数据科学家人才危机现象，是FOMO还是Silver？

数据科学家的人才短缺和薪水高涨已经达到了顶板，未来还会持续下去吗？

在过去几年中，高级分析（#大数据#分析）空间一直经历着严重的FOMO(害怕错过)。(译者住：FOMO(Fear of Missing Out)出自《人类行为计算》,意思为害怕错过朋友圈里发生的事情，在这里可以理解为，企业害怕错过大数据分析的浪潮。）

自从2012年《哈佛商业评论》发表了一篇声明数据科学家是本世纪最性感的工作，在2013年，麦肯锡全球研究院(MGI)发表了一份报告，到2018年美国的经验熟练数据科学家短缺190000，每个人都冲在前面去收集和储存数据科学家的信息。聪明的求职者开始用“数据科学家”作为自己的简历的技巧(并获得激动人心的工作提供)，不管他们的实际的资格或者经验如何。
但是对于所有这一切，组织还没有找出什么方法来解决这些拥有高素质的个人，而且还不知道在他们上面的投资如何才能使他们富有成效的和有效益的工作，从而取得更高的效益。
对人才的竞争可能是医疗数据和分析的经验。最近的一项研究提到，
37%的受访者表示缺乏合格的员工是作为分析的采用率的一个因素。另一项研究出了这人才市场的一些细微差别，如下：
数据科学家们中间只有6年的经验，但受过高等教育(92%至少有硕士学位，48%有一个博士学位)，绝大多数是男性(89%)，和一个不成比例的大量是在国外出生的(36%)。
西海岸上雇佣了超过三分之一(36%)和近一半为企业在技术和游戏行业工作(43%)。
数据科学家的研究表明中值补偿的范围可以从91000美元但拥有一至三年的经验，而薪水是250000美元需要领导10个或更多的经理领导团队。
这些数据有什么问题？
首先考虑这个：
有几个关键因素影响分析从而努力提高使用率，其中之一就是人才短缺。
数据科学家的人才并不很好找，至少在美国。
此外,看来年轻工人和应届大学毕业生宁愿在小型组织，提供更具挑战性的数据分析工作来解决问题.
这是我的评价：
1：很可能，才华横溢的稀缺的数据科学家正在被由财大气粗的风投投资的硅谷初创企业吸收。由于数据科学家的规模池不能迅速或者充分满足需求，我们可以假设这些数据科学家贡献分析平台的发展，将为企业提供可伸缩的选项和减少对大型团队的需要非常昂贵的数据的科学家。事实上，Facebook和LinkedIn的最高支付工作列表是数据科学家的软件工程师。
2：许多大型企业发展创造性的解决方案，例如“团队合作”，试图满足数据科学家的工作要求与两个或三个80000美元的个人，而不是一个250000美元的摇滚明星。
在我看来,一些新兴的趋势可能会解决这个问题在短期内人才短缺：
1、外包：越来越多的分析服务外包给印度公司，而这些公司主要通过大学毕业生成为数据科学家的机会来建立内部学院，教他们基本的统计数据，数据分析和技术。我们有大批的印度程序员介入来填补一个巨大的人才短缺，从而印度的科技行业也加强了。分析师和数据科学家有什么不同吗?
2、自动化：我们正在见证未来极端自动化和简化的时代，和永不停歇的摩尔定律(即大致的计算能力每18个月增加一倍,相应的价格下跌)。我们已经在这一转变在劳动密集型功能，如数据中心管理流程自动化机器人列为遣返对象工具正在迅速取代人类劳动。
3 、教育替代：对于任何稀缺商品，市场总是在寻找替代品的步骤。在这种情况下，统计学和应用数学博士学位在很快就会补充由非技术(如果不是取代)，市场将提供给自学和受教育的个体用劳动力低价的选择。我们看到这一次又一次地发生在软件编程世界里，所以这次将是不同的。
这些力量的影响将导致不可避免的回归，意味着过高的薪水将降至平均水平。
在我写这篇文章时，有许多在硅谷创业公司和在世界其他地方，试图简化整个分析过程提供了一个完整的解决方案，包括预先构建的机器学习算法，在端到端技术堆栈放在一个安全的和可伸缩的云环境。
大公司依靠这个。
微软和亚马逊的机器学习平台是一个基于云计算的预测分析引擎，如何选择和部署模型的详细教程。亚马逊的机器学习作为服务提供的可视化工具和向导指导您完成创建机器学习的过程模型，无需学习复杂的算法和技术。
棺材最后一击将是企业和商界领袖所锤成的，他们正在回心转意，停止疯狂招聘那些投资而没有回报率的人才。
历史告诉我们足够的教训。西班牙征服美洲及其后续占领南美从15到19世纪主要是Silver，。崩溃的Silver的价值在很大程度上导致了帝国的衰落。
（译者注1：Silver，释义为银，银币。在西方，15世纪到19世纪中，Silver都是主要的货币，包括那时候的中国，银都是主要流通的货币。有兴趣的朋友可以看一下《银线:19世纪的世界与中国》这本书。
在19世纪后期，由于银价不断下跌，从而导致复本位制崩溃，形成跛行本位制。当时是金银双本位制，国家规定了一个金银互换的比例，而民间市场显然也有这样一个比例，国家制定的比例明显缺乏弹性，也就是说不能快速按照金银间实际价值进行调整。

从而导致了大家都去抢金币，熔化后收藏，从而逐渐退出流通领域。而银币则在市场上泛滥成灾，导致其价值不断贬值。从而有了格雷欣法则，即劣币驱逐良币。）

（译者注2：为什么把数据科学家比喻成19世纪的Silver，最大的问题还是在于，数据科学家薪水过高，而其能产生的价值和薪水目前还不成正比，且冠名自己为数据科学家的人参差不齐，没有一个统一标准衡量他们的能力。在中国大数据市场也一样，很多做数据分析的，简历上自称为“数据科学家”，或者大数据人才，诸如此类，薪水立刻水涨船高，这已经成为大数据圈子的一个梗。）
数据科学家们今天的Silver，高级分析项目，预计将产生竞争优势的企业。问题是：它维持其价值多长时间?