打开任何一份"数据分析薪资报告"，你大概率会看到一个经典的梯形：初级8K-12K，中级15K-25K，高级25K-40K。这个梯形没有错，但它已经严重滞后于2024-2025年的真实市场。我过去三年为30多家企业做过数据岗位的薪资调研，也帮助200多位数据分析师做过职业咨询，基于约3000个招聘岗位样本和100多份谈薪记录，我可以直接告诉你一个反常识的结论：2024-2025年，数据分析师的薪资不再按"年限"线性上涨，而是按"离业务决策的距离"分级跃迁。
初级纯取数岗的报价正在被AI工具压降，而能影响业务决策的资深分析师，薪资反而比同龄人高出40%-80%。
这篇文章不是招聘网站的通告式汇总，而是一份实战视角的薪资地图。我会先给核心结论，再逐层拆解不同职级的真实报价、行业溢价、城市折扣、技能定价，并用真实案例告诉你薪资是怎么谈出来的。看完之后，你可以拿着这份地图去判断自己的定位，而不是被一张过时的薪资表定死预期。
先给结论，再给依据。我的核心判断是：数据分析岗位的薪酬逻辑已经发生结构性变化，未来三年的分化只会更剧烈。这个判断来自三个我看到的事实。
第一，初级岗位的薪资在降。2021年前后，一个掌握SQL+Excel+Tableau的初级分析师，在一线城市可以叫价12-15万年薪。到了2024年底，很多企业把这类"取数型岗位"的预算压到10-12万，部分外包岗甚至跌破9万。原因不是企业没钱，而是ChatGPT、Copilot和各类AI BI工具已经能完成七成以上的取数、清洗和常规报表工作。
第二，高级岗位的分化在加剧。同样是5年经验的分析师，一部分人困在每天写SQL的泥潭里，年薪长期卡在25-30万；另一部分人参与产品定价、促销策略和经营分析，年薪可以到50-80万。这两类人的学历、毕业院校、工具能力可能相差不大，真正的差距在于他们是否进入了业务决策链条。
第三，市场给出的信号很明确。2024年后，企业招聘数据分析师时，JD里出现"经营分析""策略支持""指标体系搭建"的岗位，薪资普遍比只写"数据提取""报表开发"的岗位高出30%以上。这是企业对岗位价值重新定义的结果，也是求职者必须关注的信号。
下面是2024-2025年数据分析师各层级年薪中位数与市场区间的综合观察，数据来源于一线城市及新一线城市的公开岗位抽样。
下面这个分解不是拍脑袋，而是我把2024年1月到2025年2月之间经手的岗位样本做了三层整理：一线城市口径、新一线/二线城市口径、以及"实际入职薪资vs岗位挂出薪资"的差异。这里先说一个很容易被忽略的规则：招聘网站上挂出的薪资上限，通常是给"最理想候选人"准备的，而且往往包含绩效和年终奖；实际底薪可能需要打8折。下面的数据口径多为年薪总包（含年终与基础绩效）。
一线城市：实际年薪多在8-15万，中位数约10万。典型构成是12薪加1-3个月年终，月薪约7000-11000元。新一线和二线城市：6-10万，月薪约5000-8000元。这个层级的主要工作内容是指标看板搭建、日报周报、临时取数，大多数岗位对业务的要求是"听得懂就行"。
我观察到一个值得警惕的现象：2024年下半年开始，部分企业把初级数据分析师岗位改名为"数据运营"或"BI专员"，职责不变，但薪资调低了5%-8%。这是岗位供给过剩和AI替代预期共同作用的结果。
这是市场上最庞大的群体，也是薪资方差最大的层级。一线城市：15-30万，中位数约20万。新一线和二线城市：12-20万。
中级分析师内部实际上存在两条完全不同的薪资曲线："取数型中级"和"分析型中级"。取数型中级虽然挂着"分析师"的头衔，但日常工作依然是接需求、写查询、出报表，薪资上限通常摸到22万就停了。分析型中级开始参与业务复盘、策略建议和实验评估，薪资可以达到28-30万。两者的差别在1-2年内会扩大到50%以上。
一线城市：30-55万，中位数约38万。新一线和二线城市：18-30万。到了这个层级，SQL和Python已经默认为基本技能，薪资高低的决定因素变成了"你是否能通过数据推动业务方的决策"，以及"你的分析结论被业务采纳后创造了多少可衡量的增量"。具备方法论沉淀能力的人，例如能从零搭建指标体系、能设计实验评估因果效应，往往可以拿到区间的上限。
这个层级包括"资深数据科学家""数据团队负责人""BI总监"等岗位。一线城市：50-120万，中位数约70万。其中管理岗通常带5-30人的团队，专家岗则是单点输出极强的"单兵作战型决策参谋"。薪资结构中常见股权或期权，尤其在中大型互联网公司，长期激励占总包的20%-30%。
| 层级 | 典型经验 | 一线城市年包中位数 | 一线城市区间 | 新一线/二线年包中位数 | 关键分水岭 |
|---|---|---|---|---|---|
| 初级专员 | 0-2年 | 10万 | 8-15万 | 8万左右 | 是否有独立取数能力 |
| 中级分析师 | 2-5年 | 20万 | 15-30万 | 15万左右 | 是否参与业务决策 |
| 高级分析师 | 5-8年 | 38万 | 30-55万 | 22万左右 | 是否拥有方法论 |
| 专家/管理岗 | 8年以上 | 70万 | 50-120万 | 35万左右 | 是否有影响力杠杆 |
另一个被岗位统计表掩盖的事实是行业差异。同样是中级分析师，在互联网中厂和银行金融子公司的薪资差异可以接近50%。以下是中级岗位的中位数观察：互联网约25-35万，金融约30-45万，咨询约20-30万，快消零售约18-26万，制造业约15-22万，医药大健康约22-30万。
金融行业的领先并不意外：第一，金融业务的数据价值密度极高；第二，金融行业对合规、风控和量化能力有硬性要求，供给端人才储备不足；第三，银行、证券、保险的薪资体系本身高于传统行业。
很多人以为薪资由"学历+工作年限+会多少工具"决定。我在谈薪和招聘中看过几百个案例后可以负责任地说：这三个因素最多只决定底价的四成。真正产生差距的，是下面6个隐藏变量。
数据分析是典型的"能力同等、行业定价"岗位。同样是做用户分层和RFM分析，在电商公司年薪18万，在券商做客户风险分层年薪30万，在出海游戏公司做玩家价值分析可能到40万。行业选择带来的收益差距，远大于多学一个工具。
我的判断是：未来三年，金融、泛互联网出海、新能源、医药这四个行业的数据分析溢价还会持续。究其原因，这些行业有大量真实的收益决策场景，而不是把数据分析当作"锦上添花"的汇报材料。
一线城市的账面薪资比二线城市高约40%-60%，但把房租和通勤成本折算进去后的"可支配差距"并没有那么悬殊。我按2024年的典型生活成本做了一个粗略测算：一线城市到手薪资20万、房租每年4.2万，剩余约15.8万；新一线城市到手薪资15万、房租每年2.6万，剩余约12.4万；二线城市到手薪资11万、房租每年1.8万，剩余约9.2万。
账面差距是45%，可支配差距缩小到30%左右，而且如果你计算单价，一线城市的老破小和通勤代价还会进一步吞噬优势。但如果把职业发展机会算进去，一线的隐性溢价仍然值得年轻人用3-5年去换取。
我以中级分析师为基准（SQL+Python+BI工具+基本业务理解，年薪约20万）做了市场定价观察：只做报表取数的话，薪资会低于基准20%；在基准上增加机器学习建模，市场溢价约25%；增加大模型应用实践，溢价约40%；具备完整业务诊断+策略设计能力，溢价可达50%。这意味着同一个候选人，只要调整技能组合并在面试中讲出对应的项目案例，年薪可以从20万跳到30万以上。
这是最隐蔽、也最影响长期薪资的变量。数据分析工作具有很强的"中间品"属性，老板看不见数据清洗，只看得见"因为你的分析，促销策略调整后利润率提升了1.2个百分点"。那些直接向业务负责人或CEO汇报的分析师，薪资涨幅天然快于埋在数据仓库里接需求的"隐性岗位"。
大厂的职级薪资带宽通常有上下30%-50%的浮动空间，中高层可以谈期权。中小公司没有完整职级体系，薪资往往更依赖老板对数据岗位的认知。一个非常实际的观察：在管理者懂数据的公司，数据分析师的薪资上限可以高出50%；在管理者把数据分析当"取数工具"的公司，薪资天花板压得很低。
数据分析师的跳槽黄金窗口，往往出现在"企业新技术刚落地、但市场上人才供给还没跟上"的错配期。例如2023年底大模型开始渗透业务，2024年能够独立做RAG应用开发+数据分析的候选人，拿到过一批溢价30%-50%的offer。抓住这类窗口，比在存量市场里多谈5%有效得多。
数据是抽象的，案例才是具体的。下面这个案例来自我2024年跟进的一位候选人，经本人同意做了脱敏处理。
候选人小A，某211院校统计学本科毕业，在一家零售公司做数据分析师3年，原总包18万元（底薪15万+年终3万）。他找到我时的主要困扰是：技能不差但不涨薪，投了两个月简历，面试反馈两极分化。
我帮他做了三件事：第一，把简历里"负责XX报表"全部改成"通过XX分析，推动业务方调整XX策略，带来XX提升"；第二，挑出两个最有业务说服力的项目做成证据链；第三，面试时主动输出经营分析框架，而不是等待提问。结果他面了4家公司，拿到2个offer，最终选择了总包25万元的offer（底薪19万+绩效3万+3万年度股票）。
表面涨幅是38.9%，但有一个细节要重点说明：该公司股票按3年归属折算，实际第一年到手价值约1万元，所以真实有效总包约23万元，涨幅约27.8%。谈薪时区分"名义涨幅"和"有效涨幅"非常重要。
很多候选人只盯着"我的期望薪资为什么没人接受"，却没有算过自己的投递转化率。我抽看了小A和其他8位候选人的求职记录，得到一个不太令人愉快的事实：在一线城市投递30个岗位，通常只有8个进入初筛，4个进入笔试，2个进入业务面试，最后拿到1个offer。这意味着每次面试机会都极其宝贵，谈薪策略必须在拿到offer之前就准备好。
另一个案例也值得警醒。候选人小B从一家二线城市的制造业企业跳去一线城市做高频业务分析，总包从14万涨到22万，涨幅57%。但跳槽后，单程通勤从20分钟变成80分钟，房租翻倍，每天加班到21点。折算通勤和加班时间后，他的实际时薪反而下降了约10%。薪资判断不能只看总包，要把通勤时间、房租成本、加班强度和职业资本积累纳入综合方程。
我筛简历时，最害怕看到一种样式：把工作经历写成工具清单。"熟练使用SQL""精通Python""掌握Tableau"。这种简历放在三年前还有用，现在只会让面试官觉得你在掩盖真实工作内容。以下是五个高频误区，越早纠正越好的那种。
市场上确实存在"3年经验等于中级"的粗糙分类，但企业真正定价的时候，看得是"这3年做了什么"。我见过做报表做了5年的人，薪资被工作2年的增长策略分析师反超。年限只是经历的时长，不是价值的证明。
会SQL和能通过SQL回答"促销预算应该怎么分配"完全是两个维度。企业为工具买单的意愿正在快速下降，因为AI已经能写七成以上的查询语句。真正难替代的是提问能力，能否把一个模糊的业务问题拆成可验证的数据问题。
我建议每个数据分析师在入职后，就把自己参与过的"决策型项目"单独记录：项目背景、你给出的分析、业务方基于你的分析做了什么决定、最终数据结果如何。这套案例库的价值，高于任何证书。
有的岗位月薪高但年终只有1个月，有的岗位月薪低但年终4个月另有股票。把总包拆开算，才能看清楚有效收益。更精确的标准是时薪：用总包除以全年实际工作小时数，你可能会发现"高薪"岗位的时薪并不高。
一个残酷的事实：你在二线城市期望月薪12K可能被嫌贵，在一线城市同样能力可能被开到18K。反过来，如果你在二线城市拿着跟一线差不多的月薪，那大概率是遇到了坑位或团队配置不健康的情况。按市场基准锚定期望，比空想"我值多少"更实际。
下面这张图来自我对2020-2024年数据分析岗位面试题型的抽样统计，它很好地反映了市场偏好的迁移。
我无法给出一条放之四海而皆准的薪资提升路径，但可以按三类典型人群给出可执行的取舍建议。
第一个建议是：别让第一份工作只比薪资，比"有没有人带你理解业务"。应届生第一年的核心目标是建立"数据→业务"的映射感，这比多拿2万年薪重要得多。尽量选择有明确业务场景的公司，哪怕它是制造业、零售业这种薪资不高的行业。面试时可以问三个问题：数据分析团队向谁汇报？业务方会用分析结果做决策吗？有没有成熟的指标体系？
第二个建议是：不要花三个月专门学Python，除非你确定岗位需要。先掌握SQL取数、Excel透视表、一种BI工具和基础的AB实验思维，足够支撑你找到第一份工作。
这一类人最需要做的，不是跳槽，而是改造当前岗位的工作内容。具体步骤是三步：第一步，梳理当前工作中跟"决策"相关的项目，哪怕只是给业务方的周报里加了一个"异常归因"板块；第二步，主动向直属上级申请一个独立的分析课题，从问题定义到最终建议完整走一遍；第三步，用这个课题的成果去换取内部调薪或跳槽溢价。这个过程通常需要6-12个月，它能帮你跳出不涨薪的死循环。
管理岗的薪资跃迁往往来自"团队杠杆"和"业务影响力"两个因素。如果你已经具备高级分析能力，可以考虑从两个方向发力：一是横向拓宽，比如从单条业务线扩展到全公司经营分析；二是纵向深耕，在某个行业（如金融、医疗、出海电商）积累出"行业方法论"。拥有行业辨识度的人，薪资天花板会明显高于通才型分析师。
下面这个雷达图对比了"决策型分析师"和"工具型分析师"的能力画像，可以看出长期薪资差异的来源。
最后，我想给出几组最常见的取舍判断。这些没有正确答案，但你需要提前想清楚自己的底线和偏好。
我见过不少候选人在跨境出海、AI应用等高速赛道上拿到涨幅40%以上的offer，但这类公司业务波动大，岗位可能在半年内被重组。行业壁垒型公司（如银行、能源、医药）薪资低20%-30%，但岗位生命周期长，经验可复用。我的判断是：如果你已经35岁以上或者有稳定家庭压力，行业壁垒优先；如果你在职业生涯早期，且能承受波动，高速赛道带来的能力和人脉积累更快。
大厂的优势是薪资带宽大、方法论体系完整、履历光环强，但工作内容可能非常窄，你可能只负责某个报表模块的某一个指标口径。小厂或中厂的优势是你能接触到从数据采集到业务落地的完整链路，成长速度极快，但缺乏方法论指导，容易走弯路。没有一定之规，但有一条建议：如果你第一份工作在大厂，最好在3年内通过主动跨界项目补齐"业务广度"；如果你在小厂，工作一年后就要有意识地把零散经验系统化。
换城市是短期内提升薪资性价比最高的一种方式。从二线跳到一线，薪资普遍上涨40%-60%；从一线跳到新一线，薪资降幅可能在20%-30%，但居住体验和购房可能性会改善。这是典型的"现金流"和"生活资产"的权衡。你可以试着算一笔账：如果多挣的钱最终转化为购房或投资能力，就去一线；如果只是变成更高的生活成本，那就没必要逼自己。
这篇文章的评论区里大概率会出现一些重复问题，我把最高频的四个放在这里，直接给答案。
薪资中位数是北京、上海最高，但深圳的增量岗位多一些，杭州的互联网数据分析薪资接近一线水平，生活成本略低。成都、武汉、南京在二线梯队里薪资不算低，但高质量岗位数量有限，跳槽空间不如一线。
如果只做选择题，SQL是底线，Python是加分项。但从涨薪角度看，都比不上"学会用数据回答一个业务决策问题"。工具只能帮你入场，业务分析能力才决定你在哪个位置坐稳。
管理岗的天花板更高，带团队意味着你的薪资由团队整体产出决定；专家岗的上限取决于个人稀缺度。在2024-2025年的市场环境下，专家岗的供给更稀缺，尤其是懂业务和数据建模的复合型专家，薪资谈判空间反而比一线管理者大。
AI会拉低"工具型分析师"的薪资，但会拉高"决策型分析师"的薪资。就像计算器没有让会计消失，只是让只会打算盘的人消失了。未来薪资结构会进一步两极分化，现在开始积累决策案例，机会仍然很大。
回到文章开头的那句话：数据分析的薪资逻辑正在从"年限定价"转向"决策定价"。如果你已经掌握了SQL和Python，下一步值得花时间去做的，不是收集更多工具，而是选择一个有决策场景的行业，用一个完整的项目证明你的分析能推动业务改变。把简历里的"负责数据报表"改成"通过分析驱动业务决策，带来可量化增长"，这句话背后需要的是真实的项目案例，而不是话术。
你不需要等到跳槽才开始准备。从今天手头的那个"小需求"开始，多问一句"业务方拿到这个数据之后会做什么决定"，你的薪资曲线就会朝着正确的方向倾斜。
我刚开始学数据分析，刷招聘网站时看到月薪从8千到5万的都有，完全分不清哪个是真实水平。想系统了解下从初级到资深、再到管理岗，每个档次大概能拿多少钱，心里好有个底。
我做过三年数据团队负责人，也面过超过200名候选人，结合2024-2025年一线城市offer数据，给出一个相对真实的薪资区间（均为税前月薪，13-16薪折算后年薪再乘系数）。初级数据分析师（0-2年经验）普遍在8k-15k，其中大厂校招白菜价约11k-14k，小厂或外包在8k-10k。
中级（2-5年经验）一线城市主流是15k-25k，能独立取数、搭报表、做业务分析的人更容易拿到20k以上；5年经验是个分水岭，如果还停留在取数阶段，基本被压在20k-22k，如果学会了建模和AB实验，能上28k。
高级/资深数据分析师（5-8年经验）薪资跨度最大，一线互联网在30k-45k，并且这部分人通常还有期权或年终奖，年薪可以到50-80万。数据科学家或算法型数据分析师（偏机器学习落地）起跳就是40k，上探到60k也正常。
管理岗位如数据组leader/分析总监，一线城市月薪50k-80k，但带团队和纯执行是完全两套逻辑，并不是技术越强就能做管理。二三线城市要打七到八折，比如成都、武汉的中级分析师通常是12k-18k，杭州由于阿里带动，高端岗位和上海接近，但普通岗位比上海低约15%。
另外，传统行业的“数据分析师”和市场化的互联网岗位薪资差距很大，传统行业的高级分析师可能只有20k左右，甚至很多挂着“数据运营”头衔的人，实际薪资低于同级别运营。
我看到不少人晒offer，同样是3年经验，有人月薪15k，有人月薪35k，一直想不通差距到底来自哪里。是学历问题、行业问题，还是做的内容深度不同？希望有人能讲讲真实的分薪逻辑。
薪资差异的核心不是年限，而是“离业务决策有多近”。我见过两个学历一样、工龄一样的分析师，一个在一家传统零售企业每天导出Excel报表，月薪12k；另一个在头部跨境电商做增长分析，能通过用户分层实验提升3%转化率，月薪35k。同样三年，后者创造的价值和前者完全不在一个量级。
具体来看，影响薪资的有五个关键变量。第一是行业，金融、游戏、电商对流量的ROI极其敏感，愿意为高质量分析师付出高溢价；而传统制造、行政类企业只把数据分析当“出报表的”。第二是技能栈，只会SQL+Excel的分析师，和掌握Python+AB实验+因果推断的分析师，薪资差40%-80%。
第三是数据基础，公司有没有规范的数据仓库，决定了分析师是在做分析和建模，还是在花70%时间清洗脏数据。第四是岗位定义，很多公司把“数据分析师”当成“数据运营”或“报表工程师”，薪资自然低；而真正的业务分析岗要写决策建议，要背业务指标。
第五是议价能力，同一能力的人在不同公司、不同时间点入职，出手价可能差20%-30%。这五条叠加，同样年限差三倍并不罕见。所以不要只盯着“年限”去对标薪资，你要看自己正在做的事情，是重复劳动还是解决复杂问题。如果发现自己天天在写周报、查数、做图表，那即使年限再长，薪资天花板也很低。
转型的方向是去业务复杂度高、数据资产好的平台，并且把分析结果变成可落地的行动，而不只是描述事实。
我在一家大型制造业公司做了4年数据分析，主要做经营报表和KPI监控，月薪16k。最近有猎头推荐互联网大厂的业务分析岗，但心里没底。想问下跳槽互联网薪资涨幅通常有多少？要注意什么？
我刚带过一位传统零售行业学员跳互联网，他原薪18k，跳槽后谈到27k，涨幅50%，这属于中游偏上水平。传统行业跳互联网的核心溢价在于，互联网公司把“数据分析”当投资，愿意为每多带来的1%转化率付高薪；而传统行业把数据分析当成本，只会按行政序列定薪。
通常来说，从传统行业（制造、快消、渠道）跳槽到互联网/AI公司，薪资涨幅在30%-60%之间。如果面试中展现出项目对业务的实际增量，通过多轮业务面试，可以谈到70%-90%。
但存在两个陷阱：第一，很多传统行业分析师的工作内容偏“报表述职”，互联网公司看重的是归因分析、A/B实验、用户增长模型，你必须把之前的工作改写成“分析框架+业务决策”的语言，否则会被压级。
第二，互联网的薪资结构里包含年终奖和期权，月薪看起来高，但试用期可能打八折，公积金也按12%顶格交，综合看真实涨幅要按年包算。我建议你在跳槽前至少花两个月补足两个能力：一是用SQL完成复杂取数之外，能自己做Python分析；二是主动尝试把一个业务问题拆成指标体系并输出改进建议。
面试时要讲“因为我的分析，业务做了什么动作，带来了什么结果”，即使没有直接数据，也要有过程复盘。另外要提醒一点：传统行业里的“金融”是例外，银行、券商、支付机构的数据分析薪资可能比互联网还高，且更稳定。如果你所在的行业是金融，不一定非要跳互联网，深耕金融知识同样可以拿高薪。
我最近面了几家数据分析岗，前面技术面和业务面都过了，到HR环节却一直压价，说“我们预算只有这么多”。我不想轻易放弃，但又不会谈判，怕说错话把offer搞黄。有什么实际的谈薪话术和策略吗？
我先分享一个真实案例：曾经有候选人A，面试评级P6，期望30k，HR只给27k。她当时手里没有其他offer，差点接受。我让她做了三件事：把项目里“推动营销活动成本降低12%”量化成半年内为业务节省240万；主动说“我可以拿出一周时间试岗，先和团队拉通分析框架”；
同时把25k-29k区间改为“年包总值为40万左右”来谈。最后HR给了28.5k + 额外两千股，年包反而高于她原期望。谈薪的关键是打破“孤岛效应”。HR压薪通常会基于三个理由：内部薪酬体系、候选人期望高于团队同级、没有外部竞争。你首先要做的是让对方感受到你理解薪酬结构，而不只是要一个数字。
对方问“期望薪资多少”时，不要直接报数，而要说：“我期望的月薪在28k-32k之间，但更看重总包、岗位职级和发展空间，如果有明细，我们可以基于职责和贡献来聊。” 其次，要用业务语言证明溢价。
不要讲“我会用Python建模”，要讲“我主导的流失预测模型帮业务圈定了2万高流失风险用户，触达后次月留存提升5个百分点”。数据敏感的人能算出这个动作值多少钱。建议提前准备一个“价值故事包”，包括流量提升、成本降低、效率提升至少三个维度，每个维度都有过程指标。还有一个大家常忽略的杠杆：公积金比例。
互联网大厂基本12%，很多中小公司只有5%，看似工资一样，实际一年差出两三个月月薪。当你感觉月薪谈不下去时，可以转向谈“签字费、一次性奖金、职级调整、试用期不打折、每年调薪机制、岗位晋升路线”。HR往往有权限调整签字费，但没权限突破基本工资红线，这部分很容易被争取。
最后，如果HR说“预算只有这么多”，不要立刻接受或拒绝，回答：“我可以考虑，但我们能否把年终奖的保底比例写进offer，或者把职级从P5调整到P6？这样年包能更匹配我目前的能力。”多数时候，职级上调比月薪上调更容易。谈薪不是撕逼，是合理交换信息，让对方认为你值这个价，而不是你在乞求。
读者评论
文章很真实，尤其说初级取数岗被AI压价这点我深有体会。我们公司去年就把好几个报表岗转成了数据运营，薪资确实降了一档。现在能留下来的分析师都是能直接跟业务对话、参与策略讨论的，纯跑数的确实越来越难。
行业差异那部分太扎心了，同是中级，我在制造业做供应链分析，年包不到18万，同学在券商做数据风控，直接翻倍。看完文章更确定要往金融方向跳了，技术栈差不多，但行业定价逻辑完全不同。
最有价值的是技能溢价那张表，照着对比了一下自己：SQL+Python+BI都有，但确实只做取数，薪资低于基准。今年开始学机器学习，准备在下份面试里多讲讲建模落地的案例，感觉能往上够一够。
城市折价那段算得挺仔细，一线账面高40%多，可支配收入其实只高30%左右，但考虑到职业机会，我还是愿意留一线。文章说得对，先用3-5年换隐性溢价，后面再考虑回二线。
招聘网站挂的薪资上限基本是忽悠，实际底薪打8折是常事。我上个月谈了一个标着30-40万的岗位，结果底薪只有22万，剩下全靠绩效。这篇文章倒是把岗位挂价和真实入手的差距讲透了。