商业分析 我们需要数据科学家吗

主持人发表了最后的裁决。

罗宾·哈里斯:大数据是一个新领域，我们仍在研究需求、欲望和工具。将数据分析商品化还为时过早。除此之外，那种能够对大量数据进行深度分析的思维并不常见。就像Adobe并没有让每个人都成为一个熟练的设计师，简单易用的数据分析工具(如果我们有的话)也不会让每个人甚至大多数人都能访问分析。好奇心、领域专长、技术理解、统计技能和洞察力的结合永远不会成为商品。“数据科学家”这个术语可能有点自命不凡，但所需的技能集是真实的、不常见的。

即使在数亿台掌上电脑的时代，我们仍然有——也需要——计算机科学家。大数据也是如此。

AndrewBrust:“数据科学家”是一个专为排他性的、冷漠的、保护一个利润丰厚的行会而设计的标题。

大数据和分析是强大的，围绕它们的技术是令人兴奋的。但如果它们只能由高薪专家驾驭，那么它们还没有完全进化。我们需要数据和分析技术，但我们不应该需要昂贵、稀缺的萨满从业者来使用它们。我们不需要数据科学家，我们需要的是能够让知识工作者独立完成大数据分析的工具。

你准备好了吗?

做我的家庭作业。

我赞成

让我们走了。

我赞成不

大数据需要新的技能，很明显，现在没有足够多的人拥有这些技能。为什么我们需要或不需要数据科学家来理解这种信息浪潮?

与任何新领域一样，大数据也在迅速发生变化。这些工具正在经历快速的发展，例如各种无sql数据库、可视化工具，以及了解我们可以对数据做什么。目前的努力主要与广告有关，但正如谷歌通过流感追踪所证明的那样，我们可以通过观察我们的集体在线行为来了解实时发生的事情。考虑这个问题最简单的方法是考虑从批处理计算到实时交互计算的转换。我们旧的大数据形式——数据仓库——是一个静态的面向批处理的数据存储。大数据流的新世界是实时的、交互式的:我们可以在数据进来时查看它，并提出各种各样的问题。

我赞成

当然，我们需要更多有能力收集、查询和分析大数据的员工。但是，我们需要“科学家”来做这件事，而且我们可以以某种方式大量生产它们的观念，往好了说似乎是错误的。我们需要做的是让那些有动力去分析大数据并从中获益最多的人——那些接近业务、寻找优化销售、营销或运营方式的人——能够接触到大数据技术。

我赞成不

人们能重新装备自己成为数据科学家吗?

有些人可以。但这并不适用于所有人。由于这些工具还处于相对的婴儿期，不仅需要技术熟练，而且还要求科学家对统计技术和正在调查的领域的知识有良好的掌握。

我赞成

人们当然可以获得进行大数据分析所必需的素养。业务人员能够处理数据，而目前不关注分析的开发人员能够收集数据并在他们的代码中执行分析。当然，某些人可以被训练成非常高技能的专家，但那将是一个例外，而不是规则，这是可以的。我们不需要人们一起重组成科学家，我们需要他们获得能力。

我赞成不

“数据科学家”这个术语是否被过度炒作了?

当然是。“科学家”一词的含义是“冷静的实验和分析”，但它是否适用于分析学科尚不清楚。数据分析师更合适，但是因为它是流数据，技术和可能性比我们过去拥有的更大，所以使用一个新名称是有意义的。也许数据科学家不是最好的术语，但它必须这样做。

我赞成

是的,它是。但公平地说，“大数据”和“分析”也是术语，它们仍然是相当有效的专业化领域。“数据科学家”一词的问题不只是炒作;这个词有一种态度和敌对的语气。这种语气不鼓励人们获得分析能力，因为它传递了一个隐含的信息，即工作必须外包给训练有素的个人。除了天花乱坠的宣传，“数据科学家”一词也因为自负和势利而毫无用处。

我赞成不

是否存在这样一种风险，即每个人都将以找到更好的工作的名义成为“数据科学家”?

通货膨胀一直伴随着我们。任何时候，只要有一个新领域报酬丰厚，就会有淘金热心态。但数据科学所需的技能已经足够神秘，大多数人都无法伪造。如果你没有至少一个技术或分析领域的硕士学位，那么你可能不会被录用。

我赞成

当然，在技术领域的其他崇高头衔(例如“架构师”)也会以同样的方式出现。头衔膨胀发生在任何领域，但在技术领域，术语和头衔在任何情况下都被视为隐喻，而不是文字描述。技术人员倾向于给头衔赋予诗意，而那些不这么做的人会发现自己比那些这么做的人处于劣势。

我赞成不

用户界面在数据科学家争论中处于什么位置?换句话说，有没有一种用户界面能让书呆子们变得无关紧要，因为即使我也能预测未来的趋势?

毫无疑问，流数据分析工具将在未来10年内得到很大的改进。但任何分析的价值并不在于它告诉每个人同样的事情。最有价值的分析告诉我们的比其他人已经知道的更多。这就是顶级数据科学家们会增加的价值。

我赞成

我不认为它与用户界面本身有关，但是，是的，它与工具有关。总的来说，与主流的关系数据库和BI产品相比，分析工具(尤其是大数据)非常不成熟。既然如此，难怪只有“科学家”才能完成真正的工作……这些工具是为实验室使用而制造的，而不是为商业用途。正如自助BI如今很流行(而且相当强大)，自助大数据和预测分析也应该成为一种市场现象。一旦它成为现实，拥有我们今天在数据科学中分类的技能的人仍将发挥作用，但它不会像现在这样重要。

我赞成不

美国的教育体系是否有足够的分量来培养数据科学家?

这个问题假设我们知道我们需要什么来培训数据科学家。美国教育体系的强大之处不在于平均教育水平高——它确实不高——而在于最高水平的教育能产生异常灵活和富有创造力的头脑。当然，我们美国人的自由和生活质量也吸引了世界上许多最优秀、最聪明的人。

我赞成

美国教育系统需要在向毕业生灌输数学和科学技能方面做得更好，尤其是在女性中——性别失衡是可怕的。我们需要提高整体的数学、科学和技术素养，不管培养数据科学家是否重要。是的，美国的教育体系可以做到这一点。

我赞成不

数据科学家的才能将在世界何处?

最优秀的分析师将会为他们的分析和解释带来更深层次的文化理解。解读美国消费者的行为不会很快外包给中国或印度。但是，基于传感器的数据，例如，公共事业可能不需要文化成分。在这种情况下，外包工作可能是可行的。

我赞成

重视并传授数学和科学知识的国家，结合商业，将培养出最好的数据专业人才。印度在这方面似乎处于非常有利的地位。美国有许多著名的学院和大学，它也将培养自己的数据专业人员，尽管他们可能来自并返回其他国家。

我赞成不

我们真的需要更多的数据科学家或更多的数据素养和双语的商业和技术人员吗?

让我们明确一点:我们正在创造未来。没有蓝图告诉我们大数据和数据科学将如何改变我们管理和改善世界的方式。大数据的实际应用知识将不可避免地扩散到管理和专业领域。但最厉害的将是那些今天正在研究大数据世界的先驱者。

我赞成

我相信后一种情况将最成功地解决我们面临的劳工问题，这并不令人意外。数据科学是指同时掌握数据技术和业务领域的专业知识。如果技术变得简单，并且业务人员变得更加熟练，那么业务用户就可以成为真正的分析专家。

我赞成不

如果你要建立一个完美的商业分析专家，他们会拥有什么技能?

我理想的候选人应该对收集和存储数据所需的底层信息技术有扎实的理解;较强的统计和贝叶斯分析能力;优秀的沟通技巧;以及开发或至少指定改进工具的能力。

我赞成

嗯，如果让我选择的话，我会选择销售、市场营销或规划方面的专业人士，他们也是高技术用户，精通统计学，精通Excel，还会做一些简单的编程。但这是一种理想……为了让分析技术起飞，我们不应该为了成为高效的大数据分析师而需要满足这种理想

我赞成不

数据科学家的角色最终能通过算法实现自动化吗?

直到这个领域被更好地理解。即便如此，专家判断、直觉和洞察力的作用也很难归结为一种算法。

我赞成

不。在数据科学家的定义中，隐含着一种商业直觉和直觉，这是单纯的算法无法取代的。如果你接受这个术语是合法的，那么你就接受了人类智能和技术专长的结合是使一个人成为真正的数据科学家的原因。虽然我不是“数据科学家”这个术语的超级粉丝，但我确实觉得业务用户的体验以及她与数据语义的非算法亲密关系非常重要。

我赞成不

如果数据科学家接管了业务，基于直觉的决策会发生什么变化?

这不是天网。大数据科学是一个基于对海量数据的聚合和实时分析的工具和可能性的新领域。这些见解将会更加深刻，但将它们应用到赚钱和改善集体成果的现实世界问题上，将需要的不仅仅是分析。这需要判断力、洞察力和深入的领域专业知识。

我赞成

我收集的数据科学家的定义再次表明，这种直觉与技术专长相结合是核心需求。因此，根据定义，直觉，被数据验证(而不是取代)，仍然是最重要的。

我赞成不

是否应该证明数据科学家的角色是不必要的，哪些分析角色是最重要的?

我们至少还需要20年才能回答这个问题。为什么?因为今天我们仅仅触及了大数据和数据科学所能告诉我们的东西的皮毛。只要看看基因测序——作为我们所见过的大数据的一个纯粹例子——如何改变了我们对生物学的理解。我们不知道自己不知道什么。接下来的十年将是一次伟大的发现之旅。

我赞成

在数据探索和可视化工具、编程/开发人员技能、对统计的理解和高级数据库设计技能方面的专业知识仍然很重要，不管数据科学家的角色是否仍然流行。同样重要的是深入了解业务，以及度量其活动和结果的数据源。

我赞成不

五年后，数据科学家的职业生涯将是繁荣还是萧条?

我们目前正在与数据科学家一起运行炒作周期，是的，在这个时期和这个领域将会出现通货紧缩，因为早期过高的预期没有得到满足。但随着时间的推移，那些有决心和资源的人将发现数据科学的真正优势，并将推动我们所有人前进。我记得在70年代末80年代初，人们还在苦苦思索如何使用家用电脑。商店的食谱吗?制作小柱状图?很少有人能想象家用电脑将如何成长为个人生产和消费信息、知识和想象力的工具。大数据和大数据科学也是如此。

我赞成

这一术语将会消失，并很可能在5年后听起来就会消失。这些技能将变得更加普遍和商品化。当这种情况发生时，真正的繁荣将开始，因为这种技术将被广泛采用，从而变得更有用。但对于一小群执着于数据科学家身份和薪酬标准的人来说，这似乎是个失败。

我赞成不

特别感谢罗宾、马特和所有加入我们的人。接下来是周三的结案陈词。我对获胜者的选择将于周四公布。

罗宾·哈里斯

人们都赞成改变，除了改变的那部分。这里的变化是，大数据需要新的技能和新的想法来充分利用它。

不管我们是接受还是害怕，这可能更多地与我们的个性有关，而不是大数据和数据科学的事实。我们给这些人起的名字远不如他们技能的社会价值重要。

也许，有一天，沃森Mk.XXXXII将能够获取大量的数据集并对其进行分析。但在那之前，大数据的前沿需要具备广泛技能的人来挖掘大数据的经济价值。

安德鲁Brust

大数据技术是强大的，而且它正在变得越来越好。但是，目前的技术确实需要专业人士来从中获取最大的商业价值。这些专家必须是文艺复兴时期的人——拥有技术、数学、商业技能和知识的结合。目前还不清楚的是，如此聪明和多才多艺是否会让这些专家成为“科学家”，但这确实让他们变得稀有。

尽管如此，大数据和分析实现要成长并成为真正的主流，对它们有如此多样化的技能要求不是一个可持续的情况。市场需求将推动技术的发展，这样进入的壁垒就不会像现在这么高。如果由于某种原因，这种情况没有发生，那么大数据的熟练使用将继续是一个只对相对较小的客户群体开放的选择。所以我们的问题的解决方案不是大量的新数据科学家。相反，我们需要自助工具，让聪明而固执的业务人员能够自己执行大数据分析。专家仍将发挥重要作用，但他们不会成为跨行业衡量大数据的工具。

劳伦斯Dignan

这个争论在很多方面都可以归结为时间表。今天，我们需要更多的数据科学家，但从长远来看，大数据必须为广大劳动者服务。

专家们也只能到此为止，AndrewBrust说。罗宾·哈里斯认为我们需要更多的数据科学家。最后，布罗斯特有了更好的论据。数据科学家很重要，但你可能不需要一大群数据科学家来推动分析革命。

标签：

免责声明：本文为转载，非本网原创内容，不代表本网观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。