1、学习初衷
（1）个人介绍
大家好，我的帆软社区用户名为3415776，目前就职于江苏农商联合银行，在数据服务团队轮岗学习。个人对数据分析很感兴趣。
（2）学习初衷
公司统一组织了帆软BI培训，后续工作中也需要用到帆软做分析和生成报表，同时个人也希望精进数据分析的技能。
2、作品简介（作业10）
（1）业务背景/需求痛点
AI目前是比较火热的话题，大部分公司的科技相关岗位都或多或少涉及AI，开发人员也或深或浅学习了解过AI。在这样的大背景下，AI就业市场是怎样的，哪样的企业对AI人才需求量大，这些企业都需要什么样的AI人才就是值得分析的议题。
（2）数据来源
数据来自kaggle，包括2024年初到2025年一季度间的1,5000条AI相关岗位招聘信息，如公司规模、所属行业、薪资水平、技能要求等。
（3）分析思路
拿到数据，首先想对AI求职市场有一个宏观的理解，例如一共有多少条招聘信息，招聘信息的平均年薪是多少，招聘发布的平均市场是多少等等。
其次，AI求职市场有两大主题，一个是企业端，一个是求职端，所以想分别分析市场汇聚了哪些类型的企业和市场需要哪种人才。有一些非常明显的适合了解企业的字段，如所属行业、公司规模等等；也有一些求职者相关的字段，如最低学历要求、招聘类型、所需技能等等。
结合数据特征，选用以下模型 / 方法：
lTop 分析：用于筛选核心指标，如 Top3 核心技能、Top3 高薪行业、Top6 需求地域，快速定位关键特征；
l对比分析：用于横向（不同企业规模 / 行业的薪酬对比）、纵向（不同学历 / 经验的薪资对比）差异挖掘，凸显市场分化；
l趋势分析：用于岗位发布周期（2024.1-2025.3）的数量变化，判断需求稳定性；
l维度拆解：将 “薪资” 按 “学历、经验、企业类型” 多维度拆解，定位高价值组合，如硕士 + 10 年经验 + 大交通企业。
（4）数据处理
1. 首先拿到数据是全英文的，为方便后续展示，我把字段名都翻译成中文了。
2. 远程率这个字段，是数值型的，取值为0（实地）、50（混合）和100（远程），我新增了标签列，把数值映射成中文了。
3. 岗位发布日期和岗位截止日期，明显它们的差可以构成一个新字段-岗位发布市场，或许对后续的分析有用。
4. 技能要求字段有很多并列的技能，为方便后续操作，拆分成了多行。
5. 工作年限字段是数值型的，为方便后续展示，映射成了中文，小于等于5年的对应初级、5到10年的对应中级、十年以上的对应高级。
（5）可视化报告
1. 首先使用了仪表盘样式中的默认暗黑，统一报告风格。然后网上搜索了AI相关的图表做标题后面的背景，使报告更美观。
2. 第一部分是AI就业市场的宏观概览。包括5个KPI指标卡，1个趋势图和两个表格。
3. 通过趋势图可以看到数据周期：统计覆盖 2024 年 1 月至 2025 年 3 月，反映近 15 个月市场动态。
4. 通过KPI指标卡可以发现职位规模：累计职位规模达 15,000 个，且各时期职位发布数量保持平稳态势，显示市场需求释放均衡。
5. 通过KPI指标卡看出职位信息特征：
(1) 职位描述平均长度约为1,501字，说明企业对岗位要求信息呈现较为详尽，便于求职者精准匹配；
(2) 岗位发布平均时长约为 43 天，反映出 AI 人才招聘周期相对稳定，企业在人才筛选上有充足时间考察候选人适配度。
(3) 福利水平：行业平均福利评分 7.5/10，处于较高区间，体现企业对AI人才留存的福利保障力度。
6. 通过KPI指标卡看出薪资特征：
(1) 平均年薪 12.2 万美元，显著高于传统行业薪酬水平；
(2) 薪资跨度极大，最小值 1.66 万美元，最大值 41.03 万美元，差距达 24 倍，反映人才价值分化明显；
7. 通过表格可以看出高薪行业集中于 Technology（科技）、Transportation（交通）、Automotive（汽车）三大领域，与 AI 技术落地核心场景高度匹配。
8. 通过表格可以看出地域分布：职位数量最多的六个地区中，除中国外均为发达国家，呈现AI人才需求与技术产业成熟度正相关的特征。
9. 第二部分聚焦企业，标红显示了企业二字。第二部分包括一个气泡图和一个柱状图。
10. 从气泡图中可以看出
(1) 职位个数分布：
① AI 就业市场的职位供给以大企业为主导，市场集中度较高；
② 按企业类型与规模划分，大规模汽车公司发布的 AI 岗位数量最多，是岗位供给的核心力量；
③ 小规模零售公司发布的 AI 岗位数量最少，在市场供给中占比极低。
(2) 平均年薪差异：
① 整体来看，大公司给出的平均年薪普遍高于中小企业，体现出企业规模与薪酬竞争力的正相关性；
② 细分领域中，大交通公司的平均年薪最高，达14.14 万美元，在各类型企业中薪酬优势显著；
③ 小能源公司的平均年薪最低，为 10.20 万美元，与高薪企业存在一定差距。
11. 从柱状图中可以看出福利评分特点：
(1) 不同行业间的福利评分差距较小，整体福利水平呈现均衡态势；
(2) 福利评分前三名的行业依次为政府、制造业、咨询业，是福利体系建设相对完善的领域；
(3) 无论企业规模（大、中、小），各行业内部的福利评分差距均不大，福利水平未因企业规模产生明显分化。
12. 第三部分聚焦于人才，所以标红人才二字。第三部分包含三个混合图、一个词云和一个表格。
13. 从第一个混合图中可以看出学历要求:
(1) 硕士学历（Master）对应的平均年薪最高，AI 领域薪资竞争力最强的学历层级;
(2) 学士学位（Bachelor）的职位个数占比最多，是 AI 企业需求最广泛的学历类型;
14. 从第二个混合图中可以看到工作年限：
(1) 经验高级者（工作年限超10年）平均年薪最高，符合“经验越丰富、薪资越高”的朴素行业规律。
(2) 但提供给初级经验者的岗位最多，其次是高级，最后是初级，企业可能更倾向于招聘低成本的初级人才或者能创造高价值的高级人才，对中间层级的需求有限
15. 从第三个混合图中可以看到招聘类型：
(1) 合同工的平均年薪最高，说明企业愿意高薪吸引“来了就能干活”的员工。
(2) 自由职业（FL）岗位数量最多，但与全职（FT）、兼职（PT）和合同工（CT）岗位数量差距不大，说明AI市场的招聘形式多元化。
16. 从词云和表格中可以看到技能要求及技能价值：
所有岗位中，需求频次最高的三大技能依次为：SQL、Python、TensorFlow，是 AI 领域人才的 “必备核心技能组合”.
① 掌握 SQL 技能：建议优先投递机器学习研究员（Machine Learning Researcher）岗位，该岗位平均年薪为13.34 万，在三大技能对应的目标岗位中薪资最高。
② 掌握 Python 技能：建议重点关注AI 咨询师（AI Consultant）岗位，该岗位平均年薪达13.16 万，兼具技能适配性与薪资竞争力。
③ 掌握 TensorFlow 技能：适合投递数据工程师（Data Engineer）岗位，该岗位平均年薪为13.15 万，是 AI 领域技术落地环节的核心岗位选择。
词云和表格有联动的设置。
3、学习总结
（1）学习经历
我是中途加入班级的，每天下班都需要补作业，虽然辛苦但是也学到了很多，从完全不了解帆软到可以做出一个完整的报表，很有成就感，对后续需要用到BI分析的相关工作也更有信心了。感谢各位老师，一路陪伴整个学期，批改作业非常及时，微信群里的回复也很快速和专业。
（6）个人成长
通过这期学习，我初步掌握了如何在帆软中做一个报表，从导入数据、处理数据到做各种图表组件，再到给组件之间做联动设置和跳转，都有一个初步的尝试。我印象最深刻的内容是联动，在一个表中点一个细分内容之后，另一个表也会展示相关内容，这种动态展示功能使报表内容更清晰和灵活。
学习的初衷是熟练运用帆软，可以在工作中做BI分析，目前还在逐步熟悉中，我相信在未来工作中边用边补充学习，会越来约熟悉这个软件。
至于是否有信心拿下FCP考试，古语说骄兵必败，我认为应该保持谦虚和敬畏、认真准备考试，而不必在考前放大话。即使通过了，那后续的工作中依然要持续学习，精进技能，毕竟考试通过只是BI分析道路上一个小小的里程碑，离真正熟练应用BI工具还有一段距离。帆软是我职业生涯中接触的第一个BI分析工具，希望我们能一直相伴、见证彼此的成长。
| 
