数据科学人才结构性短缺与填补方式

为什么数据科学家如此昂贵？这篇文章通过一些统计数据告诉你，当你听到“数据科学家”这个头衔时，你会怎么想？也许不是一个衣衫褴褛、表情严肃的白领，对吧？也许这就是为什么《哈佛商业评论》(HarvardBusinessReview)称“数据科学家”为“21世纪最性感的工作”。他们写道：“如果‘性感’意味着稀有品质非常受欢迎，那么数据科学家就已经在那里了。他们很难招到，也很贵，而且由于他们的服务市场竞争激烈，很难留住他们。数据科学家是受过训练的专业技术人员，他们对数据世界的发现充满了好奇心。尽管“数据科学家”这个词最近在Linkedin上很流行，但这个领域本身并不新鲜。在《哈佛商业评论》发表这篇文章时，成千上万的数据科学家在初创企业和公司工作。此外，计算机和人类一样智能的目标已经追求了近四分之一个世纪。最近数据科学家如此受欢迎的原因有很多。首先，当数据收集成为一种时尚依赖时，公司多年来一直在收集越来越多的数据。大型技术公司的成功在很大程度上得益于他们收集的数据。其次，技术的进步使这些数据收集成为资产。现在有大量的现成数据等待分析：现在大多数行业的大公司都可以获得大量的数据，但许多公司并没有以有效和有效的方式使用这些数据。然而，企业现在开始意识到，他们需要使用大量可以通过企业数据库访问的数据。多少数据？从2013年的4.4万亿gb增加到2020年的44万亿gb。数据的数量和类型为有能力使用它的人和收集它的企业创造了机会。然而，该行业正面临着技能和专业知识的短缺，这些技能和专业知识是处理日益增长的需求，寻求使用其丰富的数据。即使是在大学学习计算机科学和技术的人也被迫在工作场所从事高要求的数据分析。根据加州大学河滨分校的统计数据，三分之一的美国新闻和世界报道，世界100所顶尖大学提供数据科学学位。在这29所大学中，只有6门提供本科水平的数据科学课程，其余的是研究生学位。这些数据科学项目的平均班级只有23名学生。加州大学(UniversityofCalifornia)预计在为数不多的提供数据科学课程的大学中，小班教学不太可能“对缩小全球数据科学人才差距产生有意义的影响”。在简单的经济术语中，需求超过了供给，在这种情况下，远远超过了供给。2017年，IBM预测，到2020年，对新数据科学家、数据开发人员和数据工程师的需求将达到近70万个职位空缺。因此，一所大学只有23个学生班，大约700名毕业生提供数据科学课程，这将无法满足数据科学人才快速增长的需求。2018年，初级数据科学家的平均工资为11.5万美元，管理10至15人团队的人员可要求高达35万美元。与此同时，数据科学家的平均工作年限从2014年9年降至2015年6年。到2019年，全球对数据科学家的需求预计将超过供应的50%。40%以上的公司认为他们招聘数据科学家的能力阻碍了他们的竞争力，难怪60%以上的公司在内部培训他们的员工。Andrewng有两种方法可以填补这一空白：有两种主要方法可以帮助缓解这一技能短缺。首先，Andrewng支持人工智能超级明星的一种方法是使用非传统的方法来培养更多的数据科学家，如大规模的在线开放课程(MOOCs)。虽然这是当前开发人员和其他以数据为中心的员工“提高技能”的好方法，但它并不是解决更大问题的好方法。我说“还没有”，因为这从根本上要求改变行为。雇主对这种教育没有给予足够的重视，许多雇主在招聘时仍然只看名牌大学。虽然这种心态正在慢慢改变，但它来得不够快，不足以在中短期内解决问题。第二种方法是让更多没有数据科学技能的人轻松地将这些复杂的技术应用到公司数据中。本质上，让人工智能和机器学习来解决自己的问题。数据科学家可以通过使用过去几年开发的技术(包括这里的MindsDB)来模拟，这样即使是非技术人员也可以通过几行代码或几次单击来进行数据分析。这两种解决方案并不是相互排斥的。它们将帮助企业以更有意义的方式使用数据，从而促进成本节约和/或增长和收入。为了有效地实现这一目标，企业需要进行文化变革，制定更好的招聘政策，更好地使用工具和软件。这些工具和软件可以在不扩大员工数量或聘请昂贵数据科学家的情况下解决企业面临的许多数据问题。