當下無論哪個行業，幾乎每家公司的數據都比以往任何時候都多。幾乎所有的公司要么想利用這些數據使他們的業務更具競爭力，要么想找到一種方法將其轉化為新的收入。但無論如何哪種方式，這些數據豐富的公司都需要一點:更多優秀的數據科學家。

圍繞數據科學人才的戰爭可能會異常激烈，大部分首席信息官和領導者都在費心思招聘出色的數據科學家。

但是精通某一特定行業數據需求(比如營銷或旅游)的熟練專業人士的數量更少，因此人才爭奪戰更加激烈。

這就是為什么你會看到大量的人才涌入這個領域。根據貝恩咨詢公司(Bain & Company)最近的一份報告，全球擁有高級分析技能的IT專業人士將在2018年底至2020年底期間翻番，達到100萬人。

因此，有越來越多的人去接觸和學習數據科學和計算機科學是正常且必要的。

但是，有這樣的趨勢并不代表一切問題都迎刃而解了，一群新興的數據科學家不可能在一夜之間解決這個行業所有的問題。

僅僅引進更多的分析人才并不能完全解決我們的數據挑戰，原因有以下五個:

1. 許多學術界教授數據處理的課程，環境過于真空和封閉:大多數數據科學家發現自己身陷不完美或技術滯后的公司的混亂項目中。數據科學并不是像我們想象的那么精確的一門科學，而且，大多畢業生缺乏實際經驗，無法理解這一點。當然，我們可以推動教育系統更好地為學生進入就業市場做好準備，而就業市場需要對數據科學采取更加現實和實用的方法。

2. 招聘成本昂貴:敏銳的分析人非常搶手，所以當前的招聘價格是昂貴的，而且還在不斷上漲。對于不那么吸引人的行業來說，要想與世界領先的科技公司爭奪這些人才是非常困難的。

3.應屆畢業生缺乏真實的技能和經驗:為了對大多數大公司有用，數據科學家需要精通行業或公司的細微差別和獨特之處。這可能需要三到五年的時間，所以大多數公司都在尋找有經驗的員工。

4. 留住人才很難:一旦你的新員工獲得了他們需要的經驗，他們就有可能被挖墻腳。競爭如此強勁的市場，這些人可能會投入競爭對手的懷抱。

5. 企業數據面臨的數據挑戰今非昔比:如今，數據量很大，許多最新算法占用了大量資源。數據科學家經常需要快速使用計算能力。他們可能需要幾個小時的大量計算，國內服務器租用服務器托管，云計算是解決方案。但與過去不同的是，VPS，當他們需要管理所有計算機處理能力時，不能再簡單地依賴IT部門，更需要自己做出決斷。

從某種意義上說，在數據使用高峰期間，每個人都可能是一個IT部門。 不幸的是，大多數新員工都沒有接受過這種工作方式的培訓。理想情況下他們需要對統計、機器學習和云計算管理有深入的了解，但是這些技能通常是由不同部門教授的。

這并不容易，所以，公司應該做些什么來確保人才成功?

提供培訓:公司需要建立自己的組織，以正確的方式培訓新人才，這意味著從一開始人才的噢誒陽方向就是合適的。

戰略性招聘:公司不應該只是走出去盡可能多地招聘優秀的數據科學專業人士。相反，他們應該根據自己的需要向后工作。重要的是要弄清楚你在哪里需要支持，業務的哪些方面最能受益，然后相應地招聘人才。

注意你的數據科學機遇和局限性:沒有數據就沒有挖掘，在無處不在的大數據時代同樣適用。您正在收集tb級的數據并不意味著數據已經足夠完整和干凈、可以使用，甚至包含您正在尋找的信息。

　提供激勵:不是每家公司都能在高薪或股票期權方面與科技巨頭競爭。所以，有必要想辦法讓新員工融入公司文化。

不管激增的數據人才所面臨的挑戰如何，毫無疑問，更多熟練的專業人員進入關鍵領域是一件好事。重要的是我們要認識到，在炒作和招聘熱潮中，還有一些嚴峻的現實需要面對。

而且，成功的數據驅動型公司會有清晰的計劃，以組建更大的數據科學團隊幫助其業務實現更好的發展。

【凡本網注明來源非中國IDC圈的作品，均轉載自其它媒體，目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責。】