数据采集和分析年薪-数据采集分析师
Time:2023-10-19 11:50:09
关于数据采集和分析年薪的问题，我们总结了以下几点，给你解答：
数据采集和分析年薪
12月30日，芜湖市人力资源和社会保障局公布全市2022年部分职位（工种）劳动力市场的工资指导价位。在芜湖，什么岗位是“香饽饽”，什么职位“钱途”最佳？求职者可以通过这份工资指导价位全面了解劳动力市场情况。
调查样本增加更具代表性
据了解，为建立和完善劳动力市场价格机制，充分发挥劳动力市场对企业工资分配的基础性调节作用，为用人单位及求职者提供薪资参考，引导企业依据市场价格合理确定职工工资水平，市人社局每年定期发布全市人力资源市场企业从业人员工资价位。
本次发布的指导价位，是在2021年度企业薪酬调查数据的统计基础上，经过归类、汇总、分析，综合逻辑性和合理性的数据审核后形成的，收入以年为单位，其中工资统计口径为在岗职工工资总额，包括计时工资、计件工资、奖金、津贴和补贴、加班工资等。
今年共公布了97个工种的市场指导价位，涵盖了全市各行各业主要工作岗位，包括企业负责人、专业技术人员、办事人员、商业服务人员、农林牧渔水利生产业生产工人以及生产制造工人等六大类别，公布的工种（职位）普遍贴合实际。
据了解，去年统计数据来源于我市847家不同经济成分企业调查样本，今年企业调查样本增加至924家，涵盖各种经济类型、各类大小规模和经济效益不同的企业，数据采集样本更广泛，更具代表性。
工资水平总体有所上升
本次指导价位中发布了高位数、中位数、低位数等市场分位数工资水平，中位数是数列中排在最中间（50%）的水平，也相当于该职位的平均市场收入水平，整体看，较去年公布的指导价位水平普遍上升。
大江资讯记者通过这份公布的工资指导价位的各工种中位数分析看到，
平均年薪最高的研究和开发部门经理，为178521元，较去年增加10594元；
年薪最低的工种是保安员，为36341元，还有保洁员年薪为36617元，这两个岗位年薪低于40000元，较去年也有所提升；
此外，还包括保卫管理员、收银员、家政服务员、餐厅服务员、导游、客房服务员、前厅服务员、理货员、幼儿园教师等在内的共计11个工种，年薪在40000元——50000元区间，去年在此区间的营销人员和冲压工年薪工资有较大幅度增长；
其余工种年薪基本都在“金字塔”中段。
从类别上看，
“单位负责人”12个工种，平均年薪均在85000元以上；
“专业技术人员”26个工种，绝大多数年薪在70000元以上；
管理人才、专业性人才薪资水平占据头部位置；
“办事人员”“商业服务业人员”“农林牧渔水利业生产工人”“生产制造工人”四类，他们整体年薪处于第二梯队，多在45000元至70000元之间。
年薪超过100000元的岗位有研究和开发部门经理、企业董事、企业总经理、法律顾问、计算机服务部门经理、生产部门经营经理、冶炼工程技术人员、工程造价技术人员、信息通信网络运行管理员、计算机程序设计员和银行服务人员等，这些职位的高薪体现了知识的价值，也反映出目前行业发展的方向，互联网计算机行业仍为有“钱途”行业。
▍记者：周一平
▍编辑：叶荔
数据采集分析师
近些年，互联网公司对数据分析师岗位的需求越来越多，这不是偶然。
过去十多年，中国互联网行业靠着人口红利和流量红利野蛮生长；而随着流量获取成本不断提高、运营效率的不断下降，这种粗放的经营模式已经不再可行。互联网企业迫切需要通过数据分析来实现精细化运营，降低成本、提高效率；而这对数据分析师也提出了更高的要求。
本文将和大家分享数据分析师的演变、数据分析价值体系、数据分析师必备的四大能力、七大常用思路以及实战分析案例。
一、数据分析师的前世今生
在介绍数据分析师之前，我们先来看一下这几个历史人物，看看他们都跟数据分析师有着怎样的渊源？
历史上大名鼎鼎的“分析师”
上面展示的六个历史人物（从左往右，从上往下）分别是：张良、管仲、萧何、孙斌、鬼谷子和诸葛亮。他们是历史上大名鼎鼎的谋士，有的还做过丞相。他们博览群书、眼光独到，通过对大量史实进行总结发现了很多规律，并且在实践中成功预测了很多事件。他们通过 “历史统计——总结分析——预测未来”的实践为自己的组织创造了绝大的价值，而这就是“数据分析师”的前身。
那么现在，数据分析师需要哪些必备技能，如何成为一名优秀的数据分析师呢？
二、数据分析师的价值金字塔
一个完整的企业数据分析体系涉及到多个环节：采集、清理、转化、存储、可视化、分析决策等等。其中，不同环节工作内容不一样，消耗的时间和产生的价值也相差甚远。
数据分析价值金字塔
互联网企业数据分析体系中至少有三方面的数据：用户行为数据、交易订单数据和CRM数据。工程师把不同来源的数据采集好，然后通过清理、转化等环节统一到数据平台上；再由专门的数据工程师从数据平台上提出数据。这些工作占用了整个环节90%的时间，然而产生的价值却只占10%。
这个金字塔再往上数据分析就和业务实际紧密结合，以报表、可视化等方式支持企业的业务决策，涵盖产品、运营、市场、销售、客户支持各个一线部门。这个部分占用了整个环节才10%的时间，但是却能产生90%的价值。
一个优秀的商务数据分析师应该以价值为导向，紧密结合产品、运营、销售、客户支持等实践，支持各条业务线发现问题、解决问题并创造更多的价值。
三、数据分析师必备的四大能力
数据分析师必备的四大技能
1.全局观
某日，产品经理跑过来问我：Hi，能不能帮我看一下昨天产品新功能发送的数据？谢谢！条件反射我会说：好，我马上给你！不过我还是礼貌性地问了一句：为什么需要这数据呢？产品经理回复道：哦，昨天新功能上线了，我想看看效果。知道了产品经理的目的，我就可以针对性地进行数据提取和分析，分析的结果和建议也就更加具有可操作性。
很多时候，数据分析师不能就数说数，陷入各种报表中不能自拔。一个优秀的数据分析师应该具有全局观，碰到分析需求的时候退一步多问个为什么，更好地了解问题背景和分析目标。
2.专业度
某企业的数据科学家针对用户流失情形进行建模预测，最终得到的用户流失模型预测准确率高达90%多。准确率如此之高，让商务分析师都不敢相信。经过检验，发现数据科学家的模型中有一个自变量是 “用户是否点击取消按钮” 。而点击了“取消”按钮是用户流失的重要征兆，做过这个动作的用户基本上都会流失，用这个自变量来预测流失没有任何业务意义和可操作性。
数据分析师要在所在行业（例如电商、O2O、社交、媒体、SaaS、互金等等）展示她/他的专业度，熟悉自己行业的业务流程和数据背后的意义，避免上面的数据笑话。
3.想象力
商业环境的变化越来越快、越来越复杂，一组商业数据的背后涉及到的影响因素是常人难以想象的。数据分析师应该在工作经验的基础上发挥想象力，大胆创新和假设。
4.信任度
以销售岗位为例，一个销售人员首先要和用户建立起信任；如果用户不信任你的话，那他也很难信任或者购买你的产品。同理，数据分析师要和各部门同事建立良好的人际关系，形成一定的信任。各个部门的同事信任你了，他们才可能更容易接受你的分析结论和建议；否则事倍功半。
四、数据分析常见的七种思路
1.简单趋势
通过实时访问趋势了解产品使用情况，便于产品迅速迭代。访问用户量、访问来源、访问用户行为三大指标对于趋势分析具有重要意义。
分钟级别的实时走势
以星期为周期的趋势对比
2.多维分解
数据分析师可以根据分析需要，从多维度对指标进行分解。例如浏览器类型、操作系统类型、访问来源、广告来源、地区、网站/手机应用、设备品牌、APP版本等等维度。
多维度分析访问用户的属性
3.转化漏斗
按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有注册转化分析、购买转化分析等。
漏斗分析展示注册每一步的流失率
4.用户分群
在精细化分析中，常常需要对有某个特定行为的用户群组进行分析和比对；数据分析师需要将多维度和多指标作为分群条件，有针对性地优化产品，提升用户体验。
5.细查路径
数据分析师可以观察用户的行为轨迹，探索用户与产品的交互过程；进而从中发现问题、激发灵感亦或验证假设。
通过细查路径分析用户的行为规律
6.留存分析
留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率，是指“新增用户”在一段时间内“回访网站/app”的比例。 数据分析师通过分析不同用户群组的留存差异、使用过不同功能用户的留存差异来找到产品的增长点。
留存分析发现“创建图表”的用户留存度更高
7.A/B 测试
A/B测试就是同时进行多个方案并行测试，但是每个方案仅有一个变量不同；然后以某种规则（例如用户体验、数据指标等）优胜略汰选择最优的方案。数据分析师需要在这个过程中选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。
五、数据分析实战案例
某社交平台推出付费高级功能，并且以EDM（Email Direct Marketing，电子邮件营销）的形式向目标用户推送，用户可以直接点击邮件中的链接完成注册。该渠道的注册转化率一直在10%-20%之间；但是8月下旬开始注册转化率急剧下降，甚至不到5%。
如果你是该公司的数据分析师，你会如何分析这个问题呢？换言之，哪些因素可能造成EDM转化率骤降？
一个优秀的数据分析师应该具有全局观和专业度，从业务实际出发，综合各个方面的可能性。因此，EDM注册转化率骤降的可能性罗列如下：
1.技术原因：ETL延迟或者故障，造成前端注册数据缺失，注册转化率急剧下降；
2.外部因素：该时间节点是否有节假日，其他部门近期是否有向用户发送推广邮件，这些因素可能稀释用户的注意力；
3.内部因素：邮件的文案、设计是否有改变；邮件的到达率、打开率、点击率是否正常；邮件的注册流是否顺畅。
经过逐一排查，数据分析师将原因锁定在注册流程上：产品经理在注册环节添加了绑定信用卡的内容，导致用户的注册提交意愿大幅度下降，转化率暴跌。
一个看似简单的转化率分析问题，它的背后是数据分析师各方面能力的体现。首先是技术层面，对ETL（数据抽取－转换－载入）的理解和认识；其实是全局观，对季节性、公司等层面的业务有清晰的了解；最后是专业度，对EDM业务的流程、设计等了如指掌。
练就数据分析的洪荒之力并非一朝一夕之功，而是在实践中不断成长和升华。一个优秀的数据分析师应该以价值为导向，放眼全局、立足业务、与人为善，用数据来驱动增长。
数据采集和分析年薪一样吗
