数据人才白皮书

1、CONTENTS HYPERLINK l _bookmark0 01 HYPERLINK l _bookmark0 前言 HYPERLINK l _bookmark1 CHAP1 当我们讨论数据人才的时候，我们在讨论什么？ HYPERLINK l _bookmark2 一、为什么企业需要数据化转型 HYPERLINK l _bookmark2 二、数据人才支撑数据化转型 HYPERLINK l _bookmark3 CHAP2 什么是数据人才？ HYPERLINK l _bookmark4 一、数据工作者的定义 HYPERLINK l _bookmark4 07 HYPERLINK l _bo

2、okmark4 二、关键经历 HYPERLINK l _bookmark5 10 HYPERLINK l _bookmark5 三、知识技能 HYPERLINK l _bookmark6 13 HYPERLINK l _bookmark6 四、Wave R 胜任力潜能 HYPERLINK l _bookmark7 17 HYPERLINK l _bookmark7 五、对未来的期望 HYPERLINK l _bookmark8 CHAP3 头部数据人才是什么样的？ HYPERLINK l _bookmark9 一、什么是头部数据人才 HYPERLINK l _bookmark10 二、头部数据

3、人才 v.s 其他数据人才 HYPERLINK l _bookmark11 三、头部数据人才画像的价值 HYPERLINK l _bookmark12 CHAP4 如何构建优秀的数据人才团队？ HYPERLINK l _bookmark13 一、数据团队的组建 HYPERLINK l _bookmark14 二、数据团队的赋能 HYPERLINK l _bookmark15 三、数据团队的评估 HYPERLINK l _bookmark16 CHAP5 数据武装，决胜这个 VUCA 的时代！ HYPERLINK l _bookmark17 32 HYPERLINK l _bookmark17

4、后记CHAP 1当我我们们在讨论数什据么人？才的时候，一、为什么企业需要数据化转型二、数据人才支撑数据化转型一、为什么企业需要数据化转型近些年，我国居民生活水平有了极大的提升，对生活品质的要求也越来越高。消费者对于产品、服务、体验的需求也呈现多元化发展方向，企业需要通过为客户提供更加贴心与高品质的服务和产品来满足客户的需求，这是企业重视数据、期望挖掘和应用数据的根本驱动力。于是，在科技飞速发展的今天，越来越多的企业正在借助大数据及人工智能的力量提升经营效率和市场竞争力，数据化转型已经当我们讨论数据人才的时候，我们在讨论什么？ 05成为优秀企业的战略共识。数据处理技术的突飞猛进，使得数据资源能够

5、以更高效率、更加丰富的形式，转化为企业所需要的商业价值。很多大型企业已经走在数字化转型道路的前沿，其中数据团队功不可没。数据团队通过对以往数据的收集、整合、加工、利用，对现有业务进行调整和预测，不断推出更高性价比的产品、服务与体验，提升企业效益。二、数据人才支撑数据化转型数据化转型是一个充分利用数据资源及技术手段来解决现有行业问题和社会问题的过程，这个过程不仅依赖于资金投入、资源整合，更高度依赖人才的技能、创造性以及管理能力，数据人才就是支撑企业数据化转型的重要基础和武器。然而，面对快速变化的商业和科技环境，学校和企业对于数据人才的培养始终面临着多形态的挑战；另一方面，数据人才需要大量实践经验

6、的积累和不同场景的历练，才能够将数据科学运用到真实的商务情景中，因此一个优秀的数据人才的培养周期是非常漫长的。如何最大化数据人才的价值，充分支撑企业的数据化转型，是非常值得探究的重要命题。CHAP 2什么是数据人才？一、数据工作者的定义二、关键经历三、知识技能四、Wave R 胜任力潜能五、对未来的期望一、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。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。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，

7、还是对人才个人的数据化转型，都是一个值得关心的问题。 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。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。22%24%1%6%20%9%18%图 1 数据人才来自哪些专业？ 优质院校占据

8、半壁江山，市场供给质量较高与其他人才群体相比，海外院校与国内 211/985 院校占比接近 50%。每 2 个数据专业人才中就有 1 位来自海外院校或国内 985/211 院校，从侧面反映出数据人才群体整体供给质量较高。图 2 数据人才毕业于哪些院校？38%9%53%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。 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

9、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。 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

10、技术岗位相比，女性占比更高。图3 图4 图 5 数据人才是否存在明显性别差异？ 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

11、策依据。 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。图 6 数据人才的工作年限分布49%30%21%46%31%11%9%2%图 7 数据人才对工作的满意度分布三、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

12、高效。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。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。75%58% 52%38% 37% 34%24% 21% 20% 17%图 8 数据工作者必备的 Top10 数据科学方法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

13、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，一般图 9 数据人才在工作中，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86%74%73%72%70%60%46%40%24%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

14、从侧面为数据人才提升自身竞争力提供了明确的方向。图 10 数据人才在工作中，涉及到的工作步骤有哪些？数据处理的工具栈我们从工具的常见程度和重要程度对数据处理的各个工具栈进行调研，这些工具包括：Python、SQL、Excel、PythonSQLMicrosoft ExcelHadoop/Hive/PigRTableauSpark/MLlibJupyter NotebooksC/C+ NoSQLD3.jsJavaMATLAB/Octave Unix shell/awk图 11 数据工作者认为流行 / 重要的工具栈Hadoop/Hive/Pig, R, Jupyter Notebooks、Tabl

15、eau、 Spark/MLlib、Java 等。 Excel、SQL、Python 是数据人才常用且重要的工具栈组合Excel 作为一款大众普遍知晓的电子表格软件，入门门槛低，对于轻量数据能够快捷、高效的进行处理、分析与展示，且结果较为直观。SQL(Structured Query Language) 是一门针对关系型数据库系统 (RMDBS) 设计的结构化查询语言，数据人才通常用 SQL 语句实现对数据库中数据的管理与操作。Python 语言诞生于上世纪 90 年代，近些年，随着数据 Jupyter Notebook 正在进入数据人才的视野 Jupyter Notebook 诞生于 2014

16、 年， 它基于 Python/ R 的交互式编程体验，被誉为 The Innovation of DataScience （数据科学界的革新），在国外受到众多数据工作者的欢迎。但从本次调研结果来看，目前 Jupyter科学与人工智能大力发展，其热度逐渐提升。Python 有着丰富的工具包，不论数据量大小，均能够完成从数据清洗到建模分析和展示的整套工作流。实际数据分析工作中，数据人才需要将目标分解为对数据的查询、清洗、建模分析等工作任务。Excel、SQL、 Python 三者相辅相成，助力数据人才根据实际业务需求，选择相应的工具栈完成任务。Notebook 在国内的流行程度还不高，但已经受到大

17、部分数据工作者的重视，相信未来它会被越来越多的数据人才所应用。用 Python 做数据分析随着 Python 热度的持续升温，如何成为一名会 Python编程的数据人才，亦是学校课程设计、企业内部培训、数据人才自身发展所要考虑的重要课题。根据调研结果，用 Python 编程的数据人才最常用的 10 个工具包整理如下：12345678910PandasNumpyMatplotlibScikit-learnScipyTensorFlowMathSeabornXgboostJsonPandas、NumPy 及 Matplotlib 是数据人才最常用的 3个工具包。在用 Python 做数据分析的流程

18、中，Pandas主要被用于数据读取、清洗预处理等操作；NumPy 提供了许多高级的数值编程 API，被用于完成更复杂的数据处理任务；Matplotlib 是一个基础的绘图库，可以协助数据工作者完成数据可视化任务。四、Wave R 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 R 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图 12 Wave R 金字塔模型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 R 职业风格测试提供关于个体图 13 与“大五人格”的关系最全面、

19、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整体 Wave R 胜任力潜能思维构面强，影响构面弱整体而言，从 wave R 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。图 14 数据人才的整体 Wave R 胜任力潜能性别上的 Wave R 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

20、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图 15 数据人才的 Wave R 胜任力潜能在性别上的均值差异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

21、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 /

22、 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。图 16 数据人才对未来职业发展通道的偏好48%52%图 17 数据人才对未来职业发展方向的偏好48%43%42%39%37%20% 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

23、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图 18 数据人才对于未来三年内继续学习深造的规划30%70%图 19 数据人才平均每天花多久自我充电？62%35%3%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。图 20 数据人

24、才选择自我充电的方式40%40%20%CHAP 3头部数据人才是什么样的？一、什么是头部数据人才二、头部数据人才 vs 其他数据人才三、头部数据人才画像的价值一、什么是头部数据人才头部数据人才须兼具出色的数据知识技能与较强的胜任力潜能。基于每位参与调研的数据人才完整的问卷回答，通过一系列的数学模型，我们得到了每位参与调研的数据人才的知识技能水平与胜任力潜能水平所对应的能力值。以知识技能潜能为横轴、胜任力潜能为纵轴，原点为两指图 21数各自的均值，即得到数据人才评估的坐标系。因而，落在第一象限的人才为头部数据人才，即他们的数据专业知识技能与胜任力潜能均高于均值。整体而言，头部数据人才占比为 22

25、%。头部数据人才0.60.40.20-0.2-0.4-0.6-0.4-0.200.20.40.6二、头部数据人才 vs 其他数据人才头部数据人才的关键经历头部数据人才来源质量更优头部数据人才中拥有硕士及以上学历的比例显著高于其他数据人才。近 35% 的头部数据人才拥有硕士及以上学历，而在其他数据人才中这个比例仅接近 20%。头部数据人才中毕业于国内 985/211 院校的人才比例也显著高于其他数据人才。近 50% 的头部人才毕业于图 22 毕业于国内 985/211 院校的人才在相应群体中的占比48%38%985/211 院校，而在其他人才中这个比例不到 40%。 以上两个关键经历的对比表明，

26、头部数据人才从来源上优于其他数据人才。35%19%图 23 硕士及以上学历的人才在相应群体中的占比头部数据人才的知识技能我们认为知识技能包含数学与统计分析和机器学习。与数学与统计分析知识技能相关的子项有：多元微积分、线性代数、运筹学、描述性统计、实验设计、统计推断、统计学习。与机器学习能力相关的子项有：学习理论、线性 / 逻辑回归、决策树、贝叶斯方法、SVM、聚类、神经网络、集成学习。图 24 头部数据人才与其他数据人才在知识技能上的均值差异43210图 25 头部数据人才的知识技能掌握情况 SVM图 26：其他数据人才的知识技能掌握情况SVM 头部数据人才在机器学习领域优势显著对比数学与统计

27、分析和机器学习相关知识技能，其他数据人才在机器学习领域与头部数据人才差距较大。机器学习在数据工作中的运用不仅可以更好地做一系列的预测或判断，还能自动化理解并捕捉非结构化数据（如图像、文本、语音等）中的信息，从而为进一步的挖掘与分析奠定了基础，因此是非常重要的一部分数据专业能力。在机器学习这一点上也能看到其他数据人才与头部数据人才之间非常大的差距，但同时体现了头部人才非常综合全面的数据专业能力。图 27 头部数据人才与其他数据人才在常用算法模型上的对比100%80%60%40%20%0% 头部数据人才在机器学习领域优势显著在各个算法的常用性方面，线性回归作为最基础的数据分析模型，使用频率基本一致

28、，而在较为复杂的算法方面，其使用频率则有明显差异，建议企业内部培训和学校教育对于复杂算法增加培养力度，促进数据人才的多元化发展。可以看到，头部数据人才普遍掌握更为综合的技术能力，且在工作中能够进行多维度思考，并通过不同方法解决数据相关问题；在此过程中，他们的 wave R 胜任力潜能对于数据能力的卓越发挥起到举足轻重的作用。图 28 头部数据人才与其他数据人才在 Wave R 胜任力潜能上的均值差异 8642头部数据人才的胜任力潜能头部数据人才和其他数据人才的相对优劣势比较一致整体来看，头部数据人才和其他数据人才在胜任力潜能的趋势表现上比较接近，即胜任力长短板比较一致。头部数据人才的九大关键驱

29、动因素（Key Successful Factors）对比两个人才群体的胜任力潜能表现，在 12 项潜能中，图 29 头部数据人才和其他数据人才在 wave R 胜任力潜能中的思维模块对比 8765432我们总结出 9 项关键的驱动因素：评估问题、探究问题、创新、建立关系、沟通信息、领导他人、心理韧性、适应改变、推动成功。以下为具体思维、影响、适应和执行四个构面中，头部数据人才和其他数据人才在具体个性特质和行为风格上的差异表现：图 30 头部数据人才和其他数据人才在 wave R 胜任力潜能中的影响力模块均值差异8765432图 31 头部数据人才和其他数据人才在 wave R 胜任力潜能中的

30、适应模块均值差异87654366%46%47%31%7%3%2图 32 头部数据人才和其他数据人才在 wave R 胜任力潜能中的执行模块均值差异8765432头部数据人才的自我提升头部数据人才在自我提升上的投入更多通过对比头部数据人才在培训、学习方面的时间投入，我们发现头部数据人才的时间投入更多，我们相信这或许是头部数据人才能够比其他数据人才优秀的重要因素之一。图 33 头部数据人才和其他数据人才平均每天学习时间对比 三、头部数据人才画像的价值通过头部数据人才和其他数据人才的对比和分析，我们不难发现头部数据人才成为“头部”的重要因素。无论是在冰山上的知识技能，还是冰山下的胜任力潜能，甚至是对

31、于自我提升的时间和精力的投入，头部数据人才的表现都为企业在构建数据人才团队提供了明确的方向，这是头部数据人才画像的价值体现。CHAP 4如何构建优秀的数据人才团队？一、 如何构建优秀的数据人才团队二、数据团队的赋能三、数据团队的评估一、如何构建优秀的数据人才团队高科技领域的企业竞争，实际上是优秀人才数量和质量的竞争。优秀人才团队对企业快速发展有着极大的促进作用，数据人才不仅能为企业找出更符合商业逻辑的模型，还可以设计出优秀的数据产品及算法来为企业创造更大的价值。基于我们对于头部数据人才的画像描述，企业可以通过综合评估目前的发展阶段，以及管理水平，为自己设定和制定数据人才团队构建的目标和策略。在

32、此白皮书中，我们认为企业可以从人才引进、培训发展和评估三个方面着手打造自己的优秀数据人才团队。1. 数据团队的组建企业在数据人才的甄选上，尽可能做到尽善尽美，不仅需要考虑团队的数据技能达到高水准，还需要考虑 WaveR 胜任力潜能测试对于数据人才的软实力评价。经过多维度的评定以及分析，使人才能够在发挥其个人特长的工作岗位上工作，实现个人最大价值。根据 WaveR 胜 知识技能的角度业务部门在深入分析自身需求的基础上，制作人才画像或者团队画像，提交人力资源部，人力资源部门根据业务部门的信息甄选优秀人才。对于初创型和尚未开始数字化转型的传统企业，建议招聘有工作经验的数据人才，以尽快搭建科学有效的数

33、据底层建筑，此项投入的回报周期较长，但对企业初期发展的意义是不容忽视的。从长期来看，可以为日后节省很多工作量，部门间的合作也将更加流畅，但如果初期未进行完善的数据搭建工作，可能会造成后期不必要的麻烦，甚至难 胜任力潜能的角度基于头部数据人才的 Wave R 胜任力潜能特征，企业在选人时可以重点从九大关键驱动因素来评估候选人的胜任力潜能，包括评估问题、探究问题、创新、建立关系、沟通信息、领导他人、适应改变、心理韧性和推动成功。任力潜能测试进行科学组队，使团队合作变得更加和谐。这不仅能实现团队内部技能互补，还可以增强团队凝聚力，实现高效的团队协作，这是建立优秀数据团队的前提。企业可以从知识技能和胜

34、任力潜能综合评估判断，来筛选出符合自己需求的数据人才。以修缮。对于已经形成稳定及完善的数据结构的企业，招聘优秀的应届毕业生是一项不错的选择。此时企业自身已完成大部分数字化转型任务，吸收优秀毕业生可以增强团队活力以及增加新思路，并可以根据企业自身发展方向定向培养更加适合公司发展的人才。企业应当对候选人进行多元化评估，维度应包括数据人才的数据科学理论知识储备，数据分析所用的工作栈、数据处理的方法与步骤以及主流软件工具Python的使用情况。28 如何构建优秀的数据人才团队？二、数据团队的赋能文化赋能调研结果显示，数据人才对薪酬福利、职业发展路径以及公司文化最为关心；相比之下，数据人才对授权程度、公

35、司硬件环境以及工作压力等外在条件并没有很高的要求。对外界环境的容忍性较强，更加关注企业的内在，是数据人才的显著特点。企业可尝试在薪酬、职业发展路径以及公司文化环境等方面增加投入，给予数据人才更优质的工作氛围和文化环境，更具有挑战性的项目，使数据工作者图 34 选择企业时，数据人才最关心什么？84%83%78%77%72%61%30%28%26%在工作中获得成就感，并在合作中实现共赢，以增强团队 凝聚力，使团队人才流动保持在低流动率水平。发展赋能企业可以从知识技能与胜任力潜能培养和发展两个方面对数据人才进行提升。一方面，基于企业需求对数据人才需要掌握的知识技能及其期望掌握的水平进行充分考量，并基

36、于头部数据人才的知识技能特征作为培养目标，匹配和设计更具针对性的知识技能培训课程体系，从而能够帮助数据人才团队的知识技能持续发展和提升。另一方面，基于头部数据人才的关键驱动因素，规划设计培训发展项目和体系，如轮岗、培训课程等混合式学习方法，来促进数据人才胜任力潜能的提升。三、数据团队的评估检验团队的成果数据团队的价值是由商业价值来定义的，数据团队的工作成果，需要与特定部门、特定职能、特定挑战的绩效结果进行关联，以评估数据团队的价值。由于业务和职能的数据化，是一个漫长的、全面的过程，容易产生浪费与失误，检验团队的效率数据团队的工作成果，依赖于有效的工作流程与工具体系的支持。由于业务、工具都在持续的迭代，因此需要技术检验团队的能力由于数据资源，数据算法，数据工具都在加速演化的快车道上，随着时间的推移，以及业务的变