由于互联网时代的发展和移动端用户人群的崛起,网络招聘也因其流程简单、快捷高效等特征成为应聘者和企业沟通的主要渠道,从综合性招聘网站到个性化招聘网站,网络招聘行业也迎来前所未有的发展,大量新兴网络招聘平台如雨后春笋般涌现。有调研数据显示,近八成求职者偏好利用多个网络招聘平台来拓宽应聘渠道,而且求职者选择网络招聘平台主要考虑的前三位因素,分别是求职成功率、职位匹配度和企业信息真实性。但是,企业数量之多、招聘信息之纷繁复杂、以及岗位的薪资水平之相似让多数求职者感到困惑,因此从众多的岗位招聘信息中挖掘特定岗位的人才需求特征,并对岗位薪资进行分析和评估,可以帮助解答求职者的疑惑,从而有利于他们选择适合自己的岗位。近年来,随着大数据和云计算的飞速发展,大数据行业的人才缺口也在不断扩大。故本文主要分析数据类相关岗位的需求特征,并且根据薪资的影响变量进行岗位薪资预测。以数据产品、数据运营、数据分析、数据挖掘和数据开发为搜索词,爬取招聘网站上的招聘数据,包括岗位要求的学历和经验、公司相关信息以及岗位任职要求文本。首先对岗位要求的文本数据进行预处理,然后根据分词结果进行k-means聚类分析,再按照聚类的主题采用统计分析的方法比较不同岗位在教育背景、工作经验、专业技能和个人素质方面的需求特征,最后分析相关变量对于薪资的影响情况,采用机器学习算法对岗位的薪资下限和上限分别进行预测,并考虑通过Doc2vec方法将任职要求文本向量化后引入预测模型,期待达到更优的预测效果。研究结果显示,一方面,从数据类岗位的人才需求特征来看,学历方面,多数岗位要求本科及以上学历,运营岗位的需求相对而言略低;专业方面,数据类岗位偏爱计算机、数学和统计学相关专业的求职者,计算机相关专业在开发、挖掘和产品岗比较受到用人单位的喜爱;统计相关专业在分析和运营岗比较受到青睐。工作经验方面,数据类岗位都偏爱具备3-5年工作经验的求职者,但是运营和分析岗对工作经验1-3年的求职者也比较认可。专业技能方面,数据类岗位对算法和建模要求比较高,相对来说,产品和运营岗比较偏业务方向,挖掘和开发岗更偏技术方向。此外,企业招聘中对于数据类人才的选拔因素除了专业技能,还比较看重求职者在沟通表达、团队合作等方面表现出来的优秀个人素质。另一方面,在薪资预测结论中,通过Doc2vec方法引入岗位任职要求的文本向量会优化机器学习模型的预测能力,和支持向量机（SVR）、XGBoost以及RFR-CART融合模型相比,随机森林（RFR）的预测效果较优。