企业需要怎样的数据人才？如果没有任何限制的话，自然是希望这个人具有十八般武艺：懂数据架构、懂数据采集、懂数学算法、懂编程、懂软件、懂分析、懂预测、懂应用、懂设计、懂沟通、懂咨询、懂业务、懂管理、懂决策，另外最好还是数学或者IT相关专业毕业，拥有5年以上相关工作经验等等。问题来了。
这样的人有吗？如果有，恐怕是万里挑一。
这样的人即便找的到，请的起吗？这样的数据专家起码得百八十万一年吧。
这样的人即便请的起，他会选你吗？整个社会高端数据人才竞争已经激烈到了什么程度？如果你的企业本身不够有吸引力，不具备肥沃的数据土壤和良好的数据驱动文化，限制数据人才的发挥，哪怕再高的价钱也请不动、留不住这样的人才。
有没有想过，企业高薪聘请数据人才到底是为了什么？事实上，企业无论聘请什么人才都是为了价值。那什么是价值？对企业来说价值就是开源、节流、控制风险。在这里，首先能确定的是具有十八般武艺的数据专家一定贵，其次能预见的是这样的人才流失风险大，最后无法证明的是他们创造的价值一定胜过其他人。企业招聘数据人才还是要综合考虑性价比。
另外，到目前为止除了互联网企业、金融企业和数据服务公司以外，有多少传统企业单独设立了数据分析部门和专职的数据岗位？应该不是很多吧，起码在我的上百家的实业客户中很少见。但是，大部分企业都在各个部门增加了分析职能，比如财务部有财务分析、销售部有销售分析、市场部有市场分析，这些职位虽然不叫数据分析师，但是分析是主要工作。确实企业要走数字化转型之路，过程需要的是形成数据驱动文化，让人人成为数据分析师，而非招到能力突出的个人，把分析的活儿全扔给他，其他人隔岸观火。
我甚至认为，数据分析这个岗位是过度性的。伴随着企业数字化转型的推进，数据驱动文化渗透到企业日常运营、管理与决策的每一滴血液中，专职的数据分析岗也会随即消失。取而代之的人人都是数据分析师，分析是日常工作，数据技能就和今天的Office技能一样普遍，成为职场默认的必备技能。
有人说这个话讲的像是吃不到葡萄，说葡萄是酸的。不错，如果你的企业足够有吸引力，又有足够的财力，自然可以继续聘请理想中的数据高人，但是对于大多数普通的企业而言，接下去的出路是什么？
去招聘网站搜索，不难发现企业的需求集中在数据分析师和数据工程师这两个职位上。仔细翻看每个职位的要求，发现大部分提到了统计学、数学或计算机科学等相关专业背景，熟悉一种或多种数据库，会算法，会写SQL、Python或R，熟练Excel及PPT，使用过某些特定的ETL工具、报表工具、数据挖掘工具等等，这些要求貌似和百度定义的数据科学家比较接近。掂量一下自己，交通运输专业毕业，半路出家从事数据分析工作十几年，能符合所有硬性条件的职位貌似没几个。单单专业对口这一条就把我挡住了，还有很多技术要求如懂算法、会R语言、掌握特定工具之类的都是我不符合的。那如果我连企业普通的数据分析师职位要求都不符合，还以专家姿态每年为数十家企业提供数据相关咨询不是笑话吗？但事实上，这就是我的日常工作，不仅如此，每年还开展各类数据分析培训数十场，取得不错的反响。
想到这里，不禁倒吸一口气，自问：难道长期以来，我是冒充数据专家的“骗子“吗？不，我自认为不是骗子！虽然专业不对口，算法不精通，IT技术也并非强项，但是这并没有阻碍过去那么多年我带领团队成功交付一个又一个数据项目和培训，同时客户也十分认可我的专业能力和咨询建议。为此，我为公司、团队以及自己赢得了口碑，是这些让我慢慢的建立了自信，不知哪一天，当别人恭维我是数据“砖家“时，也不再觉得惭愧。有位要好的同事曾评价我是数据领域的“幺蛾子“，难为情的说：这个评价我十分受用。咳，说到底我脸皮是很厚的，只要是表扬，我照单全收，此处应该有拍砖。
自嘲完毕，分析一下为什么企业会认可或者说需要实战派的数据专家，而不是”本本族“的数据科学家呢？因为企业都是精明的，他们招聘内部员工也好，聘请外部顾问也罢，都是为解决问题和创造价值的，这需要的是实际干活的能力而非文凭，文凭不过是保险而已。企业需要的是能力和功绩而非文凭，越务实的企业越是如此。这也是为什么企业的管理团队和咨询公司的专家团队未必是文凭最硬、技术最好的，而是凭能力脱颖而出的那些人。
那既然企业需要的是实战派的数据专家，为什么又要用标准定义的数据科学家的这套要求去招人呢？因为无奈，不是通过这套标准，不知道如何描述和评估数据人才。别人招数据分析师都是这个要求，那我们公司也是这个要求吧？真正合用的数据人才到底是怎样的恐怕连负责招聘的人也说不清楚。事实是，符合硬性标准的数据人才在企业里很多只发挥“码农”的作用。
那企业需要的数据人才到底需要具备哪些特质和能力？我认为如果只有一个要求的话，那便是具有“数据思维”。
2017年12月数字化协会开展的数字化人才调查，根据来自50家企业的89份问卷中统计得到：企业目前最需要的数据能力培训是“数据分析思维和方法”，有70.8%的企业管理人员以及数字化相关从业者勾选了该选项，比排名第二的数字挖掘理论高出27个百分点。
数字化协会调查：企业最需要的数据能力培训
什么是“数据思维”？人们对事物形成结论，一般有两种途径。一种是根据数据进行量化思考，一种是根据长期的经验积累来判断。前者可以称为“数据思维”，后者可以称为“经验思维”。数据思维要求能理性地对数据进行处理和分析，讲求逻辑推理，还要有充分的想象力，能够将数据关联到管理流程和制度，并能创造性地提出不同的见解，是一个综合性思维。
### “数据思维”本来就包含着各类基本的数据素养，包括：
* 具有数据敏感度和商业敏感度
* 具有清晰的逻辑思维
* 能够将商业问题转化成数据问题
* 基于数据的管理与决策
个人特质上，一个潜在的数据人才往往是：
具有好奇心
对于数据分析有浓厚的兴趣
对统计、数学、软件、代码等不排斥
自学能力强
有前瞻力和创新精神
实干家
能力方面，作为必要条件的更多是软性的要求，比如：
具有一定的行业经验
具有一定的咨询能力
善于用数据沟通
就是这些吗？没有硬性的技术要求吗？嗯，已经足够了！之前我的团队招聘Tableau软件售前顾问时，发现使用软性标准招到的人才要比使用诸如“使用Tableau一年以上”这类硬性标准招到的人才好的多，后来我干脆把所有专业、工作年限、工具使用之类的硬性要求全部去掉，换成上述的软性要求，获得了多位非科班出身的优秀数据人才，当年我们售前团队的专业性在业内有口皆碑。
英雄所见略同，咳咳~在数据驱动领域有突出口碑Growing IO在招聘数据分析师时列出的基本也是上述软性要求，没有任何一条关于专业，工作年限，必须要会什么技术的要求。
有人说用这么多软性要求招人是不是比用硬性要求还要难？怎么说呢，原本一百人里只有一人符合硬性要求，现在另外九十九个人也进入了选择范围，当中有十人符合软性标准。百里挑一和十里挑一哪个容易还真的很难说。但有一点，企业的选择范围更大了。还有一点，符合软性标准但不符合硬性标准的人才很多还没有充分意识到自己的价值，通常不会标价很高，企业如果能够慧眼识珠，很有机会捡到宝哦。
这里要举我优达学城数据分析班一位同学的例子。全班200人，他是最优秀的一个。六个月的课程，他一个月就通过了四个项目，第一个毕业。在群里解答大家关于统计的问题，专业的好像大学教授，不但就问题本身解释清楚，还发散出很多教学大纲里没有的相关知识。后来我见到了这位同学，了解到他非但不是数学专业毕业，在学这门课程以前甚至于没有接触过数据分析。他学的传媒，毕业后广告公司做客户经理四年，因为认为从事数据工作有前途，才脱产学习，准备转行。这位同学的主动性以及对于数据技术的学习能力在我眼里惊为天人，之后的几个月又自学了很多数据技术如SQL、Python、R、数据库、可视化等等。再次联系的时候，他已经堪称数据大牛了。我问到他找工作的进展，他无奈的说别人看他专业和经验不对口，连面试的机会都很少，问我能不能帮忙介绍公司ETL实习的机会，我问他对于薪资的期待，他说：“倒贴都可以。“这句话深深刺激到我。一个如此有数据专家潜力的人才，因为专业的问题，经验的问题，沦落到连面试机会都得不到，自卑到认为只有倒贴才能进入这个行业，这是多么可悲的现象。不由得想到自己八年前，刚刚从第一家工作的航运公司跳槽到数据咨询公司的时候，尽管已经有四年多的系统实施和数据分析经验，依然胆怯的问面试官：“如果不是IT专业从事这项工作会不会有问题？需不需要从初级顾问开始做起？”这么问是因为我自惭形秽吗？不是。根本是由于社会用人标准本身存在偏见，让我不得不担心面试企业介意我的出身。这么多年过去了，整个社会选拔人才的方式，竟然还是这样！
最终，这位同学在我的多方推荐下，找到了一家互联网金融公司的数据分析职位，这个故事总算有了一个圆满的结局。可是，我想的是更多其他打算转行从事数据工作的同学们呢？这条道路是有多么的不容易。
我们来看一下整件事，一边是企业招不到合用的数据人才，一边是好的数据人才烂大街了都没人要。这样的矛盾难道不是中国企业数字化转型进程中最急需解决的吗？
我认为解决这个矛盾的最有效做法就是企业尝试用更多软性标准来招聘数据人才并加以培养。接下来，我们来分析一下这种做法的合理性：
硬件不够好而具备很多软性特质成为专家的现象很普遍，各个领域都有通过自学和实践成为杰出的人才的例子。比如，日本"经营之神"松下电器公司的创始人松下幸之助，从12岁起就在脚踏车店里当学徒。大学只读了一年的乔布斯成为举世瞩目的发明家和企业家。去年过世的中国知名企业家鲁冠球，只有初一文化水平，从铁匠学徒做到万向老总的经历也十分振奋人心。
上述现象在数字化领域尤为明显。大批草根通过互联网企业的实战摸爬滚打成为明星。为什么会这样？因为数据是新兴学科，中国到目前为止开设数据科学专业的大学还不足十所，人工智能专业至今还没有从计算机专业中脱壳而出。这个领域有太多的技术还没听说就已经被淘汰了，而新的技术可能今天还云深不知处，明天就成为街头巷尾的话题了（比如区块链）。这样瞬息万变的新兴领域，恐怕处在实战前沿的战士比科班出身的秀才当的起专家二字。
一个有潜力的数据人才很可能通过几个月的学习就赶超那些技术人士多年的修炼，在为企业创造价值上更是大大超过。当然，如果从事偏开发方向的技术工种还需要具备相应技术能力，比如算法工程师应当精通算法和工具；大数据架构师应该熟悉大数据技术等。而对于较为通用的数据分析、需求分析这样的岗位，完全可以更多使用软性标准。这里还有其他几个原因：
1）如果具备了软性特质，硬性技能培养起来相对简单的，但反过来不成立。
2）不是所有硬性条件都是必须的。比如谁说做数据分析一定要会代码？企业里几个业务人员会代码，他们都不能成为优秀的分析师了？目前的趋势就是大量软件工具已经将需要用代码解决的问题封装在产品里靠点击和配置就能轻松实现，要让数据产生价值拼的还是思路。
3）企业招聘数据人才，看的到底是过去、现在还是未来？如果招这个人，为的就是立马干活，那用他过去的经验就可以了。反之，如果企业需要的是一个持续让数据产生价值的人，就不能只看过去和现在，更重要的是未来。
最后，是否使用软性标准招人还有个条件：企业是否具有持续培养数据人才的土壤和方法。通过软性标准选拔的数据人才的潜力是需要通过培养来激发的，如果没有好的培养方法，企业就会非常被动，今天有人就能成事，明天人走了，数据这块就塌了。一般企业都不希望这样的状况发生，不幸的是，我的很多客户都面临这样的窘境。
其实，招一个人、外包一个人对于企业要开展数据驱动这场革命来说都是“治标”的办法，事实上这场革命远非一个人能主宰。每个企业在未来都会需要大批的数据人才，因此必须找到一个“治本”的方法源源不断的获得以及持续培养数据人才。
研究一套人才培养方法并非易事，在新型的数字化领域就更难了。我认为最切实可行的方法是与专业的培训机构合作，共同打造数据人才培养的核心竞争力。虽然目前国内也鲜有在数字化人才培养方面做的出色的培训机构，但是比起日理万机的企业，培训机构还是处于相对有利的位置，关键在于这些培训机构能否怀着对教育和数据事业的信仰，坚持研究好的培养方法。
接下去，我要做的便是和数字化协会一同发起这项关于数据人才培养的研究课题，为推广数据驱动文化，助力企业实现数字化转型而努力！
是的，借着这个机会向大家宣布，我将和一群志同道合小伙伴们开展关于数据人才培养的创业探索。对我们来说，无论成败，这是一件有意义的事。如果你也认同数据驱动对于企业以及个人发展的价值，那就给与我、知达教育以及数字化协会一些关注和支持吧。
网友评论