
来源 | 数据冰山
新年将至。与其抱怨同事蠢,老板坏,工资少得想狗带,不如趁着新年好好规划跳槽大计。
谋定而后动,知止而有得。在这万象更新的好时节里,数据冰山将为互联网从业者送上一部跳槽攻略,助你一臂之力。
首先,让我们看看跳槽=涨工资这一命题是否成立。
假设不考虑通货膨胀和其它福利,跳槽确实能带来工资的上涨。一个初出茅庐的职场新人(经验<1年或应届毕业生),平均月工资在5.5k人民币左右。当他/她的工作经验到达1-3年这个区间之后,公司开出的工资平均上涨75.2%。如果有人毕业后一直在同一公司工作,年工资涨幅需保持在20.7%~75.2%之间(具体数值取决在同一公司工作时间),才有可能与跳槽带来的工资上涨持平。
从职位数量来看,1-5年经验的从业者,选择范围最广。经验小于一年的新人和应届生,可以选择的职位不到总数的四分之一。薪资来看,不限定经验的职位,比针对新人的职位要高出34.7%。可见,行业对新人存在一定的压价行为。对经验超过十年的从业者而言,网络跳槽并不是十分有效的渠道。
通过这样的对比,相信对于该不该跳槽这个问题,小伙伴们应该已经有了初步判断。
拉勾网上,互联网公司提供的职位,被分成了技术、市场与销售、运营、产品、职能、设计、金融七大类。
就业数量前三:技术、运营、市场与销售。
薪资前三:产品、技术、金融相关职位。
对不同职位类型,跳槽的时间点并不完全相同。
对职能、市场与销售来说,工作经验有较好的移植性。因此,工资增速随着经验积累走高,越老越俏。
对运营、设计、技术职位而言,在累积了1-5年的经验时,跳槽性价比最高。技术职位而言累积 5年以上经验的工程师来说,跳槽带来的工资增速开始放缓。头几年兜兜转转寻找真爱,后几年在真爱公司里深耕细作,提升本身的不可替代性,是工程师较为理想的选择(除转行或者创业的小伙伴们外)。
对产品相关的从业人员,工作初期享受到跳槽的红利最大:一年以上相关经验的从业人员,跳槽之后,平均工资几乎翻倍。
对热门的技术职位进一步提取关键词。市场对熟悉Java,PHP, web前端开发,Android、IOS开发的工程师需求较大。如果你正好精通其中至少一项,你就可以收获一个好消息和一个坏消息:好消息是你有很多潜在的面试机会;坏消息则是你需要从上万份职位中筛选出适合你的5-10个,集中攻关。
那么问题来了,怎么选?
择时这个问题已经解决,让我们研究一下哪里才是程序员们的乐土。
从地点上来看,帝都提供了最多互联网工作机会。拥有深圳、广州两大一线城市的广东名列第二。上海第三,浙江第四。
将工作机会按城市细分。可以看到,北上广深杭对总招聘职位的贡献超过了80%。
去不去大城市是人们热衷讨论的话题。从互联网从业者的角度来看,一线城市北上广深确实提供了最多的工作机会。所在地工作机会多,意味着一旦不满现状,就可以轻松炒了老板鱿鱼。否则,随着改弦更张而来的,是跋山涉水的迁徙,是思君不见君的异地恋,是户籍问题、孩子求学问题等等。
假设工作机会多寡是从业者的主要考量,那么他/她地理选择范围,就缩小到了北上广深杭这五个城市。
让我们通过研究这五个城市各自的偏好优劣,再结合自身条件,找出终极搜美。
五大城市中,北京最慷慨,广州给出的工资最低。
帝都是学历控,明确标出要本科学历以上的职位超过50%。
深圳最看重经验,广州对新人最友好。
北京、上海、深圳,随着经验增加,工资增长较快,成长性好。
任何脱离消费的薪资讨论都是耍流氓。让我们来看看消费的大头:房。
以2015年11月的房价衡量,北京和上海的应届毕业生,分别需要工作6.6个月和6.5个月,并且不产生任何花销,才有钱买到一平方米的住宅面积。在广州需要4.4个月,杭州3.8个月。对于选择去深圳工作的应届毕业生来说,需要花费长达7.6个月的时间。
图中y轴为单房所需月租金。可见,北京租金远远高出其它城市。虽然深圳最近房价猛涨,但房租仍然保持较低水平。
讨论完天时地利,最后让我们看看如何找到心仪的公司。
这里列出了提供职位数量的前十业务。电子、金融和O2O提供最多的职位。
游戏业务提供的薪资水平最高。
从公司规模来看,中型规模公司提供的职位最多。
公司越大,相应的工资也越高。小公司可能通过提供期权等方式,弥补和大公司之间的差距。
以下是五个城市中提供薪资较高的公司,仅供小伙伴们参考(所列公司,需要招聘的职位数量均在全国平均水平之上)
北京:
上海:
广州:
深圳:
杭州:
说了这么多,希望有所帮助,祝小伙伴们都早日拿到dream offer。
end
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30