旁友，你一定听说过“人人都是产品经理”这句话。但你可能不知道，让“人人都是XX”句式火遍大江南北的《人人都是产品经理》，已经9岁了。
9年，从“人人都是产品经理”的呼声震天撼地，天下莫能与之争，到“人人都是运营”，“人人都是数据分析”的来势汹汹。市场对数据分析、运营的偏好仿佛已经完全胜过了产品。
然鹅事实真的是这样吗？今天，我们一起从数据的角度出发，看看人人都是产品经理这句话，在运营和数据面前，还能不能站得住脚。（这里先不谈理论，从实际的岗位需求出发。毕竟，从理论角度讲，产品、运营、数据的思维人人都值得学习）
从岗位需求来讲，人人都是XX，其实蕴含着两层意思：
岗位具有潜力，人心向往之；
岗位门槛没那么高，努努力就可以切入。
这两层意思就是本次分析的主线任务。
我们从BOSS直聘入手，分别以“产品"、“运营”、“数据分析”为搜索词均匀爬取，共爬取5039条数据，作为我们分析的源数据。
注：搜“产品”是为了和“运营”匹配，搜“数据分析”是要排除掉偏算法挖掘类的岗位。完整爬取代码已放在文末。
P1 三大岗位前景如何？
1、产品、运营、数据分析谁最有钱景？
一个岗位要人人神往，Salary一定要有竞争力。首先，我们看一看，在同等学历，同等工作经验的前提下，不同岗位平均薪资（工资都是区间，这里采取最低+最高的平均值作为平均薪资）分布情况。
大专学历（总人数占比27.49%）：
在大专学历这个统一的起跑线上，产品经理平均工资体现出一定的优越性，在“3-5年”和“5-10年”这两档明显领先运营和数据分析岗，而市场上只有运营岗对10年以上的大专学历有招聘需求。
本科（人数占比69.35%）：
显而易见，本科产品经理在不同工作年限全面碾压运营和数据岗。基于样本数据，刚毕业（1年以内）产品经理的平均工资竟然高出数据分析接近4K。总体来看，本科平均薪资遵循着产品 > 数据 > 运营的原则。
硕士及以上（人数占比3.16%）：
当硕士成为学历筛选的门槛，运营岗消失了。1年以内工作年限的产品经理可谓强无敌，但随着工作年限要求的提升，数据体现出强劲的后劲，1-10年的工作经验，数据分析都领先于产品经理。
眼尖的朋友肯定发现了，为什么”1年以内经验”产品经理的平均工资高于“1-3年”的？回溯数据源发现：
从分布来看，工作1-3年的产品工资集中在11K，而工作年限1年以内的工资集中在8K，完全符合我们预期。但由于目前市场存在一些给1年内工作经验的同学开出30K+的公司，直接拉高了这个年限岗位的平均工资。
注：本次分析主要是针对不同岗位的对比，这个因素对岗位间的横向对比影响不大，暂不做进一步处理。
目前市场上本科岗位的需求量最大（69.35%），在同样工作年限的情况下，本科学历的产品薪酬全面领先；数据分析则在硕士（岗位人数占比3.16%）中后期表现亮眼。
2、坑位规模如何？
如果要换坑的话，哪个岗位跳到大坑（规模更大的公司）的可能性更大呢？
市场整体上对于产品、数据、运营的需求呈现出明显的双峰特征，即人数在100-499人的和1000-9999人两档规模的公司人才需求最旺盛。
从岗位角度来看，产品岗的需求主要集中在1000-9999人规模的中大型公司。数据需求也聚焦于该区间，但占比和产品相比少了6.84%。而运营则最受中小型公司（100-499人）青睐。
公司规模的大小也是很多朋友做选择的重要考量因素，而从公司人数规模来看，产品坑位更大（大公司更多）。
前两个回合来看，人人都是产品经理，或者说人人都想成为产品经理这句话，可谓涛声依旧。
P2 哪个岗位更容易切入
上两轮PK，在学历和经验上已经初窥端倪，这一轮我们继续深挖一下不同岗位在这两方面的从业门槛如何，人人都是产品/运营/数据分析，是不是意味着人人都能成为他们呢？
3、岗位学历要求
从需求方来看，运营岗学历门槛最低，49.89%的岗位对于学历的要求是大专（及以上），产品和数据岗主要集中在本科，占比78%+，数据分析在硕士学历上占比8.51%凸显了高门槛。
如果说哪个岗位从业门槛最低，结果显而易见。
4、岗位经验门槛
产品需求主要集中在3-5年（占比40%+），5-10年的需求占比和1-3年的持平；运营偏爱小鲜肉，3年以内的岗位需求接近70%；数据和产品类似，但是3年内的需求要远大于产品。
P3 谁喜提996的可能性更大
朋友，做好变秃变强的准备了吗？
传说，一个优秀的互联网人必须做好三件事，吃饭，睡觉，996。
这次我们不妨开一开脑洞，根据职场黑话来量化996这一指标，看看哪个岗位被996的可能性最大。
又听说，职位描述里面的“抗压能力强”、“工作时间弹性大”已经成为996的等价黑话，所以，我们采用粗暴的判定法，如果职位描述包含“抗压”、“压力”、“弹性”关键字，就把这个职位打上“潜在996”的标签。粗暴判定完之后，可视化之：
嗟乎，根据我们的脑洞暴力判断法，有25%的公司具有996潜质，那么，这些公司在各岗位是怎么分布的呢？
产品和运营两个岗位是拉动996的两架马车，具备996潜质的公司占比分别为28.91%和29.37%，相比之下，数据分析17.74%的占比倒显得有些闲情逸致了。
五局较量下来，产品岗在钱景和坑位规模上轻松取胜，但是在学历、经验要求这两个从业门槛上惜败于运营，最后在996潜质方面，和运营打成平手，被数据分析超越。
产品胜在前景，而运营胜在从业门槛低，容易切入。最后，在双冠军的原则下，人人都是产品经理这句话，依然稳的一匹。
最后，附上完整代码给需要的旁友：
PS：整理不易，觉得有用的话可以“在看”OR“留言”，感蟹~
import requests
import pandas as pd
from lxml import etree
import re
from urllib import parse
import time
import random
#构造网址，输入地区和职位参数，爬取页数默认是10页，目前单区域最多爬取10页
def format_url(area,keyword,num = 10):
urls = []
job = parse.quote(keyword)
base_url = 'https://www.zhipin.com/c{}/?query={}&page={}&ka=page-{}'
for i in range(1,num + 1):
urls.append(base_url.format(area,job,i,i))
return urls
#解析单页
def parse_page(url,headers):
result = pd.DataFrame()
html = requests.get(url,headers = headers)
bs = etree.HTML(html.text)
for i in bs.xpath('//div[@class = "job-primary"]'):
#岗位名称
job = i.xpath('div[@class = "info-primary"]/h3/a/div[@class = "job-title"]')[0].text
#薪资水平
salary = i.xpath('div[@class = "info-primary"]/h3/a/span')[0].text
combine = i.xpath('div[@class = "info-primary"]/p')[0].xpath('string()')
#城市
index1 = re.search('经|[0-9]|应|实',combine).span()[0]
city = combine[:index1]
#city = combine.split(' ')[0]
#combine = combine.split(' ')[1]
split = re.search('年|限|生',combine).span()[0]
work_year = combine[index1:split + 1]
education = combine[split + 1:]
#公司名称
company_name = i.xpath('div[@class = "info-company"]/div/h3/a')[0].text
st = i.xpath('div[@class = "info-company"]/div/p')[0].xpath('string(.)')
try:
split1 = re.search('已|不|未|天|[A-Z]',st).span()[0]
split2 = re.search('\d',st).span()[0]
#公司类型
company_type = st[:split1]
#公司规模
company_scale = st[split1:split2]
#公司人数
people = st[split2:]
except:
print('...' + company_name + '规模字段或有问题')
company_type = None
company_scale = None
people = None
job_url_part1 = i.xpath('div[@class = "info-primary"]/h3/a/@href')[0]
job_url_part12 = i.xpath('div[@class = "info-primary"]/h3/a/@data-itemid')[0]
cache = pd.DataFrame({'岗位名称':[job],'薪资水平':[salary],'城市':[city],'工作年限要求':[work_year],'学历要求':[education],
'公司名':[company_name],'公司类型':[company_type],'公司规模':[company_scale],
'公司人数':[people],'JOB_ID1':[job_url_part1],'JOB_ID2':[job_url_part12]})
result = pd.concat([result,cache])
return result
#现在单个城市只能爬取10页，要想抓取不同城市的更多数据，须先获取各城市的编码
def get_city_data(headers):
city_data = pd.DataFrame()
city_url = 'https://www.zhipin.com/common/data/city.json'
html = requests.get(city_url,headers = headers)
bs = json.loads(html.text)
for i in bs['data']['hotCityList']:
city_code = i['code']
city_name = i['name']
cache = pd.DataFrame({'city_code':[city_code],'city_name':[city_name]})
city_data = pd.concat([city_data,cache])
return city_data
#输入爬取的职位，爬取多少个城市
def run(keyword = '产品',city_num = 6):
#获取所有城市编码
city_data = get_city_data(headers)
final_result = pd.DataFrame()
for area,c_name in zip(city_data['city_code'].values[:city_num],city_data['city_name'].values[:city_num]):
count = 1
cache = pd.DataFrame()
print('这是{}的地盘'.format(c_name))
urls = format_url(area,keyword,num = 10)
for url in urls:
result = parse_page(url,headers)
time.sleep(5.2 + random.random())
cache = pd.concat([cache,result])
print('完成第爬取{}页'.format(count))
count += 1
print('-----------------------------')
print('')
final_result = pd.concat([final_result,cache])
return final_result
if __name__ == '__main__':
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
final_result = run(keyword = '产品',city_num = 6)