关于大数据：④ 要啥人？
组织变革通常需要围绕某类人群展开，比如 80 年代的质量管理（QC）运动以一线经理为焦点，90 年代的战略性人力资源管理（SHRM）运动以 HR 部门为核心。HBR 大数据专题的第三篇文章提出分析变革的灵魂人物是“数据科学家（data scientist）”。这个新职业名被挖坑无数的 Davenport 教授这般高调的刊出后，LinkedIn 上众多分析员立刻欢欣雀跃地将名字下的描述从 Analyst 改为了 Data Scientist。我觉得这样直接改太张扬，于是两个描述都保留了。不过数据科学家究竟是些啥人？
Davenport 假设借助大数据获利有赖于雇到稀有的数据科学家，因此掘金大数据就需要先学会如何识别大数据人才。在 Davenport 的想像中，数据科学家是这样一群人：他们清楚地知道现有分析技术存在诸多局限，但他们不会因此而停止放弃，反而会不断探索新方法。在探索的过程中，他们会相互交流学到的技术，并思考和探讨这些技术对商业业务的发展有何助益。他们能够清晰地识别数据中潜藏的模式，且擅长以图形化方式创造性地呈现信息。他们懂得如何根据分析结果与一线经理、执行官等交流产品、流程和决策，提出容易理解的可行性建议。因为数据科学领域尚处于婴儿期，所以他们通常熟悉数据属性和来源，会自己开发分析工具，研究风格也颇具学术范儿。简而言之，数据科学家就是数据骇客、分析专家、沟通能手和商业顾问的综合体。
请等一下再倒抽冷气，Davenport 的话还没说完。因为教授知道这样的人不好找，于是提供了几条“进管出”的建议。鉴于数据科学家这个职业是新出现的，没有大学专业或职业项目能提供现成人才，所以企业需要横跨商科、理科和工科来招募，特别要留意具有数据和计算背景的人。吸引数据科学家的岗位设计因着所处理问题的模糊性高，也必须配备一定灵活度（autonomy）。因为数据科学家不食人间烟火，所以只用钱是留不住的，必须给他们提供最诱人的问题和接触丰富数据流的机会。
最有意思的是 Davenport 随口提了一句“数据科学家最基本、普遍的能力是写代码”反倒成为读者反馈的焦点。有人认为数据科学家需要会写代码是短期现象，长期来看分析能力才是重点，数学统计能力才是关键。反对者认为能写代码才能进行创造性分析，就算写代码不是明确要求，会写代码也能证明模式识别能力，甚至有人现身说法说自己的团队就因为没有合适的工具而一直在自己开发分析工具。我不关心这问题，因为我会写代码。
尽管这篇文章影响巨大又不接地气，但也点明了组织张罗大数据时所需人才的特点：工具开发技能、数据分析经验、商业运营知识和人际沟通能力。曾经分析员只需要掌握分析技能，可能再具备基本的商业逻辑就堪称胜任了。但作为分析变革的关键，数据科学家必须能将各种结构的数据转变为分析结果，然后用文字或图形方式描述出其他人能懂的生动故事。因为实际商业分析中常见的情况是一堆无法解释和理解的显著指标，因此数据科学家在各种技能之外，还需要有想像力和好奇心才能突破问题的表面，找到问题的核心，得到问题的解决方案。
虽然我觉得 Davenport 教授对数据科学家的描述有些飘渺，但仔细想想，要成为一场组织变革的支点，可不就得一副超人样么。
