数据产品经理全方位解析

一个非常有趣的现象，当你尝试从百度指数搜索「数据分析师」，可以得到结果。但如果尝试搜索「数据产品经理」或「数据产品」，无法得到任何结果。 「数据产品经理」不配拥有姓名吗？它与「数据分析师」的职位相比，差异在哪？技能要求都是什么？薪资如何？本文将通过数据进行全方位解读。
Intro

由开头的导言展开，下图是「数据分析师」的百度指数，每年的春招秋招时期可以看到职位关注度较高。

2018年秋招时「数据分析师」搜索指数达到历史峰值，2019年秋招该职位的搜索指数同比降低50%左右。

长期来看，数据分析职位是需求呈增长趋势。但数据产品经理和数据产品，无论在百度指数还是微信指数，都提示「关键词未被收录」，从这个角度看，数据产品经理的概念好像还处在比较小众的阶段。

那么问题自然来了，这么小众的职位，现状到底如何呢？与数据分析师相比有何不同？

如果你从知乎、PMCAFE 等社区搜索关于数据产品经理的问题，不难发现大家都在从主观角度去回答：包括数据产品经理的定义以及与数据分析师的差异。

本文数据分析将会从「职位供给角度」描述更多客观事实，使求职的同学在宏观、微观层面均能建立理性的认知。

PMSalt 将通过一个完整的数据分析流程来解读（本文全部代码、数据、思维导图获取方式详见文末）：

1 问题定义：全方位解密数据产品经理的现状，观察现有职位的规模、招聘方的需求、求职者应聘要求，并对薪资的相关性进行分析。与此同时，将数据产品经理与数据分析师进行交叉对比，观察有何不同之处。共包含以下几个维度：

整体范围：

• 数据产品经理、数据分析师在招聘网站上的职位总量如何？各城市分布有何异同？竞争现状是怎么样的？
  

招聘方：

• 市场上哪些类型的公司在招数据产品经理或数据分析师？都是什么规模体量的公司在招聘？
• 招聘时职位标题的关键词都是什么？
  

求职方：

• 应聘数据产品经理、数据分析师所需要具备的「工作经验」、「学历」、「技能」都是哪些？
• 数据产品经理、数据分析师的薪资水平如何？薪资浮动可能与哪些因素有相关性？
  

2 数据获取：通过爬取智联招聘搜索「数据分析师」、「数据产品」的搜索结果，得到不同数据集。

根据前期的问题定义，我们数据分析所需获取的具体数据共包括以下字段：

• 本文实现的爬虫、数据分析的源代码、思维导图完整版，在公众号回复「数据产品」，即可全部获取。
  

3 数据处理（详细处理逻辑请见源代码）：

• 爬取的city字段需处理为1级城市
• 过滤掉搜索结果的职位标题中不包含相关职位关键字的数据：数据产品数据集过滤掉不包含「数据」+「产品经理」的职位，数据分析数据集过滤掉不包含「数据」or「分析」的职位，保证我们分析的职位口径是符合定义的
• 技能标签转化为可用于统计的格式
• 工作经验转化为平均工作经验数值用于分析
• 薪资水平转化为平均薪资水平数值用于分析
• ...
  

4 数据可视化及分析过程：针对第1阶段提出的问题，通过可视化的方式把以上2个职位的故事讲清楚

目录

1 整体范围

2 招聘角度

3 求职角度

1 整体范围

本文共爬取了26个城市的职位搜索结果数据，过滤掉不包含职位关键词的数据后，数据产品相关的职位共2842个，数据分析相关的职位共4271个。

数据产品的市场职位需求TOP 3的城市是「北京」、「深圳」、「杭州」；数据分析的市场职位需求TOP 3的城市是「北京」、「重庆」、「西安」。

不难发现，大型城市中对于职位需求更加细分，对新兴职位的包容度较高，在除北京外的很多一线城市中，数据产品的需求量远高于数据分析。

下沉到二三线城市后，数据分析职位仍有需求，但数据产品的职位需求相对来说就少很多了！

根据智联招聘发布的招聘报告，以「北京」为例，我们大致可以估算一下两个职位的简历投递量大概有多少。

2019年Q2的竞争指数为45.1，在北京，数据产品的简历投递量估算为258 x 45.1 = 11636，数据分析的简历投递量估算为619 x 45.1 = 27917。

求职压力可以说是非常直观了。总之，就业城市选择的合理性与数据职位机会的可获取性的相关程度不言而喻。

2 招聘角度

公司类型分析

根据公司类型进行分组统计后可以看出，民营、股份制企业、上市公司是TOP 3类型，数据产品与数据分析职位在不同规模的企业中占比分布基本一致。

公司规模分析

从公司规模角度，中小型体量的企业占绝大多数，1000+规模的企业相对来说会少一些。数据产品与数据分析职位在不同规模的企业中占比分布基本一致。

对于求职者释放的信号是：尽量选择民营 + 中小企业打开数据产品、数据分析的职位大门。

职位标题的关键词对比

可以看出数据产品经理的关键词都是围绕产品经理，一些包含了电商、大数据、旅游等关键词；数据分析的关键词基本是围绕数据分析，一些包含了金融、数据运营、数据挖掘、数据开发字眼。另外重要的是，这个标题关键词的分析也侧面印证了我们爬取的数据的准确性（为后续分析打下准确的基础）。

3 求职角度

工作经验要求

从图中可以看出，将近一半的数据分析职位的工作经验要求是「不限」，不同工作经验要求的数据分析职位数量排名TOP 3的分别是「经验不限」、「1-3年」、「3-5年」，可看出较明显的职位进阶梯度。

而对于数据产品经理来说，不同工作经验要求的职位数量排名TOP 3的分别是「3-5年」、「1-3年」、「5-10年」，也能反映出市场对（无经验）入门选手并不友好，对数据产品经理的需求倾向于具备一定的中高阶工作经验。

学历要求

技能要求

看了很多人从各种主观理解谈论数据产品、数据分析的区别，下面就让我们实际看看招聘方列出的技能标签中，到底哪部分是数据产品经理具备的，哪部分是数据分析师要求的。

上图取的是数据产品职位技能标签中出现频次TOP 40的技能，数据产品的核心技能显而易见，比如：产品设计、需求分析、产品策划、用户研究、竞品分析、数据分析、项目管理、交互设计、用户体验、业务流程管理。

少部分标签包括：大数据产品、可视化、策略、数据运营、axure、BI，甚至还有增长黑客（谈到增长可能又是另一个话题）等。

上图取的是数据分析职位技能标签中出现频次TOP 40的技能，数据产品的核心技能显而易见，比如：数据分析、数据挖掘、数据处理、数据库、证券（行业垂直需求）、数据运营、数据仓库、MySQL、股票、hadoop。

少部分标签包括：SQL、算法、战略分析、用户研究、数据库开发、Python、ETL、Excel等。

通过以上技能标签，既有技术类硬技能、业务类硬技能，也有很多软技能标签，求职者可以通过上述实际招聘方列出的技能点，更好地规划发展自己的技能栈。我们从中可以看到很多刚需的技能是求职必备的基础能力，剩下的可以为求职带来加分项。

如果你把上述技能进行交叉，就能发现两者的共同点与区别所在：一方是数据产品，一方是数据分析，大家都要懂数据，懂分析，都要在同一个语境下进行沟通，却在面向数据的时候完成了不同发展方向、工作方向的细分。二者底层的数据思维模式是相似的，但应用层、方法层却有不同之处。实际工作中做事的区别也很显而易见了。

薪资水平

需说明：统计薪资时为方便计算，进行了以下处理：过滤掉了工资为「面议」的数据；同时由于职位薪资的原始值是范围，取的是薪资范围值的中间值。例如，30K-40K的薪资范围对标的是35.5K档位。

我们先看下不同城市中的薪资箱型图：

数据产品的城市与薪资箱型图：

数据分析师的城市与薪资箱型图：

职位机会，在前文观察城市职位数量分布时已经得出结论，随着城市下沉，职位机会越来越少。那么薪资方面也是呈现了相同的趋势。这个规律可能比较具有普适性。还是那句话：就业城市选择的合理性与数据职位薪资回报的相关程度也是不言而喻的。

最后，我们再用seaborn中的regplot()线性回归模型，简单看下工作经验与薪资的关系，可以大胆预测一下：工作经验越丰富，薪资当然越高。在这里，职位平均工作经验为自变量，薪资是因变量。我们假设二者存在线性关系：

通过绘制线性回归曲线可以发现，随着工作经验的积累，薪资也在增长。数据产品经理的整体梯度要高于数据分析师。

但在4-10年工作经验范围中，数据分析职位存在超出平均范围较多的薪资离群点，推测由于稀缺性导致工资激增，说明天花板还是非常高的。

最后结合一些笔者的主观看法来整体回顾一下：作为还没有被词条收录的数据产品职位，从现状来看，热度远远不及数据分析师职位，需求也当然没有数据分析师高。但竞争压力较数据分析师会小一些。那无论是选择哪个职位，当你寻找企业时，民营及中小企业是入门者的首选。

门槛与梯度方面，数据分析师对应届生宽容度较高，且职业发展呈现比较健康的梯度。数据产品从求职要求上来看，入门门槛较高，经验要求也会较高，从本文工作经验图中可看出，数据产品经理大多数要求是 3年 - 5年的工作经验。

整体范围内来看，无论是数据产品还是数据分析，工作0年 - 2年左右薪资的涨幅不大，工作2年后月平均薪资均可达到10K+（这个工资放在一线城市互联网公司其实是偏低的）。工作2年 - 4年、4年 - 7.5年，这两个阶段，薪资均在稳步增长，工作8年左右月平均薪资均可达20K+。

想要获得高薪，对于数据产品，首选北京、上海、深圳、杭州作为求职城市；对于数据分析，杭州、上海、北京都可作为首选求职城市。

选哪个职位呢？从招聘的技能标签中可发现：

数据产品向：如果你擅长产品设计、需求分析、数据分析，且懂得数据可视化、数据应用或数据运营、增长；同时硬技能又掌握产品设计类工具（如：axure）、数据分析类工具（如：Tableau等），那么可考虑求职数据产品职位。数据产品经理的本质其实是产品经理，需要具备数据思维、产品思维，提供数据产品解决方案，能与数据、开发、测试等部门有效协调推动数据产品发展，同时利用数据产品解决业务发展中的问题，形成数据驱动的闭环。

数据分析向：那作为另一个分支，如果你擅长数据分析、处理、挖掘，熟悉整个过程，既理解业务同时也能应用算法，对大数据感兴趣；同时硬技能又掌握SQL、Python、甚至Java等语言。那么可考虑求职数据分析职位。当然，数据分析这个职位还会细分，一部分可能偏业务分析，即业务数据分析，更多时间与业务打交道；有一部分可能偏算法挖掘，这个title其实算是数据挖掘了。这两个系统都非常庞大。大家可以结合本文的技能标签TOP40去扩展研究。

总而言之，数据产品与数据分析，二者既相似却又大有不同。无论最终选择的是哪一侧，都应深耕自己所在领域，面向身边、企业、社会，通过数据发现问题、解决问题，尽可能通过数据创造出更多价值，这是所有数据相关方向永恒的话题与难题。最后，请持续地直接、间接利用数据进行「创造」，未来一定会有无限的可能性与发展空间

数据源: 作者公众号（PMSalt）