在數據時代，從大量數據得到所需要的信息是很難的，因此，很多企業重金聘請數據科學家進行分析和處理。而大數據的應用改變了零售和醫療保健等各行業領域的發展。

Kaggle公司的調查發現，許多數據科學家認為如何更好向其他人解釋數據科學是工作中面臨的障礙之一。此外，根據Hugo Bowne-Anderson的研究，數據科學要求從科學家的技能中學習動態技能和軟技能，以便解決業務問題，并且需要向一些不懂技術的股東解釋難以理解的技術與結果。

[[257223]]

縮小數據科學家與業務人員之間的差距

技術人員和業務人員之間的這種差距長期存在。而采用團隊方法有助于彌補這些差距，并可以利用數據科學。

一些主要軟件開發商致力于應對當今的技術挑戰，并以有意義的方式應用大數據。通過數據驅動的決策和高級分析，可以輕松地保持正常運行。

企業需要做什么

(1)企業必須檢查他們是否需要專業知識。這涉及操作大數據平臺的技能，并應用不同的分析技術，如機器學習，以及使用Python和R等工具。

(2)企業需要彌合工程團隊和數據科學之間日益增長的溝通差距，以及依賴于數據驅動決策的相關業務功能。

這兩個步驟很重要，因為數據分析只有在可能產生洞察力時才有幫助。在大多數情況下，數據科學家不能很好地解釋他們的工作成果。

組織需要的是具有混合技能的人員，其將意識與數據科學、大數據平臺的深入知識、基本技術和分析工具相結合，并能夠以一種易于實現的方式呈現技術見解。

更好地處理數據

企業的不同部門分別生成數據，并單獨分發。在個人和結構層面上處理這些局限性的好的替代方案已經出現，其結合了員工技能和新技術。這就是創建企業數據中心的重要性的原因，因為數據集中在一起，任何人都可以訪問和利用數據中心進行探索和分析。

為了處理這些數據，企業需要分析師和數據工程師，他們可以同步、理解、促進和幫助構建IT部門、業務資產和大數據之間的通信。

以下深入考慮企業架構師和大數據業務分析師可以解決的問題。

(1)企業架構師。他們創建了企業范圍的響應式數據架構，有助于協調IT戰略和業務目標。此外，企業架構師提供大規模的項目審查，跟蹤技術生命周期，并確定個別技術將如何變化。他們的工作要求與企業的各種員工保持聯系，以便分配自定義數據存儲，并開發解決方案。他們開發環境，并將大數據轉化為有意義的業務洞察。

(2)大數據業務分析師。大數據改變了業務分析師的角色。如今，他們可能不再依賴于市場研究和趨勢的決策。大數據業務分析師依靠數據分析帶來的洞察力來開發業務。

許多公司已經開始嘗試DevOps功能，這些功能涉及多個部門的運營和IT。這些發展展示了業務流程如何提升以及如何使用新技術。

開發更好的數據科學操作

基于自動化，團隊合作和采用可視化技術可以更好地進行數據操作。這些步驟將幫助用戶開發和構建所需的數據科學操作。

(1)項目管理。一個成功的項目經理需要具備良好的組織和強大的外交技巧，通過聚集不同的人才并讓他們采用相同的語言來填補文化空白。

(2)數據爭論。重要的能力是收集和清理數據、構建系統，以及開發和支持算法和其他統計引擎。具有重要才能的人將通過可預測的視覺輸出來尋找加速運營的機會，從而促進信息設計過程。

(3)數據分析。利用數據并將其與特定業務場景相關聯的技能至關重要。背景設置和批判性思維也是分析數據的關鍵技能。

數據科學家和業務人員需要更好的溝通

因此，彌合數據科學家和其他部門人員之間的差距對于組織具有更大的價值。企業需要那些可以將困難的技術見解轉化為簡單明確想法的人才。這些措施將幫助企業從所有數據中獲利。