数据人才为何如此难求？
希望看到本文的企业领导，更加珍惜企业的数据分析师，他们是整个社会花巨大成本培养出来的，希望可以给他们更多机会，以发挥更大的价值。看到本文的数据分析师，请转给你的领导。
01
数据人才需要横跨三个专业：数学、商科、计算机，同时需要结合理论、实践和应用。在数据科学专业课程中，既需要学习数学、统计学，还需要学习计算机编程，不仅如此，还需要学习工商管理、经济学等课程。再加上应用性极强，至少需要1～2年的实习期才算是可以初步上岗。因此，数据人才稀缺的第一点原因是：需求技能复杂且融合。
2016年，国内开设了少量数据科学本科专业，因此到2020年才有第一批数据科学专业的本科毕业生。2018年开始才逐渐增多了开设该专业的学校。高校培养人才总是滞后于市场需求的，更别提第一批学生还没有被培养出来。因此，第二点原因是：体系化培养滞后且不足。
由于数据人才的稀缺，市场已经选择性地开放数据分析实习生的岗位给优秀的研究生或者本科生，从而更快地培养更多数据分析人才，以满足越来越大的需求缺口。
从需求侧来说，数据科学可以被称为互联网的“后半场”，数字化之后的应用核心就是应用数据。被数字化的各行各业，都需要数据人才的存在。不仅是互联网渗透率高的金融、零售等行业，还有互联网渗透率较低的传统行业，比如地产、建材等行业，都随着互联网的逐步深入，增加了对数据人才的需求。不仅在企业，政府机构也存在对数据人才的大量需求。可以说，数据人才已经成为企业的必备人员，是信息时代保障信息全面有效的利器。没有数据人才的最直接结果就是，在信息时代失去了方向。因此，第三点原因是：各行各业的需求涌现。
基于以上三点，数据人才要求高、供给少、需求大，将在很长一段时间内维持稀缺的状态，笔者预计这种状态将持续5～10年。
虽然有不少本科毕业就从事数据工作的同学，但由于数据工作的复杂性，目前研究生毕业后进入该领域的人才居多。高校按照4+3（7年）的培养期，研究生毕业1～3年后可以成长为一名初级数据分析师；3～5年后，可以成为数据分析师的中坚力量；5～7年后，其中一些优秀的人才会成为分析部门的负责人；7～10年后，会产生少量的企业分析部门的领头人；10～15年后，部分人会成长为行业领先的数据人才；15～20年后，成长为企业诊断各种问题的“老医生”。
数据分析师所需要的能力需要通过时间和经验来培养，而经验不是上几年学就能锻炼出来的。对比其他专业，就读数据科学专业的人才毕业后，在实战环境中的培养时间也会比较长，主要由于他们不仅要做技术类型的工作，还必须通过数据支持决策，帮助探索新策略的方向，参与商业运营策略的制定和分析，这样才能做数据分析师，而不是数据工程师。
我们把数据分析师的中坚力量作为数据分析师培养的年限，那就是7年教育+3年实践—10年的基础培养实践，而要成为“老医生”，则需要在此基上再加上15年的行业锤炼。
按照研究生25岁毕业直接从事数据工作算，在28岁可以成为一名合格的数据分析师，再经历15年的行业锤炼，这名同学已经43岁了。这里有一个矛盾点，由于数据科学是新兴学科，其变化可谓日新月异，需要时刻学习，虽然年龄不是学习的障碍，但随着年龄的增长，学习效率逐渐降低，可投入的精力逐渐减少。在学习需求和行业需求的中和下，目前市场上承担核心工作、领导公司或者部门的数据人才往往在30～35岁，而这部分早早成长起来的数据人才极为稀缺。
由上归纳可知，培养初级数据分析师需要10年左右时间，培养“老医生”需要25年左右时间。年轻且出类拔萃，既兼顾行业锤炼又兼顾量化技能的人极少。
数据人才稀缺也与培养时间长有一定关系，在目前供需严重失衡的情况下，高质量的数据人才更是“塔尖”的稀缺人才。希望企业可以为数据人才和数据团队搭建好的平台，发挥数据人才的价值，为企业降本增效。
招募到好的数据人才后，如何提高其效能呢？
03
首先，企业主或者部门负责人需要先在内心问自己一个问题：“是否只是把数据人才当作一个提取数据的工具？”想要什么数据，就联系数据人才获取，仅部署一些简单提取数据的工作的企业主或者部门负责人，笔者只能说你们实在太“壕”了，这么贵的薪水付出去，请到行业优秀的数据人才，只是让他来提取数据，无论对企业还是数据人才，都是极大的浪费。
那么，如何才能用好数据人才，发挥价值，更多地助力企业呢？需要注意以下几点。
1. 给予复杂的业务问题供其寻求答案
一方面，复杂的问题有助于数据分析师的快速成长；另一方面，数据分析师的技能在于擅长解决复杂问题，企业把复杂问题交给直觉，而把简单问题交给数据分析师，这属于资源错配。建议在目前复杂的信息环境下，需求方要与理性思考的数据分析师更多地交流，拓宽思路。
2. 减少简单重复的需求（由数据产品承接）
从员工发展来说，简单重复的需求会提高数据人才的流失率。因为成长慢，有志于从事该职业的人很快就会发现，在现有环境下无法提升自我，而去寻求其他发展平台。
从企业成本来说，经常会出现宁可招收几十个简单提取数据的数据人员，也不愿意沉淀一个简单灵活的数据产品。这样做，其实不仅成本高，而且没必要。
当遇到简单需求的时候，时刻提醒自己，是否可以由数据产品解决，该数据产品是什么样子的。
而数据分析师则会推动常用的数据分析方法论沉淀成数据工具，供运营人员自由灵活地使用。数据分析师承担推进数据平台工具不断升级的职责。同时，开展复杂性的探索性分析，之前没有接触的分析，可能需要细分指标，也可能需要全新角度，这些都可以交给数据分析师去数据“深海”里探索。在完成探索、固化下来后，再推进实现工具化，从而整体促使公司的数据应用能力越来越强。
注意，只有通过这样的途径提升公司整体的数据应用水平，才可以极大地提升公司的效率，光有强大的数据分析师是不够的，要把数据分析师的能力通过数据运营的方式，赋予公司里有需求的每一个人。同时提示数据分析师，仅仅凸显个人价值是不够的，需要以一己之力，或者以数据团队的力量，驱动整体能力的改变。
3. 前置性咨询意见而非后置监测
分析工作在业务整个过程中都会产生价值，从机制规划到后期监测，分析人员需跟随业务发展的进程，实现分析工作在各个阶段的价值产出。在业务发展的整个链路上，业务人员为推动项目科学有效地开展，也需要数据分析师的分析能力助力。技术工程师较难深入解读业务，而数据分析师是介于业务人员和技术工程师之间的一群人，他们可以给出业务建议及最终业务价值的评估呈现。项目中有数据分析师的效率比没有数据分析师会高很多。
数据分析师具有特殊的商业价值，但量化数据分析师的价值却很难。这里举一个生动的例子来形象表述数据分析师的价值。
在信息过载的当下，市场发展日新月异。在业务发展的同时，企业面对过载的信息，就如同掉到数据“深海”里，而数据分析师可以找到出路，从茫茫大海中捞出最有价值、更符合业务需求的点，连接在一起，最终走出深海迷宫。
优秀数据分析师最具竞争力的能力是对未来的预判和预测，可惜大部分企业只是让他们从事事后监测和评估的工作，这是对数据分析师价值技能的极大浪费。
4. 邀请数据人员参加战略会议
在企业战略会议上，经常会脱离业务发展的实际情况，本质上还是对企业信息把握得不够全面和彻底，这里不是指管理层未履行职责，而是在目前信息爆炸的情况下，不是人人都具备对复杂信息的消化能力，而数据人员则擅长消化、解读复杂信息。把复杂信息吸收进去，再把简单的本质解读出来，是数据人员的另一项重要技能。邀请数据人员参加战略会议，不仅可以获得准确的企业信息，还可以在对未来的判断中加入更多理性的思考。
5. 需要建立独立的数据部门
这一点往往被企业忽略，数据人员散落在各个部门，散落的数据团队效率低、成本高，大多数人的工作是简单且重复的。建议借鉴阿里的做法，为数据人员单独成立分析部门，不仅可以实现资源的灵活调用，还可以在业务分析上进行多方融合，得出更实用和落地的建议。