京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代我们最需要什么样的人才
当今世界,正在从数据时代走向大数据时代。今年两会,“大数据”第一次出现在政府工作报告中,这表明,我们对大数据重要性的认识上升到国家层面。
与互联网的出现一样,大数据带来的不仅是信息技术领域的革命,它正在改变着人们的生活以及我们理解世界的方式,并成为更多新发明、新服务的重要源泉。
大数据时代到来,将给中国人才队伍带来哪些机会?提出什么样的挑战?谁将是未来最热门的人才?让我们一起来看看吧——
“人人皆可成才”将成现实
记者:大数据到底有什么用?
吴江:大数据最重要的功能,是能把未来一些不确定性的东西准确地预测出来。举个例子——2008年,谷歌的一支研发团队利用在网上收集到的海量个人搜索词汇数据,赶在政府流行病学家之前两星期预测了甲型H1N1流感的暴发。这样的事情在以前是不可想象的,掌握了大数据后,谷歌就做到了。
大数据浪潮,让人类在历史上第一次有机会用数据围绕一个东西形成完整的描述。凭借日益增强的数据分析能力,人类得以有效实现对未来的预测。大数据可以帮助人们提升对整个社会的管理水平,对于人才管理领域来说,更是迎来了一个得以迈上新台阶的大好时机。
记者:大数据对人才工作带来最直接的影响是什么?
吴江:小数据时代,数据掌握在精英手里;大数据时代,数据掌握在老百姓手里。大数据的公开透明,可以推动社会变革发展,更大意义在于,人人可以通过分析大数据,对自己的未来作出理性抉择。数据时代,“人人皆可成才”,将从理念走向现实。
“新一轮人才流失”要避免
记者:大数据对全球产业带来哪些影响?
吴江:与互联网的出现一样,大数据不仅是信息技术领域的一场革命,它将在全球范围内启动透明政府、加速企业创新、引领社会变革。
一家名为“埃森哲”的管理咨询公司去年调查了600家英美公司发现,33%的受访企业表示正在整个企业范围内积极使用大数据。68%的企业认为,企业自身的高管团队作为一个整体,能够参与和支持数据分析法的部署,并基于事实情况作出决策。有三分之二的公司在之前18个月任命了负责数据管理和分析工作的高管,其他企业中的71%准备任命此类高管。
美国通用电气公司就较早地意识到了大数据这个难得的机遇,并采取了行动。通用电气正启动在旧金山湾区投资15亿美元,建立一个全球软件和分析中心,拟雇用至少400名数据科学家,现在已经有180名各就其位。
“埃森哲”去年开展的一项调查,研究了美国、中国、印度、英国、日本、巴西和新加坡对数据分析人才的需求发现,到2015年,除中国之外都面临胜任数据分析科学家的净短缺。中国还似乎出现了少量的过剩。
记者:为什么只有中国没有出现短缺?
吴江:因为需求不足。有需求,才有紧迫感。我们的政府和企业都还没有关注到这个问题。我们的企业真的不需要大数据人才吗?当然不是,只是我们还没有意识到问题的严重性。大数据时代求发展,企业、政府首先要明确大数据高管的岗位设置,没有岗位我们怎么能留得住人才,抢人才更是谈不上。
另据“埃森哲”公布的数据,美国新增数据分析高管职位的数量将占全世界的44%,但美国只能提供23%,将会有3.2万人的人才缺口。不足的部分怎么办?美国必然会从全世界范围内网罗。正如表面上看中国目前这类人才还有富余,新一轮人才流失的危险恐怕难以避免。但中国如果再继续向美国输送这类人才的话,在大数据时代的国际竞争中将落伍。
我认为,从中央到地方必须重视大数据人才队伍的建设,从基础抓起,完善岗位设置,在培养、留住人才的同时,更要积极面向全球吸引相关人才。
“首席信息官”亟待设立
记者:大数据时代的中国,最需要什么样的人才?
吴江:现在有一种错觉,一提大数据时代,就认为我们最需要数据技术人才,比如计算机人才和数学工程人才。
我们确实很需要数据技术人才,但真正能够帮助政府和企业转变思维、应对大数据挑战的人才不是一个来自IT部门的技术专家,而是政府和企业的高层管理者。我认为,对目前的中国来说,对大数据管理人才需求的迫切性要超越对技术人才需求的迫切性。
政府和企业的领导者,也要有意识地转变思维方式,学习用数据思考、说话和管理。在这个飞速变化的社会中,过去的经验甚至可能成为现在的束缚。比如,我们常常听到管理者抱怨“90后”员工难管,就是因为过往的激励方式对他们不奏效。这一点还体现在走出国门的中国企业里。很多人发现与自己的上司、同事和下属沟通不畅,因为各自是在不同文化中成长起来的。管理者需要不断更新自己的数据库,学会用大数据的方法,随时去找到合适的解决方案。
记者:组建大数据管理人才队伍,该从何处切入?
吴江:首先要设立专门的数据管理岗位,进入决策层,推动各单位迎接大数据时代到来。我已连续几次提交《关于建立政府首席信息官制度的提案》,建议借鉴国际通行做法,在各级政府及其所属部门组建首席信息官办公室,负责人为首席信息官,直接向政府或部门行政首长负责。他们的职位必须是矩阵式结构,在中央有专门领导机构,推动形成国家级的数据库和数据平台,人员要定期交流,以便全方位掌握数据,消除信息孤岛。
政府首席信息官制度的立足点,在于为国家整体服务,切忌为某家单位粉饰太平。今年我再次提交了这方面内容的提案,这个问题必须引起高度关注。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06