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
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26