1、CONTENTS HYPERLINK l _bookmark0 01 HYPERLINK l _bookmark0 前言 HYPERLINK l _bookmark1 CHAP1 當我們討論數據人才的時候，我們在討論什么？ HYPERLINK l _bookmark2 一、為什么企業需要數據化轉型 HYPERLINK l _bookmark2 二、數據人才支撐數據化轉型 HYPERLINK l _bookmark3 CHAP2 什么是數據人才？ HYPERLINK l _bookmark4 一、數據工作者的定義 HYPERLINK l _bookmark4 07 HYPERLINK l _bo

2、okmark4 二、關鍵經歷 HYPERLINK l _bookmark5 10 HYPERLINK l _bookmark5 三、知識技能 HYPERLINK l _bookmark6 13 HYPERLINK l _bookmark6 四、Wave R 勝任力潛能 HYPERLINK l _bookmark7 17 HYPERLINK l _bookmark7 五、對未來的期望 HYPERLINK l _bookmark8 CHAP3 頭部數據人才是什么樣的？ HYPERLINK l _bookmark9 一、什么是頭部數據人才 HYPERLINK l _bookmark10 二、頭部數據

3、人才 v.s 其他數據人才 HYPERLINK l _bookmark11 三、頭部數據人才畫像的價值 HYPERLINK l _bookmark12 CHAP4 如何構建優秀的數據人才團隊？ HYPERLINK l _bookmark13 一、數據團隊的組建 HYPERLINK l _bookmark14 二、數據團隊的賦能 HYPERLINK l _bookmark15 三、數據團隊的評估 HYPERLINK l _bookmark16 CHAP5 數據武裝，決勝這個 VUCA 的時代！ HYPERLINK l _bookmark17 32 HYPERLINK l _bookmark17

4、后記CHAP 1當我我們們在討論數什據么人？才的時候，一、為什么企業需要數據化轉型二、數據人才支撐數據化轉型一、為什么企業需要數據化轉型近些年，我國居民生活水平有了極大的提升，對生活品質的要求也越來越高。消費者對于產品、服務、體驗的需求也呈現多元化發展方向，企業需要通過為客戶提供更加貼心與高品質的服務和產品來滿足客戶的需求，這是企業重視數據、期望挖掘和應用數據的根本驅動力。于是，在科技飛速發展的今天，越來越多的企業正在借助大數據及人工智能的力量提升經營效率和市場競爭力，數據化轉型已經當我們討論數據人才的時候，我們在討論什么？ 05成為優秀企業的戰略共識。數據處理技術的突飛猛進，使得數據資源能夠

5、以更高效率、更加豐富的形式，轉化為企業所需要的商業價值。很多大型企業已經走在數字化轉型道路的前沿，其中數據團隊功不可沒。數據團隊通過對以往數據的收集、整合、加工、利用，對現有業務進行調整和預測，不斷推出更高性價比的產品、服務與體驗，提升企業效益。二、數據人才支撐數據化轉型數據化轉型是一個充分利用數據資源及技術手段來解決現有行業問題和社會問題的過程，這個過程不僅依賴于資金投入、資源整合，更高度依賴人才的技能、創造性以及管理能力，數據人才就是支撐企業數據化轉型的重要基礎和武器。然而，面對快速變化的商業和科技環境，學校和企業對于數據人才的培養始終面臨著多形態的挑戰；另一方面，數據人才需要大量實踐經驗

6、的積累和不同場景的歷練，才能夠將數據科學運用到真實的商務情景中，因此一個優秀的數據人才的培養周期是非常漫長的。如何最大化數據人才的價值，充分支撐企業的數據化轉型，是非常值得探究的重要命題。CHAP 2什么是數據人才？一、數據工作者的定義二、關鍵經歷三、知識技能四、Wave R 勝任力潛能五、對未來的期望一、數據工作者的定義知識工作者，是以知識為主要資本積累，基于知識發揮生產力和商業價值的一類人群。二、關鍵經歷通過調研，我們從成長歷程及目前現狀兩個方面進行分析，幫助我們進一步了解數據人才這個新興族群。成長歷程數據工作者擁有怎樣的專業背景與教育背景？無論是對企業的數據人才招募，學校的數據人才培養，

7、還是對人才個人的數據化轉型，都是一個值得關心的問題。 多元化專業背景，理工科人才依然是主力數據人才的專業背景呈現出多元化特點，并沒有局限于某一專業門類，經管類與基礎學科同樣占據了一席之地，數據處理技術的應用滲透于各個專業領域。然而，在數據人才多元化的專業背景中，依然可以看到計算機類、數理統計及工程類學科占比總計超過 60%。這些偏理工學科背景的人才，具備良好的數理統計基礎、邏輯思維與編程能力，是科技企業的重要人才來源。數據工作者，是知識工作者的一種，基于知識和工具開展工作，對數據進行加工與利用，解決問題并創造價值。22%24%1%6%20%9%18%圖 1 數據人才來自哪些專業？ 優質院校占據

8、半壁江山，市場供給質量較高與其他人才群體相比，海外院校與國內 211/985 院校占比接近 50%。每 2 個數據專業人才中就有 1 位來自海外院校或國內 985/211 院校，從側面反映出數據人才群體整體供給質量較高。圖 2 數據人才畢業于哪些院校？38%9%53%目前現狀數據人才分布在哪些城市，他們聚集在哪些類型的行業，性別是否有明顯差異，工作經驗與工作滿意度如何，這些問題亦是企業、學校與個人關注的重點。 數據人才的分布與行業及城市的發展程度呈現高度相關性從行業的分布來看，數據人才主要集中在數據分析需求較高的行業，如科技、互聯網、金融、零售等；同時，隨著高科技賦能現代化商業場景，信息化戰略

9、的實施達到了一定成效，數據處理技術得以在此基礎上發揮其良好的效用。目前，數據思維已滲透到各行各業， 我們看到越來越多的傳統行業中也涌現了優秀的數據人才。從地域的分布來看，數據人才主要分布于高科技企業較為集中的城市，如北京、上海、廣州、深圳、杭州等城市；同時，隨著國家政策對于不同城市科技發展的支持和資源傾斜，以及地方政府的人才吸引策略的大力推進，我們看到數據人才已經不再是一線城市的獨寵，二線城市的實力也在增強。 數據工作亦受到女性青睞在傳統高科技行業的技術崗位中，男性工作者數量普遍具有更高占比，且與女性數量有較大差異。然而從本次調研結果來看，每 3 位數據人才中就有 1 位女性，與科技行業的其他

10、技術崗位相比，女性占比更高。圖3 圖4 圖 5 數據人才是否存在明顯性別差異？ 職場新人和企業內部轉型員工是數據人才的主要來源從參與調研人群的工作年限分布來看，有接近 50% 的人目前具有 3 年以下的工作經驗，從側面反映出數據人才群體中職場新人居多，意味著在數字化高速發展的今天，企業對數據人才有著很大的熱情，促生了逐漸壯大的新生力量；同時，有 30% 的人具備超過 5 年的工作經驗，反映出目前數據人才中的另一主要人群來自于企業中傳統崗位的人才轉型，這些人才具有豐富的行業經驗，在掌握了數據技術后，能夠將這些經驗轉變為可量化及程序化的判斷過程和洞察方式，為企業提供更高效、更準確、更具價值的商業決

11、策依據。 超過八成的數據人才滿意自己的工作看似枯燥無味的數據處理與建模工作，高強度的工作壓力，并沒有降低數據人才對于工作的認可和滿意度。調研結果顯示，超過 80% 的數據人才滿意自己當下的工作。 根據 Glassdoor 在 2017 年的調研，數據科學家是北美工作滿意度最高的職業，在中國我們也能夠看到相似的現象。圖 6 數據人才的工作年限分布49%30%21%46%31%11%9%2%圖 7 數據人才對工作的滿意度分布三、知識技能成為一名優秀的數據人才要兼備硬實力與軟實力。在硬實力方面，數據人才不僅需要掌握數據科學相關理論知識、數據分析處理的方法和步驟，還要能夠應用先進的軟件工具，使分析更為

12、高效。常用的數據科學理論知識數據人才的知識門檻并非想象的那么高通過調研發現，數據工作者最常用的數據科學方法是線性回歸、邏輯回歸以及決策樹，這三種方法是數據分析學科中最經典的模型，也是數據人才在解決問題的過程中首選的方法。此次調研，我們從常用的數據科學理論知識、數據分析的工作棧、數據處理的方法與步驟及主流軟件的使用等四個方面了解數據人才的硬實力。75%58% 52%38% 37% 34%24% 21% 20% 17%圖 8 數據工作者必備的 Top10 數據科學方法數據處理的目的與步驟實現更復雜的應用目的和步驟，提升自身競爭力通過對數據工作的應用目的分析，我們發現清洗整理數據、統計描述以及收集數

13、據是最常用的三個應用目的。其中，收集數據以及清洗整理數據一般是數據處理的第一步，統計描述是對統計分析結果進行分析及解釋。優化屬于數據建模后期工作，難度較其他工作更高，一般圖 9 數據人才在工作中，所涉及的工作目的有哪些？78%78%69%56%49%37%20%由資深數據人才進行處理。實驗設計則針對特定類型的模 型進行分析，一般需要更具競爭力的人才進行處理。從數據人才在工作中的步驟來看，大部分工作中都涉及基86%74%73%72%70%60%46%40%24%礎步驟，而隨著步驟本身的復雜程度提高，工作中涉及到這些步驟的人比例也有了顯著的變化。調研結果顯示，在工作中，越復雜的步驟使用的人越少，這

14、從側面為數據人才提升自身競爭力提供了明確的方向。圖 10 數據人才在工作中，涉及到的工作步驟有哪些？數據處理的工具棧我們從工具的常見程度和重要程度對數據處理的各個工具棧進行調研，這些工具包括：Python、SQL、Excel、PythonSQLMicrosoft ExcelHadoop/Hive/PigRTableauSpark/MLlibJupyter NotebooksC/C+ NoSQLD3.jsJavaMATLAB/Octave Unix shell/awk圖 11 數據工作者認為流行 / 重要的工具棧Hadoop/Hive/Pig, R, Jupyter Notebooks、Tabl

15、eau、 Spark/MLlib、Java 等。 Excel、SQL、Python 是數據人才常用且重要的工具棧組合Excel 作為一款大眾普遍知曉的電子表格軟件，入門門檻低，對于輕量數據能夠快捷、高效的進行處理、分析與展示，且結果較為直觀。SQL(Structured Query Language) 是一門針對關系型數據庫系統 (RMDBS) 設計的結構化查詢語言，數據人才通常用 SQL 語句實現對數據庫中數據的管理與操作。Python 語言誕生于上世紀 90 年代，近些年，隨著數據 Jupyter Notebook 正在進入數據人才的視野 Jupyter Notebook 誕生于 2014

16、 年， 它基于 Python/ R 的交互式編程體驗，被譽為 The Innovation of DataScience （數據科學界的革新），在國外受到眾多數據工作者的歡迎。但從本次調研結果來看，目前 Jupyter科學與人工智能大力發展，其熱度逐漸提升。Python 有著豐富的工具包，不論數據量大小，均能夠完成從數據清洗到建模分析和展示的整套工作流。實際數據分析工作中，數據人才需要將目標分解為對數據的查詢、清洗、建模分析等工作任務。Excel、SQL、 Python 三者相輔相成，助力數據人才根據實際業務需求，選擇相應的工具棧完成任務。Notebook 在國內的流行程度還不高，但已經受到大

17、部分數據工作者的重視，相信未來它會被越來越多的數據人才所應用。用 Python 做數據分析隨著 Python 熱度的持續升溫，如何成為一名會 Python編程的數據人才，亦是學校課程設計、企業內部培訓、數據人才自身發展所要考慮的重要課題。根據調研結果，用 Python 編程的數據人才最常用的 10 個工具包整理如下：12345678910PandasNumpyMatplotlibScikit-learnScipyTensorFlowMathSeabornXgboostJsonPandas、NumPy 及 Matplotlib 是數據人才最常用的 3個工具包。在用 Python 做數據分析的流程

18、中，Pandas主要被用于數據讀取、清洗預處理等操作；NumPy 提供了許多高級的數值編程 API，被用于完成更復雜的數據處理任務；Matplotlib 是一個基礎的繪圖庫，可以協助數據工作者完成數據可視化任務。四、Wave R 勝任力潛能在數據人才的軟實力方面，我們通過邀請數據人才參與韋萊韜悅的 Wave R 職業風格測試，從思維、影響、適應和執行四個構面，108 個個性特質和行為風格去評估和預測圖 12 Wave R 金字塔模型參與調研的數據人才的勝任力潛能，幫助我們充分了解數據人才的軟實力畫像。在同類測評工具中，Wave R 職業風格測試提供關于個體圖 13 與“大五人格”的關系最全面、

19、最詳細和最具價值的測評信息以經典的心理學“大五人格”為理論基礎深入到 4 個模塊，12 個部分，36 個緯度，108 個方面聚焦與績效最相關的個性特質和行為風格整體 Wave R 勝任力潛能思維構面強，影響構面弱整體而言，從 wave R 的思維、影響、適應和執行四個構面來看，數據人才的思維構面相對具有優勢，而影響構面相對于其他構面，是數據人才的短板。圖 14 數據人才的整體 Wave R 勝任力潛能性別上的 Wave R 勝任力潛能差異勝任力潛能性別差異不大從調研結果來看，在思維構面上，性別差異在工作中解決問題方面影響不大，但男性數據人才創新能力方面的表現略強于女性數據人才；對于不同性別的數

20、據人才來說，影響力構面是他們共同欠缺的方面，而女性數據人才在領導圖 15 數據人才的 Wave R 勝任力潛能在性別上的均值差異他人的能力上相對較弱；在適應構面上，男性與女性數據人才的表現基本沒有差異，在給予他人支持方面都有較好的表現，心理韌性的提高是他們需要共同關注的重點；在執行構面上，女性數據人才更加偏重細節，而男性人才更加注重推動成功。 五、對未來的期望數據人才對職業發展通道的偏好雙通道職業發展的期望相較于其他人才群體，數據人才對于未來的職業發展通道更偏好于走專業路線，企業應該更關注如何通過構建雙通道的職業發展體系來更好地培養和留住數據人才。同時，仍有 48% 的數據人才偏好以管理作為發

21、展路徑。一方面建議企業能夠為員工搭建管理和專業的雙通道路徑，符合員工的職業發展需要；另一方面，建議企業建立科學客觀的評價體系和發展體系，更精準地識別人才是否適合管理路徑或者專業路徑，幫助他們更快速地實現自身發展目標。經過我們的調研分析，有 48% 的數據人才未來期望成為高管 / 創始人，成為公司或團隊的領頭羊；同時，數據人才擁有優秀的數據處理能力，對數據中的潛在商業信息更加敏感，具備成為商業領袖的潛力。相較于其他人才群體，數據人才對于未來的職業發展通道更偏好于走專業路線，有 42% 43% 的數據人才以工程師、咨詢師作為自己的職業目標，依托精湛的技術獲取自身滿足感和事業成就感。除了擔任高管 /

22、 創始人以及專業人士，數據人才對于企業運營以及市場拓展等商務方面的工作，也具有極大的興趣。對于重要數據信息的敏捷捕捉能力，能夠給他們帶來更多的發展與機遇。建議企業能夠為員工搭建多元化通道路徑，并建立科學客觀的發展體系和評價體系，更精準地識別人才特征，并給予最大的幫助，使數據人才獲得更多的滿足以及成就感。圖 16 數據人才對未來職業發展通道的偏好48%52%圖 17 數據人才對未來職業發展方向的偏好48%43%42%39%37%20% 數據人才對自我提升的期望絕大多數的數據人才傾向在未來三年內繼續學習深造有超過 7 成的數據人才傾向自己未來三年內要繼續學習和深造，這充分的反映出數據人才對自我提升

23、的較強意愿。投入更多的時間去學習，偏好閱讀及網絡碎片化知識的方式來充電數據分析行業的算法、技術與工具的更新迭代速度較快，優秀的數據人才一般會在工作中保持每天學習的習慣，時刻保持自己的競爭力。根據調研結果，有三分之一的數據人才每天學習兩個小時以上。數據人才獲取知識的途徑比較綜合，不僅以傳統閱讀的方式獲取系統知識，在各種交流網站及微信朋友圈中吸收碎圖 18 數據人才對于未來三年內繼續學習深造的規劃30%70%圖 19 數據人才平均每天花多久自我充電？62%35%3%片化知識也是主要渠道；目前市面各種數據分析培訓機構 猶如春筍般爆發，第三方培訓機構以及公司內部培訓也是重要知識來源地。圖 20 數據人

24、才選擇自我充電的方式40%40%20%CHAP 3頭部數據人才是什么樣的？一、什么是頭部數據人才二、頭部數據人才 vs 其他數據人才三、頭部數據人才畫像的價值一、什么是頭部數據人才頭部數據人才須兼具出色的數據知識技能與較強的勝任力潛能。基于每位參與調研的數據人才完整的問卷回答，通過一系列的數學模型，我們得到了每位參與調研的數據人才的知識技能水平與勝任力潛能水平所對應的能力值。以知識技能潛能為橫軸、勝任力潛能為縱軸，原點為兩指圖 21數各自的均值，即得到數據人才評估的坐標系。因而，落在第一象限的人才為頭部數據人才，即他們的數據專業知識技能與勝任力潛能均高于均值。整體而言，頭部數據人才占比為 22

25、%。頭部數據人才0.60.40.20-0.2-0.4-0.6-0.4-0.200.20.40.6二、頭部數據人才 vs 其他數據人才頭部數據人才的關鍵經歷頭部數據人才來源質量更優頭部數據人才中擁有碩士及以上學歷的比例顯著高于其他數據人才。近 35% 的頭部數據人才擁有碩士及以上學歷，而在其他數據人才中這個比例僅接近 20%。頭部數據人才中畢業于國內 985/211 院校的人才比例也顯著高于其他數據人才。近 50% 的頭部人才畢業于圖 22 畢業于國內 985/211 院校的人才在相應群體中的占比48%38%985/211 院校，而在其他人才中這個比例不到 40%。 以上兩個關鍵經歷的對比表明，

26、頭部數據人才從來源上優于其他數據人才。35%19%圖 23 碩士及以上學歷的人才在相應群體中的占比頭部數據人才的知識技能我們認為知識技能包含數學與統計分析和機器學習。與數學與統計分析知識技能相關的子項有：多元微積分、線性代數、運籌學、描述性統計、實驗設計、統計推斷、統計學習。與機器學習能力相關的子項有：學習理論、線性 / 邏輯回歸、決策樹、貝葉斯方法、SVM、聚類、神經網絡、集成學習。圖 24 頭部數據人才與其他數據人才在知識技能上的均值差異43210圖 25 頭部數據人才的知識技能掌握情況 SVM圖 26：其他數據人才的知識技能掌握情況SVM 頭部數據人才在機器學習領域優勢顯著對比數學與統計

27、分析和機器學習相關知識技能，其他數據人才在機器學習領域與頭部數據人才差距較大。機器學習在數據工作中的運用不僅可以更好地做一系列的預測或判斷，還能自動化理解并捕捉非結構化數據（如圖像、文本、語音等）中的信息，從而為進一步的挖掘與分析奠定了基礎，因此是非常重要的一部分數據專業能力。在機器學習這一點上也能看到其他數據人才與頭部數據人才之間非常大的差距，但同時體現了頭部人才非常綜合全面的數據專業能力。圖 27 頭部數據人才與其他數據人才在常用算法模型上的對比100%80%60%40%20%0% 頭部數據人才在機器學習領域優勢顯著在各個算法的常用性方面，線性回歸作為最基礎的數據分析模型，使用頻率基本一致

28、，而在較為復雜的算法方面，其使用頻率則有明顯差異，建議企業內部培訓和學校教育對于復雜算法增加培養力度，促進數據人才的多元化發展。可以看到，頭部數據人才普遍掌握更為綜合的技術能力，且在工作中能夠進行多維度思考，并通過不同方法解決數據相關問題；在此過程中，他們的 wave R 勝任力潛能對于數據能力的卓越發揮起到舉足輕重的作用。圖 28 頭部數據人才與其他數據人才在 Wave R 勝任力潛能上的均值差異 8642頭部數據人才的勝任力潛能頭部數據人才和其他數據人才的相對優劣勢比較一致整體來看，頭部數據人才和其他數據人才在勝任力潛能的趨勢表現上比較接近，即勝任力長短板比較一致。頭部數據人才的九大關鍵驅

29、動因素（Key Successful Factors）對比兩個人才群體的勝任力潛能表現，在 12 項潛能中，圖 29 頭部數據人才和其他數據人才在 wave R 勝任力潛能中的思維模塊對比 8765432我們總結出 9 項關鍵的驅動因素：評估問題、探究問題、創新、建立關系、溝通信息、領導他人、心理韌性、適應改變、推動成功。以下為具體思維、影響、適應和執行四個構面中，頭部數據人才和其他數據人才在具體個性特質和行為風格上的差異表現：圖 30 頭部數據人才和其他數據人才在 wave R 勝任力潛能中的影響力模塊均值差異8765432圖 31 頭部數據人才和其他數據人才在 wave R 勝任力潛能中的

30、適應模塊均值差異87654366%46%47%31%7%3%2圖 32 頭部數據人才和其他數據人才在 wave R 勝任力潛能中的執行模塊均值差異8765432頭部數據人才的自我提升頭部數據人才在自我提升上的投入更多通過對比頭部數據人才在培訓、學習方面的時間投入，我們發現頭部數據人才的時間投入更多，我們相信這或許是頭部數據人才能夠比其他數據人才優秀的重要因素之一。圖 33 頭部數據人才和其他數據人才平均每天學習時間對比 三、頭部數據人才畫像的價值通過頭部數據人才和其他數據人才的對比和分析，我們不難發現頭部數據人才成為“頭部”的重要因素。無論是在冰山上的知識技能，還是冰山下的勝任力潛能，甚至是對

31、于自我提升的時間和精力的投入，頭部數據人才的表現都為企業在構建數據人才團隊提供了明確的方向，這是頭部數據人才畫像的價值體現。CHAP 4如何構建優秀的數據人才團隊？一、 如何構建優秀的數據人才團隊二、數據團隊的賦能三、數據團隊的評估一、如何構建優秀的數據人才團隊高科技領域的企業競爭，實際上是優秀人才數量和質量的競爭。優秀人才團隊對企業快速發展有著極大的促進作用，數據人才不僅能為企業找出更符合商業邏輯的模型，還可以設計出優秀的數據產品及算法來為企業創造更大的價值。基于我們對于頭部數據人才的畫像描述，企業可以通過綜合評估目前的發展階段，以及管理水平，為自己設定和制定數據人才團隊構建的目標和策略。在

32、此白皮書中，我們認為企業可以從人才引進、培訓發展和評估三個方面著手打造自己的優秀數據人才團隊。1. 數據團隊的組建企業在數據人才的甄選上，盡可能做到盡善盡美，不僅需要考慮團隊的數據技能達到高水準，還需要考慮 WaveR 勝任力潛能測試對于數據人才的軟實力評價。經過多維度的評定以及分析，使人才能夠在發揮其個人特長的工作崗位上工作，實現個人最大價值。根據 WaveR 勝 知識技能的角度業務部門在深入分析自身需求的基礎上，制作人才畫像或者團隊畫像，提交人力資源部，人力資源部門根據業務部門的信息甄選優秀人才。對于初創型和尚未開始數字化轉型的傳統企業，建議招聘有工作經驗的數據人才，以盡快搭建科學有效的數

33、據底層建筑，此項投入的回報周期較長，但對企業初期發展的意義是不容忽視的。從長期來看，可以為日后節省很多工作量，部門間的合作也將更加流暢，但如果初期未進行完善的數據搭建工作，可能會造成后期不必要的麻煩，甚至難 勝任力潛能的角度基于頭部數據人才的 Wave R 勝任力潛能特征，企業在選人時可以重點從九大關鍵驅動因素來評估候選人的勝任力潛能，包括評估問題、探究問題、創新、建立關系、溝通信息、領導他人、適應改變、心理韌性和推動成功。任力潛能測試進行科學組隊，使團隊合作變得更加和諧。這不僅能實現團隊內部技能互補，還可以增強團隊凝聚力，實現高效的團隊協作，這是建立優秀數據團隊的前提。企業可以從知識技能和勝

34、任力潛能綜合評估判斷，來篩選出符合自己需求的數據人才。以修繕。對于已經形成穩定及完善的數據結構的企業，招聘優秀的應屆畢業生是一項不錯的選擇。此時企業自身已完成大部分數字化轉型任務，吸收優秀畢業生可以增強團隊活力以及增加新思路，并可以根據企業自身發展方向定向培養更加適合公司發展的人才。企業應當對候選人進行多元化評估，維度應包括數據人才的數據科學理論知識儲備，數據分析所用的工作棧、數據處理的方法與步驟以及主流軟件工具Python的使用情況。28 如何構建優秀的數據人才團隊？二、數據團隊的賦能文化賦能調研結果顯示，數據人才對薪酬福利、職業發展路徑以及公司文化最為關心；相比之下，數據人才對授權程度、公

35、司硬件環境以及工作壓力等外在條件并沒有很高的要求。對外界環境的容忍性較強，更加關注企業的內在，是數據人才的顯著特點。企業可嘗試在薪酬、職業發展路徑以及公司文化環境等方面增加投入，給予數據人才更優質的工作氛圍和文化環境，更具有挑戰性的項目，使數據工作者圖 34 選擇企業時，數據人才最關心什么？84%83%78%77%72%61%30%28%26%在工作中獲得成就感，并在合作中實現共贏，以增強團隊 凝聚力，使團隊人才流動保持在低流動率水平。發展賦能企業可以從知識技能與勝任力潛能培養和發展兩個方面對數據人才進行提升。一方面，基于企業需求對數據人才需要掌握的知識技能及其期望掌握的水平進行充分考量，并基

36、于頭部數據人才的知識技能特征作為培養目標，匹配和設計更具針對性的知識技能培訓課程體系，從而能夠幫助數據人才團隊的知識技能持續發展和提升。另一方面，基于頭部數據人才的關鍵驅動因素，規劃設計培訓發展項目和體系，如輪崗、培訓課程等混合式學習方法，來促進數據人才勝任力潛能的提升。三、數據團隊的評估檢驗團隊的成果數據團隊的價值是由商業價值來定義的，數據團隊的工作成果，需要與特定部門、特定職能、特定挑戰的績效結果進行關聯，以評估數據團隊的價值。由于業務和職能的數據化，是一個漫長的、全面的過程，容易產生浪費與失誤，檢驗團隊的效率數據團隊的工作成果，依賴于有效的工作流程與工具體系的支持。由于業務、工具都在持續的迭代，因此需要技術檢驗團隊的能力由于數據資源，數據算法，數據工具都在加速演化的快車道上，隨著時間的推移，以及業務的變