《企业网D1Net》11月19日讯

现在，我们都知道，“21世纪最性感的工作”是数据科学家。大量的文章和博客描述数据科学家和他们的素材——大数据，揭示了几个“性感”的主题。第一，数据是无处不在的、巨大的并且以不断增长的速度向我们袭来。第二，传統那种的用于与20世紀的数据提取和分析的工具不能与大数据相协调。第三，很少有人能够把这些如海啸般的数据翻译成有用的信息，使得他们成为人才市场的抢手货。

麦肯锡估计，到2018年，將有近20万人的高级分析人才的缺口。毫无疑问，数据科学家的将会非常受欢迎。

因此，这方面的需求再加上全国范围内的高失业率，那么大学生从事数据工作的门槛是比较低的，这样想对么？遗憾的是，答案是错的。并非是学生没有兴趣读那些有关数据的科学。大家都想成为人才市场的抢手货。问题的关键在于没有大学教授数据科学这门课。

我们了解到大学在关键的地方没有很好的满足市场的需求的原因——一个是很少大学有经验或能力去教授大数据分析这门课，另一个是大教室里缺乏实际的大数据。

作为一个学者以及前实践统计学家和咨询师，我认为，大学必须去突破这个难题并且和私营和公共部门合作从而解决人才缺口的问题。具体而言，我给出三个有关数据科学领域的考虑：

1、数据不应该是一個本科學位。它的学科范围太宽、太细致，对于一个18岁的学生来说要求太高。对于数据科学有兴趣并且最终学习数据科学的本科生，他们需要学习数学、计算机科学，还要选修金融、生物、社会学。在他们的本科课程中，学生必须提高他们的理解能力从而获得更宽阔、更深层次的专业能力，以提高他们在一领域的竞争力。

2、任何数据科学的研究生学位必须整合数学、统计学和计算机科学。对于许多大学来说，这是个严峻的挑战，因为这些学科被分配在不同的科系甚至不用的学院。数据科学本身是跨学科的。任何硕士或博士学位，必然包括：

1）有计算数学方面的基础，比如矩阵代数、组合数学和图论。这是非常重要的，因为其他能力必须与数学方面的能力一起发展。

2）编程，也就是说具有强大分析能力的面向对象编程，如ＳＡＳ和Ｒ以及强大的面向对象编程语言，如C + +、Java、Hadoop或Python。一些具有高性能分析的课程是非常有意思的。

3）统计分析、模型发展和数据可视化。这些技能是不会过时的，而是不断发展的。

4）有内容领域工作方面的知识。毕竟，数据科学在实际运用而不是理论方面有很大的作用。

5）一个实习或工作经验的部分。这个的重要性再怎么强调也不为过。如果你尝试教一个人从书本上学习游泳的课程，那么当他被丢到游泳池的时候会被淹死。研究数据科学的研究生需要有复杂的、非结构化数据的实际工作经验。假如我们想在教室里创造实际经验，最终将不会学习到真正的知识。

    3、研究。这是个新兴的但是大有作为的研究领域。新的问题每天层出不穷。数据科学，和医学非常类似，不同于传统的理论，而是科学本身应用的研究。会议给研究生提供了巨大机会，诸如给白皮书提出新的代码、针对新的问题给出创造性的解决方式甚至对于新出现的问题给出新的命名和结构。这些都是数据科学这块富矿的部分研究。

一些公司，如如EMC / Greenplum和IBM绕过大学而与一些数据科学家直接在一起做研发工作。由于缺乏研究人才，这是一个合理的短期反应。但是如果人才缺口的问题想要解决，从长远来看，高校应该重新考虑如何完善这门课程的教学。