通过本次文章你能够得到什么
能得到什么：
1、了解Excel数据分析的入门操作流程；
2、免费获得一份原始数据样本，可供实操；
3、遵循文章操作方法，半天可完成一次数据分析演练，文章相应的操作都可以再网上查到；
不能得到什么：看完文章，即入门数据分析。
适合人群：对数据分析感兴趣，熟悉excel常用功能的伙伴；
构建一个数据分析的场景
人物：小明，工龄2.5年
角色：产品经理
思考问题：解决方案架构师职业成为热门行业，小明想了解这个职业前景如何，是否适合自己，转型需要做哪些准备。
定义数据分析的步骤
如图：文章将数据分析定义为6个步骤:
1. 提出问题：带着明确的问题|目的出发，以始为终，目标导向，分析起来效率会更高；
2. 明确范围：提出问题后，需明白为达成这样的目的，至少需要哪些数据，宁多不少，避免在分析阶段时临时再补齐数据的情况
3. 获取数据：就是数据源，练习时可通过爬虫脚本、爬虫工具获取，用于工作的数据分析可从公司内部直接获取
4. 数据清洗：直接获取的数据往往不是我们想要的，或者存在异常的，需要进行转换，这将花去大量的时间
5. 模型构建：建立分析模型，以便得出最终结论
6. 数据分析：分析数据，可以通过数据统计、观察、数据可视化等形式进行分析；
STEP-1 提出问题：解决方案架构师的职位前景如何？
职位前景如何是一个大方向的问题，根据自身需求，进行问题拆解，我列取了几个拆解方向：
STEP-2 明确范围：我们需要获取哪些数据用于分析
明确了目标问题，还得明确为了得到这些问题的答案，我们需要哪些数据，由上述问题圈定数据范围如下：
最终明确所需数据范围为：岗位名称、薪资、工作经验要求、工作城市、所属行业、岗位描述、公司人数、融资情况
STEP3 获取数据：用于分析的原始数据
这里的数据的是从某第三方网站里爬的，已经基于本次演练的要求对数据进行聚合匹配，大家可以直接下载数据样本来练习；
数据已经匿去招聘网站的信息，现在的招聘网站基本都有反爬虫机制，挺繁琐，为了给大家省时间，也为了尽量不给招聘网站造成麻烦，此处的具体教程就略过，大家可直接下载样本数据练习。
百度云：链接：https://pan.baidu.com/s/10m_hPYhjyf0WCfdNBWrwKg提取码：txah
STEP-4 数据清洗：用于分析的原始数据
(1) 根据我们的选定的数据范围，去除原始数据中对分析无帮助的的数据（注意要备份原始数据），如表中的发布时间、职业标签等。
(2) 设置为筛选模式：全选>>开始>>排序和筛选 >>筛选，效果如下。列表头都多了一个下拉选项
(3) 【薪资】待遇这一列有最低工资和最高工资，且是文本格式，出于分析需求，我们需要需要的是平均工资，因此我们需要提取这一列的最低工资和最高工资数值，用于换算成平均工资，所以在【薪资】列旁新增了3列：【最低工资】【最高工资】【平均工资】。【平均工资】=(【最低工资】+【最高工资】)/2，完场平均工资的计算，涉及5个常用函数：find、left、right、mid、len，可以上网查用法，应用到这个运算练习中，基本就掌握了。
下图详细阐述了如何从文本中提取最低工资和最高工资：
通过公式计算得到的平均工资：
这个过程中，会发现有些薪资的单位用大写K，以致我们公式失效，先使用ctrl+F键替换成小写就可以应用公式了；
(4) 在城市列，信息已经具体到城市的具体工作地点的，对我们来讲，仅需要城市信息即可，其他都是多余的，因此需要进行数据处理，同样新建一个列，用公式(提取文本首个空格前的字段) =LEFT(城市列,FIND(" ",城市列)-1)，即可得到下图的效果，同样的问题在【融资阶段】列也存在，请使用相同的方法处理；
(5) 我们需要对岗位的任职资格进行分析，在【职位描述】列中我们只要任职资格信息用于分析，而岗位描述信息是多余的，所以我们在表中新建一列【任职资格】，并从【职位描述】列中把相应的信息提炼出来。由于【职位描述】没有统一的叙述模板，我们根据 “要求”、“条件”、“资格”等关键词，并从关键词的位置开始，截取我们所需要的内容，公式如：=MID(职位描述列,FIND("条件",职位描述列),LEN(职位描述列)-FIND("条件",职位描述列))，
由于公式一次只能能使用一个关键词进行截取，因此需要往复操作基，操作流程：a.新建列->b.用公式根据“条件”关键词截取->点击【认知资格】列头部下拉图标筛选，仅选中#VALUE项->再往复使用“资格”、“要求”关键词筛选->剩下的无法用公式截取的异常值可以考虑手动获取或直接删除；(~。~清洗数据真的挺消耗时间的)；
(6)有了这些岗位任职资格信息后，显然我们还很难从这么多的数据里看出具体的岗位要求，于是我们判断任职资格内容是否包含技能关键词，判断岗位对具体的技能是否有要求。
技能关键词：学历、英语、管理、技术、逻辑、作品、数据分析、出差、文章撰写、沟通。
公式解释：如果【任职资格列】包含相关技能的关键词，则标注为【是】，反之为【否】，具体公式：
学历要求：=IF(COUNT(FIND({"985","211"},任职资格列)),"是","否")
英语水平要求=IF(COUNT(FIND({"英语","四级","六级","CET-4","CET-6","cet-4","cet-6"},任职资格列)),"是","否")
管理能力要求=IF(COUNT(FIND({"管理经验","管理能力","团队管理"},任职资格列)),"是","否")
沟通协作能力要求=IF(COUNT(FIND({"沟通","交流","表达","口才"},任职资格列)),"是","否")
技术能力要求=IF(COUNT(FIND({"技术","开发","研发"},任职资格列)),"是","否")
逻辑思维能力要求=IF(COUNT(FIND({"逻辑","思维"},任职资格列)),"是","否")
作品要求=IF(COUNT(FIND("作品",任职资格列)),"是","否")
数据分析要求=IF(COUNT(FIND("数据分析",任职资格列)),"是","否")
出差要去=IF(COUNT(FIND("出差",任职资格列)),"是","否")
文档撰写要求=IF(COUNT(FIND({"文档","包装","撰写","书写"},任职资格列)),"是","否")
筛选效果图：
(6)数据清洗的最终效果：如下图，这就是我们在【明确范围】阶段所明确的数据，包含：岗位名称、.薪资、.工作经验、城市、岗位所属行业、岗位描述、公司人数、融资情况
STEP5 6 模型构建+数据分析
模型构建和分析是密不可分的，我们主要通过数据透视表分析，透视表的简单用法大家可以上网简单查下学习下：
接下来，对照着咱们最初提出的问题，一个一个构建分析模型并分析结果：
问题1：岗位平均工资？
新建数据透视表，我们设置行标签为【工作城市】，列标签选择【工作经验】，值选择【平均工资】，基本我们就能看到平均工资和城市、工作年限的关系了。
当然这还不够，为了数据展示方便，在列标签点击表头的下拉图标，仅选择我们关心的工作年限：1~3年、3~5年、5~10年、10年，这样做完后，还可以对自上而下对平均工资进行降序排序；右击【平均值项：平均工资】>>值显示方式>>降序排序。效果图如下：
阶段结论1：工资随着工作年限增长而增长，整体的工资水平符合转行预期；
阶段结论2：平均薪资前10为：北京、重庆、宁波、杭州、深圳、济南、上海、广州、南京、西安(该结论不成立，样本少，数据不具备代表性，下文继续论证)
问题2：城市前景
在问题1中，薪资TOP10的城市为：北京、重庆、宁波、杭州、深圳、济南、上海、广州、南京、西安，接下来继续从城市的招聘岗位数量进一步论证。把【平均工资】替换成【职位名称】，我们看到照片岗位数量TOP10的城市为：北京、深圳、上海、杭州、广州、成都、南京、西安、武汉、苏州；现在可以发现，尽管 薪资TOP10中的重庆、宁波排名很靠前，但是岗位数量实在太少，并不是一个很好的去向城市； 综合考量，最值得去的城市TOP5排名是：北京、深圳、上海、杭州，其次是广州，而且看出广州的在薪资和岗位数量和其他一线都有比较大的差距。
数据比较少的情况可以直接肉眼观察，我们同样可以设置一个可量化对比值来评测，最简单的方式是：按各个城市岗位的薪资总和来评判，当然也可以根据诉求，定制一些排名指标。
问题3：岗位技能要求？
此步骤不需要用到透视表，直接新建一个相对应的表格，应用简单的公式，就能马上看出所有岗位对具体技能的要求占比，
技能要求占比=对技能有要求的岗位数/总岗位数，
公式：COUNTIF(技能列,"是")/COUNTA(技能列)，COUNTIF函数统计列中值为“是”的单元格数，COUNTA总单元格数。
从表格中我们可以分析得出，刚职业对【沟通】、【技术】、【文档】、【逻辑】能力的要求占比很高，未来想往相关方面转型，得提前做好能力养成，相反在学历、数据分析和作品上，整体要求不高。出差也占据了一定比例，是否接受能出差也是一个重要考量标准。
问题4：小公司OR大公司？
首先从不同员工规模公司发布的岗位数量维度进行分析，新建透视表，行标签设置为【公司(员工数)】，列标签【工作经验】，值为【职位名称】，为了更直观观察不同规模公司发布的岗位数量占比，我们采用百分比的形式展示(右击【计数项：职位名称】>>值显示方式>>总计的百分比)，从表中我们可以看到，不同员工规模公司发布的岗位数占比均匀，说明大小公司对于这个岗位均有较强需求，其中150~500人规模的企业更需要这方面的人才。
接下来从薪资的维度分析选择大或公司的差异。透视表行标签【公司(员工数)】、列标签为【工作经验】、值为【平均工资】，下图可以明显看出，薪资随公司的规模递增，从薪资的维度来看，大公司更值得去。
以上就是本次分析的一些主要维度，其实对维度的组合数据，还可以发现一些有趣的内容，也可以将数据通过可视化的形式更直白的展示出来。
以始为终：复盘数据分析目标是否达到
回顾我们最开始提出的问题：
分析结果复盘：
个人做的一个简单的小DEMO，欢迎各位大神指导。
