数据类岗位的人才需求和薪资预测研究

摘要

由于互联网时代的发展和移动端用户人群的崛起，网络招聘也因其流程简单、快捷高效等特征成为应聘者和企业沟通的主要渠道，从综合性招聘网站到个性化招聘网站，网络招聘行业也迎来前所未有的发展，大量新兴网络招聘平台如雨后春笋般涌现。有调研数据显示，近八成求职者偏好利用多个网络招聘平台来拓宽应聘渠道，而且求职者选择网络招聘平台主要考虑的前三位因素，分别是求职成功率、职位匹配度和企业信息真实性。但是，企业数量之多、招聘信息之纷繁复杂、以及岗位的薪资水平之相似让多数求职者感到困惑，因此从众多的岗位招聘信息中挖掘特定岗位的人才需求特征，并对岗位薪资进行分析和评估，可以帮助解答求职者的疑惑，从而有利于他们选择适合自己的岗位。　　近年来，随着大数据和云计算的飞速发展，大数据行业的人才缺口也在不断扩大。故本文主要分析数据类相关岗位的需求特征，并且根据薪资的影响变量进行岗位薪资预测。以数据产品、数据运营、数据分析、数据挖掘和数据开发为搜索词，爬取招聘网站上的招聘数据，包括岗位要求的学历和经验、公司相关信息以及岗位任职要求文本。首先对岗位要求的文本数据进行预处理，然后根据分词结果进行k-means聚类分析，再按照聚类的主题采用统计分析的方法比较不同岗位在教育背景、工作经验、专业技能和个人素质方面的需求特征，最后分析相关变量对于薪资的影响情况，采用机器学习算法对岗位的薪资下限和上限分别进行预测，并考虑通过Doc2vec方法将任职要求文本向量化后引入预测模型，期待达到更优的预测效果。　　研究结果显示，一方面，从数据类岗位的人才需求特征来看，学历方面，多数岗位要求本科及以上学历，运营岗位的需求相对而言略低；专业方面，数据类岗位偏爱计算机、数学和统计学相关专业的求职者，计算机相关专业在开发、挖掘和产品岗比较受到用人单位的喜爱；统计相关专业在分析和运营岗比较受到青睐。工作经验方面，数据类岗位都偏爱具备3-5年工作经验的求职者，但是运营和分析岗对工作经验1-3年的求职者也比较认可。专业技能方面，数据类岗位对算法和建模要求比较高，相对来说，产品和运营岗比较偏业务方向，挖掘和开发岗更偏技术方向。此外，企业招聘中对于数据类人才的选拔因素除了专业技能，还比较看重求职者在沟通表达、团队合作等方面表现出来的优秀个人素质。另一方面，在薪资预测结论中，通过Doc2vec方法引入岗位任职要求的文本向量会优化机器学习模型的预测能力，和支持向量机(SVR)、XGBoost以及RFR-CART融合模型相比，随机森林(RFR)的预测效果较优。

目录

声明

绪论

一、研究背景与意义

（一）研究背景

（二）研究意义

二、国内外文献综述

（二）岗位薪资预测研究

（三）研究述评

三、研究内容与方法

（二）研究方法

四、论文的结构安排与研究思路

（一）论文结构

（二）研究思路

第一章 相关理论和方法概述

第一节 文本分析的相关理论

一、文本分词方法

二、文本表示模型

第二节机器学习方法介绍

一、支持向量回归（SVR）

二、CART回归决策树

三、随机森林回归（RFR）

四、XGBoost回归

第二章 数据类岗位的人才需求分析

第一节 招聘数据来源和收集

一、招聘数据来源

二、招聘数据爬取

第二节 数据预处理

一、数据去重和特征格式转换

二、招聘文本数据处理

第三节 数据类岗位的人才需求特征挖掘

一、K-means聚类分析

二、岗位人才需求的统计分析

第三章 数据类岗位的薪资预测

第一节薪资影响因素的描述性分析

一、个人因素分析

二、公司因素分析

第二节薪资影响因素的关联分析

一、关联规则介绍

二、关联结果发现

第三节基于随机森林算法的岗位薪资预测

一、特征工程

二、参数寻优及模型评价标准

三、岗位薪资预测的实现和结果展示

四、模型结果对比与分析

结论与建议

一、结论

二、建议

参考文献

致谢