数据科学人才有缺口是明摆着的问题，就不用废话了。
回答如题《如果想成为数据科学人才，需要必备哪些技能？》的问题，我们先要对头部数据人才有一个清晰的界定。
别紧张，以下内容都是针对人才的，不是天才，耐心和勤奋能够帮上大忙。
（一）数据科学家的基础是啥？
1.教育
数据科学家需要受过高等教育不是一个绝对的结论，因为例外一定存在。通常需要非常强大的教育背景来支持数据科学家所必需的知识深度。
要成为数据科学家，可以主攻计算机科学、社会科学、物理科学、生物、医学和统计学。最常见的研究领域是数学和统计学（32％），其次是计算机科学（19％）和工程学（16％）。任何这些学位都可以提供处理和分析大数据所需的基本技能。
不是吓唬人，除课堂学习外，课外的努力也是非常必要的，我指的是——惊人的必要。
（不要说我没有把头部数据人才和其他数据人才平均每天学习时间对比图给你。不谢!）
2. R语言
对于数据科学家需要至少深入了解一种分析工具。R语言专为数据科学需求而设计。可以使用R语言来解决数据科学中遇到的任何问题。事实上，43％的数据科学家正在使用R语言来解决统计问题。
然而，不是吓唬人，R语言有一个陡峭的学习曲线。
（二）把计算机技术当做兵器库
3. Python
Python是在数据科学角色中最常见的语言，当然别忘了Java，Perl或C / C ++。对于数据科学家来说，Python是优秀编程语言。这也是为什么OReilly 调查的受访者中有40％使用Python作为他们的主要编程语言。
由于其多功能性，可以将Python用于数据科学过程中几乎所有步骤。它可以采用各种格式的数据，可以轻松地将SQL表导入代码中。它允许创建数据集，可以在互联网上找到所需的任何类型的数据集。
4. Hadoop平台
不是强求，但在许多情况下Hadoop的重要性非常靠前。拥有Hive或Pig的经验也是一个很好的卖点。熟悉Amazon S3等云工具也很有用。CrowdFlower对3490 LinkedIn数据科学工作进行的一项研究将Apache Hadoop评为数据科学家第二重要技能，评分为49％。
作为数据科学家，可能会遇到这样的情况，即拥有的数据量超过了系统内存，或者需要将数据发送到不同的服务器，这就是Hadoop的用武之地。可以使用Hadoop快速将数据传输到各种系统上的点。可以使用Hadoop进行数据探索、数据过滤、数据采样和汇总。
5. SQL数据库/编码
尽管NoSQL和Hadoop已经成为数据科学的一个重要组成部分，但仍然期望候选人能够在SQL中编写和执行复杂查询。SQL（Structured Query Language,结构化查询语言）是一种编程语言，可以执行添加，删除和从数据库中提取数据等操作。还可以执行分析功能和转换数据库结构。
作为数据科学家，需要精通SQL。这是因为SQL专门用于帮助访问和处理数据。当使用它来查询数据库时，会提供见解，具有简洁的命令，可以节省时间并减少执行困难，查询所需的编程量。学习SQL将帮助数据科学家更好地理解关系数据库并提升形象。不难想象，无法从数据库中取数的数据科学家，会有多么的尴尬。
6. Apache Spark
Apache Spark正在成为全球最受欢迎的大数据技术。它就像Hadoop一样是一个大数据计算框架。唯一的区别是Spark比Hadoop更快。这是因为Hadoop读取和写入磁盘，这使得速度变慢，但Spark将其计算缓存在内存中。
Apache Spark专为数据科学而设计，更快地运行复杂的算法。当处理大量数据时，它有助于传播数据处理，从而节省时间。它还有助于数据科学家处理复杂的非结构化数据集。可以在一台机器或一组机器上使用。
Apache spark防止数据丢失。Apache Spark的优势在于其速度和平台，这使得开展数据科学项目变得容易。使用Apache spark，可以执行从数据采集到分布计算的分析。
7.机器学习和人工智能
大量数据科学家一开始并不精通机器学习领域和技术。这包括神经网络、强化学习、对抗性学习等。如果想从其他数据科学家中脱颖而出，机器学习技术恐怕少不了，如监督机器学习、决策树、逻辑回归等。这些技能将帮助解决预测等等的不同的数据科学问题。
人工智能爆发，机器学习要在不同领域应用。Kaggle在其中一项调查中发现，现在只有一小部分数据专业人员具备先进的机器学习技能，如监督机器学习、无监督机器学习、时间序列，自然语言处理、异常值检测、计算机视觉、推荐引擎、强化学习和对抗性学习。
需要处理大规模数据集的机会越来越多，所以需要熟悉机器学习。
不会的赶紧，愣着干嘛？能帮你的就这些了。
8.数据可视化
老生常谈的，数据可视化是数据科学家必备技能，感觉已经说了几个世纪。现在连新闻工作者（小编很自豪的向你安利《 你最关心的马蜂窝事件舆论全景图在这里，用文本挖掘一挖到底 》）都在熟练运用可视化技术向读者解释事情的真相，数据科学家落后，将是无比丢脸的事情。
此外，商业世界经常产生大量数据。这些数据需要翻译成易于理解的表达。人们自然地以图表和图形的形式理解图片而不是原始数据。所谓 “一张图片胜过千言万语”，人人都会被精美的图片吸引，而不是一个打包数据文件。
作为数据科学家，必须能够借助数据可视化工具（如ggplot，d3.js和Matplottlib以及Tableau）可视化数据。这些工具将帮助将项目中的复杂结果转换为易于理解的格式。问题是，很多人不了解序列相关性或p值，需要直观地向他们展示这些术语在结果中代表的含义。
数据可视化可以快速掌握有助于抓住新商机并在竞争中保持领先地位的见解。越来越多的机构开始使用类似天猫双十一可视化大屏的工具，对可视化技术投入的增加不言而喻。
9.非结构化数据
数据科学家能够处理非结构化数据至关重要。非结构化数据是未定义的内容，不适合数据库表。示例包括视频、博客文章、客户评论、社交媒体帖子、视频、音频等。
由于其复杂性，大多数人将非结构化数据称为“暗箱分析”。使用非结构化数据可以揭示对决策有用的洞察力。作为数据科学家，必须能够理解来自不同平台的非结构化数据。
（三）剩下的能不能交给悟性与情商？
10.智力上的好奇心
艾尔伯特爱因斯坦曾说“我没有特殊才能。我只是充满好奇心。” 这句名人名言被引用的到处都是。同样也被推荐给了数据科学从业者。
的确，好奇心可以被定义为获得更多知识的愿望。作为数据科学家，需要能够提出有关数据的问题，因为数据科学家花费大约80％的时间来发现和准备数据。
而数据科学领域是一个发展非常快的领域，必须学习更多以跟上节奏。
需要通过在线阅读内容和阅读有关数据科学趋势的相关书籍来定期更新知识这一条，简直就是诸葛亮给刘备的《隆中对》。还要注意，不要被在互联网上飞来飞去的大量数据所淹没，你必须能够知道如何理解这一切。好奇心是成为数据科学家所需要的技能之一。例如，最初，可能没有太多了解收集的数据。在好奇心驱使下，筛选数据以查找答案和更多见解。
11.商业头脑
要成为一名数据科学家，要对正在从事的行业有充分的了解，并了解公司正在努力解决的业务问题和困难。除了确定业务应利用其数据的新方法之外，能够识别哪些问题对于业务而言至关重要是至关重要的。
为了能够做到这一点，必须了解解决的问题如何影响业务。这就是需要了解企业运营方式的原因，以便可以将工作或者团队引导到正确的方向。
12.沟通技巧
寻找强大数据科学家的公司其实是在寻找能够清晰地将技术发现，转化为非技术团队人员需要知道的知识与信息，例如距离市场最近的一线部门，要知道利润是他们创造的——市场营销部门或销售部门。这也无异于一种翻译工作。如果只有翻译者自己可以理解，那么翻译的人需要好好的反省一下自己存在的必要。数据科学家必须使企业能够通过量化的观察来制定决策，此外还要了解非技术同事的真实需求，以便适当地纠正错误。
需要牢记，无法让同事获得信息和数据科学工作者无法分析出结论一样可怕。
所以要向大家安利一个新的手艺。除了说出公司同事们能够理解的，相同文化的语言外，还需要使用数据讲故事。作为数据科学家，必须知道如何围绕数据创建故事情节，以便任何人都能轻松理解。例如，呈现数据表不如以叙事格式从这些数据中分享见解那样有效。讲故事能够讲复杂的原委正确地传达给重要人物，比如决定收入和薪水的人。
13.团队合作
也不能简单地说数据科学家无法单独工作。但是会有大把机会与公司高管、团队共同制定策略与方案，或者和工作产品经理以及设计师创造更好的产品，与商家合作，推出更好的提高转化率活动，从客户到开发者。与组织或者机构中的每个人（包括客户）合作是实力的体现，这种协调能力让我想到了古代的一种职业，宰相。所以我们常说宰相肚里能撑船，描述的就是这种复杂和高压的状态下还要和各方面有商有量的优秀的合作的能力。
从本质上讲，与团队成员合作，以便了解解决问题所需的业务目标和数据。需要了解正确的方法来解决问题，以及解决问题所需的数据以及如何将结果转换并呈现给所有相关者都能轻松理解的内容。
结论
好了，谈了很多大家都知道的事情，这里有一个毒鸡汤的公式送给大家：
做不好+做不到=很糟糕（的数据科学家）。
我把对数据科学家的希望留在这里——要吃就吃这一行最好的饭。
特别注明：本文数据来自《数据人才白皮书》，由中国最大的第三方数据人才平台科赛与国际顶级咨询公司韦莱韬悦发布。
科赛
亲爱的数据
出品：谭婧
美编：陈泓宇
亲爱的数据
