2020年是不好過的一年，諮詢我轉行數據分析的人也變多了起來，為了幫助大家更多地瞭解數據分析崗位的要求及薪資、發展問題，特意用八爪魚抓取了前程無憂上的數據分析的崗位。
本次抓取的數據包含多個維度，分別是城市、崗位名稱、公司名字、公司規模、公司類型、經驗要求、學歷要求、語言要求、專業要求、福利待遇和所屬行業。
數據清理
首先進行的是數據清理，因為是關鍵詞抓取，所以只要是有關於數據分析的都會被抓取，但是，很多崗位並不是數據分析，只是因為工作中需要分析，關聯了數據分析，所以，對抓取完的數據，首先進行清理。
把包含數據分析、分析師、數據運營的崗位篩選出來，然後進行重複項刪除，最後只留下唯一的數據。
對於薪資上，因為有實習生的工資要求，例如：200元/天，這種關於實習生的薪資都被篩選出來刪除掉。
數據標準化
標準化主要是對薪資和所屬行業進行規範：薪資中，有年薪和月薪兩種，還有最低工資1500，這次統計，取薪資上的最高值與最低值的平均數為計算數據，而只有一個值時，最高值和最低值都是此值。
同時需要標準化的還有所屬行業。所屬行業抓取的結果是用“，”隔開的，所以先對其分列，在分別定義維度。
數據分析
1、城市分佈分析
除了大家熟知的北上廣，由圖可以看出，對於數據分析崗位的需求，沿海城市的需求比較大，大數據是最近幾年比較火的一個話題，數據分析崗也因此被重視起來，但是，這種體現還是在沿海城市比較明顯，也體現了沿海城市的經濟發展先進。
抓取數據的時間是2月末，正處於春節假期結束，各個公司開始新一年的招聘，所以這時候的需求大。這時候也是春招開始的時候，有的公司專注春招，不會在招聘軟件上發佈，所以，實際需求比這個數據大很多。
2、城市平均工資分析
看排名的前幾個，北京、深圳等一線城市在前邊，平均工資處於上等，宜昌和撫順比較出乎意料，經過查看數據，發現宜昌和撫順均只有一個崗位需求，使得平均工資很高，所以，看城市的平均工資不能只看最後的結果，還得看崗位的基數，崗位數量少，不能代表這個城市的平均水平。
3、公司規模分析
表中的數據是以平均工資排序的，可以看出，平均工資幾乎是越大的公司工資越高。有一部分數據沒有抓取到公司規模。公司越大，數據分析這個崗位的職責越清晰，所需的技能越專業，工資越高。
而對於需求方面，發現不是越大的公司，需求越高，而是正在處於發展期的公司，對於數據分析這個崗位會更急迫一點，數據分析對於公司的發展方向、規劃起著比較重要的作用。
4、學歷分析
數據分析崗位對於學歷的要求，普遍的是大專和本科，碩士比較少，對於碩士和博士來說，很多都是對數據分析更深造，更傾向於數據挖掘和算法工程師等。對於低學歷的要求比較少。
而且通過經驗要求對數據進行分析，發現對於高中、中專等低學歷的需求，經驗要求也比較低，通常是無經驗要求或1-2年經驗，幹著的都是一些基礎的活，或者稱“表格”、“表姐”。
而且，要求的經驗越高，學歷會要求本科和大專是基本的，不會在往上要求學歷，因為越到以後，經驗越重要。而對於學歷低、高經驗的要求幾乎沒有。
數據不一定非常準確，但是，從圖中還是可看，學歷越高，工資越高。此處的博士和初中及以下都只有一個崗位需求，平均值因此比較單一，所以不能代表這兩個學歷的水平。
對於沒有經驗要求的數據分析崗位，要看你的實力，只能從學歷看，所以學歷越高，工資越高。越到後來有經驗了，越看重工作者自身的經驗。
5、經驗要求分析
正處於校招階段，所以相對無工作階段的要求比較高。招聘需求隨著經驗的增多而減少，可能是因為現在很多的數據分析崗位，只需要簡單的分析一下，就是所謂的“表哥表姐”，不需要豐富的經驗，而有經驗的數據分析師，很難求。
除去抓取數據時的一些小誤差，大體可以看出，經驗越高，工資越高。
6、公司類型分析
發現民營的需求最多，其次就是上市公司、國企和合資企業。
事業單位最高，是因為崗位需求不多，一兩個崗位拉高了整體的水平，不能斷定事業單位的工資高。在相對比較高的就是國企、上市公司和創業公司了。民營公司的需求比較高，但是相對平均工資卻比較低。
所以，選公司可以選擇一些國企和上市公司，崗位需求比較多，工資也比較高。其次就是創業公司和外資（非歐美）。
7、專業和語言分析
對於語言的要求，有要求英語的，有要求日語的，還有普通話的，而對於要求英語的公司中，民營和外資企業佔比重比較多，所以如果英語比較好的，可以去民營和外資公司，而前邊結論顯示民營企業的平均工資不算高，所以，考慮外資公司比較好。
8、所屬行業分析
招聘數據分析相關的行業如圖，互聯網、電子商務、計算機軟件、零售等現在比較火的行業對數據分析的需求是最多的，崗位是應時代的要求而火起來的，所以，選行業的時候，可以根據現在比較火的行業下手，有發展，而且現在是互聯網的時代，傳統行業在慢慢的淘汰和轉型，所以，可以選擇互聯網相關的行業。
9、行業平均工資分析
如圖，藍色柱狀圖為所屬行業的招聘崗位比較多的公司的數量，而紅色的為平均工資。上面的圖中，比較多的需求的行業的工資卻不是很高，由下面的圖可以看出行業的平均工資，銀行和公共市場遠高於其他行業，是因為崗位需求不多，個別的工資帶高了整個行業。
在BI中，通過交互，可以看出，計算機、互聯網、電子商務、金融、通信等行業的工資處於中上等，而且需求也比較高，可以考慮這些行業。
10、專業要求分析
如圖，專業要求幾乎跟數學、統計學和計算機有關，剩下的就是和公司崗位所處理的業務有關。通過學歷作為篩選器，發現學歷越是高，對專業有要求的公司所佔的比例越高。但是隨著經驗的增加，對專業的要求的公司在慢慢的變少。
看到這裡可能如果你對於數據分析行業還是很迷茫，不要緊，可以看我關於數據分析職業規劃解析的直播回放，收藏轉發本文，後臺私信回覆“直播”即可觀看
