职业技能培训项目案例：从零基础到高薪就业的实战路径解析

数据科学类岗位需求特征及薪资预测研究

随着大数据产业的发展和数据分析应用技术的推广,数据科学已成为当下最热门的研究领域之一.一方面,国内的众多企事业单位都积累沉淀了大量的数据资源,催生出大批数据分析需求,急需对口的专业人才填补部门空缺.另一方面,国内各大高校相继开设数据科学类专业,摆在学校和毕业生们面前的首要问题就是学生毕业后能否找到一份满意的工作.与此同时,"数据行业发展前景极佳,大数据行业是未来的朝阳行业,零基础也可轻松入门数据分析"等宣传语逐渐深入人心,让很多非数据类专业的求职者也跃跃欲试,期待任职于数据科学岗位,如此给整个行业带来更大的就业竞争压力.而在当前的数据科学类岗位招聘中,存在明显的供需矛盾和信息不对称问题,至今未形成完善的数据科学类人才评价体系,致使招聘方和求职方无法实现精准匹配.各类招聘网站的兴起为研究者分析招聘信息提供了渠道,已经有不少研究者基于招聘信息得到相应的分析结论.但这些分析大多只停留在对岗位现状的统计与描述,未能深入探究岗位需求发展的内在趋势.后续有学者观察到招聘文本的非结构化属性,使用了文本挖掘方法,较之前的统计分析有了明显的成果改进.不过目前的数据类岗位信息研究多局限于某个具体的岗位,如数据分析师,算法工程师等,未能窥见该行业全貌.此外,薪资作为求职者选择岗位的重要因素之一,绝大多数的研究中对薪资水平的预测仅使用了结构化指标,未考虑到含有丰富岗位需求特征信息的招聘文本数据.为深入探究岗位需求特征,本文选取了招聘网站中数据科学类岗位在全国范围内的招聘信息,并且结合实际将其细分为六大类别,使招聘信息分析更加细致.本文从结构化和非结构化数据两个方面入手:对于结构化指标,采用描述性统计分析和可视化技术,从整体层面反映出数据科学类岗位的需求现状.对于非结构化的招聘文本信息,使用自然语言处理方法对岗位职责和任职要求文本进行文本挖掘.并结合TF-IDF算法及LDA模型提取文本关键词,通过py LDAvis包对提取出的主题特征进行了较好的展示.在薪资预测部分,本文考虑对薪资水平的影响因素进行分类,采集到包含个人因素,企业内部因素和相关外部因素的若干指标.通过对非结构化文本数据进行特征提取和独热编码,构建了基于任职要求文本的需求评价指标体系.相比之前研究中仅考虑结构化指标的建模思路,新的需求评价指标体系中包含了更多可能影响薪资水平的特征.随后使用LASSO回归和逐步回归方法对候选指标进行特征筛选,确定最终的入模变量.建立多元回归模型对变量的影响程度进行量化研究,得到影响因子的系数.最后建立随机森林模型,输出变量重要性排序结果.其中工作经验年限,岗位类别,城市类别,学历水平和实操技能对薪资影响较为显著.最后,基于数据科学类岗位需求特征和薪资预测建模结果,从高校人才培养模式和求职者职业发展两方面出发,提出如下建议:高校在开设专业课程时需注重理论与实践相结合,加强与企业的沟通合作,了解企业的实际需求.在校内多开设实践课程,培养学生的动手能力;在校外鼓励学生参与校企联合课题和各种实习活动,加强学生的实战经验.对求职者而言,数据科学类岗位的分布较为广泛,行业门槛较低.薪酬水平与是否是专业出身无必然联系,但想要获得高薪必须积累工作经验,熟练掌握各种实操工具,才能获得较好的发展前景.