2017秋季数据挖掘、大数据相关职业于北上广深的职位需求报告_数据挖掘

俗话说金9银10，秋季无论对校园招聘、社会招聘的求职者都是一个很不错的时机，我对这类问题比较感兴趣，就专门开了一个如上的项目。针对国内的超一线城市：北京、上海、广州、深圳，从国内的大型招聘网站分别于9、10、11月采集了有关数据挖掘、大数据相关的近25900条职位信息以及其他25个岗位近264100条职位信息，来看看这段时间的人才需求状况，也对各位对数据职业感兴趣的朋友们提供些相关的信息。

一、数据相关职业与其他职业的对比

我在招聘网站上设定了两类比较热门的数据相关方向：数据挖掘、大数据，其具体的职位名称主要包含了大数据研发工程师、大数据分析工程师、大数据分析算法研究员、数据挖掘工程师、数据建模研究员、数据分析师、高级算法工程师等等。

为了将数据相关职业和其他的几个职位对比，我挑选了并购、产品经理、大数据、风控、行政、数据挖掘、销售、游戏开发、运营等岗位进行了对比，结果可以见下图。

图1 数据相关岗位气泡对比图

从这个结果我们可以得出数据相关职位整体的三大特点：收入高、职位多、公司大。

在最让我们关注的收入水平上，数据相关职位整体呈现了较高的水准，平均招聘工资为：大数据15976元/月、数据挖掘15984元/月，在关注职位中明显占优，也均超过了这次采集的27个职位收入的平均水平（11383元/月），同时也显著高于2017年第一季度的北京平均工资（图5）。在整理出来的薪酬箱线图结果中（图2），我们可以看到各职位的收入分布，这里面大数据和数据挖掘的薪酬中位数皆为15000，属于第一梯度，而数据挖掘的上限（严格来说是高内限:Q3＋1.5IQR）会比大数据稍高2000元，为48000元/月左右。

图2 27个岗位的基本信息对比图

这里不同岗位的分布给了我们一点启示：在这四个城市，收入的分配基本是按沟通能力、技术能力、技术能力与社会资源三个梯度逐步上升的，例如日常接待、协调沟通的行政类工作薪酬上限是较低的，日常会使用到IT、数据科学、用户研究、法律等专业技术岗位的薪酬会明显高于行政类工作，而日常会利用到财务、金融技术以及结合自身的社会资源的并购类岗位薪酬则傲视群雄，薪酬上限远超其他岗位。

回到图1，可以看到并购的平均招聘工资高达20323元/月，与箱线图的结果一致。这里圆形的大小代表着三个月的职位数量，数据类职位中，大数据招聘数为12000个，数据挖掘为13900个，而单个关键词职位中职位数最多的依次是网页开发、产品经理、数据挖掘，并购职位的招聘数为12000个，详细可见月份城市岗位招聘职位数热图（图2中间部分）。热图中的符号代表该月职位数相比上一个月是增加（+）还是减少（-），可以知道10月是数据类岗位招聘数最多的月份，而财务、测试、行政和运营类岗位则呈现出了递增的趋势，显然是企业在靠近年底时需要多些人手去完成年度任务。

图1中横坐标的规模指数代表公司人数的规模指数，数越大代表职位对应的公司越为大型，详细可见规模比例条形图（图2右部）。其中大数据、数据挖掘中、大型企业（规模人数多于500人）招聘岗位占的比例分别为44%、51%，可见大公司对于自身业务产生的大规模数据分析十分重视。

我认为大公司占比高也是一种优势，由于大公司有三大优点：公司稳定、工资高、福利好。由国家工商总局企业注册局、信息中心调查得到的全国内资企业生存时间分析报告显示，企业规模越大，当期死亡率越低，趋势越平稳。[1]

由广东省人力资源和社会保障厅调查得到的广东省企业职工薪酬情况分析则显示，企业规模越大，职工平均工资越高（该数据为2014年的数据），且大型企业无论在绩效工资、津补贴以及加班加点工资上的分配都更占优（该数据为2015年的广东企业薪酬调查数据）。[2]

图3 广东省企业职工薪酬情况部分图

从我个人的经验来看，小公司的领导会过于追求产出率而忽略了研发的深度和准确，“快速、迅速解决问题”会是常常听到的词，解决问题后马上跳到另外新的问题上，而大公司对个人研究、研发的宽容度也会相对更高些。

在数据类岗位中，互联网、电子商务、IT行业需求量最大，能占到45%以上，随后就是金融业、咨询等信息敏感行业，值得一提的是培训业也位于前列，看来数据分析类的培训班还较有市场。招聘公司类型中，民营公司占比在50%左右，合资公司10月占比上升，外企11月占比上升。

图4 数据类工作的行业分布及招聘公司类型

综上所述，我们可以看出数据相关的职位现在是相对吃香的，在保留较大量的招聘职位下还能保证很高的平均工资和大公司指数。

这里可能有人会问平均工资真有那么高吗？

我的看法是这里的工资是会稍高的，一方面我们计算平均工资的方法是先剔除对薪酬保密的职位，然后将一个职位的最高、最低工资求平均，再根据其计算所有职位的平均值，有些企业并不会开到平均数而仅仅开了最低工资，还有保密薪酬的企业会对求职者进行“砍价”，另一方面要看到城市的招聘数量是不同的（图6），北京数据类的职位数会超过其他三个城市的加和，且北京的平均薪酬会明显更高（图5）。[3]

图5 2017年第四季度城市平均工资

二、数据类岗位在四个城市的特点

总的来说，北京机会多、薪酬高、加班多，上海竞争激烈、消费氛围强，深圳工资较高、有增加趋势但房租贵，广州则生活成本低、机会工资皆较少、加班少。

我们可以从下图看出，数据类岗位在北京的职位数远远多于上广深，3个月基本上都会超过上广深的职位总和，且10月明显为北京三个月最火的月份，上海则较为平稳，大数据、数据挖掘的总和在每月2000个左右，深圳每月为1200个左右，广州则最少，在800个左右。而在平均薪酬这个方面，北京以17000元/月领先上海2500左右，而深圳则以15000元/月领先广州2500左右。值得一提的是，这里的工资是偏高的，理由除了上一部分对报价平均工资的讨论外，还由于工作年龄带来工资的梯度改变会影响平均工资，毕业生一下就拿到这个数从分布上来看实属少数（图10）。

图6 数据类工作于北上广深的对比图

而在下图，我们可以对四个城市不同企业规模收入分布有所了解（横坐标为招聘企业的员工数，图形的宽度代表职位数量）。北京上海的顶端薪酬（超过80000元/月）会明显比深圳、广州多，北京的高端薪酬职位（超过30000元/月）也会明显比其他城市多，当地的中小型企业也会开高工资招聘高级人才，7500-10000元/月是各城市、各企业规模的第一个薪酬集中地，可以理解为数据人打工薪酬的第一道坎。

图7 数据类工作在北上广深不同规模企业的招聘信息分布

全国集中的好工作会吸引各地的人才到来，先看各大城市常住人口情况[4]，再看人口吸引力排名[5]，人口多的地方竞争相对会更激烈。

高薪酬的工作代价之一就是加班了，可以看看四大城市的加班排名，平均工资更高的北京上海加班也会更猛。[6]

在大城市生活，最大的支出往往是租房费用了，可以看看现在四大城市的房租收入比，深圳的会高达35.6%，再结合上面的各城市平均收入，我们可以估算北京、上海、深圳、广州的平均房租分别为：2992、3362、3165、1823元。[7]

当然平时的消费也少不了，我们再来看看2017年前三季度各地的人均消费情况，明显上海的消费风气更为浓厚，平均每个月能花3271元。[8]

所以综合来看，北京工资最高、消费第二、房租第三，实在是快速攒钱的好地方。

三、企业用人要求

这里我对职位的招人要求也爬取下来，并做了词频分析，综合结果可见下图。

图8 招聘需求描述词云图

整体来看，企业招人的思路偏向实用，相比起学历、学校或者专业更专注于经验、技术以及熟练度，也考虑人才的综合能力，分析、沟通、管理、市场、创新等词汇会在大量的招聘要求中被提到。

数据类岗位的经验要求也印证了词频的结果，企业对1-5年工作经验求职者的需求占比高达67.5%(大数据）、77.3%（数据挖掘），无经验要求的比例仅仅占10%左右，所以应届生要找到该类工作相对来说是有难度的，实习经验、工作经验尤为重要。

图9 数据类工作的经验要求

相应的，经验越足的求职者在薪酬上也越占优势，无经验求职者的平均薪酬为6000元/月，上下浮动3000元，而随着工作时间的增加，平均薪酬逐步增加，对于3-5年的老手，平均薪酬能达到15000左右，5-10年则直超20000，个人认为这个夸张的水平和大数据、数据挖掘、AI、算法等处于泡沫期不无关系。这里可能有人会拿BATJ校招的高薪岗位来说特例，这里我专门搜索了这几家大型互联网公司的无经验要求职位，发现在薪酬上面他们大部分都选择了保密，故在该结果没有体现。