“数据科学家”就是一个独特的、听上去有些冷漠的词儿。有一点要弄清楚，那些有资格获得这个头衔的人是非常有价值的，但是这个头衔本身并没有。阻碍大数据分析被广泛采用的原因并不是缺少数据科学家，而是目前我们对他们的依赖。

大数据和分析是强大的，相关技术令人感到兴奋。但是如果只有高收入的专家配得上，那么就无法完全取得进展。我们需要数据和分析技术，但是我们不应该需要昂贵的、稀缺的实践者去采用这些技术。相比数据科学家来说，我们需要能够让知识工作者自己去做大数据分析的工具。

跨界是可能的吗？

人们肯定可以获得对大数据进行分析所需的能力，企业员工可以在工作中使用大数据，开发者可以收集数据并在代码中进行分析。

当然，某些人通过驯良可以成为具有高技能的专家，但这是超越常规的例外。我们并不需要有人把大批人才改造成科学家，我们需要的是让他们获得一种能力。

不仅仅是炒作

数据科学家这个词儿被过分夸大了。但是公平地说，实际上大数据和分析这两个词也是一样，但这些仍然是具有相当专业技术的领域。数据科学家这个词的问题不仅仅炒作的问题，还有一种态度和对抗的语气。这种语气让人们对获得分析能力感到沮丧，因为这个词的背后似乎蕴含着“这项工作必须外包给经过高度培训的某些人”的意思。

头衔的玄机

可能会有一种风险，很多技术专家将以获得更高能力的名义成为“数据科学家”，有点像技术领域其他听上去很牛的头衔，比如“架构师”。在任何领域都会看到这种“头衔的膨胀”，但是在技术领域，术语和头衔在任何情况下都被视为一种隐喻，而不是字面上的描述。技术控们似乎把这些头衔美化了，而那些没有这么做的人会发现自己处于某种劣势。

大数据是不成熟的工具

与主流的关系数据库和BI产品相比，分析尤其是大数据具有非常不成熟的模型。在这样的情况下，也难怪只有“科学家”能完成实际的工作。这些工具是专为实验室使用的，不是商业用途。

正如自助式BI如今很流行一样，自助式大数据和预测分析也应该是一股市场潮流。一旦这样，那些拥有我们所谓数据科学方面技能的人，仍将扮演重要的角色，但不会如现在这般具有核心的重要的作用。

数据通，是什么？

这一点都不奇怪，我相信会有一个场景，有越来越多的“数据通”——业务和技术人员都是多面手——这将成功地解决目前所面临的劳工问题。数据科学要求既懂数据技术，又有业务经验。如果技术变得简单容易了，那么业务人员也就更容易掌握它，那么企业用户可以成为真正的分析专业人士。

如果我的梦想变成现实，那么一个理想的业务分析人士，应该是一名销售、市场营销或者规划方面的专业人员，他们也是技术用户，拥有统计数据，精通Excel，可以做一些简单的编程。但这只是一个理想……为了让分析技术发展起来，我们不应该让人们来适应这个理想，以期成为具有生产力的大数据分析师。

数据科学算法？

数据科学家的定义中隐含着这么一层意思，商业直觉和本能是算法不能替代的。如果你接受数据科学家这个说法是合理的，那么你会接受人类智慧和技术专长结合起来能使人成为一名真正的数据科学家。虽然我并不十分推崇“数据科学家”，但是我的确认为企业用户的经验，以及对数据意义非算法的了解，是非常重要的。

我们需要什么，不需要什么？

数据挖掘和可视化工具方面的经验、程序设计和开发者技巧、对统计数据的理解以及高层次的数据库设计专业知识，这些仍然是十分重要的，不管数据科学家这个角色是否盛行。同样重要的是对业务深层次的理解，以及对衡量其活动和成果的数据源的理解。

“数据科学家”这个字眼将逐渐消失，也许就在五年之后。技能将变得愈加普遍和商业化。但这一切发生的时候，真正的繁荣将拉开序幕，因为这项技术将被广泛采用，而且变得越来越有用。

总结

大数据技术是强大的，它不断在完善。但是就目前来说，大数据技术要求非常专业化的人才，以获取最大的商业价值。这些专业人士必须同时掌握各种技术、数据、业务技能和知识。我们不知道这么聪明这么多才多艺是否会让这些专家们成为“科学家”，但是的确让他们变得更加稀缺。

然而，大数据和分析不断成长并成为真正的主流，对他们有不同技能要求并不会一直这么持续下去。市场需求将推动技术的变革，进入门槛将不会像现在这么高。如果出于某种原因上述的情况没有发生，那么大数据将仍然是只对相对较小的一部分客户开放的选择。

这个问题的解决方案并不是组建一个数据科学家的军团。相反，我们需要自助服务的工具，能够辅助那些技术人员自己实施大数据分析。专家仍然具有重要的作用，但是他们不会是大数据在整个行业扩展开的关键。