1.8　数据分析人才培养的难题

数据分析行业可附加至其他行业中，为各行各业提供技术支持，所以这方面的人才需求缺口很大，只要具有一定的数据分析能力，薪资待遇普遍较高，但是岗位要求不低，需要的是复合型人才，具有发现问题、分析问题、解决问题的能力，能够结合商业、数据、问题等形成解决方案。

具体来看，数据分析人员需要掌握数据挖掘、统计学、数学等基本的数理原理和常识，需要掌握并熟练运用某一数据挖掘软件，如SPSS、SAS、R等，除此之外，还需要熟悉各类模型算法的特点，以及在各种场景中如何进行选择和应用，相应的人才标准较高，培养难度较大，需要经过实战案例训练逐步提高数据挖掘水平。

1.8.1　数理要求高

鉴于数学相关专业的学习曲线较为陡峭，大多数人对于数学相关的理论望而生畏，越发难以深入学习，目前对从事数据分析行业的人才这方面的要求较高，在数据分析过程中需要应用高等数学、线性代数、概率论、离散数学、统计学等，对数理理论缺乏原理上的研究，在模型建模过程中很难做到创新，只能照猫画虎进行模仿。

1.8.2　跨学科综合能力

如果是开发人员，可以通过编程实现，可以使用Python等语言应用相关模型，或者使用Weka框架来实现，这就需要有一定的软件工程师的背景，或者具有较快的跨学科学习和应用能力，可以快速使用现有框架进行模型建模和应用。

在目前的软件从业人员中，大部分开发人员对数理知识并不精通，特别是统计学等理论，而数学、统计学等专业人员往往更精通理论，而缺少编程经验，对于快速实现模型的应用又具有局限，特别是在数据提取、预处理、分析结论可视化等方面，需要与软件开发进行配合。

数据分析过程中需要掌握的技术除了SPSS等建模软件和分类、聚类、回归等算法外，还需要对Hadoop、Spark、Storm、MapReduce等平台具有应用经验，对编程语言的要求是至少熟练运用C++、Java、Python、R等语言中的一种，同时还要求熟悉数据库、存储等知识，具有一定的数据优化能力。综合能力要求较高，而上述技术或框架近几年刚开始流行且更新很快，每个分支达到熟练应用均需花费较长时间进行学习与实践，对从业者能力和能否持续学习都需要考验。

1.8.3　国内技术资料少

由于数据分析属于IT行业新兴行业分支，国内的技术资料较少，如果要与时俱进，须直接阅读国外资料，这就要求具有一定的英文水平，能够流畅阅读国外技术资料和书籍，同时要具有较强的信息检索和查找能力，遇到问题时，可快速定位问题的原因，并获取其他人的解决方案。

1.8.4　实践机会少

目前数据分析行业的实践机会较少，一方面是企业对数据分析的投入相较信息化建设较少，数据分析项目虽然越来越多，但总体数量上仍然具有更大的潜力；另一方面，软件开发和数学专业的从业人员更愿意停留于当前专业领域中，对于主动从事跨专业研究的动力不足，随着数据分析人员的需求增多，待遇随之水涨船高，必将吸引更多的人才进入数据分析行业。

数据分析行业虽然前景好、待遇高、人才需求大，与其他行业一样，并非所有人都适合从事此行业，入行前首先要对岗位和自身进行评估，好好思考这些问题：What，Why，How，即：数据分析行业是干什么的？有哪些知识要求？我为什么要加入这一行业？是因为兴趣吗？我自身有哪些优势条件？要想达到较高的水平，要如何干？可从以下几个方面进行评估。

职业爱好：数据分析行业仍然属于IT行业，这一行业普遍要求务实、严谨、少说多做的风格，属于在后台默默工作付出的那一层级，需要思考能否与枯燥的代码为伴，并乐在其中。

思维能力：数据分析人员要求具有较强的逻辑思维和推理能力，需要从数字中探寻出业务的核心规律，最好能有见微知著和创新的能力，如果经过培训之后仍然对数据无感觉或不敏感，可能说明不适合与数据打交道。

学习能力：技术发展很快，需要不断学习新的技术、新的处理过程等，这是与其他行业差别较多的地方。在IT行业中，某一项技术从流行到消失一般只有几年的时间，所以要求从业人员不断学习，不断提高。当然，IT行业的原理性知识，如数理知识、数据结构、操作系统等技术理论变化很少，主要的变化还是理论的具体应用，但万变不离其宗。

沟通能力：数据分析行业需要跨部门沟通，与业务部门、研发部门进行合作，特别是项目经理等领导岗位，既要有合作意识，又要有推动能力，在协调过程中争取更多的支持，减少摩擦，使最终分析结果能够给各企业带来正向收益。

业务知识：理解业务知识可以快速选择合适的模型和算法，少走很多弯路，不需要对模型结果反复评估，就可以确认此模型是否符合业务需要。理解数据与业务流程、组织架构对企业的影响，对业务具有敏感度可以更好地推动数据分析为产品服务，不至于闭门造车，最终帮业务部门提供快速决策支持。