京公网安备 11010802034615号
经营许可证编号:京B2-20210330
近期,许多大企业信息技术部总管表示,聘用资优数据人才非常困难。而美国高等学府每年培养的数据人才也只有区区千人,每个毕业生就有四家公司提供聘书。
《华尔街日报》11月11日报导说,“大数据”(Big Data)时代来临,公司急需的数据家不仅需要拥有工程知识和商业能力,还需对数据有敏锐的感觉,这样他们才能胜任分析和处理“大数据”公司提供的各项数据和信息。
与此同时,高等学府也正在努力提供同时涉及多个领域的课程,希望能籍此培养出更多的数据专才。这些课程鼓励学生拓宽思路,启发他们利用科技和商业工具,从而成为合格的数据家。
不过,对于大学院校来说,要培养出同时在数学、计算机和商科等数个领域内具有很强能力的学生实属不易。美国第一批提供数据学课程的大学之一、北卡州立大学高等分析学院(Institute for Advanced Analytics at North Carolina State University)创始人拉帕(Michael Rappa)表示,传统大学的结构并不利于跨科目的教育方式。
麦肯锡全球机构(McKinsey Global Institute)顾问Michael Chui在上周戴尔公司举办的一项客户活动中发言表示,到2018年,将会出现14万至18万个数据家空缺。对于信息技术长官们,这样的情况自然不能接受。他们需要数据家来解开深藏在公司数据中的商业信息和价值。
在SunTrust Banks Inc银行任职信息主管的薛立言(Anil Cheriyan)表示,数据家的职位由两人担任。一位数据能力强的工作人员先以深度的商业知识和经验将数据进行归类、整合和管理。然后,另一位致力分析的工作人员采用数据模型和数据挖掘的方式来对客户分类,或研究有关产品、风险等方面的课题。薛立言认为,要找到一个人有能力同时涉足这两大领域非常困难。不过他相信,随着这个领域的发展和成熟,这样的全面型人才逐渐会出现。该行已经开始将数据处理和分析这两个领域的工作人员一起培训了。
美国密西西比大学医疗中心(The University of Mississippi Medical Center)信息主管周大卫(David Chou)表示,他们聘用了不少可以分析数据的研究员,但是他们不懂如何将这些分析用来实质改善对病人的照看料理。“他们不具备这方面的能力。”
北卡州立大学高等分析学院的创始人拉帕表示,要想具备这些能力,关键是采用跨部门的学习和培训。在他们的学院,学生必须花整整十个月,一周五天,朝九晚五,主修应用数学、统计、计算机、金融和市场学。其中许多课目是一个数据家应当暸解的内容。学院会提供给学生来自政府的真实、但隐去真名实姓的数据,让他们分析并解决经营方面的具体问题。自2007年建立以来,该校已有340名毕业生,还有85名将在2015年毕业。平均每个毕业生获得四家公司的聘书。
《华尔街日报》引述拉帕说,美国大约有70家高等学府教授类似的分析课程,其中包括西北大学(Northwestern University)、纽约大学(New York University)和哥伦比亚大学(Columbia University),每年大约产生1000名数据家,完全不能满足市场需求。
尽管企业和大学都在努力培养数据人才,但是也有专家认为数据分析还是需要依赖软件,没有必要花费大力气培养这么多的专业人士,企业不用如此“小题大做”。
拉帕先生不赞同这样的说法。他认为,计算机可以处理比较简单的工作,但是数据家们必须在使用和分析数据时保持创新的态度,才能应对经营方面不断出现的新挑战。
互联网、社交网站、电子商务等新一代技术的广泛应用催生了“大数据”。“大数据”(Big Data)指巨量数据的集合。大数据具有多样化和海量的特点,而且无法用常规软件工具分析。西方企业开始认识到,善用“大数据”将成为提高核心竞争力的关键。卡内基梅隆大学(Carnegie-Mellon University)海因兹学院(Heinz College)院长克里希南教授(Ramayya Krishnan)说,“大数据”具有催生社会变革的能量。但是释放这样能量,需要严谨的数据家、富有洞见的数据分析和激发管理创新的环境。(文章来源:CDA数据分析师培训官网)
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据技术飞速迭代、数字营销竞争日趋激烈的今天,“精准触达、高效转化、成本可控”已成为企业营销的核心诉求。传统广告投放 ...
2026-04-24在游戏行业竞争白热化的当下,用户流失已成为制约游戏生命周期、影响营收增长的核心痛点。据行业报告显示,2024年移动游戏平均次 ...
2026-04-24 很多业务负责人开会常说“我们要数据驱动”,最后却变成“看哪张报表数据多就用哪个”,往往因为缺乏一套结构性的方法去搭建 ...
2026-04-24在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16