明确分析的目的

• Where——需求在哪里？
• What——需要什么样的人才？
• When——什么阶段需求最旺？

数据处理

原始数据

数据清洗

选择子集

职位ID是该职位唯一标识，隐藏公司ID

公司全名和公司简称重复，隐藏简称

重复数据处理

操作对象：根据职位ID来删除重复数据
操作方法：选择职位ID列，数据->数据工具->删除重复值

缺失数据处理

操作对象：由城市列和职位ID列的计数可以看出城市列存在2个空值
操作方法：开始->查找选择->定位条件->补充空值

数据转化

操作对象：薪水这一列显示的是一个范围，是文本格式，之后不能用于计算
操作方法：增加最低薪水，最高薪水，平均薪水三列。
最低薪水计算方法：=LEFT(L2,FIND(“k”,L2)-1)
最高薪水计算方法：=MID(L2,FIND(“-”,L2)+1,LEN(L2)-FIND(“-”,L2)-1)
平均薪水计算方法：=（最高薪水+最低薪水）/2
操作对象：对数据进行筛选，发现最低薪水有数值显示错误

原因是薪水文本的K是大写
操作方法：选中薪水列 开始->查找和选择->替换

操作对象：对数据进行筛选，发现最高薪水有数值显示错误
看到薪水列中显示的是多少以上，导致不能计算出来，这里可以将最高薪水=2*最低薪水

数据提取-字段分割

操作对象：公司所属领域按照分隔符进行分列操作，之后将原来的公司所属领域隐藏。
操作方法：选中公司所属领域列，数据->数据工具->分列

异常值处理

对数据做透视表，对职位名称计数项降序排列，发现有些职位不属于数据分析
通过=IF(COUNT(FIND({“数据分析”},N2)),“是”,“否”)将属于数据分析师的职位标记为"是"，不属于的标记为"否"。将数据分析师的职位筛选出来，复制到新的工作簿中

数据分析

1.需求在哪里？

1.1不同城市的岗位需求

结论：

• 全国数据分析师的人才需求量将近一半集中在北京
• 北上深杭广提供91.8%的工作机会

1.2不同城市岗位需求和薪资水平

结论：
发现北京是平均薪水是最高的，也是需求量最大的，其次是上海和深圳。

2.需要什么样的人才？

2.1对学历的需求

结论：

• 74%的数据分析职位要求本科学历
• 数据分析师薪资随学历增加不显著，本科与硕士薪资水平无显著差异

2.2对工作年限的需求
结论：

• 70.6%职位要求1-5年经验
• 数据分析师薪资随工作经验增加显著，3-5年比1年以下翻倍
• 招聘数据分析师非常看重工作经验
  2.3对职位类别的需求
  
  结论：
• 技术类招聘比占一半以上，薪资最高

3.什么阶段需求最旺？

结论：

• 150人以上公司对数据分析师招聘需求占74.5%
• 随着公司发展，数据分析师重要性愈加凸

结论

• 按城市来看，全国数据分析师的人才需求量将近一半集中在北京，排在前五的分别
  是北京、上海、深圳、杭州、广州。
• 按工作年限来看，工作3-5年经验的人才需求量最大，其次是1-3年工作经验的人才； 随着工作经验的提升，数据分析师平均薪水不断提升，是一个长期的发展方向。
• 按学历来看，74%的数据分析职位要求本科学历 ，数据分析师薪资随学历增加不显著，本科与硕士薪资水平无显著差异。
• 按公司规模来看，150人以上公司对数据分析师招聘需求占74.5%；随着公司发展，数据分析师重要性愈加凸
• 按职位类别来看，技术类招聘比占一半以上，薪资最高
• 数据分析师总体平均薪水是17.3k，按城市来看，北京平均薪水最高为18.8k，其次为深圳17.7k，上海17.3k； 按工作年限来看，数据分析师薪资随工作经验增加显著，3-5年（20.2k）比1年以下(8.5k）翻倍 。

数据下载地址