京公网安备 11010802034615号
经营许可证编号:京B2-20210330
近期,许多大企业信息技术部总管表示,聘用资优数据人才非常困难。而美国高等学府每年培养的数据人才也只有区区千人,每个毕业生就有四家公司提供聘书。
《华尔街日报》11月11日报导说,“大数据”(Big Data)时代来临,公司急需的数据家不仅需要拥有工程知识和商业能力,还需对数据有敏锐的感觉,这样他们才能胜任分析和处理“大数据”公司提供的各项数据和信息。
与此同时,高等学府也正在努力提供同时涉及多个领域的课程,希望能籍此培养出更多的数据专才。这些课程鼓励学生拓宽思路,启发他们利用科技和商业工具,从而成为合格的数据家。
不过,对于大学院校来说,要培养出同时在数学、计算机和商科等数个领域内具有很强能力的学生实属不易。美国第一批提供数据学课程的大学之一、北卡州立大学高等分析学院(Institute for Advanced Analytics at North Carolina State University)创始人拉帕(Michael Rappa)表示,传统大学的结构并不利于跨科目的教育方式。
麦肯锡全球机构(McKinsey Global Institute)顾问Michael Chui在上周戴尔公司举办的一项客户活动中发言表示,到2018年,将会出现14万至18万个数据家空缺。对于信息技术长官们,这样的情况自然不能接受。他们需要数据家来解开深藏在公司数据中的商业信息和价值。
在SunTrust Banks Inc银行任职信息主管的薛立言(Anil Cheriyan)表示,数据家的职位由两人担任。一位数据能力强的工作人员先以深度的商业知识和经验将数据进行归类、整合和管理。然后,另一位致力分析的工作人员采用数据模型和数据挖掘的方式来对客户分类,或研究有关产品、风险等方面的课题。薛立言认为,要找到一个人有能力同时涉足这两大领域非常困难。不过他相信,随着这个领域的发展和成熟,这样的全面型人才逐渐会出现。该行已经开始将数据处理和分析这两个领域的工作人员一起培训了。
美国密西西比大学医疗中心(The University of Mississippi Medical Center)信息主管周大卫(David Chou)表示,他们聘用了不少可以分析数据的研究员,但是他们不懂如何将这些分析用来实质改善对病人的照看料理。“他们不具备这方面的能力。”
北卡州立大学高等分析学院的创始人拉帕表示,要想具备这些能力,关键是采用跨部门的学习和培训。在他们的学院,学生必须花整整十个月,一周五天,朝九晚五,主修应用数学、统计、计算机、金融和市场学。其中许多课目是一个数据家应当暸解的内容。学院会提供给学生来自政府的真实、但隐去真名实姓的数据,让他们分析并解决经营方面的具体问题。自2007年建立以来,该校已有340名毕业生,还有85名将在2015年毕业。平均每个毕业生获得四家公司的聘书。
《华尔街日报》引述拉帕说,美国大约有70家高等学府教授类似的分析课程,其中包括西北大学(Northwestern University)、纽约大学(New York University)和哥伦比亚大学(Columbia University),每年大约产生1000名数据家,完全不能满足市场需求。
尽管企业和大学都在努力培养数据人才,但是也有专家认为数据分析还是需要依赖软件,没有必要花费大力气培养这么多的专业人士,企业不用如此“小题大做”。
拉帕先生不赞同这样的说法。他认为,计算机可以处理比较简单的工作,但是数据家们必须在使用和分析数据时保持创新的态度,才能应对经营方面不断出现的新挑战。
互联网、社交网站、电子商务等新一代技术的广泛应用催生了“大数据”。“大数据”(Big Data)指巨量数据的集合。大数据具有多样化和海量的特点,而且无法用常规软件工具分析。西方企业开始认识到,善用“大数据”将成为提高核心竞争力的关键。卡内基梅隆大学(Carnegie-Mellon University)海因兹学院(Heinz College)院长克里希南教授(Ramayya Krishnan)说,“大数据”具有催生社会变革的能量。但是释放这样能量,需要严谨的数据家、富有洞见的数据分析和激发管理创新的环境。(文章来源:CDA数据分析师培训官网)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16