拉勾爬了1200个职位，告诉你什么是数据分析

前言

很多还在实习或者刚毕业的小朋友，在面对职业选择的时候，会困惑不同的职业会做些什么，自己会不会感兴趣，这项工作往后的发展空间等等。

想起我刚找工作那会，也在网上各种搜“数据分析”的工作内容啊、需要的技能啊、工资水平之类的。所以想写一篇文章，给还在门槛外的小朋友们介绍一下“数据分析”这个职位，它的工作内容、所需技能、工资水平。

当然作为数据分析，肯定得拿证据说话，所以在拉勾上爬取了相关职位数据，统计分析得出结论。（之前也写过爬拉勾的Python程序，大家可以在这上面参考代码。Python爬取拉勾网数据分析职位）

本次爬取信息如下：

城市：上海

职位：数据分析、数据运营、数据挖掘、算法工程师

样本总计：1223。其中数据挖掘108个，数据运营215个，算法工程师450个，数据分析师450个。

数据分析简介

数据分析，顾名思义就是通过分析数据，来提取业务sense、总结规律、发现异常，并通过数据表现，得出结论，为业务决策提供依据及参考。

其实分析能力不仅仅是数据分析师专有的技能，像运营、产品经理，甚至是商务这些职位，都需要一定的数据分析基础。但是很多公司需要配置数据分析职位，大部分时候是想让这个职位站在一个业务全局观来发现问题和分析问题，并给一些重大决策提供参考和意见。

职位分析结果

1. 公司融资情况

占比情况是所有职位累加在一起，未区分职位。

不需要融资的公司占比60%，D轮以上的公司42%。其实很多不需要融资的公司，规模也是很大的，可以结合公司规模来判断公司的情况如何，是否值得去发展。

2. 公司规模分布

需要这些职位的公司，规模还算比较大的，500人以上就算是中型企业了。再结合融资情况，大致可以判断出这个公司发展得怎么样。很多时候初级的分析师还是去大公司比较好，因为业务发展成熟，数据量也比较大，而且对数据的使用也有一套方法。

3. 行业分布

超过一半行业的一级标签是移动互联网，其实其他的标签大部分也都是互联网。金融和电商对数据分析人才的需求也很大。

其实对于想往数据分析发展的小朋友来说，金融、电商、游戏，是很不错的选择，看个人爱好，门槛的话，可能游戏比较高，其次是金融。

个人觉得企业服务、数据服务这类公司，可能对往后的职业发展帮助不会太大，因为这类公司对于业务的了解不会很深入，毕竟是帮别的公司做服务，不可能拿到百分之百的数据。

4. 工作年限要求

70%的工作经验是在5年以下的，5-10年的占比仅12%。所以互联网里的职位大部分还是吃青春饭呀，中年焦虑肯定是逃不过的。

工作年限不限，可以看薪资情况，如果薪资低，那说明你没有经验或者一两年经验都行；如果薪资高，那应该是要招分析师了。

5. 工资情况

工资情况的话，就把职业区分了一下，差距还是蛮大的。工资数据是根据职位的低工资和高工资，求的平均值。当然不能完全展现薪水分布，但大概还是看得出的。

数据挖掘和算法用的绿色，数据运营和数据分析用的蓝色。可以看到绿色的薪资不管在哪个年限，都比蓝色的高。

其中算法的工资（1年以下除外，新人的薪资差不了太大）。而数据分析和数据运营中，数据分析的工资会稍微高点。

6. 职位要求

好了，看了公司情况，薪资分布了，总得知道这些职位需要什么样的候选人吧，才好向那个方向发展呀。

本次分析数据源来自职位详情及职位要求的文本，先在词频统计网站分析哪些词汇出现频率比较高，然后再统计高频词汇在不同职位上的出现次数。看看这四个职位凭什么薪资差别大（哈哈，你懂的）。

在工具的使用上：

数据分析和数据运营，常用的是Excel，其次是Python、SQL；

而数据挖掘和算法，对编程的要求比较高，比如Python、Java、Hadoop等等。

在技术类上：

数据分析和数据运营，主要在于数据的统计及模型的使用，而对于算法和建模这方面，没有挖掘及算法的的要求高。

在业务方面：

其实各个职位对于业务及分析的要求都比较高，不同的是数据分析和数据运营，可能还需要对运营方面知识的了解。

综上所述，数据分析及数据运营，更加偏重业务及运营层面，对于工具的使用要求也不高，但是Excel是必备的，Python和SQL肯定是加分项。而挖掘和算法，更偏重技术方面，对于编程、模型、建模的要求肯定会比较高。