市中，长沙和成都的平均薪资较低，但武汉、厦门、郑州也有不错的薪资表现，二线城市也是一个可以考虑的选择
需要注意的是苏州的需求量相对于其他城市是非常低的，但其平均薪酬接近深圳，是可以值得关注的城市


 
问题二：不同经验，数据分析岗位的需求分布以及对应的薪资分布
 


 

 


 
跟预想的差不多，薪资随工作经验的增加而有一个稳定的增长
但企业对最大的数据求集中在3-5年经验的数据分析师，这对于转型进入数据分析的人来说不是一个好的消息
转行需要更有充足的准备，且要不断寻找能够积累经验的项目来做。


 
问题三：不同学历，数据分析岗位的需求分布以及对应的薪资分布
 


 

 


 
企业似乎更加注重分析师的实践经验，而不是学历的高低，但至少需要具备本科以上的学历，数据分析还是需要具备一定的理论基础
在薪资方面，相对与本科来说，硕士及以上学历在获取高薪方面并没有太大的优势，能够解决实际问题才是数据分析师拿高薪的关键，而非深奥的理论知识
大专学历的分析师还是有机会，重点在于增加自己的工作经验才是本质上与其他分析师拉开距离的关键，当然，理论知识也不能落下
 


 
问题四：不同企业规模，数据分析岗位的需求分布以及对应的薪资分布
 


 

 

 


 
150人规模以下的企业需求量较少，但给出的薪资较高（甚至有异常的高薪），该类企业可能处于快速融资且高速的发展阶段，需要有丰富经验的数据分析专家来建设整个数据体系
50~150人规模的企业适合有足够经验的分析师且想要创业的人，对自己职位以及薪酬均会有明显的提升，但最大的风险就是该类企业容易失败，特别在互联网行业，因此更不建议作为转型新人的首选
对于转型的新人，尽可能往大企业走，越大规模的企业，整个体系越成熟，因此可以在150人以上的规模从上往下选择自己合适的企业才是比较科学的方式，且需求量巨大
 


 
问题五：数据分析岗位对应的工具型技能与对应的薪资水平
 


 

 

 

 


 
SQL和Excel几乎是每个数据分析师要掌握的基础技能，大多数企业都有自己的数据库体系或者系统平台，因此企业工作人员读取和处理数据还是以数据库和Excel为主
R，Python是两个最热门的开源数据分析工具，且当前R语言在需求仍然不低，因此核心掌握两门语言的其中一门都会让数据分析师具备有力的竞争优势
除此之外工作经验较低的数据分析师还需要掌握一些BI可视化分析工具
工作经验较高的数据分析师需要掌握主流的关系型数据库系统和NoSQL，以及Hadoop，Hive，Spark等大数据工具
掌握Hadoop，Hive，Spark，R，Python等技能是获取高薪必备条件
 


 
问题六：数据分析岗位对应非工具型能力的需求
 


 
声明：此处数据涉及到岗位细分和难以衡量的原因，并没有进行深入分析，词云本身不具备太高的数据分析价值，仅作为可视化关键词的分布情况的工具；阅读者需要根据自身岗位以及所处的工作定位查看关键词的情况，这里的大小表示关键词出现的频次。
 


 

 


 
通过资料的收集，了解到数据分析岗位主要有偏工程方向和偏业务方向两个类型，透过词云可以大概了解到如下信息：
 


 
偏工程方向的数据分析师对“数据挖掘”、“数据建模”、“模型分析”等能力要求较高
偏业务方向的数据分析师对“业务分析”、“运营分析”、“产品分析”、“用户分析”等能力要求较高
两个类型共同需要“逻辑思维”、“沟通”、“分析报告”、“统计分析”、“团队合作”等关键能力
 


 


 
08 总结
 


 
从地域来看，北京、深圳、上海、杭州、广州应该是数据分析师的首选城市，苏州是一个值得关注的城市，外部数据了解到苏州的GDP仅次于一线城市，此处结果平均薪资接近北京和深圳，但需求量较低，想要苏州发展的朋友可以关注其动态。
从总体需求来看，企业更加需要具备多年工作经验，且动手能力强、解决实际问题的分析人才，随着工作经验的增加，其对应的薪资也有可观的增长。
从大环境看，外部资料了解到，自助式分析工具的逐步完善与人工智能技术的突破，也可能使得企业现有业务人员能够上手基础的分析工作，导致企业对经验较低的分析师需求减少。
从企业规模看，150人以上规模的企业更加适合新人进去锻炼，一方面企业已经完成了基本的数据体系架构，且越大的企业数据量级越大，另一方面，企业需要逐步培养强大的数据分析团队来支撑业务的增长。
从分析师个人的角度，则需要更加关注自身成功项目经验的积累，这是升职加薪的必备条件，且需要思考未来自身的发展路径，提前做好准备，相对于业务方向，大数据工程师方向会有更可观的薪资。
从能力的角度，数据分析师需要掌握SQL，Excel，R，Python四个必备的工具（R和Python可以选择其一为主要工具），新人可以注重BI，PPT等office工具的技能，如果是大数据挖掘，越往后则需要更加关注hadoop，Hive，Spark等工具；
数据分析师个人还需要注重逻辑思维、表达沟通、分析报告等关键能力
 


 


 
09 建议
 


 
对于想要转型的数据分析师新人，转型之前尽可能做好项目经验的积累，尽量做到跨岗不跨行，在自己熟悉的领域学习数据分析
企业比较看重经验和动手能力，面试的时候尽可能展示你的作品或者案例，如果当前没有，则需要在日常学习，练习，积累
可以掌握一些可视化工具和数据可视化的思维，熟练掌握报告和表达的技巧，数据分析的工具多样，方式多样，只有能够正确解读数据且让对方看懂听懂才是有价值的
 


 


 
10 不足
 


 
本次分析并没有按照分析报告的方式来呈现，文章中以个人的整个分析过程来撰写，希望能够与各位朋友一起交流学习，如果你不同意我文章中的观点，欢迎指正交流。
 


 
文章中我附上了我的数据集以及分析的代码链接，有兴趣的朋友可以重复我的过程，甚至做更加深入有趣的分析，如果有新的发现和观点，希望也能让我知道，向你们学习。
 


 


 
11 局限
 


 
数据仅采集到449份样本，数据量相对少一点，因此数据分析的结果需要大家用怀疑的心态来看待，且仅局限在互联网行业，相对于其他行业，本文章的分析结果只能作为一个参考。
 


 
感谢您的阅读，您的建议和留言会让我做得更好。
 


 
作者：乔飞（Joffy Zhong）：咨询顾问 写作爱好者 数据分析 互联网创业者 R语言中文社区专栏作者
 
来源：数说物语（ID：DataTalk_）
 


 
推荐阅读
 

 

 

 

 

 

 

 

 

 

 

 

 

 


 
日本老爷爷坚持17年用Excel作画，我可能用了假的Excel···

 
看完此文再不懂区块链算我输：手把手教你用Python从零开始创建区块链

 
为什么要学数学？因为这是一场战略性的投资
 
180页PPT，讲解人工智能技术与产业发展

 


 


 
Q: 数据分析师所需的技能，你get到了吗？
 
欢迎留言与大家分享
 
觉得不错，请把这篇文章分享给你的朋友
 
转载 / 投稿请联系：baiyu@hzbook.com
 
更多精彩文章，请在公众号后台点击“历史文章”查看
 

 ├─章节1课程介绍
 │      课时1课程介绍.mp4
 │      
 ├─章节2各类企业的数据分析工作
 │      课时02 国企数据分析工作.mp4
 │      课时03BAT企业数据分析工作.mp4
 │      课时04中小型企业数据分析工作.mp4
 │      课时05数据分析工具介绍.mp4
 │      
 ├─章节3广度：拓展宏观视野
 │      课时06数据分析多元思维模型.mp4
 │      课时07电商数据分析――以京东APP为例.mp4
 │      课时08互联网金融行业toC授信模型――以芝麻信用为例.mp4
 │      课时09游戏付费数据分析――以欢乐斗地主为例.mp4
 │      课时10传统销售行业数据分析案例讲解.mp4
 │      
 ├─章节4深度：聚焦微观方法论
 │      课时11指标体系搭建.mp4
 │      课时12流量分析.mp4 
 │      课时13路径分析.mp4
 │      课时14竞品分析.mp4
 │      课时15营销活动分析.mp4
 │      课时16用户增长分析.mp4
 │      
 ├─章节5专题分析标准化流程
 │      课时17问题定义和拆解.mp4
 │      课时18数据获取及分析.mp4
 │      课时19报告撰写.mp4
 │      课时20AB测试.mp4
 │      
 └─章节6数据分析师的自我修养
         课时21行业分析.mp4
         课时22数据仓库研究.mp4
         课时23用户研究.mp4
         课时24时间管理.mp4!

 
关于主要城市数据分析岗位招聘信息的分析
 
前言
分析思路
数据获取
数据清洗加工
删除无效数据
数据加工
  
数据分析
公司分析
位置分布
融资情况
行业分布
   
岗位分析
学历要求
工作经验
职业诱惑
岗位要求
   
薪资分析
薪资与城市
城市、经验与薪资
城市、行业与薪资
  
  
分析总结

 
前言
 
随着互联网的飞速发展，用户积累的数据越来越多，企业从大数据中挖掘有价值的信息似乎成了主流，加上各种营销，导致许多人想转行数据分析师，认为入门门槛相对较低、工资高于大多传统行业岗位，当然我也是其中一个，为了避免被各种营销带节奏，还是分析了解一下数据分析师目前的大概行情吧，比如薪资待遇如何，工作内容是什么，去哪座城市机会好等等。
 
使用工具：Xmind（思维导图）、Excel（数据处理清洗）、Tableau（数据可视化）、Pycharm（词云）
 
数据来源：Kesci网（【爬遍拉钩，带你看看数据分析师的真实现状】）
 
分析思路
 
 
数据获取
 
目前，还没学习爬虫，使用他人爬取数据进行分析。
 
打开Kesci网，注册账号，搜索下载数据集。
 
数据清洗加工
 
打开结果如下：
 
 
删除无效数据
 
使用排序和删除重复值功能将无用数据和缺失值较多的行列删除并去重。
 
 
数据加工
 
删除无用重复数据后，对数据进一步加工，比如说薪资6K-12K，拆分为最低薪资、最高薪资、平均薪资。
 
薪资：最低薪资、最高薪资、平均薪资（转化为数值）
 
1.利用FIND、LEFT、MID函数提取最高和最低薪资
最低薪资 = LEFT(H2,FIND("-",H2,1)-1)
最高薪资 = MID(H2,FIND("-",H2,1)+1,3)

2.利用SUBSTITUTE函数将薪资转换为数值
最低薪资 = SUBSTITUTE(I2,"k","")*1000
最高薪资 = SUBSTITUTE(K2,"k","")*1000

3.求平均薪资
平均薪资 = (J2+L2)*0.5
 
结果如下：
 
 
公司领域：只保留第一个主要所属行业。
 
观察这一列数据，发现行业之间用逗号（“，”）空格（“ ”），竖线（“丨”）分开，直接用分列功能进行加工，保留第一个行业信息。
 
 最终加工结果如下：
 
 
数据分析
 
公司分析
 
位置分布
 

 颜色越红，圆形越大，说明招聘岗位数量越多。从图中可以看出，招聘数据分析岗位的公司主要分布在北京、成都、武汉、上海等城市，大多数岗位分布在南方中部及沿海一线发达城市。
 
融资情况
 

 其中不需要融资和为融资的公司需求量大一些，其他发展阶段的公司需求比较均匀。
 
行业分布
 

 目前，是互联网+大数据时代，许多公司的用户会产生大量数据，需要相关人才利用数据去驱动业务，为企业创造价值，所以来说这些行业数据分析师需求大，入职这些行业的机会也比较多。
 
岗位分析
 
学历要求
 
 
数据分析岗位的主要要求学历是本科，可能是以下两点原因：
 
1.该行业涉及高等数学、各种业务知识等，要求知识水平高。
 
2.行业更新发展快，需要应聘者有较高的学习能力。
 
工作经验
 

 从图中得知数据分析岗位经验主要集中在1-5年，企业偏招聘3-5年工作经验的数据分析师，可能由于业务能力各方面比较成熟，能够为企业创造更多的价值，而1-3年工作经验的数据分析师，业务能力相对弱一些，可能作为重点培养对象。
 
做到这里的时候，心里面哇凉哇凉的，像我这种没有工作经验的转行应届毕业生该何去何从，数量占比还不到10%。
 
职业诱惑
 
python代码如下：
 
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator,STOPWORDS
import jieba
import numpy as np
from PIL import Image

text = open(r'C:\Users\Administrator\Desktop\gwyq.txt').read()

wordlist = jieba.cut(text,cut_all = True)  #分词
wl = " ".join(wordlist)
wc = WordCloud(
    scale=4,
    width=1000,                 #设置图片宽度
    height= 800,                #设置图片高度
    background_color = 'white', #设置图片背景颜色
    max_words = 20,				#设置词语数目							
    stopwords = STOPWORDS,      #停用词 默认
    max_font_size = 200,		#设置最大字号
    margin= 1,					#设置词语边缘
    font_path = "C:\Windows\Fonts\simfang.ttf", #设置字体

)
wc.generate(wl)

image_colors = ImageColorGenerator(backgrim)
plt.rcParams['figure.dpi'] = 10000     #设置清晰度，原来默认dpi100
plt.rcParams['savefig.dpi'] = 10000
plt.imshow(wc)
plt.axis("off")
plt.show()
wc.to_file('cy1.png') # 导出当前文件夹
 

 大部分公司拥有双休、带薪休假、年终奖这些诱惑。
 
岗位要求
 
python代码如下：
 
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator,STOPWORDS
from PIL import Image

text = open(r'C:\Users\Administrator\Desktop\gwyq.txt').read()
ws = set(STOPWORDS)    # 设置屏蔽词语
ws.add("岗位职责")
ws.add("任职资格")
ws.add("任职要求")
ws.add("岗位要求")
ws.add("工作职责")
ws.add("职位描述")
ws.add("职位要求")
ws.add("数据分析")
ws.add("数据挖掘")
ws.add("数据运营")
wc = WordCloud(
    scale=4,
    width=1000,
    height= 800,
    background_color = 'white',
    max_words = 100,
    stopwords = ws,
    max_font_size = 200,
    margin= 1,
    font_path = "C:\Windows\Fonts\simfang.ttf",
)
wc.generate(text)

plt.rcParams['figure.dpi'] = 10000
plt.rcParams['savefig.dpi'] = 10000
plt.imshow(wc)
plt.axis("off")
plt.show()
wc.to_file('cy2.png')

 

 对于岗位要求这一块，涉及到SQL、Python、BI、SPSS等数据分析工具，对应聘者的学历和数学知识也有一定的要求。
 
薪资分析
 
薪资与城市
 

 对于这几个主要城市来说，其中北京、杭州、上海、深圳这几个城市的工资要高于总体的平均工资，这几个城市是经济发展最强的城市，人才聚集，薪资偏高，如果想要高薪职业，可以优先考虑选择这几个城市，当然竞争压力和生活压力也会很大。
 
城市、经验与薪资
 
考虑到北京、成都、武汉、上海这四个城市招聘岗位多，就业机会大，下面以这四个城市分析。
 
 根据自己的工作经验和所在城市估计自己大概的期望薪资，如果自己的工作年限范围工资偏低，可选择性跳槽。
 
城市、行业与薪资
 
同上，重点以招聘岗位较多的行业为主进行分析。
 

 如果是进入金融行业做数据分析，优先考虑上海。其他行业的数据分析，去北京待遇更好。
 
分析总结
 
综合上面的分析，提出以下建议：
 
1.数据分人员需要掌握一些技能，比如SQL、Python、SPSS等工具。
 
2.就业城市可以优先考虑去北京，就业机会大、待遇好。
 
3.应届毕业生、转行人员向自己相关行业转行，以学习经验为主。
 
4.1-3年工作人员需要提升自身的业务能力及分析能力才能更好的竞争高薪；3-5年的工作经验的人员，在某个领域已经有很深的资历，可以考虑管理岗发展。