《Kesci:数据人才白皮书(40页).pdf》由会员分享,可在线阅读,更多相关《Kesci:数据人才白皮书(40页).pdf(40页珍藏版)》请在三个皮匠报告上搜索。
1、White Paper of Data Talents 数据科学协同平台 在互联网和信息技术高速发展二十多年后的今天,高科技领域已呈现出另一种 竞争形态,人工智能与大数据是当今科技领域最为关注的主题之一。 现阶段,数据体量呈现爆发式增长,随着时间不断累积,加之商业竞争愈发激烈, 企业对数据价值的挖掘和应用方面产生了前所未有的迫切需求,数据资产受到 的重视程度越来越高。数据所能产生的价值与技术发展紧密相关,不断变化的 商业环境又使得数据处理的复杂程度极具挑战性,这都对数据人才的能力提出 了非常高的要求。 数据正逐渐成为企业未来发展的关键资源,数据人才则是业界重要稀缺因子。 如何识别数据人才、配置
2、数据团队、激励数据人才发挥最大价值,是值得企业 探究的新话题。 为此,中国领先的数据科学协同平台和鲸科技,携旗下的和鲸社区(Kesci)与 国际顶级咨询公司韦莱韬悦 (Willis Towers Watson) 共同策划和制作了这份中 国数据人才白皮书(简称“白皮书”),以探究数据人才背后的故事,力求 为中国企业数据化提供强有力的指引和帮助。 白皮书通过对超过 2000 位数据人才的邀约调研,从数据人才画像、如何识别和 培养优秀的数据团队等多个维度进行探讨研究,为企业提供了数据人才相关的 全方位信息参考,包括了数据人才的关键经历、知识技能、胜任力潜能以及职 业发展目标和规划,从而助力打造和提升
3、企业的数据处理能力。 前言 CONTENTS 前言 CHAP1 当我们讨论数据人才的时候,我们在讨论什么? 一、为什么企业需要数据化转型 二、数据人才支撑数据化转型 CHAP2 什么是数据人才? 一、数据工作者的定义 二、关键经历 三、知识技能 四、Wave 胜任力潜能 五、对未来的期望 CHAP3 头部数据人才是什么样的? 一、什么是头部数据人才 二、头部数据人才 v.s 其他数据人才 三、头部数据人才画像的价值 CHAP4 如何构建优秀的数据人才团队? 一、数据团队的组建 二、数据团队的赋能 三、数据团队的评估 CHAP5 数据武装,决胜这个 VUCA 的时代! 后记 01 04 05 0
4、5 06 07 07 10 13 17 19 20 21 25 26 27 28 29 30 32 R CHAP 1 当我们讨论数据人才的时候, 我们在讨论什么? 一、为什么企业需要数据化转型 二、数据人才支撑数据化转型 当我们讨论数据人才的时候,我们在讨论什么? 05 近些年,我国居民生活水平有了极大的提升,对生活品质的要求 也越来越高。消费者对于产品、服务、体验的需求也呈现多元化 发展方向,企业需要通过为客户提供更加贴心与高品质的服务和 产品来满足客户的需求,这是企业重视数据、期望挖掘和应用数 据的根本驱动力。 于是,在科技飞速发展的今天,越来越多的企业正在借助大数据 及人工智能的力量提升
5、经营效率和市场竞争力,数据化转型已经 成为优秀企业的战略共识。数据处理技术的突飞猛进,使得数据 资源能够以更高效率、更加丰富的形式,转化为企业所需要的商 业价值。 很多大型企业已经走在数字化转型道路的前沿,其中数据团队功 不可没。数据团队通过对以往数据的收集、整合、加工、利用, 对现有业务进行调整和预测,不断推出更高性价比的产品、服务 与体验,提升企业效益。 数据化转型是一个充分利用数据资源及技术手段来解决现有行业 问题和社会问题的过程,这个过程不仅依赖于资金投入、资源整 合,更高度依赖人才的技能、创造性以及管理能力,数据人才就 是支撑企业数据化转型的重要基础和武器。 然而,面对快速变化的商业
6、和科技环境,学校和企业对于数据人 才的培养始终面临着多形态的挑战;另一方面,数据人才需要大 量实践经验的积累和不同场景的历练,才能够将数据科学运用到 真实的商务情景中,因此一个优秀的数据人才的培养周期是非常 漫长的。 如何最大化数据人才的价值,充分支撑企业的数据化转型,是非 常值得探究的重要命题。 一、为什么企业需要数据化转型 二、数据人才支撑数据化转型 CHAP 2 什么是数据人才? 一、数据工作者的定义 二、关键经历 三、知识技能 四、Wave 胜任力潜能 五、对未来的期望 R 什么是数据人才? 07 知识工作者,是以知识为主要资本积累,基于知识发挥生 产力和商业价值的一类人群。 数据工作
7、者,是知识工作者的一种,基于知识和工具开展 工作,对数据进行加工与利用,解决问题并创造价值。 通过调研, 我们从成长历程及目前现状两个方面进行分析, 帮助我们进一步了解数据人才这个新兴族群。 数据工作者拥有怎样的专业背景与教育背景? 无论是对企业的数据人才招募,学校的数据人才培养,还 是对人才个人的数据化转型,都是一个值得关心的问题。 数据人才的专业背景呈现出多元化特点,并没有局限于某 一专业门类,经管类与基础学科同样占据了一席之地,数 据处理技术的应用渗透于各个专业领域。 然而,在数据人才多元化的专业背景中,依然可以看到计 算机类、数理统计及工程类学科占比总计超过 60%。这 些偏理工学科背
8、景的人才,具备良好的数理统计基础、逻 辑思维与编程能力,是科技企业的重要人才来源。 与其他人才群体相比,海外院校与国内 211/985 院校占 比接近 50%。每 2 个数据专业人才中就有 1 位来自海外 院校或国内 985/211 院校,从侧面反映出数据人才群体 整体供给质量较高。 多元化专业背景,理工科人才依然是主力 优质院校占据半壁江山,市场供给质量较高 一、数据工作者的定义 二、关键经历 1. 成长历程 图 1 数据人才来自哪些专业? 图 2 数据人才毕业于哪些院校? 9% 38% 53% 24% 22% 20% 18% 9% 6% 1% 08 什么是数据人才? 数据人才分布在哪些城市
9、,他们聚集在哪些类型的行业, 性别是否有明显差异,工作经验与工作满意度如何,这些 问题亦是企业、学校与个人关注的重点。 从行业的分布来看,数据人才主要集中在数据分析需求较 高的行业,如科技、互联网、金融、零售等;同时,随着 高科技赋能现代化商业场景,信息化战略的实施达到了一 定成效, 数据处理技术得以在此基础上发挥其良好的效用。 目前,数据思维已渗透到各行各业, 我们看到越来越多 的传统行业中也涌现了优秀的数据人才。 从地域的分布来看,数据人才主要分布于高科技企业较为 集中的城市,如北京、上海、广州、深圳、杭州等城市; 同时,随着国家政策对于不同城市科技发展的支持和资源 倾斜,以及地方政府的人
10、才吸引策略的大力推进,我们看 到数据人才已经不再是一线城市的独宠,二线城市的实力 也在增强。 在传统高科技行业的技术岗位中,男性工作者数量普遍具 有更高占比,且与女性数量有较大差异。然而从本次调研 结果来看,每 3 位数据人才中就有 1 位女性,与科技行业 的其他技术岗位相比,女性占比更高。 数据人才的分布与行业及城市的发展程度呈 现高度相关性 数据工作亦受到女性青睐 2. 目前现状 图 3 图 4 图 5 数据人才是否存在明显性别差异? 从参与调研人群的工作年限分布来看,有接近 50% 的人 目前具有 3 年以下的工作经验,从侧面反映出数据人才群 体中职场新人居多,意味着在数字化高速发展的今
11、天,企 业对数据人才有着很大的热情,促生了逐渐壮大的新生力 量;同时,有 30% 的人具备超过 5 年的工作经验,反映 出目前数据人才中的另一主要人群来自于企业中传统岗位 的人才转型,这些人才具有丰富的行业经验,在掌握了数 据技术后,能够将这些经验转变为可量化及程序化的判断 过程和洞察方式,为企业提供更高效、更准确、更具价值 的商业决策依据。 职场新人和企业内部转型员工是数据人才的 主要来源 图 6 数据人才的工作年限分布 图 7 数据人才对工作的满意度分布 看似枯燥无味的数据处理与建模工作, 高强度的工作压力, 并没有降低数据人才对于工作的认可和满意度。调研结果 显示,超过 80% 的数据人
12、才满意自己当下的工作。 根据 Glassdoor 在 2017 年的调研,数据科学家是北美工作满 意度最高的职业,在中国我们也能够看到相似的现象。 超过八成的数据人才满意自己的工作 49% 21% 30% 2% 11% 46% 31% 9% 什么是数据人才? 09 数据人才的知识门槛并非想象的那么高 通过调研发现,数据工作者最常用的数据科学方法是线性 回归、逻辑回归以及决策树,这三种方法是数据分析学科 中最经典的模型,也是数据人才在解决问题的过程中首选 的方法。 实现更复杂的应用目的和步骤,提升自身竞争力 通过对数据工作的应用目的分析, 我们发现清洗整理数据、 统计描述以及收集数据是最常用的三
13、个应用目的。其中, 收集数据以及清洗整理数据一般是数据处理的第一步,统 计描述是对统计分析结果进行分析及解释。 优化属于数据建模后期工作,难度较其他工作更高,一般 由资深数据人才进行处理。实验设计则针对特定类型的模 型进行分析,一般需要更具竞争力的人才进行处理。 从数据人才在工作中的步骤来看,大部分工作中都涉及基 础步骤,而随着步骤本身的复杂程度提高,工作中涉及到 这些步骤的人比例也有了显著的变化。调研结果显示,在 工作中,越复杂的步骤使用的人越少,这从侧面为数据人 才提升自身竞争力提供了明确的方向。 1. 常用的数据科学理论知识 2. 数据处理的目的与步骤 图 8 数据工作者必备的 Top1
14、0 数据科学方法 图 9 数据人才在工作中,所涉及的工作目的有哪些? 图 10 数据人才在工作中,涉及到的工作步骤有哪些? 75% 58% 52% 38% 37% 34% 24% 21% 20% 17% K-means SVM KNN CNN LSTM 78%78% 69% 56% 49% 37% 20% 86% 74% 73% 72% 70% 60% 46% 40% 24% 成为一名优秀的数据人才要兼备硬实力与软实力。在硬实 力方面,数据人才不仅需要掌握数据科学相关理论知识、 数据分析处理的方法和步骤,还要能够应用先进的软件工 具,使分析更为高效。 此次调研,我们从常用的数据科学理论知识、数
15、据分析的 工作栈、数据处理的方法与步骤及主流软件的使用等四个 方面了解数据人才的硬实力。 三、知识技能 10 什么是数据人才? 我们从工具的常见程度和重要程度对数据处理的各个工 具栈进行调研,这些工具包括:Python、SQL、Excel、 Hadoop/Hive/Pig, R, Jupyter Notebooks、Tableau、 Spark/MLlib、Java 等。 3. 数据处理的工具栈 图 11 数据工作者认为流行 / 重要的工具栈 什么是数据人才? 11 C/C+ D3.js Hadoop/Hive/Pig Java Jupyter Notebooks MATLAB/Octave
16、Microsoft Excel NoSQL Python R SQL Spark/MLlib Tableau Unix shell/awk Excel 作为一款大众普遍知晓的电子表格软件,入门门槛 低,对于轻量数据能够快捷、高效的进行处理、分析与展 示,且结果较为直观。 SQL(Structured Query Language) 是一门针对关系型 数据库系统 (RMDBS) 设计的结构化查询语言,数据人才 通常用 SQL 语句实现对数据库中数据的管理与操作。 Python 语言诞生于上世纪 90 年代,近些年,随着数据 Jupyter Notebook 诞生于 2014 年,它基于 Pyth
17、on/ R 的交互式编程体验,被誉为 The Innovation of Data Science (数据科学界的革新),在国外受到众多数据 工作者的欢迎。但从本次调研结果来看,目前 Jupyter Notebook 在国内的流行程度还不高,但已经受到大部分 数据工作者的重视,相信未来它会被越来越多的数据人才 所应用。 科学与人工智能大力发展,其热度逐渐提升。Python 有 着丰富的工具包,不论数据量大小,均能够完成从数据清 洗到建模分析和展示的整套工作流。 实际数据分析工作中,数据人才需要将目标分解为对数 据的查询、清洗、建模分析等工作任务。Excel、SQL、 Python 三者相辅相成
18、,助力数据人才根据实际业务需求, 选择相应的工具栈完成任务。 Excel、SQL、Python 是数据人才常用且重要的工具栈组合 Jupyter Notebook 正在进入数据人才的视野 随着 Python 热度的持续升温,如何成为一名会 Python 编程的数据人才,亦是学校课程设计、企业内部培训、数 Pandas、NumPy 及 Matplotlib 是数据人才最常用的 3 个工具包。在用 Python 做数据分析的流程中,Pandas 主要被用于数据读取、清洗预处理等操作;NumPy 提供 了许多高级的数值编程 API,被用于完成更复杂的数据处 理任务;Matplotlib 是一个基础的
19、绘图库,可以协助数据 工作者完成数据可视化任务。 据人才自身发展所要考虑的重要课题。根据调研结果,用 Python 编程的数据人才最常用的 10 个工具包整理如下: 4. 用 Python 做数据分析 12 什么是数据人才? PandasNumpyMatplotlibScikit-learnScipyTensorFlowMathSeabornXgboostJson 在同类测评工具中,Wave 职业风格测试提供关于个体 最全面、最详细和最具价值的测评信息 以经典的心理学“大五人格”为理论基础 深入到 4 个模块,12 个部分,36 个纬度,108 个方面 聚焦与绩效最相关
20、的个性特质和行为风格 在数据人才的软实力方面,我们通过邀请数据人才参与韦 莱韬悦的 Wave 职业风格测试,从思维、影响、适应和 执行四个构面,108 个个性特质和行为风格去评估和预测 参与调研的数据人才的胜任力潜能,帮助我们充分了解数 据人才的软实力画像。 四、Wave 胜任力潜能 图 12 Wave 金字塔模型 图 13 与“大五人格”的关系 什么是数据人才? 13 R R R R 14 什么是数据人才? 图 14 数据人才的整体 Wave 胜任力潜能 思维构面强,影响构面弱 整体而言,从 wave 的思维、影响、适应和执行四个构面 来看,数据人才的思维构面相对具有优势,而影响构面相 对于
21、其他构面,是数据人才的短板。 1. 整体 Wave 胜任力潜能 什么是数据人才? 15 R R R 16 什么是数据人才? 图 15 数据人才的 Wave 胜任力潜能在性别上的均值差异 R 胜任力潜能性别差异不大 从调研结果来看,在思维构面上,性别差异在工作中解决 问题方面影响不大,但男性数据人才创新能力方面的表现 略强于女性数据人才;对于不同性别的数据人才来说,影 响力构面是他们共同欠缺的方面,而女性数据人才在领导 他人的能力上相对较弱;在适应构面上,男性与女性数据 人才的表现基本没有差异,在给予他人支持方面都有较好 的表现,心理韧性的提高是他们需要共同关注的重点;在 执行构面上,女性数据人
22、才更加偏重细节,而男性人才更 加注重推动成功。 2. 性别上的 Wave 胜任力潜能差异 R 五、对未来的期望 图 16 数据人才对未来职业发展通道的偏好 图 17 数据人才对未来职业发展方向的偏好 双通道职业发展的期望 相较于其他人才群体,数据人才对于未来的职业发展通道 更偏好于走专业路线,企业应该更关注如何通过构建双通 道的职业发展体系来更好地培养和留住数据人才。同时, 仍有 48% 的数据人才偏好以管理作为发展路径。 一方面建议企业能够为员工搭建管理和专业的双通道路 径,符合员工的职业发展需要;另一方面,建议企业建立 科学客观的评价体系和发展体系,更精准地识别人才是否 适合管理路径或者专
23、业路径,帮助他们更快速地实现自身 发展目标。 经过我们的调研分析,有 48% 的数据人才未来期望成为 高管 / 创始人,成为公司或团队的领头羊;同时,数据人 才拥有优秀的数据处理能力,对数据中的潜在商业信息更 加敏感,具备成为商业领袖的潜力。 相较于其他人才群体,数据人才对于未来的职业发展通道 更偏好于走专业路线,有 42% 43% 的数据人才以工程 师、咨询师作为自己的职业目标,依托精湛的技术获取自 身满足感和事业成就感。 除了担任高管 / 创始人以及专业人士,数据人才对于企业 运营以及市场拓展等商务方面的工作, 也具有极大的兴趣。 对于重要数据信息的敏捷捕捉能力,能够给他们带来更多 的发展
24、与机遇。 建议企业能够为员工搭建多元化通道路径,并建立科学客 观的发展体系和评价体系,更精准地识别人才特征,并给 予最大的帮助,使数据人才获得更多的满足以及成就感。 1. 数据人才对职业发展通道的偏好 什么是数据人才? 17 52% 48% 48% 43% 42% 39% 37% 20% 图 19 数据人才平均每天花多久自我充电? 图 20 数据人才选择自我充电的方式 绝大多数的数据人才倾向在未来三年内继续学习深造 有超过 7 成的数据人才倾向自己未来三年内要继续学习和 深造,这充分的反映出数据人才对自我提升的较强意愿。 投入更多的时间去学习,偏好阅读及网络碎片化知识的方 式来充电 数据分析行
25、业的算法、技术与工具的更新迭代速度较快, 优秀的数据人才一般会在工作中保持每天学习的习惯,时 刻保持自己的竞争力。根据调研结果,有三分之一的数据 人才每天学习两个小时以上。 数据人才获取知识的途径比较综合,不仅以传统阅读的方 式获取系统知识,在各种交流网站及微信朋友圈中吸收碎 片化知识也是主要渠道;目前市面各种数据分析培训机构 犹如春笋般爆发,第三方培训机构以及公司内部培训也是 重要知识来源地。 2. 数据人才对自我提升的期望 62% 35% 3% 18 什么是数据人才? 图 18 数据人才对于未来三年内继续学习深造的规划 70% 30% 40%40% 20% CHAP 3 头部数据人才是什么
26、样的? 一、什么是头部数据人才 二、头部数据人才 vs 其他数据人才 三、头部数据人才画像的价值 头部数据人才须兼具出色的数据知识技能与较强的胜任力 潜能。基于每位参与调研的数据人才完整的问卷回答,通 过一系列的数学模型,我们得到了每位参与调研的数据人 才的知识技能水平与胜任力潜能水平所对应的能力值。 以知识技能潜能为横轴、胜任力潜能为纵轴,原点为两指 数各自的均值,即得到数据人才评估的坐标系。因而,落 在第一象限的人才为头部数据人才,即他们的数据专业知 识技能与胜任力潜能均高于均值。 整体而言,头部数据人才占比为 22%。 一、什么是头部数据人才 -0.4 -0.6-0.4-0.200.20
27、.40.6 -0.2 0 0.2 0.4 0.6 头部数据人才 图 21 20 头部数据人才是什么样的? 头部数据人才是什么样的? 21 35% 19% 二、头部数据人才 vs 其他数据人才 头部数据人才来源质量更优 头部数据人才中拥有硕士及以上学历的比例显著高于其他 数据人才。 近35%的头部数据人才拥有硕士及以上学历, 而在其他数据人才中这个比例仅接近 20%。 头部数据人才中毕业于国内 985/211 院校的人才比例 也显著高于其他数据人才。近 50% 的头部人才毕业于 985/211 院校,而在其他人才中这个比例不到 40%。 以上两个关键经历的对比表明,头部数据人才从来源上优 于其他
28、数据人才。 我们认为知识技能包含数学与统计分析和机器学习。 与数学与统计分析知识技能相关的子项有:多元微积分、 线性代数、运筹学、描述性统计、实验设计、统计推断、 统计学习。 与机器学习能力相关的子项有:学习理论、线性 / 逻辑回 归、决策树、贝叶斯方法、SVM、聚类、神经网络、集成 学习。 1. 头部数据人才的关键经历 2. 头部数据人才的知识技能 图 22 毕业于国内 985/211 院校的人才在相应群体中的占比 图 23 硕士及以上学历的人才在相应群体中的占比 图 24 头部数据人才与其他数据人才在知识技能上的均值差异 48% 38% SVM 0 1 2 3 4 图 25 头部数据人才的
29、知识技能掌握情况 图 26:其他数据人才的知识技能掌握情况 SVM SVM 22 头部数据人才是什么样的? 头部数据人才是什么样的? 23 对比数学与统计分析和机器学习相关知识技能,其他数据 人才在机器学习领域与头部数据人才差距较大。 机器学习在数据工作中的运用不仅可以更好地做一系列的 预测或判断,还能自动化理解并捕捉非结构化数据(如图 像、文本、语音等)中的信息,从而为进一步的挖掘与分 析奠定了基础,因此是非常重要的一部分数据专业能力。 在机器学习这一点上也能看到其他数据人才与头部数据人 才之间非常大的差距,但同时体现了头部人才非常综合全 面的数据专业能力。 头部数据人才在机器学习领域优势显
30、著 K-means SVM CNN LSTM KNN Wide&deep le arning GMM Seq2Seq HMM Attention GAN FFM CTC 0% 20% 40% 60% 80% 100% 图 27 头部数据人才与其他数据人才在常用算法模型上的对比 在各个算法的常用性方面,线性回归作为最基础的数据分 析模型,使用频率基本一致,而在较为复杂的算法方面, 其使用频率则有明显差异,建议企业内部培训和学校教育 对于复杂算法增加培养力度, 促进数据人才的多元化发展。 可以看到,头部数据人才普遍掌握更为综合的技术能力, 且在工作中能够进行多维度思考,并通过不同方法解决数 据相关
31、问题;在此过程中,他们的 wave 胜任力潜能对 于数据能力的卓越发挥起到举足轻重的作用。 头部数据人才和其他数据人才的相对优劣势比较一致 整体来看,头部数据人才和其他数据人才在胜任力潜能的 趋势表现上比较接近,即胜任力长短板比较一致。 头部数据人才的九大关键驱动因素(Key Successful Factors) 对比两个人才群体的胜任力潜能表现,在 12 项潜能中, 我们总结出 9 项关键的驱动因素:评估问题、探究问题、 创新、建立关系、沟通信息、领导他人、心理韧性、适应 改变、推动成功。 以下为具体思维、影响、适应和执行四个构面中,头部数 据人才和其他数据人才在具体个性特质和行为风格上的
32、差 异表现: 头部数据人才在机器学习领域优势显著 头部数据人才的胜任力潜能 图 28 头部数据人才与其他数据人才在 Wave 胜任力潜能上 的均值差异 图 29 头部数据人才和其他数据人才在 wave 胜任力潜能中 的思维模块对比 图 30 头部数据人才和其他数据人才在 wave 胜任力潜能中 的影响力模块均值差异 2 4 6 8 2 3 4 5 6 7 8 2 3 4 5 6 7 8 R R R R 24 头部数据人才是什么样的? 头部数据人才是什么样的? 25 2 3 4 5 6 7 8 2 3 4 5 6 7 8 图 31 头部数据人才和其他数据人才在 wave 胜任力潜能中 的适应模块
33、均值差异 图 33 头部数据人才和其他数据人才平均每天学习时间对比 图 32 头部数据人才和其他数据人才在 wave 胜任力潜能中 的执行模块均值差异 头部数据人才在自我提升上的投入更多 通过对比头部数据人才在培训、学习方面的时间投入,我 们发现头部数据人才的时间投入更多,我们相信这或许是 头部数据人才能够比其他数据人才优秀的重要因素之一。 头部数据人才的自我提升 46% 47% 7% 66% 31% 3% 通过头部数据人才和其他数据人才的对比和分析,我们不 难发现头部数据人才成为“头部”的重要因素。无论是在 冰山上的知识技能,还是冰山下的胜任力潜能,甚至是对 于自我提升的时间和精力的投入,头
34、部数据人才的表现都 为企业在构建数据人才团队提供了明确的方向,这是头部 数据人才画像的价值体现。 三、头部数据人才画像的价值 RR CHAP 4 如何构建优秀的数据人才团队? 一、 如何构建优秀的数据人才团队 二、数据团队的赋能 三、数据团队的评估 高科技领域的企业竞争,实际上是优秀人才数量和质量的 竞争。优秀人才团队对企业快速发展有着极大的促进作 用,数据人才不仅能为企业找出更符合商业逻辑的模型, 还可以设计出优秀的数据产品及算法来为企业创造更大的 价值。 基于我们对于头部数据人才的画像描述,企业可以通过综 合评估目前的发展阶段,以及管理水平,为自己设定和制 定数据人才团队构建的目标和策略。
35、 在此白皮书中,我们认为企业可以从人才引进、培训发展 和评估三个方面着手打造自己的优秀数据人才团队。 一、如何构建优秀的数据人才团队 企业在数据人才的甄选上,尽可能做到尽善尽美,不仅需 要考虑团队的数据技能达到高水准,还需要考虑 Wave 胜 任力潜能测试对于数据人才的软实力评价。 经过多维度的评定以及分析,使人才能够在发挥其个人特 长的工作岗位上工作,实现个人最大价值。根据 Wave 胜 任力潜能测试进行科学组队,使团队合作变得更加和谐。 这不仅能实现团队内部技能互补, 还可以增强团队凝聚力, 实现高效的团队协作,这是建立优秀数据团队的前提。 企业可以从知识技能和胜任力潜能综合评估判断,来筛
36、选 出符合自己需求的数据人才。 1. 数据团队的组建 业务部门在深入分析自身需求的基础上,制作人才画像或 者团队画像,提交人力资源部,人力资源部门根据业务部 门的信息甄选优秀人才。 对于初创型和尚未开始数字化转型的传统企业,建议招聘 有工作经验的数据人才,以尽快搭建科学有效的数据底层 建筑,此项投入的回报周期较长,但对企业初期发展的意 义是不容忽视的。从长期来看,可以为日后节省很多工作 量,部门间的合作也将更加流畅,但如果初期未进行完善 的数据搭建工作,可能会造成后期不必要的麻烦,甚至难 基于头部数据人才的 Wave 胜任力潜能特征,企业在选 人时可以重点从九大关键驱动因素来评估候选人的胜任力
37、 潜能,包括评估问题、探究问题、创新、建立关系、沟通 信息、领导他人、适应改变、心理韧性和推动成功。 以修缮。 对于已经形成稳定及完善的数据结构的企业,招聘优秀的 应届毕业生是一项不错的选择。此时企业自身已完成大部 分数字化转型任务,吸收优秀毕业生可以增强团队活力以 及增加新思路,并可以根据企业自身发展方向定向培养更 加适合公司发展的人才。 企业应当对候选人进行多元化评估,维度应包括数据人才 的数据科学理论知识储备,数据分析所用的工作栈、数据 处理的方法与步骤以及主流软件工具Python的使用情况。 知识技能的角度 胜任力潜能的角度 R R R 如何构建优秀的数据人才团队? 27 二、数据团队
38、的赋能 调研结果显示,数据人才对薪酬福利、职业发展路径以及 公司文化最为关心;相比之下,数据人才对授权程度、公 司硬件环境以及工作压力等外在条件并没有很高的要求。 对外界环境的容忍性较强,更加关注企业的内在,是数据 人才的显著特点。企业可尝试在薪酬、职业发展路径以及 公司文化环境等方面增加投入,给予数据人才更优质的工 作氛围和文化环境,更具有挑战性的项目,使数据工作者 在工作中获得成就感,并在合作中实现共赢,以增强团队 凝聚力,使团队人才流动保持在低流动率水平。 企业可以从知识技能与胜任力潜能培养和发展两个方面对 数据人才进行提升。 一方面,基于企业需求对数据人才需要掌握的知识技能及 其期望掌
39、握的水平进行充分考量,并基于头部数据人才的 知识技能特征作为培养目标,匹配和设计更具针对性的知 识技能培训课程体系,从而能够帮助数据人才团队的知识 技能持续发展和提升。 另一方面,基于头部数据人才的关键驱动因素,规划设计 培训发展项目和体系,如轮岗、培训课程等混合式学习方 法,来促进数据人才胜任力潜能的提升。 1. 文化赋能 2. 发展赋能 图 34 选择企业时,数据人才最关心什么? 84% 83% 78% 77% 72% 61% 30% 28% 26% 28 如何构建优秀的数据人才团队? 如何构建优秀的数据人才团队? 29 数据团队的价值是由商业价值来定义的,数据团队的工作 成果,需要与特定
40、部门、特定职能、特定挑战的绩效结果 进行关联,以评估数据团队的价值。由于业务和职能的数 据化,是一个漫长的、全面的过程,容易产生浪费与失误, 数据团队的工作成果,依赖于有效的工作流程与工具体系 的支持。由于业务、工具都在持续的迭代,因此需要技术 由于数据资源,数据算法,数据工具都在加速演化的快车 道上,随着时间的推移,以及业务的变化,数据团队的能 力会出不适应的情况。面对这些情况,企业需要定期结合 业务需求、行业环境,对数据团队的能力,包括业务能力 与技术能力,进行再评估,并设计相应的培训策略,完成 团队调整。 管理层在明确业务转变的需求上对数据团队的工作流程与 工具体系效率进行优化。 更加需
41、要对数据化的人才投入、资源投入,进行持续的、 严谨的评估,争取在特定项目中取得突破,形成组织对于 数据团队、对于数据化转型的信心。 1. 检验团队的成果 2. 检验团队的效率 3. 检验团队的能力 三、数据团队的评估 CHAP 5 数据武装, 决胜这个 VUCA 的时代 The worlds most valuable resource is no longer oil, but data. 世界上最有价值的资源不再是石油,而是数据。 在这个已经迈进数据智能化时代的世界,不论是企业数据化转型、高校数据人 才培养体系、个人的职业发展都面临诸多挑战,期望我们精心制作的这本白皮 书能够帮助企业、高校
42、和个人都能够更从容的应对这些挑战,共同助力我们数 据化的未来。 VUCA时代中, 数据化在每个企业中蔓延, 每个企业都无法拒绝这种趋势的影响。 对于企业而言,在这个易变、不确定、模糊、复杂的商业环境中能够帮助自身 应对数据化战争的有力武器之一就是数据人才。我们期望通过这本白皮书,帮 助企业能够更为清楚的了解这个新兴人才群体,为构建数据人才团队树立更明 确的目标,提供更客观和完善的指引,从而促进企业的数据化转型。 数据价值挖掘和应用,同时为高校提供了一个明确的商业应用场景。基于这样 的商业应用场景,高校对于数据人才的培养就有了更为清晰的价值目标,但究 竟要培养怎样的数据人才,培养哪些内容以及如何
43、培养他们是高校近几年一直 在探讨的具体路径和规划。我们期望通过这本白皮书,帮助高校找到市场对于 数据人才的真正需求,制定系统化、规范化的学科与专业体系,从而为企业提 供更符合需求的数据人才。 这本白皮书也为数据人才提供了一个全面和客观的视角来审视和发现自我的特 征。通过对头部数据人才的深度剖析,数据人才可以从中了解到自己与头部数 据人才之间,在知识技能以及胜任力潜能等方面的差距在哪里。这对于数据人 才短期内的能力提升,以及长期职业发展规划,都具有借鉴意义。 数据武装,决胜这个 VUCA 的时代 31 现阶段,我国的数据呈现爆发式增长,数据资源带来的价值日益增加,也对数 据人才提出了更高的要求。
44、在商业竞争越发激烈的环境下,企业如何制定相应 的人才战略并吸引更多优秀的数据人才,是其成功数字化转型的关键,从而在 新一轮的市场竞争中占据高地。 数据人才白皮书为业界描绘出中国数据人才的精准画像,帮助企业在新一 轮的数据人才争夺赛中获得可靠的信息和数据,为企业排兵布阵提供建议,激 发不同类型员工的潜能,使人才在实践中提升,满足企业智能化升级的要求。 在人工智能快速发展的今天,帮助数据人才找到自身定位和职业发展路径,同 时促进企业对数据人才的认识及优化配置,发挥最大能效,正是我们这份白皮 书的价值所在。 后记 32 后记 公司介绍 关于和鲸科技 和鲸科技主体为“上海和今信息科技有限公司”,201
45、5 年 4 月创始于上海,是 中国领先的数据智能科技公司,最早专注于“数据科学协同平台”的服务商, 以“connect people with data 数据与人的高价值链接”为使命,专注于挖掘 商业数据和数据人才的价值。旗下和鲸社区(原“科赛网”)是中国最早的第 三方数据科学社区之一,最早一批专注于大数据算法比赛的头部平台,拥有近 10 万注册数据科学家用户,辐射超过 30 万数据人才群体。和鲸科技自主研发 了具备国际领先性的数据科学 SaaS 平台 KesciLab,帮助企业、高校、科研机 构开展工业级数据科学应用与人工智能研发。 关于韦莱韬悦 Willis Towers Watson(N
46、ASDAQ:WLTW) 是一家领先的全球性咨询、保险经纪和 解决方案公司, 帮助世界各地的客户把风险变成增长机遇。 自1828年成立以来, Willis Towers Watson 已在 140 多个国家拥有 40,000 多名员工。我们设计和 提供完善的解决方案来管理风险、培育人才、实现利益最大化及增强资本的力 量, 让组织与个人得到有力的保障, 并日益发展壮大。 我们以独到眼光洞察人才、 资产与理念之间的重要交集这是推动经营绩效增长的动态公式。 与您携手, 激发潜能。 公司介绍 33 上海 上海市徐汇区宜州路 188 号 B8 栋 14 层 北京 北京市朝阳区东直门外大街东外 56 号 A
47、 座 电话 021 8037 0235(转 8) 邮箱 和鲸官方公众号 韦莱韬悦公众号 和鲸社区公众号 作者简介 范向伟 和鲸科技 CEO 保一雄 和鲸科技数据分析总监 王潇阳 和鲸科技数据分析师 单清远 和鲸科技数据咨询总监 司马坤杰 和鲸科技数据咨询顾问 科赛主创团队如下(排名不分先后) 韦莱韬悦主创团队如下(排名不分先后) 江为加 韦莱韬悦中国区人才与奖酬咨询董事总经理 胡卫鹏 韦莱韬悦中国区人才管理咨询董事总经理 段泽坤 韦莱韬悦中国区人才管理咨询咨询经理 郭展飞 韦莱韬悦中国区人才管理咨询咨询顾问 此外,还要感谢王建强、邱月青、朱羿霖、曹帅等对白皮书内容创作及视觉呈 现方面的大力支持
48、,你们的工作非常重要。 34 作者简介 & 重要申明 重要申明 本报告数据来源于和鲸科技与韦莱韬悦共同调研,所载观 点、意见、推测仅反映发布报告当日的判断。报告中的内 容和意见仅供参考,和鲸科技与韦莱韬悦不对因使用本报 告内容而引致的损失承担任何责任。 本报告版权归和鲸科技与韦莱韬悦共同所有,并对报告内 容保留一切权利,未经事先许可,任何机构和个人不得已 任何形式翻版、复制、发表或引用本报告的任何部分。如 征得和鲸科技与韦莱韬悦同意进行引用、发表的,需在允 许的范围之内,并注明出处为“和鲸科技与韦莱韬悦数 据人才白皮书”,不得对本报告进行任何有悖原意的引 用、删节和修改,否则由此造成的一切不良
49、后果及法律责 任由私自翻版、复制、刊登、转载和引用者承担。 白皮书机构清单 35 白皮书机构清单 发布机构、作者 联合发布方 联合发布方、数据商业媒体独家合作 互联网专业人才社区独家合作 互联网人才招聘平台独家合作 和鲸科技 韦莱韬悦 翊翎资本 线性资本 数据商业家 职人社 实习僧年轻人职业成长平台 数据人才生态合作机构 数据科学媒体独家合作 首发合作媒体 人力资源首发合作机构 TalkingData University deardata (非首发媒体,请联系 数据商业家 获得授权) Donews 爱数圈 镁客网 数据局 硅谷网 创头条 铅笔道 报告学苑 MeetHR 感谢 对白皮书发布的助力 36 白皮书机构清单 看懂未来十年最火的新专业建设 上册:1000 场竞赛的深度分析 下册:办好一场竞赛的实操手册 数据科学教育白皮书 数据竞赛白皮书 推荐阅读 37 推荐阅读 和鲸公