中国大学生就业现状分析 目录 1 背景 1 2 作品亮点 1 3 制作流程 2 4.1分析思路 2 4.2 数据来源 2 4.3 数据加工 3 4.3.1 数据字段 3 4.3.2 数据加工过程 3 4 成果展示 5 5.1 仪表板布局示意图 5 5.2 模块一 历年高校招收人数与毕业初次就业人数分析 6 5.2.1 图表制作 6 5.2.2 成果展示 8 5.3 模块二 本科生和高职生历年薪资变化分析 9 5.3.1 图表制作 9 5.3.2 成果展示 11 5.4 模块三 不同城市的薪酬排名分析 12 5.4.1 图表制作 12 5.4.2 成果展示 14 5.5 模块四 高薪企业和职位分析 14 5.5.1 图表制作 14 5.5.2 成果展示 20 6.3 模块五 对未来大学生就业的分析与预测 21 5.6.1 图表制作 21 5.6.2 成果展示 23 5.7 图表联动 24 6总结与分享 25 背景 大学生就业是和我们息息相关的话题，每一位大学生都关注着，我们常常在网络上看到有关大学生就业的话题，比如毕业季的一些讨论。在大一的创新创业课中，我们也了解到自己所学的专业和以后如何就业，往哪方面就业。但我们了解的比较局限，这是一个很好的机会，让我们把视野放到大环境下的大学生就业分析。 作品亮点 从四个不同的维度出发，无论专业或者非专业人士均能从展示作品中看出重点与大学生就业与对比情况。 使用了finebi对大学生就业的关联度进行数据挖掘，建模分析。 采用多样化配色方案，主题突出，故事性丰富。 仪表盘模块化分布合理，使得数据可视化思路清晰，逻辑严谨。 制作流程 4.1分析思路 图4.1 大学生就业分析思路图 选择从4个大的维度（人数，薪资，企业与职业，就业前景）对大学生就业情况进行分析。 4.2 数据来源 数据取自大学生就业网和大学生教育网。 最终使用数据说明。 原始数据源（两个文档）：文字提取.docx，文字提取2.docx 数据源处理（七张表）：薪酬.xlsx；毕业人数.xlsx；大学生.xlsx；高薪.xlsx；就业率最高.xlsx；平均薪资.xlsx；最热门.xlsx。 数据源处理工具：FineBi、Excel。 数据加工 4.3.1 数据字段 该数据共包含14个有效字段，包含人数、薪酬、城市、公司职位和就业预测五个方面，具体如下图所示： 图4.2 大学生就业数据字段图 数据加工过程 毕业人数.xlsx 使用excl将原数据表导入，使用“填充”将源文件中的英文全部转化为汉字、再使用“填充”将数字格式纠正为即可。 薪酬.xlsx 将文字提取.docx使用Excel进行分类汇总，以本科\高职为主统计每年薪酬，再使用Excel将统计的本科\高职薪酬做计算，算出每个年度本科\高职薪酬的增幅，使用“填充”将各个年度本科\高职薪酬对比添加入数据流，最后使用表格导入即可。 高薪.xlsx 将文字提取.docx导入excl中，分别使用两个“选择”将城市与公司职位分开统计，再分别使用“汇总”将关键字段设置为“高薪”，汇总字段选择“城市”，勾选“高薪”，再添加“类型”选择“职位”，“子类别”角色都设定为“对比”，再选择“合并”将子类别作为合并的关键字，最后使用表格导出即可。 大学生.xlsx 将文字提取2.docx导入，在BI中添加一个数据自助集，命名为“大学生招收人数表”。 就业率最高.xlsx 将文字提取2.docx导入，运行程序再将其用数据表导出即可。 最热门.xlsx 将文字提取2.docx导入，分别使用两个“选择”将专业与职位分开统计，再分别使用“汇总”将关键字段设置为“热门”，汇总字段选择“专业”，勾选“专业”，再添加“类型”选择“职位”，再选择“合并”将子类别作为合并的关键字，最后使用表格导出即可。 平均薪资.xlsx 将文字提取.docx导入，分别使用两个“选择”将本科与高职分开统计，在分别使用“汇总”将关键字段设置为“年份”，汇总字段选择“薪水”，再选择合并的关键字，最后用表格导出即可。 成果展示 5.1 仪表板布局示意图 图5.1 排版布局图 5.2 模块一 历年高校招收人数与毕业初次就业人数分析 5.2.1 图表制作 来自毕业人数.xlsx，大学生.xlsx是 图5.2 指标卡1图 分析说明：为了更加直观的显示大学生招收和就业数据，将它们以数据图标的形式显示出来，可使参考者随时看到最直观的运营情况。 图中图标均在FineBi组件中将需要显示插件的拖入到“文本”中，调整喜欢的配色即可实现。 来自大学生.xlsx，毕业人数.xlsx 图5.3 历年招收人数与就业人数柱状图 分析说明：为了弄清招每年的就业人数变化趋势和招收人数变化趋势与就业人数和招生人数的对比，我们制作了历年招生人数与就业人数柱状图。 柱状图：历年招生人数与就业人数，由“大学生人数.xlsx，毕业人数.xlsx”在FineBi组件中实现（与前面类似） 来自大学生.xlsx和毕业人数.xlsx 图5.4 就业人数与招收线性图 分析说明：为了了解不同年份的大学生招收人数与对应的就业人数，并为了更加清楚地看到每年度的招收人数和就业人数对比，我们制作了2010-2020年的就业人数与招收线形图。 线形图：就业人数与招收线形，由“大学生人数.xlsx，毕业人数.xlsx”在FineBi组件中实现（与前面类似） 来自毕业人数.xlsx 图5.5 招收人数气泡图 分析说明：为了知道2010-2020年的大学招生人数变化，我们选择制作了招生人数气泡图。 气泡图：招收人数，由“大学生人数.xlsx”在FineBi组件中，选择气泡图，将“维度”中的“子类别”分别拖入“颜色”，“标签”，“细粒度”，将“指标”中的“数量”拖入“大小”，“标签”再选择喜欢的配色即可。 来自毕业人数.xlsx 图5.6 就业人数图 图中，由“就业人数”，选择玫瑰图，将“指标”中“就业人数汇总”依次放入“半径”，“角度”，“标签”中，将“维度”中的“时间”依次拖入“颜色”，“标签”中，再选择喜欢的配色即可。 图中，年份细分多层饼图，选择数据表“就业率.xlsx”，再选择多层饼图，将“指标”中的“就业人数”分别放入“颜色”，“大小”，“标签”中，再选中“维度”中的“细分”，“类别”将其拖入“标签”中，选择喜欢的配色即可。 5.2.2 成果展示 图5.7 作品展示图-历年高校招收人数与就业人数 模块二 本科生和高职生历年薪资变化分析 5.3.1 图表制作 来自高薪.xlsx 图5.8 高职薪资雷达图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资雷达图。 雷达图：高职薪资，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自平均薪资.xlsx 图5.9 薪酬气泡图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资气泡图。 气泡图：商品关联分析，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自薪酬.xlsx 图5.10 本科薪资变化图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资玫瑰图。 玫瑰图：商品关联分析，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自薪酬.xlsx 图5.11 薪水增幅柱状图 图5.12 本科/高职薪水对比柱状图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资柱状图。 柱状图：本科/高职薪水对比，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 5.3.2 成果展示 图5.13 作品展示图-本科/高职薪资变化 模块三 不同城市的薪酬排名分析 图表制作 来自薪酬.xlsx 图5.14 城市薪水柱状图 分析说明：为了弄清不同城市薪水的变化，从而为更好的了解薪水与城市的相关性，我们制作了城市薪水柱状图。 柱状图：城市薪水，将“维度”中“城市”拖入“横轴”，将“指标”中的“薪酬”拖入“纵轴”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自薪酬.xlsx 图5.15 各城市薪酬分布图 分析说明：为了关注各个省市的高薪水平，了解哪些省市应该是我们重点关注的对象，我们选择制作每个城市的薪水分布。 图中填充地图：各城市薪酬的分布。在FineBi组件中，使用填充地图地图将维度中“省市/自治区，城市”分别放入“横轴”“纵轴”，将“薪酬”分别拖入“颜色”， “细粒度”以“省/自治区”实现 来自薪酬.xlsx 图5.16城市薪酬排行图 图5.17 城市薪酬总览图 分析说明：为了更进一步了解城市对薪水的影响，我们细化到了各个城市，能够从各城市的薪水水平，发展程度等因素进行判断。 柱状图：城市薪水排行。使用FineBi,将指标中的“薪酬”与维度中的“省/自治区”分别拖入“横轴”“纵轴”，将指标中的“薪酬”拖入“颜色”中，选择相应的配色方案即可（与上类似处理即可）。 5.4.2 成果展示 图5.18 作品展示图-不同城市薪酬排名 5.5 模块四 高薪企业和职位分析 5.5.1 图表制作 来自高薪.xlsx 图5.19 高薪公司薪水柱状图 分析说明：为了了解每届薪水增幅与本科与高职薪水对比的情况，我们可以通过城市薪水的变化来让了解者更加清楚的了解到不同城市的薪水变化，我们也可以通过不同高薪公司的薪水对比给了解者更加清晰明了的信息，为此我们制作了薪水增幅柱状图，本科/高职薪水对比柱状图，城市薪水柱状图，高薪公司薪水柱状图。 来自高薪.xlsx 图5.20 高薪专业词云图 图5.21 高薪职位词云图 图5.30 热门专业词云图 分析说明：不同职位与专业对于参考者来说也是非常重要的数据，以至于我们需要明白高薪专业与职位的差异，因此我们制作了高薪专业词云图，高薪职位词云图。 词云图：高薪专业与高薪职位占比， 在FineBi组件中，选择词云图，在“指标”中选择“高薪专业/高薪职位”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 来自高薪.xlsx 图5.22 高薪工资气泡图 分析说明：为了弄清每届的薪水，更清楚明了薪酬的区间分布，我们制作了薪酬气泡图。为方便参考者清楚明了的看到职位与高薪之间的关系我们制作了高薪工资气泡图。 气泡图：薪酬气泡图，高薪工资气泡图，在FineBi组件中，选择气泡图。 来自高薪.xlsx 图5.23 高薪工作变化图 分析说明：根据扇形图可看出北京高薪占比最重，不同城市对于毕业就业的参考者来说也是非常重要的数据，以至于我们需要明白地区与职位对于高薪的差异，因此我们制作了高薪工作扇形图 扇形图：高薪城市与职位占比， 在FineBi组件中，选择扇形图，在“指标”中选择“城市/职位”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 来自高薪.xlsx 图5.24 高薪职位漏斗图 分析说明：想要知道高薪职位的占比和排名，我们制作了高薪职位漏斗图。 漏洞图：高薪职位（“产品经理（人工智能）”，“java开发工程师”，“运营总监”，“人工智能项目经理”，“医学人工智能研究中心”，“数据处理专家”，“人工智能实习生”，“人工智能培训机构合伙人”，“人工智能工程师”，“清华大学人工智能信号处理”）由“高薪城市.xlsx”在FineBi组件中，选择漏斗图，将“指标”中的“高薪职位”拖入“纵轴”将“维度”中的“高薪职位”拖入到“颜色”中，选择喜欢的配饰即可。 来自高薪.xlsx 图5.25 高薪公司排行图 图5.26 高薪公司对应职位排行图 分析说明：为了弄清薪水情况是否也会受公司\职位因素的影响，我们选择了对各个区域的销售额进行排行分析，制作了公司\职位薪酬排行图。 柱状图：高薪工资在公司\岗位的排行。使用FineBi,将指标中的“高薪”与维度中的“公司/岗位”分别拖入“横轴”“纵轴”，将指标中的“薪水”拖入“标签”中，选择相应的配色方案即可。 图5.27 职位薪酬总览图 分析说明：为了清晰明了看出薪酬与城市和职位的总体情况，我们选择展现这有关薪酬中几项重要的指标。 数据表：有关职位薪酬的总览，由“薪酬.xlsx”在FineBi组件中，先增加下钻维度“工作”，“工资”，“地区”，然后在“工作”中将“人工智能C++\python”，“产品经理（人工智能）”，“java开发工程师”，“运营总监”，“人工智能项目经理”，“医学人工智能研究中心”，“数据处理专家”，“人工智能实习生”，“人工智能培训机构合伙人”，“人工智能工程师”，“清华大学人工智能信号处理”拖入“工作”下按工作（区间分组）来实现。 5.5.2 成果展示 图5.28 作品展示图-高薪企业和公司 图5.29 作品展示图-高薪企业和公司2 分析说明：为了了解每届薪水增幅与本科与高职薪水对比的情况，我们可以通过城市薪水的变化来让了解者更加清楚的了解到不同城市的薪水变化，我们也可以通过不同高薪公司的薪水对比给了解者更加清晰明了的信息，为此我们制作了薪水增幅柱状图，本科/高职薪水对比柱状图，城市薪水柱状图，高薪公司薪水柱状图。 模块五 对未来大学生就业的分析与预测 5.6.1 图表制作 来自就业率最高.xlsx 图5.30 热门专业词云图 分析说明：不同专业对于挑选专业的参考者来说也是非常重要的数据，以至于我们需要明白热门专业的差异，因此我们制作了热门专业词云图。 词云图：热门专业占比， 在FineBi组件中，选择词云图，在“指标”中选择“热门专业”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 来自就业率最高.xlsx 图5.31 热门专业扇形图 分析说明：根据扇形图可看出计算机专业占比最重，不同专业对于挑选专业的参考者来说也是非常重要的数据，以至于我们需要明白高薪专业的差异，因此我们制作了高薪专业扇形图 扇形图：高薪专业/职位/热门专业占比， 在FineBi组件中，选择扇形图，在“指标”中选择“专业占比/职位”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 5.6.2 成果展示 图5.32 作品展示图-未来大学生就业的分析和预测 分析说明：我们统计了热门专业，对其进行了介绍和推荐扇形图，词云图：对不同专业的热门程度进行对比，让大家能明显看出热门程度与做出自己选择。 5.7 图表联动 图5.33 图表联动说明图 分析说明：仪表板联动效果分为5个部分。一个Part代表着一个有联动的系列，它的二级主题代表着联动图表分布在那个区域，三级主题代表着具体的联动图表。 6总结与分享 我们统计了自1990年以来的历届高校招生数量和同年大学生毕业就业人数，两相对比，我们不难发现:大学生数量逐年上升，且上升幅度变大;作为对比，就业人数的增长幅度远不如招收人数。 由此可见，并不是上了大学毕了业就能找到工作，且随着大学生数量越来越多，供过于求，企业趋于饱和，大学生就业便越来越难，这便是促使大学生内卷的原因。 如21年大学生毕业人数约1017万人，而就业名额才820万人左右，只有76.59 的人才能就业，而剩下的四分之一大学生将无业可就， 这大大增加了内卷程度，加之疫情期间失业和未就业的人，竞争趋势日益加大。 所以，找到其中内因，分析原由，选取最符合市场需求，薪资最优的方向，可以大大避免内卷，失业等情况。 随时间大学生的平均工资逐年上升，但是增幅逐年下降，从10年的最高0. 16到20年的最低.05， 可见大学生平均薪资趋于平和，随物价上涨，经济流通加快，可知大学生待遇变低，并不吃香了。可明显看出本科生薪资待遇高于高职生，平均比高职多出20%以上，这与学历有必然联系，学历=待遇，在某种程度上是对的。 随时间变化，大学生薪资增长缓慢，现在想要更好就要更努力，向着学历高努力不失为一种方向，但是内卷严重大大增加了不必要竞争，未免没有更轻松的选择。比如专业对口，寻找市场需求，朝向更好的薪资待遇，那么我们的分析是必不可少的。 薪酬最高的地区依然是北京，其次上海，但杭州，深圳后来居上，排在了第四，第三的位置上，可见些二，三线城市发展增快，待遇变高，北漂已经不是那么吃香了。 以旅游业为发展动力的西安等城市排在末尾，证明了科技才是生产力，才是动力 高薪地区普遍在沿海东部 虽然北漂是经典，但是杭州等城市未免不是更好的选择，相信这些三 线城市发展起来，带给年轻人的机遇会越来越大，机会越来越多。 其中包括谷歌中国、微软等知名互联网企业，他们给校招生开出的年薪水平均在30万以上，不过提供以上薪资水平的岗位也多为算法工程师、研发工程师、软件工程师等技术性较强的岗位。 包括谷歌中国、微软、google. 腾讯、大疆、海康、华为、网易游戏、阿里巴巴、滴滴、百度、今日头条的知名互联网企业，他们给校招生开出的年薪水平均在30万以上，不过提供以上薪资水平的岗位也多为算法工程师、研发工程师、软件工程师等技术性较强的岗位。 其中，谷歌中国的人工智能岗位年薪最高，达56万元人民币，其次是微软的算法工程师岗位，年薪51万，第三是谷歌的算法工程师岗位，年薪50万， 排在第四、第五的是腾讯公司的基础应用研究(SSP) 岗位和腾讯云后台研发工程师岗位，年薪分别是45-50万、32.4万。 整体来看，算法工程师岗位最吃香。目前国内人工智能相关岗位应届毕业生的起薪基本都在12.5k/月以上，毕业三年后人工智能岗位的技术人员，平均月薪在25k以上，基本实现薪酬翻番。 作为典型的技术驱动型行业，人工智能相关岗位的薪资水平、就业满意度都优于全国平均水平，同时该领域薪酬溢价明显，目前已逐渐成为整个互联网行业最多金的岗位。

Your browser does not support video tags.   中国大学生就业现状分析 领 队： 曹炎浩 队 员： 向晓羽 指导老师： 黄慧华 学 校： 中南林业科技大学 2021年11月28日   团队介绍 团队成员：曹炎浩（领队），向晓羽（成员） 组合契机：数据分析与我们专业的学习内容息息相关，并且可以学到新的知识，熟练的掌握数据分析工具。并且我们都勇于尝试，在课余学习不一样的知识与技能也是我们共同追求的。   背景 大学生就业是和我们息息相关的话题，每一位大学生都关注着，我们常常在网络上看到有关大学生就业的话题，比如毕业季的一些讨论。在大一的创新创业课中，我们也了解到自己所学的专业和以后如何就业，往哪方面就业。但我们了解的比较局限，这是一个很好的机会，让我们把视野放到大环境下的大学生就业分析。   作品亮点 从四个不同的维度出发，无论专业或者非专业人士均能从展示作品中看出重点与大学生就业与对比情况。 使用了finebi对大学生就业的关联度进行数据挖掘，建模分析。 采用多样化配色方案，主题突出，故事性丰富。 仪表盘模块化分布合理，使得数据可视化思路清晰，逻辑严谨。   制作流程 4.1分析思路 图4.1 大学生就业分析思路图 选择从4个大的维度（人数，薪资，企业与职业，就业前景）对大学生就业情况进行分析。   4.2 数据来源 数据取自大学生就业网和大学生教育网。 最终使用数据说明。 原始数据源（两个文档）：文字提取.docx，文字提取2.docx 数据源处理（七张表）：薪酬.xlsx；毕业人数.xlsx；大学生.xlsx；高薪.xlsx；就业率最高.xlsx；平均薪资.xlsx；最热门.xlsx。 数据源处理工具：FineBi、Excel。   数据加工 4.3.1 数据字段 该数据共包含14个有效字段，包含人数、薪酬、城市、公司职位和就业预测五个方面，具体如下图所示： 图4.2 大学生就业数据字段图   数据加工过程 毕业人数.xlsx 使用excl将原数据表导入，使用“填充”将源文件中的英文全部转化为汉字、再使用“填充”将数字格式纠正为即可。 薪酬.xlsx 将文字提取.docx使用Excel进行分类汇总，以本科\高职为主统计每年薪酬，再使用Excel将统计的本科\高职薪酬做计算，算出每个年度本科\高职薪酬的增幅，使用“填充”将各个年度本科\高职薪酬对比添加入数据流，最后使用表格导入即可。 高薪.xlsx 将文字提取.docx导入excl中，分别使用两个“选择”将城市与公司职位分开统计，再分别使用“汇总”将关键字段设置为“高薪”，汇总字段选择“城市”，勾选“高薪”，再添加“类型”选择“职位”，“子类别”角色都设定为“对比”，再选择“合并”将子类别作为合并的关键字，最后使用表格导出即可。 大学生.xlsx 将文字提取2.docx导入，在BI中添加一个数据自助集，命名为“大学生招收人数表”。 就业率最高.xlsx 将文字提取2.docx导入，运行程序再将其用数据表导出即可。 最热门.xlsx 将文字提取2.docx导入，分别使用两个“选择”将专业与职位分开统计，再分别使用“汇总”将关键字段设置为“热门”，汇总字段选择“专业”，勾选“专业”，再添加“类型”选择“职位”，再选择“合并”将子类别作为合并的关键字，最后使用表格导出即可。 平均薪资.xlsx 将文字提取.docx导入，分别使用两个“选择”将本科与高职分开统计，在分别使用“汇总”将关键字段设置为“年份”，汇总字段选择“薪水”，再选择合并的关键字，最后用表格导出即可。   成果展示 5.1 仪表板布局示意图 图5.1 排版布局图   5.2 模块一 历年高校招收人数与毕业初次就业人数分析 5.2.1 图表制作 来自毕业人数.xlsx，大学生.xlsx是 图5.2 指标卡1图 分析说明：为了更加直观的显示大学生招收和就业数据，将它们以数据图标的形式显示出来，可使参考者随时看到最直观的运营情况。 图中图标均在FineBi组件中将需要显示插件的拖入到“文本”中，调整喜欢的配色即可实现。 来自大学生.xlsx，毕业人数.xlsx 图5.3 历年招收人数与就业人数柱状图 分析说明：为了弄清招每年的就业人数变化趋势和招收人数变化趋势与就业人数和招生人数的对比，我们制作了历年招生人数与就业人数柱状图。 柱状图：历年招生人数与就业人数，由“大学生人数.xlsx，毕业人数.xlsx”在FineBi组件中实现（与前面类似） 来自大学生.xlsx和毕业人数.xlsx 图5.4 就业人数与招收线性图 分析说明：为了了解不同年份的大学生招收人数与对应的就业人数，并为了更加清楚地看到每年度的招收人数和就业人数对比，我们制作了2010-2020年的就业人数与招收线形图。 线形图：就业人数与招收线形，由“大学生人数.xlsx，毕业人数.xlsx”在FineBi组件中实现（与前面类似） 来自毕业人数.xlsx 图5.5 招收人数气泡图 分析说明：为了知道2010-2020年的大学招生人数变化，我们选择制作了招生人数气泡图。 气泡图：招收人数，由“大学生人数.xlsx”在FineBi组件中，选择气泡图，将“维度”中的“子类别”分别拖入“颜色”，“标签”，“细粒度”，将“指标”中的“数量”拖入“大小”，“标签”再选择喜欢的配色即可。 来自毕业人数.xlsx 图5.6 就业人数图 图中，由“就业人数”，选择玫瑰图，将“指标”中“就业人数汇总”依次放入“半径”，“角度”，“标签”中，将“维度”中的“时间”依次拖入“颜色”，“标签”中，再选择喜欢的配色即可。 图中，年份细分多层饼图，选择数据表“就业率.xlsx”，再选择多层饼图，将“指标”中的“就业人数”分别放入“颜色”，“大小”，“标签”中，再选中“维度”中的“细分”，“类别”将其拖入“标签”中，选择喜欢的配色即可。 5.2.2 成果展示 图5.7 作品展示图-历年高校招收人数与就业人数   模块二 本科生和高职生历年薪资变化分析 5.3.1 图表制作 来自高薪.xlsx 图5.8 高职薪资雷达图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资雷达图。 雷达图：高职薪资，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自平均薪资.xlsx 图5.9 薪酬气泡图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资气泡图。 气泡图：商品关联分析，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自薪酬.xlsx 图5.10 本科薪资变化图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资玫瑰图。 玫瑰图：商品关联分析，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自薪酬.xlsx 图5.11 薪水增幅柱状图 图5.12 本科/高职薪水对比柱状图 分析说明：为了弄清每届高职薪酬的变化，从而为更好的了解薪酬变化趋势，我们制作了高职薪资柱状图。 柱状图：本科/高职薪水对比，将“维度”中“时间”拖入“横轴”，将“指标”中的“高职”拖入“纵轴”、“连线”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 5.3.2 成果展示 图5.13 作品展示图-本科/高职薪资变化   模块三 不同城市的薪酬排名分析 图表制作 来自薪酬.xlsx 图5.14 城市薪水柱状图 分析说明：为了弄清不同城市薪水的变化，从而为更好的了解薪水与城市的相关性，我们制作了城市薪水柱状图。 柱状图：城市薪水，将“维度”中“城市”拖入“横轴”，将“指标”中的“薪酬”拖入“纵轴”，再将“维度”中的“后项”拖入“颜色”、“标签”，即可。 来自薪酬.xlsx 图5.15 各城市薪酬分布图 分析说明：为了关注各个省市的高薪水平，了解哪些省市应该是我们重点关注的对象，我们选择制作每个城市的薪水分布。 图中填充地图：各城市薪酬的分布。在FineBi组件中，使用填充地图地图将维度中“省市/自治区，城市”分别放入“横轴”“纵轴”，将“薪酬”分别拖入“颜色”， “细粒度”以“省/自治区”实现 来自薪酬.xlsx 图5.16城市薪酬排行图 图5.17 城市薪酬总览图 分析说明：为了更进一步了解城市对薪水的影响，我们细化到了各个城市，能够从各城市的薪水水平，发展程度等因素进行判断。 柱状图：城市薪水排行。使用FineBi,将指标中的“薪酬”与维度中的“省/自治区”分别拖入“横轴”“纵轴”，将指标中的“薪酬”拖入“颜色”中，选择相应的配色方案即可（与上类似处理即可）。 5.4.2 成果展示 图5.18 作品展示图-不同城市薪酬排名   5.5 模块四 高薪企业和职位分析 5.5.1 图表制作 来自高薪.xlsx 图5.19 高薪公司薪水柱状图 分析说明：为了了解每届薪水增幅与本科与高职薪水对比的情况，我们可以通过城市薪水的变化来让了解者更加清楚的了解到不同城市的薪水变化，我们也可以通过不同高薪公司的薪水对比给了解者更加清晰明了的信息，为此我们制作了薪水增幅柱状图，本科/高职薪水对比柱状图，城市薪水柱状图，高薪公司薪水柱状图。 来自高薪.xlsx 图5.20 高薪专业词云图 图5.21 高薪职位词云图 图5.30 热门专业词云图 分析说明：不同职位与专业对于参考者来说也是非常重要的数据，以至于我们需要明白高薪专业与职位的差异，因此我们制作了高薪专业词云图，高薪职位词云图。 词云图：高薪专业与高薪职位占比， 在FineBi组件中，选择词云图，在“指标”中选择“高薪专业/高薪职位”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 来自高薪.xlsx 图5.22 高薪工资气泡图 分析说明：为了弄清每届的薪水，更清楚明了薪酬的区间分布，我们制作了薪酬气泡图。为方便参考者清楚明了的看到职位与高薪之间的关系我们制作了高薪工资气泡图。 气泡图：薪酬气泡图，高薪工资气泡图，在FineBi组件中，选择气泡图。 来自高薪.xlsx 图5.23 高薪工作变化图 分析说明：根据扇形图可看出北京高薪占比最重，不同城市对于毕业就业的参考者来说也是非常重要的数据，以至于我们需要明白地区与职位对于高薪的差异，因此我们制作了高薪工作扇形图 扇形图：高薪城市与职位占比， 在FineBi组件中，选择扇形图，在“指标”中选择“城市/职位”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 来自高薪.xlsx 图5.24 高薪职位漏斗图 分析说明：想要知道高薪职位的占比和排名，我们制作了高薪职位漏斗图。 漏洞图：高薪职位（“产品经理（人工智能）”，“java开发工程师”，“运营总监”，“人工智能项目经理”，“医学人工智能研究中心”，“数据处理专家”，“人工智能实习生”，“人工智能培训机构合伙人”，“人工智能工程师”，“清华大学人工智能信号处理”）由“高薪城市.xlsx”在FineBi组件中，选择漏斗图，将“指标”中的“高薪职位”拖入“纵轴”将“维度”中的“高薪职位”拖入到“颜色”中，选择喜欢的配饰即可。 来自高薪.xlsx 图5.25 高薪公司排行图 图5.26 高薪公司对应职位排行图 分析说明：为了弄清薪水情况是否也会受公司\职位因素的影响，我们选择了对各个区域的销售额进行排行分析，制作了公司\职位薪酬排行图。 柱状图：高薪工资在公司\岗位的排行。使用FineBi,将指标中的“高薪”与维度中的“公司/岗位”分别拖入“横轴”“纵轴”，将指标中的“薪水”拖入“标签”中，选择相应的配色方案即可。 图5.27 职位薪酬总览图 分析说明：为了清晰明了看出薪酬与城市和职位的总体情况，我们选择展现这有关薪酬中几项重要的指标。 数据表：有关职位薪酬的总览，由“薪酬.xlsx”在FineBi组件中，先增加下钻维度“工作”，“工资”，“地区”，然后在“工作”中将“人工智能C++\python”，“产品经理（人工智能）”，“java开发工程师”，“运营总监”，“人工智能项目经理”，“医学人工智能研究中心”，“数据处理专家”，“人工智能实习生”，“人工智能培训机构合伙人”，“人工智能工程师”，“清华大学人工智能信号处理”拖入“工作”下按工作（区间分组）来实现。 5.5.2 成果展示 图5.28 作品展示图-高薪企业和公司 图5.29 作品展示图-高薪企业和公司2 分析说明：为了了解每届薪水增幅与本科与高职薪水对比的情况，我们可以通过城市薪水的变化来让了解者更加清楚的了解到不同城市的薪水变化，我们也可以通过不同高薪公司的薪水对比给了解者更加清晰明了的信息，为此我们制作了薪水增幅柱状图，本科/高职薪水对比柱状图，城市薪水柱状图，高薪公司薪水柱状图。   模块五 对未来大学生就业的分析与预测 5.6.1 图表制作 来自就业率最高.xlsx 图5.30 热门专业词云图 分析说明：不同专业对于挑选专业的参考者来说也是非常重要的数据，以至于我们需要明白热门专业的差异，因此我们制作了热门专业词云图。 词云图：热门专业占比， 在FineBi组件中，选择词云图，在“指标”中选择“热门专业”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 来自就业率最高.xlsx 图5.31 热门专业扇形图 分析说明：根据扇形图可看出计算机专业占比最重，不同专业对于挑选专业的参考者来说也是非常重要的数据，以至于我们需要明白高薪专业的差异，因此我们制作了高薪专业扇形图 扇形图：高薪专业/职位/热门专业占比， 在FineBi组件中，选择扇形图，在“指标”中选择“专业占比/职位”分别拖入“大小”“文本”选择自己喜欢的配色即可实现。 5.6.2 成果展示 图5.32 作品展示图-未来大学生就业的分析和预测 分析说明：我们统计了热门专业，对其进行了介绍和推荐扇形图，词云图：对不同专业的热门程度进行对比，让大家能明显看出热门程度与做出自己选择。   5.7 图表联动 图5.33 图表联动说明图 分析说明：仪表板联动效果分为5个部分。一个Part代表着一个有联动的系列，它的二级主题代表着联动图表分布在那个区域，三级主题代表着具体的联动图表。   6总结与分享 我们统计了自1990年以来的历届高校招生数量和同年大学生毕业就业人数，两相对比，我们不难发现:大学生数量逐年上升，且上升幅度变大;作为对比，就业人数的增长幅度远不如招收人数。 由此可见，并不是上了大学毕了业就能找到工作，且随着大学生数量越来越多，供过于求，企业趋于饱和，大学生就业便越来越难，这便是促使大学生内卷的原因。 如21年大学生毕业人数约1017万人，而就业名额才820万人左右，只有76.59 的人才能就业，而剩下的四分之一大学生将无业可就， 这大大增加了内卷程度，加之疫情期间失业和未就业的人，竞争趋势日益加大。 所以，找到其中内因，分析原由，选取最符合市场需求，薪资最优的方向，可以大大避免内卷，失业等情况。 随时间大学生的平均工资逐年上升，但是增幅逐年下降，从10年的最高0. 16到20年的最低.05， 可见大学生平均薪资趋于平和，随物价上涨，经济流通加快，可知大学生待遇变低，并不吃香了。可明显看出本科生薪资待遇高于高职生，平均比高职多出20%以上，这与学历有必然联系，学历=待遇，在某种程度上是对的。 随时间变化，大学生薪资增长缓慢，现在想要更好就要更努力，向着学历高努力不失为一种方向，但是内卷严重大大增加了不必要竞争，未免没有更轻松的选择。比如专业对口，寻找市场需求，朝向更好的薪资待遇，那么我们的分析是必不可少的。 薪酬最高的地区依然是北京，其次上海，但杭州，深圳后来居上，排在了第四，第三的位置上，可见些二，三线城市发展增快，待遇变高，北漂已经不是那么吃香了。 以旅游业为发展动力的西安等城市排在末尾，证明了科技才是生产力，才是动力 高薪地区普遍在沿海东部 虽然北漂是经典，但是杭州等城市未免不是更好的选择，相信这些三 线城市发展起来，带给年轻人的机遇会越来越大，机会越来越多。 其中包括谷歌中国、微软等知名互联网企业，他们给校招生开出的年薪水平均在30万以上，不过提供以上薪资水平的岗位也多为算法工程师、研发工程师、软件工程师等技术性较强的岗位。 包括谷歌中国、微软、google. 腾讯、大疆、海康、华为、网易游戏、阿里巴巴、滴滴、百度、今日头条的知名互联网企业，他们给校招生开出的年薪水平均在30万以上，不过提供以上薪资水平的岗位也多为算法工程师、研发工程师、软件工程师等技术性较强的岗位。 其中，谷歌中国的人工智能岗位年薪最高，达56万元人民币，其次是微软的算法工程师岗位，年薪51万，第三是谷歌的算法工程师岗位，年薪50万， 排在第四、第五的是腾讯公司的基础应用研究(SSP) 岗位和腾讯云后台研发工程师岗位，年薪分别是45-50万、32.4万。 整体来看，算法工程师岗位最吃香。目前国内人工智能相关岗位应届毕业生的起薪基本都在12.5k/月以上，毕业三年后人工智能岗位的技术人员，平均月薪在25k以上，基本实现薪酬翻番。 作为典型的技术驱动型行业，人工智能相关岗位的薪资水平、就业满意度都优于全国平均水平，同时该领域薪酬溢价明显，目前已逐渐成为整个互联网行业最多金的岗位。

1 团队介绍 团队成员：曹炎浩（领队），向晓羽（成员） 组合契机：数据分析与我们专业的学习内容息息相关，并且可以学到新的知识，熟练的掌握数据分析工具。并且我们都勇于尝试，在课余学习不一样的知识与技能也是我们共同追求的。 2 背景 大学生就业是和我们息息相关的话题，每一位大学生都关注着，我们常常在网络上看到有关大学生就业的话题，比如毕业季的一些讨论。在大一的创新创业课中，我们也了解到自己所学的专业和以后如何就业，往哪方面就业。但我们了解的比较局限，这是一个很好的机会，让我们把视野放到大环境下的大学生就业分析。 3 作品亮点 1、 从四个不同的维度出发，无论专业或者非专业人士均能从展示作品中看出重点与大学生就业与对比情况。 2、 使用了finebi对大学生就业的关联度进行数据挖掘，建模分析。 3、 采用多样化配色方案，主题突出，故事性丰富。 4、 仪表盘模块化分布合理，使得数据可视化思路清晰，逻辑严谨。 4 制作流程 4.1分析思路 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20211129/20211129225838_10352.jpg