基於區分後的崗位信息，我們首先來看這兩類崗位都覆蓋那些領域的工作。從下面的崗位所屬領域分布來看，雖然二者有一定程度的重合，但數據分析行業主要偏向大數據應用領域，其中電子商務領域比重接近40%，金融領域也有涉及；但人工智慧崗更偏向開發，軟體和IT領域，這些領域的職位佔50%以上。

人工智慧崗位關鍵詞

再來看看兩類崗位的「錢途」如何——

看來人工智慧與數據分析行業都屬於高薪行業，而人工智慧行業則更有「錢途」一些——人工智慧崗位平均薪資為16900元，明顯高於數據分析崗平均薪資10000元。這其中一部分原因是由於人工智慧崗位薪資呈現較明顯的雙峰形態，表明存在一類薪資相當可觀的精英職位。

接下來運用箱線圖來分析薪資與各個因素（包括工作地點、經驗要求、學歷要求等）之間的關係。為了減少薪資異常值帶來的影響，箱線圖縱坐標進行對數處理。首先是工作地點對薪資的影響，一線城市的薪資普遍最高。但一個有意思的現象是，鑒於數據分析行業的廣泛適用性，特別是大數據熱潮下數據思維跟傳統企業結合思想的普及，三線城市出於吸引人才的目的，反而會提供比新一線和二線城市更高的工資。人工智慧崗位三線城市也可以提供與二線城市持平的薪資。想畢業回爸媽身邊建設家鄉的小夥伴，來來來，快到碗里來。

接下來是學歷對薪資的影響，很符合直覺的是兩個行業薪資和學歷都存在很明顯的正相關關係，其中數據分析崗位68%以上要求本科及以上學歷，人工智慧崗位77%以上要求本科及以上學歷。敲黑板！好好學習，天天向上。而需要高精尖技術的人工智慧崗位對碩博士的需求比數據分析崗位更多。

其他還有諸多可以考慮的因素，例如工作經驗、軟體技能等，都可以採用類似的方法進行比對。這裡就不贅述啦。值得分享的一點是，數據分析崗位對工作經驗更敏感，而人工智慧崗位對學歷更敏感。看來，前者更注重業界經驗的積累，後者則更需要堅實的學識基礎。另外，我們還對兩個崗位的專業要求做了比對，發現雖然相似的專業需求使得兩個行業的人員可以相互流通，但數據分析崗位中計算機、統計、數學專業的人才需求比較均勻，但人工智慧行業目前還是計算機專業佔主導地位。

總之，從描述性分析中我們可以得出這兩種崗位的初步比對：

當然，如果需要量化這些影響因素，我們可以通過回歸模型來分析。鑒於原始變數太多造成的多重共線性，我們這裡採用主成分回歸的方法：

經過主成分回歸我們可以得到各個因素對於薪資的量化影響指標。對於數據中的企業相關的因素，分析結果如下：

人工智慧崗位企業因素影響

可以看出，兩類行業在銀行和電子商務相關領域的工作比其他領域都更有「錢途」；對於數據分析崗位，新一線和二線城市反而不具有薪資優勢——如果不是在人才高度聚集的一線城市，那麼去填補欠發達城市的人才缺口也是一個不錯的選擇哦。同樣，我們可以得到個人因素的比對：數據分析崗位個人因素影響

人工智慧崗位個人因素影響

了更加細緻地了解兩個行業內部崗位的分布，我們對兩類行業進行了k-means聚類分析，每個行業得出了三類典型崗位。

那麼做了這麼多，到底對我們有什麼用呢？很直覺地，我們會把自己的個人情況往模型里放，看看自己適合哪類細分職位，在這些職位上又能賺多少錢錢(???)。具體講來，我們可以利用費歇爾線性判別分析（Fisher』s LDA）根據個人情況進行就業行業和每個行業中細分職位的判別，再利用主成分回歸來預測我們的錢途（聽起來棒棒噠）：

或許你是一個富二代（交個朋友吧.jpg），等著回去接手家族企業，那麼你還可以用這個模型進行薪資制定、人才培養計劃制定等等。

亦或許你已經是職場老油條，對前途比較迷茫，有了這個模型，你就可以判斷自己未來薪資，對方行業的薪資，是否需要跳槽，以及提前做好跳槽準備。

最後媛子小分隊祝大家都能升職加薪、當上總經理、出任CEO、迎娶白富美、走上人生巔峰！是不是想想還有點小激動啊。「最後的最後，媛子碎碎念：基於招聘網站的數據做招聘行業分析其實是件有點心虛的事情，畢竟由於諸多因素，國內招聘網站上的很多招聘信息跟真實工作情況可能並不完全匹配，導致有的童鞋奔著寫業務分析報告去的，結果整天苦哈哈地查SQL，有的童鞋明明是技術大拿，結果每天對著SAS調table。所以我們必須承認我們的局限性，但由於廣大童鞋在招聘網站上所能看到的也只限於這些資源，而我們已經盡量客觀地抽取崗位細節描述的信息了，所以我想我們的分析我想還是可以供大家參考借鑒的，鞠躬！」

推薦閱讀：