李宁 ：著《数据化运营：系统方法与实践案例》书籍，现于某知名外卖订餐平台担任数据专家，先后于艾瑞、携程从事数据相关工作。
个人微信公众号：数据自由之路（微信ID：dataFreeLife）
题记/缘起
两年前在艾瑞期间写成并发表于知乎“拉勾”话题精华的文章，当时拉勾是我认识数据分析世界的一个窗口，脑中一直萦绕两个问题：
企业愿意为数据分析人付多少钱？
数据分析人要学到什么才会拿到这个钱？
为了解决问题而上拉勾来看JD(Job Description)熟悉工作职能和技能要求，经常是看几小时后而脑袋晕胀（因为不懂的实在太多了）。突然某天我问自己”为什么不把lagou的信息爬下来并做个统计？一个做数据分析的人竟然这样原始地(手动)统计数据？”一周内搞定从爬取、解析分词、分析出图，从自己关心的细分维度回答问题：
就自身发展上看：
数据分析师一般几年会遇到瓶颈？（看工资在哪些年限上会有明显阶跃）
在不同的阶段应该学哪些工具？
从公司平台上看：
融资到什么阶段的公司会愿意付相对高的价格来聘请数据分析师？
公司规模/人数会不会产生影响？
北上广深的数据分析师相同资质下会不会有收入差异？
文章是以201510数据为基础搭建，数据会过时，思考问题的方法不会。
如何学习思考问题方法：聪明人是“别人生病，自己吃药” （不需要跟我一样去经历这个阶段，而获得这份经验）。把自己代入到场景，你会如何做？把做法整理并复盘得失；现实遇到困难，把自己想象成master去解决。就像我在看《穷查理宝典》的时候会代入书中的场景，假如我是查理芒格，我做的演讲是出于什么心情、背后代表什么心态？（尽可能理解透彻）在现实投资过程中，我遇到问题时会想象成查理芒格来做思考。
这篇文章对我的反思：为了消除对未知的恐惧，通过拉勾平台以公司付费的角度来评价数据分析师的价值，e.g. 当知道1-3年互联网金融公司の会python数据分析师每月2W的薪资，我就像从乱麻中牵扯出线头那样开心。整个过程中最重要的是求知若渴的心，而智慧与否只是会加速或减缓这个学习的过程。
为什么我一直在谈钱，因为公司拿出真金白银来雇用你，大概率情况下，说明公司愿意付费来购买你的价值，间接证明你的价值所在。
附上爬虫python源码(https://github.com/lichald)，感兴趣的童鞋可以自己尝试。
/ 01 /
数据分析在哪个城市需求更加旺盛？
北京领先全国：从总值上看，北京在数据挖掘岗位open的职位数量和公司数量上占据绝对优势，甚至超过后面4个城市的数值加和；仅就北京和上海相比，公司数量是3倍，职位数量是4倍。从公司平均招聘人数上看，北京也领先于其他城市。即使排除拉勾网base在北京中关村地利优势和3W咖啡的线下优势，北京的数值依然是遥遥领先。
/ 02 /
公司如何定价员工的工作资历？
主流1-5年在21-25K：工作经历在1-5年的现在需求最旺盛，且大多数公司均会给到11-25K的价位。且对于11-15K、16-20K、21-25K三个细分档次的价位，用人单位对于1-3年工作经验的人11-15K是主流价码，优秀的人可以提升至16-20K，更优秀的再提升至21-25K；用人单位对于3-5年工作经验的人21-25K是主流价码，有经验但能力欠缺的降至16-20K，再弱一些的就降至11-15K。
“经验不限”注重能力导向：有相当一部分企业对于“经验不限”的情况大多数也愿意给出11-15K和21-25K的价位，说明在互联网领域仍有企业是看重能力而不是资历，对于经验有相当的自由度。
乱世出英雄：另外对于5-10年的人员数量非常低，排除专业猎头分的蛋糕之外，也可能说明这个行业的专家非常少，或者是企业的数据挖掘需求还远没有达到需要专家的级别。这两点结合来看，专家权威效应不明显，企业看重能力而非资历，对于这个行业的新人是利好的消息。
新人打好基本功：企业对于1年以下经验的人招聘数量和薪资认可方面都是非常低的，说明新人前1-2年先不着急跳槽，好好打好基本功，迎接之后的量质转换！
/ 03 /
高薪资都存在哪些高大上的行业？
数据声明：在拉勾网上发布职位的公司一般都会贴上两个以上的标签，本文将对这些标签重复计算。例如宜信公司标签是<移动互联网·金融>，则在这两个领域分别会计数。图中移动互联网的绝对值非常高，说明移动互联网是一种主流的趋势。
移动互联网11-25K主流：移动互联网的主流薪资认可是11-25K范围，且能够容纳的人员数量非常多，说明该行业不差钱。数据服务是这行里面的默默无闻的耕耘者，有很多新兴企业，提供数据服务，也是通过高新来吸引人才。电商、O2O、文化（主要是视频）、广告、金融几个行业对数据挖掘人才需求的数量和质量相差无几。如果希望从事一份体面的数据挖掘工作，可以考虑从这些行业中来找。
/ 04 /
何种融资阶段公司会需要数据分析？
AB轮找11-15K，20K到处缺：融到钱的公司（途径包括各种轮和上市）对于数据挖掘的需求明显高于其他，早在天使轮就有体现。就成功融资的这些企业来讲，11-15K的人在AB轮时达到顶峰，说明这阶段应该是数据挖掘部门急剧膨胀的阶段，需要比较多的初级数据挖掘人员；21-25K的人员在ABCD和上市之后的需求保持持平，说明对于有能力的资深人士，需求是一直存在的，而且可能满足要求的人员较少，公司之间的流动性比较高，招聘需求一直稳定存在。
融资程度与工资正相关：平均收入是根据人数加权得出，从中可以看出，“成功融资”、“未融资”、“不需要融资”呈依次递减的水平，在融资领域内，平均收入水平依据成熟度而显示逐步上升。
期权还是现金：如果你是希望通过跳槽来获取更高的收入11-20K，不考虑期权的因素下，成熟度高的已成功融资、如CD轮或者上市的公司是最理想的选择，这些公司总体平均收入比较高，未来有进一步上升的潜力；如果觉得竞争太激烈，可以退而求其次，将目标放在AB轮，这些公司对此档人员的需求最高，但平均收入不一定高。（但事情一体两面，如果你选择时机得当，AB轮获得股权期权，将来成功套现，也将是一笔不小的收入）
/ 05 /
何种规模企业需要数据分析？
500人规模对应15K分析师：对于11-15K的等级，在企业发展阶段呈现先上升后下降的趋势，其中150-500人是需求的顶峰；对于16-25K的人员，企业发展阶段是持续上升的需求，其中在50-500人阶段呈现出一个小高峰。可以理解企业在发展到150-500人之前，15K以下的数据挖掘即可满足需要，但在之后数据量的膨胀导致数据的价值陡增，对于21K以上的中高级人才产生巨大的渴求。
大公司易发挥分析价值：从人员加权平均收入来看，随着规模的增长是在不断上升的，企业的发展越大，数据挖掘越容易产生价值。如果你热衷于数据分析领域创造价值，大公司将是不错的历练平台；但如果可以接受11-15K水平的初级人员，150-500人的公司将会是一个不错的跳板。
/ 06 /
数据分析工具与收入之间的关系？
从每个网页中抓取JD说明，根据python中jieba库进行文本分词，并计算出现频次，并建立自己的分词标签字典。
词频占比=该词词频/所有词词频。平均每个JD中出现次数=词频/JD数。
在JD中，非关系型数据库、脚本语言和关系型数据库是三种主要被提及的工具，平均每个job中均会提及一次以上。说明这些是必备技能。具体取了排名前30的原始词做成云图如下。
以Hadoop为代表的关系型数据库，以python和java为代表的语言，以SQL为代表的关系型数据库构成工具的主流。
数据说明：面积图为对应词出现的频次总数，折线图为词频/job数量的比例、代表平均每个职位描述中出现某词的频次。
25K是工具和软技能分割点：从折线图上看，在6-15K、16-25K、26-100K三个阶段内，绝大多数工具需求都呈现正三角形的结构，即“小大小”的情况，可以理解为在25K以前，薪资随着工具的提升而不断提升，26K以后需要有其他非软件工具技能来获得职业生涯的突破。
从工作数量上看，hadoop、python、java的数值很高，说明获得绝大多数公司的认可，所以这三门工具是在数据挖掘领域走向人生巅峰的必备良药。
- END -
往期精彩：
公众号后台回复关键词学习
回复 免费 获取免费课程
回复 直播 获取系列直播课
回复 Python 1小时破冰入门Python
回复 人工智能 从零入门人工智能
回复 深度学习 手把手教你用Python深度学习
回复 机器学习 小白学数据挖掘与机器学习
回复 贝叶斯算法 贝叶斯与新闻分类实战
回复 数据分析师 数据分析师八大能力培养
回复 自然语言处理 自然语言处理之AI深度学习
