什么是数据人才？

这个我知道，你也可以看看《数据人才白皮书》这篇报告，里面详细介绍了数据人才的情况，更深入的内容可以去查询原报告。

一、数据工作者的定义

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。

二、关键经历

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。

1. 成长历程

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。

① 多元化专业背景，理工科人才依然是主力

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。

 

② 优质院校占据半壁江山，市场供给质量较高

2. 目前现状

数据人才分布在哪些城市，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。

① 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

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。

② 数据工作亦受到女性青睐

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。

③ 职场新人和企业内部转型员工是数据人才的主要来源

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。

④ 超过八成的数据人才满意自己的工作

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。

 

三、知识技能

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。

1. 常用的数据科学理论知识

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。

2. 数据处理的目的与步骤

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。

 

四、Wave 胜任力潜能

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。

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 聚焦与绩效最相关的个性特质和行为风格。

1. 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 对于其他构面，是数据人才的短板。

 

2. 性别上的 Wave 胜任力潜能差异

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，女性数据人才更加偏重细节，而男性人才更 加注重推动成功。

五、对未来的期望

1. 数据人才对职业发展通道的偏好

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。

 

2. 数据人才对自我提升的期望

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。