上一篇文章《爬取11088个知乎专栏，打破发现壁垒》里提到，知乎官方没有搜素专栏的功能，于是我通过爬取几十万用户个人主页所专注的专栏从而获取到11088个知乎专栏。

本回筛选出其中涉及：编程、python、爬虫、数据分析、挖掘、ML、NLP、DL等关键词的专栏，按照排名、关注人数、专栏名称、专栏简介等顺序，罗列出史上最全专栏合集，以供大家顺藤摸瓜、前去观摩和学习。

筛选出来的专栏数据和全部11088个专栏数据，评论区有获取方式。对其他主题的专栏感兴趣的可自行去搜寻，有兴致搞出个“专栏”搜索功能的小伙伴也可以尝试下！

另外已开始对11088个专栏里的数据进行进一步爬取，之后会继续相关分析和资源分享。

TOP29系列，1万+关注：

No.1, 157960, 数据冰山, https://zhuanlan.zhihu/hemingke

（No.2, 112088，学习编程，莫道君行早，更有早行人。全心敲代码，天道自酬勤）（不小心漏了TOP2专栏，简直蠢哭）

No.2, 62106, 行为与认知神经科学, https://zhuanlan.zhihu/ibrain

No.3, 50136, 机器之心, https://zhuanlan.zhihu/jiqizhixin

No.4, 37234, 企业分析, https://zhuanlan.zhihu/company-research

No.5, 35642, 挖掘知乎里有趣的东西, https://zhuanlan.zhihu/grapeot

No.6, 34389, 智能单元, https://zhuanlan.zhihu/intelligentunit

No.7, 31283, Python中文社区, https://zhuanlan.zhihu/zimei

No.8, 28949, Python之美, https://zhuanlan.zhihu/python-cn

No.9, 24053, 地图、地理与区域, https://zhuanlan.zhihu/geo-space

No.10, 21719, Moneycode, https://zhuanlan.zhihu/ricequant

No.11, 21586, vn.py, https://zhuanlan.zhihu/vn-py

No.12, 21581, 黑客与画家, https://zhuanlan.zhihu/hacker-and-painter

No.13, 21522, 面向工资编程, https://zhuanlan.zhihu/auxten

No.14, 21042, 编程语言与高级语言虚拟机杂谈（仮）, https://zhuanlan.zhihu/hllvm

No.15, 18786, 深度学习大讲堂, https://zhuanlan.zhihu/dlclass

No.16, 17957, BitTiger.io, https://zhuanlan.zhihu/bittiger

No.17, 16257, 一起学习python网络爬虫, https://zhuanlan.zhihu/gooseeker

No.18, 15751, 数据分析侠, https://zhuanlan.zhihu/dataman

No.19, 14847, 做游戏，学编程（C语言）, https://zhuanlan.zhihu/c2game

No.20, 14792, 数据时光机, https://zhuanlan.zhihu/washu

No.21, 12908, 不宜公开, https://zhuanlan.zhihu/xiaoliangshan

No.22, 12606, Jiang的金融窝, https://zhuanlan.zhihu/quantjiang

No.23, 12131, 无痛的机器学习, https://zhuanlan.zhihu/hsmyy

No.24, 11635, 新一线城市研究所, https://zhuanlan.zhihu/therisinglab

No.25, 11629, Crossin的编程教室, https://zhuanlan.zhihu/crossin

No.26, 11012, 一个数据分析师的自我修养, https://zhuanlan.zhihu/data-analyst-improvement

No.27, 10932, Hello 陈然！, https://zhuanlan.zhihu/chenran

No.28, 10619, 爬虫之从入门到精通, https://zhuanlan.zhihu/pachong

No.29, 10254, Data Science with R&Python, https://zhuanlan.zhihu/rdatamining

5千+关注：

No.30, 9969, 集智, https://zhuanlan.zhihu/c_81843036

No.31, 9127, PRML, https://zhuanlan.zhihu/prml-paper-reading

No.32, 8568, 量化哥, https://zhuanlan.zhihu/uqer2015

No.33, 8515, AI学人, https://zhuanlan.zhihu/aixueren

No.34, 8114, 数据驱动业务增长, https://zhuanlan.zhihu/growingio

No.35, 7820, 前端周刊, https://zhuanlan.zhihu/feweekly

No.36, 7790, Analytics at Work, https://zhuanlan.zhihu/analyticsatwork

No.37, 7745, R语言中文社区, https://zhuanlan.zhihu/rshequ

No.38, 6957, Python 与 机器学习, https://zhuanlan.zhihu/carefree0910-pyml

No.39, 6944, 超智能体, https://zhuanlan.zhihu/YJango

No.40, 6842, 大数据分析挖掘, https://zhuanlan.zhihu/hellobi

No.41, 6823, 技术备忘录, https://zhuanlan.zhihu/mathNote

No.42, 6775, Hic Rhodus, hic salta, https://zhuanlan.zhihu/HicRhodushicsalta

No.43, 6753, 机器学习算法与自然语言处理, https://zhuanlan.zhihu/qinlibo-ml

No.44, 6700, 科技蟹, https://zhuanlan.zhihu/kejixie

No.45, 6641, 某熊的全栈之路, https://zhuanlan.zhihu/wxyyxc1992

No.46, 6559, 风险狗的数据分析之路, https://zhuanlan.zhihu/loan-analytics

No.47, 6328, Joe's Studio & Cafe, https://zhuanlan.zhihu/hijoe

No.48, 6222, 菜鸟学数据挖掘, https://zhuanlan.zhihu/datanalysis

No.49, 5438, Python之禅, https://zhuanlan.zhihu/pythoneer

No.50, 5391, 混沌巡洋舰, https://zhuanlan.zhihu/c_29122335

No.51, 5241, R语言数据分析与可视化, https://zhuanlan.zhihu/EasyCharts-R

No.52, 5224, 数据分析网, https://zhuanlan.zhihu/afenxi

No.53, 5218, Python高薪训练营, https://zhuanlan.zhihu/c_111369541

No.54, 5171, 福山·雅·致, https://zhuanlan.zhihu/heziyin

No.55, 5100, 晓雷机器学习笔记, https://zhuanlan.zhihu/xiaoleimlnote

No.56, 5072, AI Insight, https://zhuanlan.zhihu/ai-insight

No.57, 5064, PYTHON挖掘机, https://zhuanlan.zhihu/python-excavator

No.58, 5051, Hello, Flask!, https://zhuanlan.zhihu/flask

1千+关注：

No.59, 4882, 机器学习 & 金融量化分析, https://zhuanlan.zhihu/jjscience

No.60, 4754, 自学游戏开发, https://zhuanlan.zhihu/studygame

No.61, 4674, 前端之巅, https://zhuanlan.zhihu/qianduanzhidian

No.62, 4609, 集智·人工智能招聘, https://zhuanlan.zhihu/qiuneitui

No.63, 4600, Python爬虫实战, https://zhuanlan.zhihu/pythoncrawl

No.64, 4566, Python Hacker, https://zhuanlan.zhihu/python-hacker

No.65, 4494, 炼丹实验室, https://zhuanlan.zhihu/easyml

No.66, 4445, LeanReact, https://zhuanlan.zhihu/leanreact

No.67, 4410, 深度炼丹, https://zhuanlan.zhihu/c_94953554

No.68, 4217, 简快Excel之PowerBI建模分析, https://zhuanlan.zhihu/leigongzi

No.69, 4132, [运筹帷幄]大数据和人工智能时代下的运筹学, https://zhuanlan.zhihu/operations-research

No.70, 4067, 深度学习:从入门到放弃, https://zhuanlan.zhihu/startdl

No.71, 4001, 天善智能, https://zhuanlan.zhihu/tianshansoft

No.72, 3937, 数据化管理, https://zhuanlan.zhihu/dataware

No.73, 3934, 开始学习机器人, https://zhuanlan.zhihu/learn-robotics

No.74, 3886, 强化学习知识大讲堂, https://zhuanlan.zhihu/sharerl

No.75, 3796, 浅墨的游戏编程, https://zhuanlan.zhihu/game-programming

No.76, 3747, 莫烦, https://zhuanlan.zhihu/morvan

No.77, 3745, 高中文综实验室, https://zhuanlan.zhihu/liberart-Lab

No.78, 3738, Data Science, https://zhuanlan.zhihu/gongwenjia

No.79, 3685, 建筑可视化设计, https://zhuanlan.zhihu/uzing

No.80, 3673, MySQL, https://zhuanlan.zhihu/mysql

No.81, 3599, 备战考研, https://zhuanlan.zhihu/SunLifeDreamer

No.82, 3590, Python程序员, https://zhuanlan.zhihu/pythoncxy

No.83, 3575, 从零开始写Python爬虫, https://zhuanlan.zhihu/Ehco-python

No.84, 3564, 灵的随笔记, https://zhuanlan.zhihu/ZeitMark

No.85, 3532, 萌新的学习日记, https://zhuanlan.zhihu/linjichu

No.86, 3526, 李彬教你考注会, https://zhuanlan.zhihu/c_77735210

No.87, 3517, 钢笔爱好者, https://zhuanlan.zhihu/v2bber

No.88, 3449, 管中窥豹, https://zhuanlan.zhihu/whiteheart

No.89, 3402, 智能水桶, https://zhuanlan.zhihu/smartspew

No.90, 3399, 数据是个锤子, https://zhuanlan.zhihu/datahammer

No.91, 3346, Python学习之路, https://zhuanlan.zhihu/python-kivy

No.92, 3302, 数据分析师的成长之路, https://zhuanlan.zhihu/datamap

No.93, 3221, Runtime, https://zhuanlan.zhihu/chenjiadong

No.94, 3220, 点点墨, https://zhuanlan.zhihu/junmo520

No.95, 3202, TOMsInsight, https://zhuanlan.zhihu/tomsinsight

No.96, 3170, 什么值得爬, https://zhuanlan.zhihu/c_80099524

No.97, 3118, 半个量化交易员, https://zhuanlan.zhihu/semi-quant-trader

No.98, 3104, 日积跬步, https://zhuanlan.zhihu/improve365

No.99, 3102, gluon, https://zhuanlan.zhihu/gluon

No.100, 3071, 蛇之魅惑, https://zhuanlan.zhihu/python-dev

No.101, 3058, Linux, https://zhuanlan.zhihu/LearningLinux

No.102, 3050, 马志峰的编程笔记, https://zhuanlan.zhihu/mazhifeng

No.103, 3036, DT新纪元, https://zhuanlan.zhihu/dteratech

No.104, 3012, 原点实验室, https://zhuanlan.zhihu/cndatalab

No.105, 2912, 分布式笔记, https://zhuanlan.zhihu/b-tree

No.106, 2876, 2gua的编程生活, https://zhuanlan.zhihu/guagua

No.107, 2827, 写点Python, https://zhuanlan.zhihu/something-python

No.108, 2811, 撩撩数据吧, https://zhuanlan.zhihu/jiago

No.109, 2805, 非凸优化学习之路, https://zhuanlan.zhihu/optimization

No.110, 2786, Revit 专栏, https://zhuanlan.zhihu/RevitForum

No.111, 2755, VV Data Science, https://zhuanlan.zhihu/vieplivee

No.112, 2740, DαΓαSciεηce, https://zhuanlan.zhihu/datascience

No.113, 2700, 友盟专栏, https://zhuanlan.zhihu/umeng

No.114, 2685, 无人机日常, https://zhuanlan.zhihu/uavsdaily

No.115, 2668, 有意思的数据挖掘, https://zhuanlan.zhihu/data-mining

No.116, 2668, DT财经, https://zhuanlan.zhihu/dtcaijing

No.117, 2654, 人工智能学习笔记, https://zhuanlan.zhihu/c_80412427

No.118, 2553, Still的数据分析笔记, https://zhuanlan.zhihu/DataScientist

No.119, 2548, 人工智能应用系列, https://zhuanlan.zhihu/ai4application

No.120, 2464, 清雨的 Data Science 笔记, https://zhuanlan.zhihu/TsingJyuData

No.121, 2396, 帆软数据应用研究院, https://zhuanlan.zhihu/fanruan

No.122, 2383, 数据黑板, https://zhuanlan.zhihu/data-factory

No.123, 2299, 诸葛io, https://zhuanlan.zhihu/zhugeio

No.124, 2255, golang数据结构内部实现, https://zhuanlan.zhihu/goroutine

No.125, 2236, 数据可视化, https://zhuanlan.zhihu/datavis

No.126, 2206, Python高手之路, https://zhuanlan.zhihu/mingxinglai

No.127, 2181, Excel图表之道, https://zhuanlan.zhihu/ExcelPro

No.128, 2162, 设计与人工智能, https://zhuanlan.zhihu/designintelligence

No.129, 2157, 机器人开发的那些事, https://zhuanlan.zhihu/c_32667517

No.130, 2145, 不动点高校现充部, https://zhuanlan.zhihu/fixpoint-high-school

No.131, 2144, Swift, https://zhuanlan.zhihu/swift

No.132, 2132, 大数据技术与实践, https://zhuanlan.zhihu/hadoop

No.133, 2121, 缪斯夫人, https://zhuanlan.zhihu/msmueses

No.134, 2120, 小X的互联网投资, https://zhuanlan.zhihu/thanksalot

No.135, 2108, 计算主义, https://zhuanlan.zhihu/pillgrim

No.136, 2080, 深海遨游, https://zhuanlan.zhihu/deeplearning-surfing

No.137, 2032, 我的JA♂VA日记, https://zhuanlan.zhihu/JAVAShinNippori

No.138, 2022, Python库学习之路, https://zhuanlan.zhihu/pystudy

No.139, 2005, 人工智能+机器学习+深度学习技术文章精选, https://zhuanlan.zhihu/c_86691882

No.140, 1990, 边城的编程, https://zhuanlan.zhihu/cold-code

No.141, 1987, 写给妹子的深度学习教程, https://zhuanlan.zhihu/dlgirls

No.142, 1942, 机器有颗玻璃心, https://zhuanlan.zhihu/wjdml

No.143, 1936, 信号处理与机器学习, https://zhuanlan.zhihu/aresmiki

No.144, 1933, 中低频量化交易与AI, https://zhuanlan.zhihu/quantwithAI

No.145, 1894, 文因互联, https://zhuanlan.zhihu/c_45652868

No.146, 1889, 文艺码农之家, https://zhuanlan.zhihu/elegant

No.147, 1859, 一图一书, https://zhuanlan.zhihu/yituyishu

No.148, 1858, 一周一paper, https://zhuanlan.zhihu/one-paper-a-week

No.149, 1845, Python 爬虫实战日记, https://zhuanlan.zhihu/Waking-up

No.150, 1838, 片上神经网络, https://zhuanlan.zhihu/DNN-on-Chip

No.151, 1832, Take AI Seriously, https://zhuanlan.zhihu/aifirst

No.152, 1798, Python开发微信公众号, https://zhuanlan.zhihu/sufaith

No.153, 1725, excel讲堂, https://zhuanlan.zhihu/excelskills

No.154, 1721, 贩卖集装箱的汽车大师, https://zhuanlan.zhihu/cantonax

No.155, 1719, 面试常见算法80题, https://zhuanlan.zhihu/80algorithms

No.156, 1703, 理论与机器学习, https://zhuanlan.zhihu/theoretical-machine-learning

No.157, 1703, 无线技术大讲堂, https://zhuanlan.zhihu/dot11

No.158, 1688, 网络高并发编程, https://zhuanlan.zhihu/yedongfu

No.159, 1658, Python数据采集处理分析挖掘可视化应用实例, https://zhuanlan.zhihu/boken

No.160, 1655, Scratch编程, https://zhuanlan.zhihu/scratch

No.161, 1642, 小石头的码疯窝, https://zhuanlan.zhihu/burness-DL

No.162, 1620, 「数据科学」思维导图笔记, https://zhuanlan.zhihu/woaielf

No.163, 1614, 机器人的那些事, https://zhuanlan.zhihu/cobot

No.164, 1592, 数据结构与算法, https://zhuanlan.zhihu/DataStructureAndAlgorithm

No.165, 1588, 纽扣数据, https://zhuanlan.zhihu/niucodata

No.166, 1586, AI+设计, https://zhuanlan.zhihu/AIdesign

No.167, 1572, 我的java学习之路及习惯, https://zhuanlan.zhihu/c_120823325

No.168, 1564, 杠杆游戏, https://zhuanlan.zhihu/gangganyouxi

No.169, 1559, 飞总的IT世界面面观, https://zhuanlan.zhihu/feizong

No.170, 1554, 数据应用学院, https://zhuanlan.zhihu/c_60877174

No.171, 1548, 上善若水——游戏公司财务档案, https://zhuanlan.zhihu/hai1900

No.172, 1536, xTechDay, https://zhuanlan.zhihu/xTechDay

No.173, 1478, 简单易懂的Python, https://zhuanlan.zhihu/easypython

No.174, 1471, 机器不学习, https://zhuanlan.zhihu/zhaoyeyu

No.175, 1429, 神经网络与强化学习, https://zhuanlan.zhihu/c_101836530

No.176, 1424, DL(Deep Learning)小记, https://zhuanlan.zhihu/Charles-Wang

No.177, 1413, 娱乐硬糖, https://zhuanlan.zhihu/yuleyingtang

No.178, 1401, 数据科学沉思录, https://zhuanlan.zhihu/data-science-meditation

No.179, 1395, 前端小记, https://zhuanlan.zhihu/qianduan

No.180, 1386, 高斯世界下的Machine Learning, https://zhuanlan.zhihu/gpml2016

No.181, 1368, 声学与人工智能, https://zhuanlan.zhihu/chenxl

No.182, 1362, 机器鼓励师手册, https://zhuanlan.zhihu/Stark

No.183, 1361, Udacity | 优达学习笔记, https://zhuanlan.zhihu/youdanote

No.184, 1361, 诸事无常，唯死亡与税永恒, https://zhuanlan.zhihu/c_86275978

No.185, 1348, 山人.七-深度学习, https://zhuanlan.zhihu/shanren7

No.186, 1338, 大数据Spark, https://zhuanlan.zhihu/bigdata-spark...

在我的印象里90年就是属于很年轻，很有个性的一代，但是现在公司的新生力量不再是90年出生人的天下了，大部分95后开始迈入职场，他们这一代人才可以说是真正意义上的90后。大胆创新，喜欢做自己喜欢的事情，即使选择工作，他们也不再是为了金钱未来的发展，他们更看重的是自己的兴趣爱好。

最近BOSS直聘网站通过的大数据分析了一下95后到底喜欢什么养的互联网公司，具体如下：

2017年的就业市场上，人们将首次见到大批95后的身影。这群正在紧张求职的应届生，是伴随互联网发展成长的，令人瞩目的一代。他们的择业喜好，折射着时代文化的变迁。

在BOSS直聘此前发布的包含137645个样本的《2016年应届生就业竞争力报告》中，指出了几个2016年应届生求职的大趋势。首先，在宏观经济下行的背景下，全国应届生的平均期望薪酬较去年回落了5.6%，至4421元。相较2015年，能够吸引更多毕业生从事的“人才正流入”行业，仅有IT/互联网、金融、电子/通信/硬件、专业服务，政府/非营利机构；而包括机械制造、能源化工、交通贸易、房地产建筑、甚至广告传媒在内的传统行业，期望流入的应届生比例均有不同程度的萎缩。实体经济的下滑，正在深刻影响着年轻人的就业选择。

2016年，有36%的应届生希望到北上广深工作，而在三年前，这一比例是51%。愿意去三四线城市工作的年轻人，从2015年的22%降至20%。相应地，有44%的应届生希望选择二线城市工作，比去年增加了8个百分点。以杭州、苏州、青岛、成都、武汉、南京为代表的“新一线城市”，对人才的吸引力正在迅速攀升。

对于95后来说，互联网是一种生活方式。在这份报告中，我们从互联网公司和职位的细分维度，对2016年应届生的求职喜好加以分析。95后眼中的互联网江湖，景色有些不同。

技术工种更容易求职，愿意加入小型创业公司的年轻人比去年增加了5.9%

2016年，愿意从事互联网行业的应届生最想做的三大岗位是技术、市场和运营。其中，技术人才的比例与有工作经验的职场人群比例相近，对于要求更多实战经验的运营和产品岗位，应届生人数比例均低于职场人群5个百分点以上。

2016年应届生期望进入的前三个细分领域依次为电子商务、互联网金融和O2O，三者共占到总数的32.7%。这是目前互联网公司人才需求量最大的三个领域，入门级职位也更多。从趋势上看，O2O行业的吸引力正在下降，文化娱乐产业则超过了IT/软件等传统热门领域，吸引着更多年轻人，验证的是95后对于消费升级新风口的自适应和亲近性。

2016年想进入互联网行业的应届生中，40.7%首份工作选择1000人以上的大型企业；分别有21.4%和23.1%的应届生选择500-999人及100-499人的中型企业。2016年，有14.8%的应届生愿意毕业就加入100人以下的创业公司，相比2015年提高了5.9个百分点。出于对个人发展空间的更高追求，95后对于大公司的“执念”出现了明显下降。

独角兽公司依靠核心技术岗位人才战超越大厂

究竟哪些互联网公司更受95后欢迎？根据应届生在平台上对不同公司的主动搜索、主动查看、主动投递和沟通行为，BOSS直聘统计了互联网公司对应届生的吸引力指数，指数越高说明该公司对应届生的吸引力越大。1为指数基准，代表国内互联网公司对应届生的平均吸引力。

尽管正经历着不同程度的挑战和危机，至少在目前阶段，BAT依然凭借强大的实力和体量保持着对应届生的最高吸引力，较其余互联网公司有倍数级优势。而国内主要垂直领域中的独角兽创业公司，正在对老牌大厂发起疯狂赶超，吸引着大量95后的加入。

我们发现了95后互联网择业喜好的几个新趋势：

 Web1.0公司大势已去。用户互动、个性化搜索与推荐、云计算、共享经济……踩不上风口的传统门户已现颓势；软件公司依靠庞大的入门级技术职位数量，勉力维持着对应届生的吸引力。做好大数据的公司最受新生代欢迎。数据显示，2016年，榜单中的50个企业普遍提升了数据类职位在其技术团队中的占比，幅度在3%-15%不等。缺乏数据意识的公司将逐步退出竞争行列。独角兽公司在2016年异军突起，成为第二集团领军。刨除有明显优势的BAT，前十名中的其他七家公司在吸引力指数上激烈拼杀。在对新生代人才的争夺上，独角兽已经具备了与老牌大厂在同一个舞台上竞争的底气。知识社交与文化产业中的当红产品开始体现出强大吸引力。深受95后喜爱的知乎、B站、海洋音乐、楚楚街等公司今年纷纷冲进了榜单。“喜欢一个产品，就要去为它工作”，强兴趣导向的择业观，在2016年应届生身上体现得更加明显。从用户中吸引员工，正成为互联网公司新的人才引力策略。

2016年，在与大厂的拼杀过程中成功进入前十名的五个独角兽公司，其共性是技术和数据驱动，并且不惜重金与大厂展开人才战和挖角战。有趣的是，这五家公司各自抢占了细分领域中最热门技术岗位的应届生吸引力头名，这也直接帮助其巩固了地位。

我们对在排行榜上指数上升最快和最有代表性的六家独角兽公司进行了简要点评，它们放出的热门职位也代表了应届生求职的倾向。

蚂蚁金服

作为互联网金融行业的领先者，蚂蚁金服想要做的，是打造开放的生态系统，为小微企业和个人消费者提供普惠金融服务。过去一年的强势表现使得蚂蚁金服成为2016年应届生吸引力指数增长最快的公司，增长幅度达到37.4%。蚂蚁金服招聘以Java、算法、数据挖掘等技术类人才为主，对能力和项目经验要求高，薪资处于行业领先水平。

新美大

从千团大战中最终胜出的新美大成为了本地生活领域的霸主，被认为可能挑战BAT格局。新美大的职位中市场类岗位占比较高，业务的推进和下沉都依赖其强大的地推和BD团队。最吸引应届生的岗位包括： Java工程师、BD经理和市场推广。

今日头条

成立四年，今日头条已成为国内最大的内容分发平台之一。依靠算法和对人工智能的探索，今日头条在尝试颠覆传统的信息分发模式，用户量的大幅增长令其应届生吸引指数在2016年飙升至第六名。今日头条招聘以架构、算法和数据工程师为主，主要挑选985、211类院校的技术类毕业生。最为核心的算法类职位吸引力指数比BAT 的部分同等岗位高出10%。

知乎

知乎的崛起是内容创业与知识经济风口的综合作用，拥有大量高使用黏度的精英用户和年轻粉丝。在综合实力上，知乎与怪兽级公司仍有差距，不过凭借良好的品牌调性，在95后应届生心目中，知乎的吸引力在2016年超过了不少传统大厂。知乎重视工程师，招聘比例和薪资都高于互联网平均水平，同时，其运营岗位的薪酬水平是互联网公司中的佼佼者。

海洋音乐

海洋音乐旗下拥有酷狗和酷我音乐两个用户量过亿的产品。在腾讯控股之后，这家神秘的公司估值接近30亿美元，已成为行业老大。作为体现95后兴趣求职导向的代表企业，海洋音乐的应届生吸引力指数甚至高于众安保险、爱奇艺等明星企业。最受欢迎的岗位包括产品经理、Android工程师和交互设计师。

哔哩哔哩

二次元经济的迅猛崛起带动了直播行业的发展，将宅文化发挥到淋漓尽致的哔哩哔哩是大量90后的最爱。B站的上榜充分体现了95后求职的强兴趣导向，抓住一个垂直领域和人群做到极致的B站对新生代的持续影响，是一个值得观察的课题。然而B站的热门岗位依然是走技术流的，包括Web前端、游戏运营和PHP工程师。

公司越红越难进，第一道坎拼教育

互联网公司的应聘激烈程度与其受欢迎程度呈正相关。根据职位投递量、雇主查看和反馈以及面试邀约率的比值，BOSS直聘计算了互联网公司应聘的竞争激烈度。上榜的30家公司多为技术和产品驱动，对这两个岗位的人才需求旺盛，且对人才的学历背景要求更高。

95后互联网求职技能进入算法、数据与行为分析时代

除了良好的教育背景之外，掌握“高配技能”同样有助于增加应届生进入名企的机会。通过对应届生简历进行解析，将学生的能力标签与求职互动数据和职位相匹配，量化出掌握该技能对应届生竞争力的提升度，数字越高代表拥有此技能的应届生在求职该类岗位时的成功率越大。

技术类岗位五大技能：

产品类岗位五大技能：

运营类岗位五大技能：

也许以上的数据不够全面，但是我们基本以了解到这些95后毕业生就业的大体方向，这样对我们招聘和留下95后人才有一个重要参考。

笔者跟以前的大学同学最近联系比较多，发现人与人的差距挺大的，有些人月薪几万，有些人月薪几千，有些同学已经有两个娃，有些同学说连婚都结不起。

可能一毕人，大家就有了差距，毕竟有些同学一毕业就拿了过万薪资，而有的同学工作都难找。

今天我们聊聊，一毕业就薪资过万是什么样的感受，欢迎大家畅所欲言！

网友：apple8724

西部某城市，年收入不到10万吧，税后。注意是全部收入，包括年终奖过节费什么的。工作很辛苦，每月都有考试，平时都要看书学习。朋友在上海，IT行业，经常跳槽，听他说年收入15万。不太公平，主要自己工作付出太多，电力行业。

网友：LuvDDDD

我大三那年在外面创业，月薪到卡8k，加上帮别人写合同、做bp加起来能够稳定过万，多的时候还有别的外快。

体验就是，真的很膨胀，觉得自己要上天。

还在上学也没有租房的压力，家里还在给钱。互联网行业刚好在风口，拿着8k工资还收到了更高的offer，高得很离谱的那种。

我当时真觉得前途一片光明，上课也没心思开始划水，身边小伙伴还在做1k一个月的实习，都说我是人赢。

每个月钱还没到手就考虑和朋友出去吃饭的问题，工资一下来还会请客吃饭，看到喜欢的东西就买，买包买鞋买电子产品，基本上单价不过万的都不太心疼，因为对自己很自信，觉得总归能赚得回来。

那阵子真的是感觉自己social都比以前有底气，赚多少花多少，朋友感觉都多了起来，全世界几乎都是夸赞。

虽然我不知道那些是不是别人的奉承，可我自己都相信了。

相信自己和别人不一样，相信自己会成为青年才俊。

结果资本寒冬风口收紧，公司又出了内部矛盾，又面临毕业招聘，退潮之后我突然发现自己在裸泳。

GPA拼不过别人，行业泡沫散了一点，依当时的水平跳到同级别创业公司还是能拿那么多，但是如果大浪一打大概率还是要散。而且意识到marketing这个行业基本上无门槛，我做得，别人也做得。没有专业背书和一路踏风口的运气，我在行业内的不可替代性几乎无限趋近于零。

那时候真的是极其焦虑：

1.如果跳槽了离开风口，以后再也踏不上，那我未来会是什么样

2.如果不跳槽扛着风口，失去年龄优势以后泡沫再散了发现自己可以被任何人替代，再努力来得及吗

3.就算在风口能撑个一年两年，那以后呢。薪资虚高对我个人来说真的有那么大意义吗？

网友：Joy Lee

不多说，直接上图

网友：殷所长

开局太安逸，不是个好事情！

06年，坐标长沙，刚毕业，各种收入综合起来税后破万。

当大家还在为生活奔波时，

我已经无聊的在屋顶养花了。

没什么压力，浑浑噩噩过日子，打dota不适应液晶的宽屏，还特意去买了个特丽珑的显示器（想想还挺荒唐的），玩游戏的时候很疯，还好，我妈催我找了个老婆，生活不至于完全没有规律，老婆把我养得白白胖胖的。

事业不温不火的，当了个小领导，管着二十几号人。

孩子也生了。似乎没啥好折腾的。

然而，收入却一直没有啥质的飞跃，十年时间增长缓慢。

但是开支却大了，真的体会到了上有老，下有小的各种滋味。（如下一个小孩一学期幼儿园学费17k，两娃一年纯学杂费70k）供养完生活，也干不了啥。

其实挺后悔当时没有直接毕业后就北上广打拼一番的，人生没有增值，三十几岁，比起小城市的大多数有余。

可后面的生活，也就是在供养家庭，混吃等死了！

这种感觉如同三体中智子锁死人类科技后，自杀的科学家的体验。

现实的压力，彻底将我锁死在马斯洛金字塔的中段。

网友：路人甲

我今年六月份毕业做数据分析岗位，月薪刚刚过万，除了工作之外每个月接的外包单和稿子合起来是工资的2-3倍，勉强能来回答一下。

说说体验：

1.每个月房租2000+，基本的吃喝拉撒不会顾虑，想吃就吃想喝就喝，开心就好，请朋友吃饭什么也不会太拘谨。

2.当女朋友对某些东西透露出喜爱之情时，会毫不犹豫的给她买下来，当然前提是在我能承受范围之内；有空的时候就会有一场说走就走的旅行，甚至前一天晚上想到想到要去什么城市，第二天就买票出发了。

3.会经常给我父母买东西，保健品之类的，他们身体不太好，有时候逛逛京东淘宝看到一些居家的东西就会买了寄给他们；会经常给我的高中的小弟发发零花钱。

4.但是更多的时候，我早晨六点起床，九点上班，下午六点下班，十一点睡觉，除了吃饭睡觉的时候，大部分时间我在看书、写稿子、写代码、做分析，几乎没有娱乐时间。

前段时间有一个火爆的小程序是分享二维码到朋友圈让朋友给你贴标签，我也尝试了一下，最后发现大家给我贴的最多的标签是工作狂。

女朋友经常问我：你每天不累吗？

我说：有时候挺累的。

她说：那值吗？

我说：恩，值！

这就是体验吧~

网友：EricLi

学cs的，身边的人都是月薪过万的，没啥感觉。其实一万月薪在北上广真没什么感觉，到手七千，房屋两三千，交通衣服随便吃点不经常出去腐败也得两千，所以一万月薪也就能攒下两三千，别说买房了，连每年的涨幅都赶不上。

花钱仍然很算计，能坐地铁公交基本不舍得打车，周末百度外卖二十块钱一顿，电子产品一年只能算计着买一两件，衣服基本是优衣库GAP，每年只舍得在国内小玩一次，基本没太多富裕给家里买东西也没钱理财投资。这样算计着活下来加上年终奖，一年也就在五环攒一平房子。

所 以说刚毕业月薪八千和一万二真没什么区别，反正这点钱都无够安身立命的，何必在意这些微小的差异呢？关键还是看未来几年的发展，现在工作第三年了，身边有 人开上了特斯拉，有人依然像刚毕业时一样活着，自己虽然不是混得最好的那一批，但感受到了变化看到了希望: 出门能省时间会毫不犹豫地打车，周末点外卖会挑靠谱点的大店，手机镜头平衡车什么的喜欢就买来玩玩，每年出国玩两次，去健身房请个教练，经常给家里买点东 西给家里人掏钱做个体检什么的。

最大的变化是意识到自己时间宝贵，愿意花钱买时间了。刚毕业就月薪过万只能说明起点还不错，自己的努力能够 快速变现，而且身边有很多活生生的榜样可以学习和追赶。当你确信自己的努力会有所回报时会更加努力，大概就是这种感觉吧。虽然也会偶尔感到孤独无助也会心 累，但大多时候觉着生活充满了生机，蛮开心的。

网友：BarS

机械狗，刚毕业第一份工资税前刚好1万整，体验就是心酸，心酸，心酸。

为啥哩，我特么是博士毕业，世界500强企业啊......也就这水平了，你们说机械可怜不可怜

读书时听导师：好好做研究，多多发paper，做学问要耐得住寂寞，受得了清贫。听家人的：大学别早恋，好好学习，毕业就什么都有了。

没毕业前，真的是两耳不闻窗外事，一心只搞我科研。2013年房市大涨与我无关，2015年股市大涨与我无关。每天脑子里就在想怎么出idea，怎么出创新点，怎么刷paper，怎么把导师的活儿给干了。

毕 业后，真的感觉三观发生了翻天覆地的变化，开始认识到这个社会的全貌。基本上本科毕业就出来上班的同学（除了炙手可热的金工、码农外），都跟我收入差不多 （其实大多数是超过我的），不管啥行业。也就是说，这社会上认工作年限，到了一定的年限，大家都差不多，但机械尤行业的付出与回报尤其少一点。

网友：黄白小猫

十年前刚就业的时候月薪就过万了。那时候只觉得自己好富有，胡乱挥霍，心情不爽了就随便打的到处跑，随便请人吃饭。

现在回首，那竟然是我花钱最不节制的一段时光了。现在已经基本不会请人吃饭了。所有一百元以上的花销，都要经过我脑内元老院合议之后才能通过，而且每一位元老都有一票否决权。

网友：刘森辕

我 舍友M神，杭州某互联网公司算法工程师，梦想是写一个女朋友。非常刻苦的那种，每天下班后继续撸代码，到深夜。某日和M神去打网球，M神纠结要不要穿刚买 的30一双的纯棉袜子，我说：M神，纠结啥，你每天的工资都够买十几双了。M神说：还是不舍得啊...你看马上又该还花呗了。我说：纠结啥，你工资过几年 就涨到一天能买100双袜子了。M神叹了一口气，说：到那个时候就不是买30元一双的袜子能满足的，而是300元一双了，所以还是穷啊...

我觉得很有道理啊...所以说一个月1w和一个月1k的生活感受应该差不多，反正都是穷人，穷人何必为难穷人...

网友：孙志超

有 个现在的同事，刚毕业去的高盛穆迪，一年收入比我十年都多，心血来潮就和女友坐头等舱去下午茶，Burberry发布会现场拍下限量版风衣（然而只穿过一 次），和朋友在最顶级酒店把酒喝光（参见华尔街之狼），后来忽然觉得投行很没意思，跑到这里跟我一样拿民工工资。追求钱财，往往是那种没有的时候很向往， 有了又很快觉得没什么意思的东西。

网友：小石头

12年毕业，BAT没能进去，来到魔都做了产品狗，offer签的10k

体验就是

11年9月拿到的，卧槽，第一次拿这么多？一个月赶上老爸一年的收入

12年8月拿到一个月薪水，看工资条，一千多税，心疼

补充说明:税这么多的原因，是因为7和8月份没有交五险一金，9月份工资一起扣的

然后认识了一些人，一些上海土著，在互联网做过多年以上的，拿过bat股票的，每天盯着美股的，然后发现自己还是什么都不是

第一年没存款，月光了，发现欲望增长不过收入，第二年开始存钱

至今还在为自己头上那片瓦，晚上睡觉一张床奋斗呗

网友：tian tian

学 医的，毕业后在医院2-3K。读研，混日子，涨了一点点吧。离开医院，进外企。第三个月，收入税后过万。然后很快就过了三四万。。。。我永远记得第三个 月，这个时间节点，所以，每次招聘新人，如果三个月时间，他收入不过万，就是不称职，我就得想办法弄走他了。。。当时买了很多国际一线品牌的衣服，包包， 手表。结果和自己的形象气质完全不搭，看起来既廉价又装逼失败。做一次卷发，大概三千还是多少忘了，没时间精力和兴趣每天收拾，不到一周时间就变成了梅超 风造型。总之，当时外形和气质很别扭，各种招黑吧。。。。。。知乎有一个误区，只有某些高精尖，高大上的专业，才能月薪过万。而事实上，很多很多不起眼的 专业，公司，职位，收入都比你想象的高。

网友：Tinky九零

最大的感觉就是感恩父母。

5月毕业，8月开始工作。到现在刚刚开始工作的两个月里，现在按照人民币换算的话，每个月能过两万，发现自己也只能将将好维持过去二十几年的生活水平，尚且力有不逮。。。。

感激父母给自己搭下的基础，要努力报答父母啊以后。。

只希望不要树欲静而。。。。

网友：爱是馒头

煤矿工人路过

一毕业三个月实习期每月一千

第四个月8100，然后平均每月一万到现在

体力活

挣得都是辛苦钱

人在四线城市

收入算是当地较高水平

没啥体验

不想干了

网友：skiptomylou

感觉老子书没白念

========

杭州，到手17k，非互联网，不加班。本地人已有房。读书好真的有用。

网友：酷评先生

三四年前本科毕业的时候，我成为了一名工程师，在一家国资主导的合营企业任职，工作第一年我攒下了16万，按照月收入算差不多1.3万。

感触最深的一点就是:

人的奋斗固然重要，但关键节点的选择也能极大的影响你的人生。

和我同时进入企业的华科的同事比我早一年买房子，等我买房子的时候我比他多花了80万才买到一套类似的房子。

不同时间的选择造成的问题就是，

有一天早晨上班，我在泊车。

这货开着新买的宝马得瑟的跟我说:

"阿祖，我这新买的宝马，周末咱俩赛一圈？！"

"可以啊，但是必须在人行道！"我一脚踹下爱玛的车蹬子，霸气的回道！

夹带点私货~~~~~~

请问一句，哪里有可随时拆卸的电瓶可以买？昨天早上电瓶又被偷了，我估计以后停车要随身带着这玩意了。

知乎直男有力量。

知乎是公认的直男新知、闲谈、秀肌肉的圣地，能充分满足直男的好奇心和虚荣感，可以观世界、扯闲篇、交朋友、互相进行“我们是年薪三十万的博学高阶有素质直男”的心理建设。

文/詹腾宇

“有问题上知乎”，那知乎有问题的时候，该找谁？

这两天，长期解答“被裁员怎么办”之类问题的知乎，网传裁员300人，员工爆料“聊5分钟就离职走人”。知乎回应“这是谣传”，目前“正常人员调整和优化，多个岗位还在招人”——嗯，听来真是耳熟又心酸啊。

“知乎被裁员工在知乎发帖‘如何评价知乎2018年12月的这次裁员’”，也就顺理成章成了新梗。

知乎从来不缺梗。这里是公认的直男新知、闲谈、秀肌肉的圣地，能充分满足直男的好奇心和虚荣感，可以观世界、扯闲篇、交朋友、互相进行“我们是年薪三十万的博学高阶有素质直男”的心理建设。

在长久的积累进化中，知乎直男大致分化为三种类型。

故事全靠编的多角影帝

知乎的魅力之一，是在回答中窥见无数曲折离奇的人生，了解人在极端环境下的想法与做法。

太多人活得寡淡无趣，需要“非同寻常的故事”去刺激。诸如“年轻时得了绝症或大病如何面对”“有哪些叹为观止的绿帽经历或事件”“说说你最接近死亡的体验”，但凡成功答上一个，便能收获普通用户无数仰望。

知乎的魅力之二，是抖机灵。包袱越奇巧、越出人意料，越好。这和上一条所说的“有故事可讲”是一样的。

经历特殊又应对自若，讲述间透着不经意的幽默感。谈资丰富又云淡风轻，这些都是直男的骄傲来源。

那，没有曲折经历怎么办？编啊老铁。

“开局一张图，故事全靠编”的梗，来自于知乎迄今最知名的故事大王“海贼-王路飞”，此人在知乎里：

做过福建抛光厂工人、北京菜贩子、山东莱州大理石工人、昆都士早餐店老板、中冶西北炼钢厂锅炉工、大型三甲医院泌尿科主任医师、伊战现场报道员、1984年奥运会国家代表队成员、挖藕人等职业，在朝鲜平壤执掌中资贸易企业、西双版纳做禁毒、湖南长沙搞物流业、云南执行排雷、沪宁高速拉砒霜，家有8000万存款，是山东烟台05年理科状元，在华盛顿混过黑帮，因2008金融危机患上间歇性狂躁症。和黄渤合作过，与王健林是老友，遇见过车祸、被打成十级伤残、断过脚、染上过冰毒、得过肺肿瘤、经历过山体滑坡，最后隐居终南山。

据统计，“海贼王-路飞”前后共计给自己编了244个角色，每一个的细节都考究翔实，头头是道。这要在酒桌上，吹一年不带停。

在知乎上抖机灵，非常能加分。

由于皮得太狠，“海贼-王路飞”被知乎终生封号。他后来借小号回应：我吹的牛皮都没有恶意，只是当时那段日子我十分颓靡，天天刷知乎度日，就想编故事，搏大家一笑而已——这不正是直男们终日幻想、膨胀显摆病症的集大成者么？

知乎正在从一个涨姿势的平台，变成找乐子的贴吧。“海贼王-路飞”被销号，但这种瞎编胡侃的劲儿依然弥散在当下的知乎里，吸引眼球盖过真实严肃，抖机灵越来越多，求知欲越来越少。

朱海舟在微博上表示现状真是“可喟可叹”：在知乎运营体系里，当下对流量的渴求已经超过对质量的把控；用户构成倾斜到这个地步，已然覆水难收。

醒醒吧直男们，如果想让人关注和尊重，看下一条。

正儿八经的高知与“知识生活”分享者

与第一种类型恰好相反，这类直男本就是知乎最初也最珍视的用户，兼具专业背景与专业精神，有趣，有品，也有料。

他们展示了“知识即生活”的乐趣。比如为人熟知的chenqin，“每天只睡5-6个小时，拥有叹为观止的精力”、“用数据和逻辑分析在知乎回答了170余个问题、查上2-3个星期的资料只为写一个知乎回答”、“热爱被反驳、享受被挑战”、“为了美食不顾一切”，通过问答积攒人气，立了一个认真又较真、有趣也有自信的形象。

腾讯小马哥也是知乎知名用户。截图/知乎

其余的，诸如王不二、朱炫、Patrick Zhang、SteveShi、Sean Ye、chenqin、汪有、熊辰炎、吴清缘、邓柯、孟德尔、王天放等等，包括在其他平台成名已久的演员张译、作家张佳玮、杂志主笔何韬等人，展示了理想中“知乎范儿直男”应有的特质：专业技能过硬，表达清晰有力，知其然也知其所以然，讲述方式深入浅出。认真但不机械枯燥，幽默但不油腻装腔，时常有让人拍案称奇的精品回答。即便是抖机灵，也有意思。

编故事讲段子骗赞终究没有未来，回归知识分享平台的真意，才能接近直男们想象中博学多闻气度不凡的样子。

有趣，有品，有料，才有魅力。

直男症候群患者

直男两字真是被黑化得厉害，特别是在中国网络论坛。这儿从不缺少各种近乎没救的病人：中二愤青、直男癌、嘲讽帝、油腻化后的老司机。

知乎从小众到大众的发展路上，难免大量低阶用户涌入，将知乎这个本意是“分享交流知识”的平台，直接当成了随意开骂的论坛贴吧。这批人有优质知乎用户无比认真的特点，但缺乏知识与理性；高阶的骂人尚不留痕，低阶的逮着人就撕咬，尽显中文互联网的暴力底色。

比如锤子科技，堪称知友公敌。因为直男boss罗永浩过度自信、言论犀利带来的招黑体质，招来了各种“逢锤必黑”的讨伐之声。

这其中不乏有理有据的批评爆料，但更多的是为黑而黑，沉溺于损人和墙倒众人推的快感，甚至不惜编段子黑锤子的男性用户，这就大大破坏了知乎本该有的冷静客观的讨论氛围，变得不那么高级。

本来以理服人、不战而屈人之兵，是直男想象中双方辩论的最佳赢法，最后变成彻底双输的闹剧：挨骂的难堪，骂的人难看，这可不是知乎，这是微博评论和街头互怼。

“逢锤必黑”的知乎直男可不相信老罗说的这句话。截图/《鲁豫有约》

一些直男在大部分话题下都能保持男人的风度，在激发直男癌的问题范畴也会暴走。

比如在渣女相关问题上，直男癌患者在评论区骚动，就差顺着网线过去抄家伙打人了——作为爱情中的低情商者和受害者，直男癌经常对不完美的女性抱有敌意，一提到就不理智，一不理智就胡说八道，一胡说八道——这还是知乎么。

此外，直男成为老司机的过程几乎是不可逆的，各种知识的填充、摔跤后长的见识、头秃之后悟出的道道，帮助他们答题，也让他们变得油腻。有一类过份些，学会了用知乎提问钓鱼，发一个诸如“胸大的女生都有什么苦恼”，便会招来许多女生认真作答并附图。

遇到这类知乎直男，女生大概是这种心情。截图/《legal high》

话说回来，知乎精神，直男态度，其实都浓缩在三个词之中了：

“谢邀”（或“泻药”之类自谦写法）。藏着一股“你终于邀请对人了”的骄傲，谦虚话语里带着爆棚的自信和喜不自胜的神色。

“利益相关”。写上它是为了显示答主说明此答案受其他力量左右的程度，表明立场，便于读者分辨，不致错误引导。

“匿名用户”。这个词在知乎有特别的力量，它代表着“我知道，我说了，但你不会知道我是谁”的高人姿态——虽然它可能只是怕惹麻烦而不得已匿掉。

这些都是直男向往的境界——天下大势，为我所知，为我所控；受人之邀，解人所困，得人所识；事了拂衣去，深藏功与名。知乎本该如此，直男本该如此。

这些古典的名士精神，本该在知乎这样的平台开花结果。惜乎直男整体素质参差，好的很赞，坏的很拖后腿，所以知乎甚至中文互联网的讨论氛围江河日下，大多数人都脱不了干系。

与各位正在修炼中的直男共勉。

文章转载自知乎专栏“撩撩数据吧”。原文链接：https://zhuanlan.zhihu/p/24373068

作者简介：知乎达人“jiago王”，知乎专栏“撩撩数据吧”。帆软数据人，乐于交流的数据小兵。

一个行业做的越久，问题就越多，之前并不在意的问题也会拿出来思考。“数据解决企业什么问题？”这问题一定难不倒大家，甚至张口即答，例如通过数据可以对自身的企业情况有着准确和科学的把握，避免老板拍脑袋；数据可以实现对市场环境快速的反应和决策；数据可以区分客户个性化需求，提高服务价值等等。

       再比如：

以上，针对每一条都可以理解，但该如何实现呢？

同一个行业，业务模式以及数据类型也相差不多，但是各自所完成的内容相差很多。有些面向领导，做了Dashboard；有些面相业务人员，做了商品分析模块；有些面向基层员工，做了数据查询的报表。但是，为什么每家企业做的内容不一样？这些企业是根据什么而选择这些模块的数据进行分析的？进一步需要解答的是，每家企业所分析的数据不同，但为何感觉不出这对他们产生了不同的影响？拿上面的几个回答来看，老板是否拍脑袋决策、是否可以对市场快速准确的决策、是否可以区分客户需求，这些都非常重要，可有没有这样的数据分析，并感觉不出什么区别。        

以上这些问题我细细思考一下，同时也回顾了遇到过的各种业务场景、分析场景，经过成套成套的梳理，发现了这样一个问题。这些企业所做的数据分析(无论是bi还是报表)，并没有去发现未知的东西，而是为了可以更容易的按照标准的方法来判断一件事，这对于所有的群体、所有的业务都可以这样理解。下面我从简单到复杂的来说明。

对于基层员工，以货架商品管理员举例，超市货架上的商品要怎样管理？标准的方法是不是某一商品即将卖光，就需要从仓库中取出该商品补到货架上。没有数据，他需要一遍一遍的去巡查，也自然会有时会漏掉。有了数据，他就可以浏览数据来查看商品的售卖情况，以此来及时补货了。这么对于这个商品管理员来说，数据所解决的问题，就是让他可以更容易的按照标准的工作方法来决定补什么货，补到哪。    

对于业务人员，比如品类经理，他需要决定采购哪些品牌的商品，从哪一家供应商来采购，如何规划商店的商品。标准的方法是什么，是采购卖的好的品牌，把卖的不好的品牌剔除，并且选择价格更加低廉按时送货率高的供应商(真空环境下)。通过数据，我们可以列出我们店中品牌的销售情况，对比其他门店同类商品品牌销售情况，以此来发现哪些被忽略的品牌；我们也可以列出在过去一段时间门店内卖的不好的商品，以此来考虑是否可以对这些商品进行促销并且从此不再需要这些品牌；以上，数据所解决的问题，也是让品类经理可以更加容易的按照标准的决策方法来进行判断，优化商品结构，选择供应商。    

对于企业管理层，我们做dashboard进行指标的监控，做企业的业绩分析(时间、地区纬度等)。需要做的内容很多，因为管理层所要决定的范围很广，他并不像某一业务人员只负责一项工作为了一个目标。但是将内容分解后，我们发现，我们为管理层所做的数据分析，也是为了让他们可以更方便的按照标准的管理方法进行管理。当然，这个标准，并非是业内的通用标准，而是企业自己的标准，甚至是老板他本身的标准。比如，老板要通过胡萝卜加大棒的方式来促进每个店铺的销售额，给做的好的店长奖励，做的不好的店长惩罚，通过数据就可以很容易的执行，而避免拍脑袋的奖惩。而这一过程，也是通过数据使管理层可以更容易的按照标准的管理方法进行决策(员工是判断，领导是决策)。    

针对管理层的，很难说的更细，他们看哪些指标，会给他带来怎样的思考，这是旁人说不准的，但是这一套体系一定是在他心里有数。相比于员工，他们的工作内容更具备发散性，思考也更具备发散性，所以我们做移动端分析平台，做实时监控平台，做定时报送平台，目的都是一样，可以让领导更容易看到这些数据来进行决策。    

那以上内容，如果没有数据会怎样呢，不同的群体，即使没有对应的数据分析，也是会按照这样的方法进行工作和管理，但是面对未知情况，基层员工会花费更多的时间来填补数据，工作效率就会变低。对于管理层，他们没有那么多精力去找到他们想要的所有依据，所以在工作或者决策中，就出现了模糊决定，缺失的依据多一些，便成了拍脑袋决策。    

有些人，不需要很多数据，就可以对市场对公司有着准确的判断，有些人，就需要很多数据来填充他脑子里的空格，才能做出准确的判断。人与人的思考方式有所不同，但大多数情况，数据或许并没有改变他的决策方式，而只是让他脑子里某个模糊的参数变得准确，从而进行判断。    

综上，企业的ERP、OA等IT系统是为了让工作流程更加规范，而数据则是让决策更加规范。   

在我接触到的很多客户，他们都会像我询问其他客户是怎样做数据分析的，很多企业参加行业交流，也是希望更多的了解分析应用场景，大家真的是对数据分析的方法感兴趣吗？更深一步的去看，是对其他公司的管理和工作方法感兴趣，当然，这一点如果不去深究，可能他本人也想不通。        

上面解释了很多，得到了这样的一个结论：数据可以让我们更容易的以规范的方式进行判断和决策，也就是数据可以让决策更加规范。我为什么要花这么多时间来解释这样一个结论呢。

一、希望企业少被忽悠。

如此解释数据分析，当然会显得很土，但确实是这样。很多企业会规划做数据分析的项目，会找一些做数据的公司进行交流，而乙方公司则必然会拿出大量的概念进行渲染，什么高效管理、预测风险、智能决策之类的，听起来牛逼哄哄，然而扒开表皮，实质要怎么解释呢。一个巴掌拍不响，很多企业的IT人员也乐于听到这些牛逼哄哄的概念，喜欢源于业务高于业务，要让领导耳目一新才好通过项目审批。

举个例子，有企业还没有理顺运营人员看用户数据的时候，思考哪些问题，进行怎样的决策，上来就要做用户画像做挖掘做聚类，可是人家明明就只看个地区然后分配给对应的销售。但是一旦用户画像做出来之后？根据什么样的用户属性进行怎样的判断与决策呢？这些价值都是无法落地的，所以，如果想通过用户画像为运营带来更先进的管理和决策水平，一定得从运营角度出发。

作为一个企业来讲，最好先清楚，做数据分析是为了谁而做，是为了什么样的决策而做。这些东西想清楚，项目做起来也不那么复杂，因为这个项目已经有章可循，没必要动不动就上来个大概念，花钱不说，能不能解决问题也不确定。以目前大部分的企业，以现在的信息化水平，还没到拼科技的地步。        

二、希望帮助企业规划数据分析体系      

很多企业要做数据分析项目，但并不知道该如何规划，需求做的一塌糊涂，没有需求就开始项目的也不少见，全权委托乙方来进行需求规划，只能说是一种逃避和懒政，项目需求的事，如果只能选择一方，也是甲方，否则就是碰运气的事。70%都被使用，“项目做的很好，大家辛苦了”；30%被使用，“项目没白做还凑合”；10%被使用，“你们怎么做的项目啊，都没人用”。当然，需要补充一下的是，项目完成后的使用率高低，原因不只是需求做的好与差，还有很多因素，是否对业务进行了合理的培训和引导，项目易用性是否标准等，上面的例子只是表达需求不明很容易造成项目系统利用率不高的情况。        

根据上面的结论，我们怎样来做数据分析，甚至是从什么地方开始做？

首先，可以观察企业哪一个群体的决策最不规范，出的问题最多，就可以从那个群体下手(真空环境下)。比如，我们发现商品经常断货或者积压，那么就从品类管理员下手。通过数据展示出来可能挤压的商品或者即将断货的商品。这个群体的问题解决后，再看其他群体，以人为本，逐个击破。核心理念就是：我先了解你是怎样决策的，再去为你开发你的数据模型。  

最近和某个客户聊天，客户表示自己公司有很多存量数据，知道这些数据很有价值，但不知道这些数据如何变现。从本文的角度去看，暂不需要把“变现”想的过于复杂，我们如果通过数据实现了员工决策的标准化，就减少了在各个环节出现判断失误的概率，什么提高工作效率、降低采购成本、提升销售额之类的，都在这一系列对问题的准确判断之中，对于员工是如此，对于领导也是如此。这样，就实现了数据的变现。同样，即使你是提供对外的数据服务，当你所做的数据分析能够让客户实现决策的规范化，那么相信客户也会为此买单。

做数据分析，或许不在于分析，而是为了规范。首先数据的背后，是大大小小的管理与决策。

大数据时代并不仅仅是数据多，而且数据类型也是多种多样，数据数量大但价值密度小。同时，大数据所体现出来的信息不一定是真实可靠的，人为因素的干涉会导致数据失真。这些非结构化或结构化的数据，使得传统的数据处理技术和设备已经不能满足大数据发展的要求大数据是什么，作为数据采集团队 ，我们很长的时间里一直也在思考，什么是大数据，大数据的前景和价值在哪里。解决大数据产生的各种问题，关键在于技术。而技术要想适应更高的发展要求，最根本的是解决人才短缺的问题。日本认识到，要想创造更大的价值，就需要拓展IT与管理人才的人力资源，使这些人才具备可开发使用大数据商业模式的能力这篇文章里，我会跟大家一起分享我的看法以及各种有趣的内容和资源，它们关于:

什么是大数据大数据的实践大数据的应用场景

最近都在说裁员，如果想知道互联网裁员潮对就业薪资是不是真的产生了持久的负面影响，可以用我们的工具，帮你定时每天采集几次生成列表看一看。

（一）什么是大数据

先听听行家的说法：大数据就是多，就是多。原来的设备存不下、算不动。

————啪菠萝·毕加索

大数据，不是随机样本，而是所有数据；不是精确性，而是混杂性；不是因果关系，而是相关关系。 —————Sch02nberger

移步ted：Kenneth Cukier: Big data is better data

America's favorite pie is?Audience: Apple. Kenneth Cukier: Apple. Of course it is. How do we know it? Because of data. You look at supermarket sales. You look at supermarket sales of 30-centimeter pies that are frozen, and apple wins, no contest. The majority of the sales are apple. But then supermarkets started selling smaller, 11-centimeter pies, and suddenly, apple fell to fourth or fifth place. Why? What happened? Okay, think about it. When you buy a 30-centimeter pie, the whole family has to agree, and apple is everyone's second favorite. (Laughter) But when you buy an inpidual 11-centimeter pie, you can buy the one that you want. You can get your first choice. You have more data. You can see something that you couldn't see when you only had smaller amounts of it.

曾经人们以为最爱吃的派都是苹果派，不过当你有了更细致的数据，你会发现，苹果派受欢迎其实是一种妥协的结果：苹果派是每个人第二喜欢的口味。

拿到小尺寸派的数据以后你更发现，其实苹果派只能排到第四,第五位的样子了。

你有了更多数据，你就能看到之前你看不到的信息。

大数据最核心的价值是什么？ - 商业 - 知乎 推荐@Han Hsiao这篇内容的结构十分清晰，对大数据的正面意义提出了非常清晰地探讨。

大数据听着很牛，实际上也很牛吗？ - 人工智能 - 知乎 这里 @陈萌萌说的也特别好，怀疑她是不是真的是一个ai。看下薪水就知道了

大数据最核心的价值是什么？ -

大数据是大数据的采集

大数据行业，本身是依托于数据源存在的服务性行业。

大数据最根本之处在于信息收集方式出现了重大变化与革新。大数据的出现与大量信息直接在网络呈现关系非常紧密。

微博、天猫、淘宝、微信等等都直接产生了大量包括定位、消息记录、消费记录、评价、阅读等等殊为庞大的信息，可以说互联网企业都自然的带有数据企业的标签。不过如果我们从数据的源头看的更仔细一些，还是会发现，其实很多数据依然是有巨大的采集与归类的需求。

Joel Selanikio:Transcript of "The big-data revolution in healthcare"

There's a concept that people talk about nowadays called "big data." And what they're talking about is all of the information that we're generating through our interaction with and over the Internet, everything from Facebook and Twitter to music downloads, movies, streaming, all this kind of stuff, the live streaming of TED. And the folks who work with big data, for them, they talk about that their biggest problem is we have so much information. The biggest problem is: how do we organize all that information?

现在人人都说大数据，但其实大家说的是 facebook，twitter，streaming 等等站点上每天产生的信息，做大数据的人呢，会觉得我们有的数据量实在太大了。

（二）大数据的实践工具

看这里：大数据分析一般用什么工具分析？ - JavaScript - 知乎

最近看到个例子，说pokemon go 带给玩家运动量上的变化：

1、应用中的数据分析示例：

六个月以后，大部分pokemon go 的玩家的运动量逐渐和 non-player基本一致了。看来确实是一个能用相当效果的游戏。

互联网行业最受追捧

猎聘大数据显示，上海地区近七成中高端人才年龄介于25-35岁之间，说明80、90后中高端人才已成为企业中坚力量。上海中高端人才的行业分布特点进一步印证了互联网的迅速发展和其偏爱年轻人的行业趋势。

在猎聘平台上，上海中高端人才在互联网行业分布最多，占比达到20.77%；名列第二、第三的是金融、机械制造行业，其占比分别为14.89%、13.69%。

近年来，互联网行业在全国很多城市都有较快发展，吸引了众多精英人才的加入。借助上海一线城市的优势，当地互联网行业表现则更为突出。位居第二的金融行业一直是上海的强项，因而也名列前茅。机械制造作为长三角地区的传统优势行业，在该区域有深厚的积累，在吸引人才方面也有不俗的表现。

苏杭与上海之间的人才吸引力强劲

从沪漂来源TOP10城市来看，北京流入上海的中高端人才占比最多，为8.54%，位居第一。而名列第二、第三、第四的城市是苏州、杭州和南京，都是来自临近上海的城市，占比分别为4.16%、3.83%、3.02%；名列第五的是深圳，占比为2.90%。

北京近几年雾霾较为严重，不少人因此离开北京寻求更宜居的生活环境。上海除了具有一线城市的工作机会，还具有宜人的生活环境，吸引了来自北京和上海周边城市的中高端人才。

猎聘问卷调研发现，上海中高端人才平均每年参加的企业培训次数较少，57.63%的人为1-4次；20.56%的人为4-10次。

对于员工而言，企业福利与他们的切身利益和职场幸福感密切相关。猎聘问卷调研发现，上海中高端人才享有最常见的企业福利排名前两项的是生日/入职周年礼品、节假日补贴/礼品，均为纪念性福利，其得票率分别为52.02%、50.78%。企业纪念性福利最易增强员工的仪式感，进一步提升其对企业的归属感，促使两者的关系更为和谐。

欢迎和大家一起学习交流学习大数据。

前言

最近用 python 爬虫抓取了知乎用户个人资料（公开信息），去重之后有300+万条记录，为了得到这些数据，还不小心跑崩了一台服务器…… 当然主要是配置太低。

手头有了数据也不能闲着，于是就有了这篇分析报告，这篇报告做了一些浅显的数据分析，主要目的是练练手，大家看个热闹，高手勿笑。

数据量：3,289,329 人。

数据采集工具：分布式 python 爬虫

分析工具：ElasticSearch + Kibana

分析角度包括：地理位置、男女比例、各类排名、所在高校、活跃程度等。

注意：

以下所有分析结果都基于我抓取到的这300万用户的个人信息，非权威分析，仅供参考。

数据抓取时间为2017年7月份，用户数据会随着时间推移而变化，所以该报告具有一定时效性。

知乎的用户个人资料很大程度上是不完整的，因为用户有权只填写部分信息，所以后面分析的时候会筛掉对应指标为空的用户。

下面让我们看看知乎用户分布中有哪些有趣的现象（下面的图点击可以放大）

知乎的男女比例？

首先来看看知乎用户的男女比例，以当前样本数据统计的结果接近 1：1，其中男生略多一些。（其实还有很大一部分性别不明的用户，被我略掉了 r(st)q）

蓝色为男生，红色为女生。具体数据为：

男生：1,202,234 人，占 51.55%。

女生：1,129,874 人，占 48.45%。

知乎用户都是哪里人？

再来看看全国（全球？）都有哪些地方的人在玩知乎：

由上图可以看到，知乎用户中一线城市用户占较大的比重，北上广深皆在词云的中心位置（文字越大，比重越大）。我们再来看看具体的排名（前十名）：

知乎用户居住地前十名依次是：北京、上海、杭州、成都、南京、武汉、广州、深圳、西安、重庆。

你可能发现了Y坐标里每座城市的用户数并不多，这是因为有大概260万的知乎没有填写“居住地”这一栏~ 以下分析也有可能出现用户没有填写某一栏信息的情况，我会把这些用户忽略掉，以保证展示图表的准确性。

知乎的职业分布？

以下显示知乎主流职业，同样根据知乎用户个人信息里填写的职业为准：

由上图可以看到，知乎用户中学生用户占据多数，其它的比如产品经理、程序员、运营、HR数量也不少。我们看一下具体的排名（前十名）：

由上图可以看到，知乎用户中“学生”的比重独占鳌头，我们把“学生”去掉，来看看正经些的知乎职业排名：

去除学生后，知乎主流职业比重从大到小依次是（前十名）：产品经理、自由职业、程序员、工程师、设计师、腾讯、教师、人力资源（HR）、运营、律师。可以看到，除了一些互联网公司的常见职位外，教师和律师用户在知乎中也占据不小的比重。

下面我们结合性别和居住地来分析一下知乎的主流职业。

知乎主流职业的性别分布：

上面这张饼图的内圈表示各主流职业在前十名中所占的比重，外圈表示该职业从业者中的男女比例，蓝色为男性，红色为女性。我们再用一张直方图来表示：

同样蓝色代表男性，红色代表女性，从左到右的职业在知乎中的数量依次下降。可以看到，知乎大部分主流职业中主要为男性占主导。前 10 名的主流职业中有 8 个职业的男性从业者比女性多，其中以 程序员 的男女比例差距最为悬殊（-_-|||），以 设计师 男女比例差距最小，看来设计师从业人员男女比例较为均衡。其它的，比如产品经理、自由职业者、律师中，均为男性从业者多于女性。而前 10 名剩下的 2 个职业――教师、人力资源（HR）――女性从业者要多于男性，其中以 人力资源（HR） 男女比例差距最为悬殊，教师的男女比例虽不那么夸张，但女性也远远多于男性（也许是因为男性教师不怎么上知乎？）。

看完了知乎各职业的性别分布，我们再用一张热力图来观察知乎主流职业（前五名）在各个地区的分布情况，颜色越深，代表该职业在该地区的人数越多：

这里我为了展示方便，去掉了产品经理，你只需要知道产品经理在各地人数都是最多的…… 不明白知乎上怎么这么多产品经理，可能是为了方便宣传他们的产品？

从上图可以看出，知乎各主流职业大部分集中在北京和上海两地，更准确地说，大部分都集中在北京，但是人力资源（HR）是个例外，他们更多集中在上海。我们再来看看其他职业，程序员分布最多的城市依次是：北京、上海、广州、杭州、厦门。北京占得比重最大，简直绿的发黑，看来北京是程序员的天堂？其中深圳没有上榜，让我很奇怪。设计师分布最多的城市依次是：北京、上海、杭州、深圳、武汉。设计师的地区分布比较平均，各个城市都有一定数量。

知乎的高校用户

知乎中学生用户占很大的比重，我们来看看他们都来自哪些学校！词云中字体越大，表示所占比重越大。

我们再列出详细的比重排名：

以上展示的结果不一定准确，可能有很大一部分学生用户没有填写自己的学校。仅从上图可以看出，知乎活跃高校用户从大到小依次是：浙江大学、武汉大学、华中科技大学、中山大学、北京大学、上海交通大学、复旦大学、南京大学、四川大学、清华大学。

既然分析到学校了，我们顺便看看各高校的男女比例，嘿嘿。

发现一个有意思的现象，各高校大部分都是男生在玩知乎……

再看一下哪些高校在知乎获得的赞数最多：

第一是同济大学，土木工程，恩，这是哪位大佬撑起来的；第二是华南理工大学，软件工程，这个我知道，轮子哥是皇家理工的嘛；第三，重庆第一工程尸培训基地，恩？？？这是什么鬼（黑人问号）；继续往后看，恩……？？家里蹲大学？？！！还有一个兰州大学，牛肉面工艺专业？？？WHAT？？！！

知乎大佬都这么调皮吗……

这个图似乎不太准，大家忽略就好……

我们再来看看各地区有哪些高校是知乎重度用户，颜色越深代表该学校的知乎用户越多：

北京玩知乎最多的高校依次是：北京大学、北京邮电大学、中国传媒大学、中国人民大学、清华大学。

上海玩知乎最多的高校依次是：上海交通大学、复旦大学、同济大学、上海大学、上海财经大学。

杭州玩知乎最多的高校依次是：浙江大学、浙江工业大学、杭州电子科技大学、浙江大学,计算机科学、浙江大学,软件工程。浙江大学是重度用户啊……

成都玩知乎最多的高校依次是：电子科技大学、四川大学、西南交通大学、电子科技大学,软件工程、四川师范大学。

广州玩知乎最多的高校依次是：中山大学（SYSU）、华南理工大学（SCUT）、华南农业大学(SCAU)、广东外语外贸大学、广东工业大学。

我们再来看一下知乎各高校用户的活跃程度，按每个学校用户回答问题的总数排名：

排名依次是：武汉大学、浙江大学、中山大学、华南理工大学、北京大学、华中科技大学、复旦大学、上海交通大学、西北农林科技大学。

好了，高校分析告一段落，我们再来看看知乎用户的各类排名。

知乎赞数最多的100位大V

下图中词云的字越大，表示收到的赞数越多：

我们再来一张直方图，配合着看：

张佳玮大大无可争议的获得第一名，360+万赞，恐怖。其次是马前卒、唐缺、vczh、肥肥猫、朱炫、Seasee Youl、ze ran、鬼木知、豆子。知乎获赞总数前五名有两位都是作家（张佳玮和唐缺），看来作家在知乎回答问题获赞方面还是很吃香，果然表达能力是观点获得认可的一个重要支撑 。

知乎关注者最多的100位大V

下图词云的字越大，表示关注者越多，看看有没有你熟悉的大V 呢？：

同样我们配合着一张直方图来看：

知乎关注人数最多的前10位大V依次是：张佳玮、李开复、黄继新、周源、张亮、张小北、李淼、朱炫、葛巾、田吉顺。这些是知乎真正的大V，关注者数量极多。关注者最多的张佳玮有137万粉丝（抓取时），他的粉丝还在不断上涨，到现在已经有138万粉丝。关注者最少田吉顺也有57万粉丝，轮子哥（vczh）稍微少一些，排在第11位。

知乎回答问题最多的100位大V

这些大V在知乎很活跃…… 下图词云文字越大，表示回答问题数量越多。

具体的排名为：

知乎回答问题数最多的10位大V从大到小依次为：vczh、李东、赵钢、另一只袜子、四海之内、M3小蘑菇、kun yu、白猫转转风、yskin、肛里拉出个电锯。微软的工作貌似很闲，看轮子哥（vczh）整天刷知乎……

我们再来加上这几位用户在知乎的获得的赞数，看看“回答问题的数量”和“获得的赞数”之间有没有什么联系：

由上图我们可以粗略的得出结论，回答问题的数量和获得赞数的关系没有很大。上图中只有 kun yu 和 vczh 回答问题的数量和获赞数基本持平，榜单前十名的其它用户获得赞数虽然也不少，但和他们回答问题数量的排名比起来，还不在一个量级上。这从侧面也说明了一个问题，回答问题的质量更加重要，某些高质量的会更容易吸引用户点赞。

知乎参加live最多的100位大V

我们再来看一个有意思的统计，知乎参加 live 最多的100位用户，以及他们最多参加过多少场 live。（live 是知乎推出的一种类似于直播的问答形式，大V开一场 live，分享他所在领域的知识，用户买门票参与 live，是一种知识变现的方式）

再来看看他们最多参加过多少场 live：

最多的那个大V竟然参加过1600+场live，真的很有精力和金钱，哈哈。

结尾

以上，便是以知乎300万用户个人资料为样本，做出的简单数据分析。大家觉得还可以挖掘哪些有用的信息呢？

来自：呓语的黑板报

在当下大数据分析与人工智能火热发展的的浪潮下，数据分析师或大数据分析师已然成为当前炙手可热的热门就业职位之一，就业待遇和发展前景也是被好多人看好，于是乎想进入数据分析行列的人群也日益增加，很多女生也会蠢蠢欲动，想转行或立志从事数据分析领域的工作，但顾虑也由此产生——女生适合做数据分析吗？数据分析师是否是青春饭？如果真的是青春饭，那过几年岂不是要“长江后浪推前浪，前浪死在沙滩上”，加上青春年少不再，谈恋爱、想结婚的个人资本也会消耗殆尽，到时可真的是事业生活两头空啊！！

现在不管什么行业都需要数据做支持，数据正在变得越来越常见，小到我们每个人的社交网络、消费信息、运动轨迹，大到企业的销售、运营数据，产品的生产数据，再看看我们每天在做的事情，上知乎、上微博、逛淘宝，上Google，所有的一切都是需要做数据分析。下面CDA数据分析研究院深度剖析了女数据分析师的职业发展前景，希望对你的职业选择有所帮助。

随着数据分析技术的不断发展，数据分析这个行业也有很多的细分领域，比如技术岗位，可以朝技术方面深入，做数据运维、大数据架构和商业智能方面的工程师。也可以做业务岗位，朝管理和战略决策方面发展，做数据运营、数据产品和职业经理人。

无论什么工作兴趣最重要，不论男生还是女生，要做数据分析师最基本的就是不讨厌数字，如果你在计算KPI指标是通过怎样运算得到的会觉得不耐烦，那么显然是不适合做数据分析的；如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。

逻辑思维对数据分析工作也是尤其重要，不然会纠结在各种指标的定义规则和与业务的联系，逻辑思维好的人写SQL等数据处理脚本也会更加高效。

做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。女生与生俱来的细心和耐心，会让女数据分析师在商业敏感度上会比男生强，所以女生在数据分析的业务分析方面还是很有优势的。

这些相关的技术和业务能力，是短期难以培养的技能，可以通过培训获取。CDA专注数据分析、大数据、数据挖掘10年教育品牌，旗下开设课程包括：就业班、等级班、周末班、直播课程班、A+学位、考试认证教学体系,数据分析行业专家亲自授课，三个月进阶数据分析师。

数据分析归根到底是用数据讲故事讲道理，不同的人手里有一样的数据却能讲出不同的故事，让你眼中的数据会更加生动，更加有趣，也更加有意义。

是不是每天刷微博，看知乎都在说：大数据告诉你……

看到腾讯、天猫都在用：大数据分析……

你是不是好奇，这些大数据分析师都要做什么，为什么这么多企业都在用大数据，云时代究竟是个什么样的时代？

为什么大数据分析师是这么热门的职业，为什么会大数据分析的人都是高薪？

那么，成为数据分析师究竟有什么好处呢？

1. 本世纪最性感的工作

《哈佛商业评论》的一篇文章称，“数据科学家是21世纪最性感的工作”，有很多方面可以证明这点。从事金融、统计和运营研究的公司比以往任何时候都更加关注数据科学。数据科学正在为企业带来大量价值，同时数据科学家的需求也在迅速增长。大量的市场需求对于个人职业的发展也是十分有利的。

2. 工作上的自由

如果你问数据科学家，他们作为数据科学家最棒的一点是什么？他们的答案会是自由。对于数据科学，你不必局限于特定行业。成为数据科学家的最大优势在于，你的工作将与技术紧密相连，这意味着你的工作充满了创新和潜力，你可以自由地从事感兴趣的项目。更重要的是，你通过数据科学的工作能够改变成千上万人的生活。

3. 更有机会进入大公司

作为数据科学家，你更有机会在亚马逊、苹果和优步等公司工作。例如，亚马逊通过使用数据科学向客户推荐产品进行销售。亚马逊使用的数据来自其庞大的客户群。苹果公司使用大数据来为产品功能做出决策。优步的高峰期溢价就是公司如何使用数据科学的最好例子之一。

4. 收入丰厚

美国数据科学家的平均工资约为每年12万美元。自2011年以来，94％的美国毕业生找到了数据科学家的工作，平均工资为每年11.4万美元。根据2017年的报告，数据科学家的工作在排名前25的最佳工作岗位中位居第一，而且目前它仍然保持着这一地位。

5. 市场需求大

数据分析师的职业发展选择很多，比如项目管理、安全性、系统架构、咨询等。这些专业领域对具有相关技能的人才有巨大的需求。有些职位的就业增长率甚至超过100％。

6.相对安全的职业

新技术层出不穷，这就是为什么人们认为科技世界中许多技术都会转瞬即逝。数据科学并非如此，但这并不一定意味着 数据分析师应该停止学习新技能。我们都知道，包括数据科学在内的当今许多技术都将实现自动化。这意味着某些领域最终将实现自动化，但数据科学领域的发展不会停止，对数据分析师的需求也将继续增长。那些拥有一定技能并保持正确心态的人才不会被淘汰。

7.获得高管的青睐

数据分石门研究许多技术和编程语言，他们使用许多工具来解决业务问题，在此过程中，他们能获得高层管理人员的信任。数据科学家与来自不同行业和部门的人员合作，只要他们不断努力提高专业技能，他们就更有机会获得高管的青睐，为晋升管理层级做铺垫。

看到这些数据分析师是不觉得备受激励，其实像他们拿高薪，也是小case，他们之中不乏有小白（零基础）来AAA学习的，通过自己的努力一样高薪就业。其实只要你有梦想，就不怕被实现，想要了解的话，推荐你来AAA教育，实现高薪梦想， 免费试听课程报名网址：http://aaa-cg/?dcj

文 | 邹昕-知乎

来源：再生谈|reborn_chat

受本人背景和知识水平所限，本答案局限性如下（包括但不限于）：

1. 更适用于中大型公司；

2. 更适用于互联网公司；

3. 可能更适用于美国的工作环境。

个人以为，一个三年工作经验的数据分析师应该具备以下方面的能力：对技术的掌握，对产品的理解，对数据的敏锐性，数据和产品之间互相转化的能力，分析思维的广度、深度和速度，数理统计的能力，沟通的能力，辅导新人的能力，面试把关的能力。

以下分开来说，同时举例的时候假设这个数据分析师是知乎这个产品的，目的是为了增长活跃用户。

【1】对技术的掌握

不一定需要非常高深的技术，但是基本的一定要过关。比如针对互联网行业的数据分析，SQL 是一定要过关的。在这基础之上，掌握公司惯用的BI工具或者报表工具，譬如帆软系列；Python / R 可以提高长期的工作效率，但在初期并不一定需要。

简单来说，技术能力决定了一名数据分析能力的下限，而对产品和业务的理解则决定了上限。

如果缺乏技术的支持，那就只能去当 CEO 了。

就好比在电影 Margin Call 里，底下的小兵负责分析数据，各种模型预测金融危机什么时候会发生。

而对于 CEO 来说，他的任务就是猜。

【2】对产品的理解

数据分析的目的是为了改进产品。如果缺乏对产品的理解，那么技术再好，也有可能像是无头苍蝇到处乱撞。

或者是变成 data dump，提供一堆一堆的图表，但其中有互相什么关联，能说明什么问题，提供什么样的建议，却并没有好的想法。

如果是初入行的话，这还是问题不大的。

因为新人可以有老板带着，或者是老人带着，但是如果想要更进一步，那就必须能够自己独立的做项目。

尤其是在互联网行业更是如此，除了新人之外，对大多数人的基本要求都是能单兵作战，不需要详细的指导。

同时在很多情况下，问题是很开放性的，对于如何解决并没有一个非常固定的套路，或者是因为这完全就是一个新的问题，或者因为不同产品之间套路无法直接套用，需要做大量的调整和创新。

比如这里面增长的例子，哪些是可以借用于知乎的，哪些是需要调整的，哪些是完全不适用的？

【3】对数据的敏锐性

对数据的敏锐性体现在两方面，一是在结果还不是那么清晰的时候，甚至根本就没有什么数据的时候，能够大致感觉往哪个方向深挖是更有可能出成果的；二是在数据出问题的时候，能够反应出来，及时找出原因。

比如做知乎的数据分析，目的是为了增长活跃用户，可以做的地方有很多，比如增加获新、增加内容、增加用户关注话题数、增加用户关注人数等等。一个经验丰富的老司机可以快糙猛的大概估算一下各个方面的机会有多大，大致的实施难度如何，风险是大是小，产品哪些方面是有缺陷可以改进的。

另一方面，是人就会犯错，最大的区别在于有的人可以很好的纠错，而有的人则需要别人提醒，还有的人即使别人提醒了也反应不过来。

【4】数据和产品之间互相转化的能力

在互联网行业，多数时候问题是很不清晰的，比如说问题可能是2017年新用户留存远差于2015年的用户，如何解决？

对数据分析师来说，并不会有一个详细的单子来告诉你都有哪些步骤，而是需要自己灵活处理。

一方面这些问题本身就比较新，虽然会有一个大致的套路，比如 AARRR 模型，解决增长需要先解决留存等等；然而再往下具体的时候，套路就没有那么固定了，因为不同的产品之间可以差别很大。

即使像是 Quora 和知乎这样理应非常类似的产品，也可能因为一些或大或小的差异，导致给分析数据也带来差别。

比如 Quora 的 upvote 并不完全代表赞同，而更多带有传播的意味。

而对于知乎来说，点赞即是赞同，传播只是副产品而已。

如果只懂数据不懂产品的话，很容易进入一个误区，要么产品/业务方追着问数据，要么没活儿干。

【5】分析思维的广度、深度和速度

速度这个比较好理解，尤其是在互联网行业，讲究快糙猛，没有时间精细打磨。

比如一个项目可以花两个月时间做出 95%，也可以花两周时间做 80%，那么多数时候都会是后者。

广度：产品的各个方面之间总是互相牵扯的。最简单的例子，如果知乎的拉新做得非常好，那么留存就有可能降低，用户活跃度也有会降低。

如何分析各者之间的关系，如何保持一个合理的平衡，如何增加其中一个不过于负面影响其它，这些数据分析都需要在广度上有一定的了解。

深度：有些问题一个人解决不了或者很难，多几个人就可以了，比如说搬砖，十人人搬总会比一个人搬快得多，哪怕不是十倍速度。而有些问题，靠堆人力是没用的。

【6】数理统计的能力

这一部分跟 1，3，5 是相关的。不一定需要特别高精尖，但是对于分析问题会有很大的帮助。比如说如何识别数据分析里可能出现的错误。

【7】沟通的能力

除非兼任软件工程师和产品经理的职，否则数据分析师总是需要通过说服产品和工程方面来改变产品，产生影响力。

有了好的结果是第一位，如何影响合作伙伴，让他们接受自己的建议甚至比有好的结果还重要。

毕竟，没有声音，再好的戏也出不来。

【8】辅导新人的能力

毛主席说过，人多力量大，要把敌人淹没在人民战争的汪洋大海中。

辅导新人，不只是团队 leader/manager 的要求，对于独立贡献者（inpidual contributor）也是一样重要的。

闻道有先后，术业有专攻。

一个人的力量终究是有限的，如果把自己的能力复制到整个团队甚至整个公司，是增大自己影响力最有效的办法之一。

【9】面试把关的能力

大多数人应该都希望自己的公司处于一个增长的状况，如果是高速增长那就更好不过了。

有增长，就必然要招人。

而招人并不是简单的招人来干活，而是招来更优秀的人进一步提高团队的水平。

这对于高速增长的团队来说是一个很大的挑战，所以提高面试技能和精准的判断面试者的能力，无疑是有效的扩张团队的不二法则。

【10】少睡的能力

比如说七周不睡觉，快速成为数据分析师（开玩笑的）。