数据科学家，是鸡肋还是主流？

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。