从拉勾网看数据分析师怎么变得值钱?

浏览: 458

作者介绍

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:

  1. 企业愿意为数据分析人付多少钱?

  2. 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:

  1. 就自身发展上看:

    1. 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)

    2. 在不同的阶段应该学哪些工具?

  2. 从公司平台上看:

    1. 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?

    2. 公司规模/人数会不会产生影响?

    3. 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?


  1. 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。

  2. 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

■ 如何理解马云演讲「十年后没有数据分析师的职业」

■ 用数据分析告诉你数据分析师能挣多少钱?

■ 月薪20K的数据分析师都在做什么?

■ 营销转数据,两年半到P7,我都做了哪些事儿?

■ 给30个PM拉了一年sql,我学到了什么

■ P7数据分析的Offer,你准备好了吗?

■ 当谈到携程机票产品经理的数据意识,我们在谈什么?

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

推荐 0
本文由 人工智能爱好者社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

0 个评论

要回复文章请先登录注册