Salary Market Analysis

薪酬市场调研分析 (Salary Market Analysis)

专业的薪酬市场调研工具，支持多源数据融合、数据清洗、分位值计算和专业报告生成。

---

✨ 功能特性

• 24 字段标准化模板：覆盖基础信息、岗位信息、公司信息、薪酬信息、人才要求 5 大维度
• 年薪自动计算：月薪 × 薪月数，含奖金月份
• 细粒度分位值：P10/P25/P30/P40/P50/P60/P70/P75/P80/P90，支持加权计算
• 多源数据融合：招聘网站 + 行业报告 + 财报 + 论坛，权重可调
• 17 章节专业报告：从数据概述到调整建议，结构完整
• 多格式输出：Excel 数据表 + Markdown 报告 + Word 文档

---

📁 技能结构

skill-salary-market-analysis/
├── SKILL.md                           # 本文件（配置和说明）
├── assets/
│   ├── salary_data_template.csv       # 16 字段基础模板
│   └── salary_data_template_24.csv    # 24 字段增强模板 ⭐
├── references/                        # 参考文档
│   ├── report-template.md             # 17 章节报告模板
│   ├── salary-methodology.md          # 薪酬方法论
│   ├── global-data-sources.md         # 全网数据源指南（20+ 渠道）
│   └── data-collection-guide.md       # 数据收集操作指南
└── scripts/                           # Python 脚本
    ├── multi_source_processor.py      # ⭐ 核心处理脚本（多源整合）
    ├── data_processor.py              # 基础处理器
    ├── data_cleaner.py                # 数据清洗
    ├── csv_to_excel.py                # CSV 转 Excel
    └── markdown_to_word.py            # Markdown 转 Word

---

🔧 依赖安装

pip install numpy>=1.21.0 pandas>=1.3.0 openpyxl>=3.0.0 python-docx>=0.8.11 beautifulsoup4>=4.11.0
# 可选：Playwright 自动化
pip install playwright>=1.40.0
playwright install chromium

---

🔄 工作流程

用户需求
  ↓
岗位识别（级别 / 行业 / 地域）
  ↓
数据收集（5 种方案可选）
  ├─ 方案 1: 全网搜索 + 手动收集（最稳定，推荐首选）
  ├─ 方案 2: Tampermonkey 用户脚本
  ├─ 方案 3: Chrome 扩展
  ├─ 方案 4: OCR 截图识别
  └─ 方案 5: Playwright 自动化
  ↓
数据处理
  ├─ 多源整合（multi_source_processor.py）
  ├─ 权重应用
  ├─ 薪酬区间转换（月薪 × 12）
  └─ 分位值计算（P10-P90）
  ↓
报告生成
  ├─ Markdown 报告（参照 report-template.md）
  ├─ Word 格式转换
  └─ Excel 数据输出

---

📊 24 字段数据模板

16 字段模板（快速版）

salary_data_template.csv 适用于快速调研，仅包含核心字段： id, position, company_name, company_type, salary_range, salary_monthly_low, salary_monthly_high, months, annual_salary_low, annual_salary_high, annual_salary_avg, location, experience, education, source, collect_date

年薪计算规则

• 月薪 × 薪月数 ÷ 10000 = 年薪（万元）
• 年薪下限 = 月薪下限 × 薪月数 ÷ 10000
• 年薪上限 = 月薪上限 × 薪月数 ÷ 10000
• 年薪平均 = (年薪下限 + 年薪上限) ÷ 2
• 如标注"X 万/年"则直接取该值

---

📈 多源数据整合权重

SOURCE_TYPES = {
    '招聘网站': {'weight': 1.0, 'quality': 0.9},      # 前程无忧、猎聘、智联招聘等
    '行业报告': {'weight': 1.2, 'quality': 0.95},      # Mercer、Willis Towers Watson
    '财报':     {'weight': 1.1, 'quality': 0.95},      # 上市公司年报
    '论坛':     {'weight': 0.8, 'quality': 0.7},       # 脉脉、知乎等
    '其他':     {'weight': 0.9, 'quality': 0.75}       # 其他来源
}

---

📝 参考文档

1. report-template.md - 17 章节专业报告模板（数据概况、分位值、行业对比、薪酬诊断、调整建议）
2. salary-methodology.md - 薪酬调研方法论（分位值定义、统计学原理、数据质量评估）
3. global-data-sources.md - 20+ 数据渠道指南（薪酬分享平台、社交媒体、技术社区、行业报告）
4. data-collection-guide.md - 数据收集操作指南

---

💡 使用示例

快速开始

# 1. 复制 24 字段模板
cp assets/salary_data_template_24.csv data.csv

# 2. 收集数据（手动或通过工具）
# ... 填写 data.csv ...

# 3. 数据清洗
python3 scripts/data_cleaner.py -i data.csv -o clean_data.csv

# 4. 生成报告
python3 scripts/multi_source_processor.py -i clean_data.csv -o report.json

# 5. 转 Excel
python3 scripts/csv_to_excel.py -i clean_data.csv -o salary_report.xlsx

完整流程（AI 辅助）

1. 用户提供岗位需求（岗位名称 + 地域 + 级别）
2. 使用 web-search-plus 搜索目标岗位薪酬信息
3. 提取关键数据填写到 24 字段 CSV 模板
4. 运行清洗和处理脚本
5. 基于报告模板生成 17 章节 Markdown 报告
6. 可选转换为 Word 文档

---

⚠️ 注意事项

1. 真实数据优先：明确禁止使用模拟数据，强制从真实渠道获取
2. 数据时效性：优先收集近 6 个月内的数据
3. 地域差异：不同城市薪酬差异大，需按地域分类分析
4. 行业对标：选择同行业或相近行业的数据进行比较
5. 样本量要求：每个岗位至少 10 个有效样本，推荐 20+
6. 异常值处理：极高薪酬（>200 万/年）需标注可能含股权激励
7. 薪月数注意：注意区分 12 薪、13 薪、14 薪等不同薪月数