如今，全世界的企業都在強調：利用大資料分析進行商業觀察的價值。其中或許有盲目跟風之輩，但該思潮的背後有着充分的理由和動機。畢竟，大資料已成為了商界的新前沿領域。舉幾個例子，以今天的大資料技術，無論是分析海量資料、在某一趨勢發生之前進行大體預測，還是讓企業更高效地營運、與消費者建立更緊密的聯系，都可以在一定程度上實作。
當然，大資料的使用并不像說起來那麼容易。這就是為什麼各大公司争破頭也要為自己搶到最頂尖的大資料人才。資料科學家，就如同大資料分析所得出的結論，在帶來極大商業價值的同時也面臨着巨大的市場需求。2016 年全年都是如此，2017 一定會繼續。面對如此需求，資料科學家在就業市場的待遇好到令人嫉妒，根本不足為奇。
招聘需求旺盛并且一直在增加，這是因為越來越多的公司意識到他們現在就需要資料科學家；
相比其他所有職業，資料科學家從工作獲得的成就感和滿足感非常高；
最引人注目的還是薪水：薪水中位數（注意：不是平均值）為 11 萬美元，約 75.7 萬人民币。
資料科學家在 glassdoor “最佳職業”排名中名列第一
對于大多數人，薪水是首要因素。現在的情況是：有資料分析需求的大企業，都願意為這一稀有技能開出頂級薪酬。這背後是赤裸裸的市場供求關系——持續性的供不應求，帶來價格飛漲。不僅僅是 glassdoor，其他市場調查也證明，美國資料科學家的中位數年薪超過 11 萬美元，即便是新手的入職工資也接近 9 萬美元。
對于那些願意投入時間精力來學習新知識、不斷提高技術水準的人，資料科學提供了一個非常誘人的職業發展道路。再把大公司的年終獎和績效獎、創業公司的“入夥獎”算起來，資料科學家可謂是錢途遠大。
事實上，各行業的資料表明，大資料在現在、将來都會是各公司的核心資産，并在可預期的時間内其商業價值會越來越高。舉幾個例子，自動化在各個工作環境的應用不斷深入。而實作更高水準自動化的最佳手段，就是進行恰當的資料分析。虛拟化仍舊是一個流行話題，越來越多的機構準備采取虛拟化和內建化的系統來處理工作。幾乎所有公司，都希望在核心業務上向“資料驅動”轉型。沒有一兩個合格的資料科學家，這些顯然是很難實作的。
但這需要精通數學統計方法、python 和 r 等程式設計語言、資料庫知識，還有強大溝通能力的資料科學家（有時需要說服公司管理層、産品團隊采取特定方案）。不管是梳理客戶互動，還是對多個計算機伺服器上的資料進行挖掘，資料科學家都必須是一名多面手。
這看起來有點跑題，但作者想要表達的核心思想是——成為一名合格資料科學家的門檻很高，非常高。可預期的時間内，供應仍舊隻會是“小水管”，而不會出現低端 it 人才的批量供應問題——資料科學家群體中可能壓根沒有“低端”人才（雷鋒網注：這牽扯到對“資料科學家”的定義）。是以，過去十年 it 行業從巨大人才缺口，到如今的計算機專業大學生找不到工作、app 開發程式員過剩的現象，有可能不會在資料科學家圈子上演。
當然，無法保證這是否會在更低端的資料工作領域發生。
對于公司來講，為資料科學家職位找到合适的人，其實是一件相當困難、成本很高的事。一方面由于此，另一方面出于降低人力成本的考慮，而且不願意長期維持資料科學家的人才紅利，有實力的公司已經開辦各種資料人才培養項目。在美國，各大網際網路、科技巨頭們紛紛和高校進行合作，擴大資料科學領域的教育規模。這些項目旨在培養下一代的大資料人才，以滿足企業在将來的業務需求，不至于因人才匮乏而在公司轉型或業務發展上被“掐住喉嚨”。有的企業，如思科，在合作項目之外直接和大學簽訂就業協定，讓後者優先滿足其招聘需求，確定其資料科學職位不至于出現較大缺口。
這些供給層面的投入，是否會使得人才供應逐漸趕上需求？目前尚無法下結論。一方面，人才培養是一件長期、受多方因素影響的事。另一方面，資料人才的需求也一直在飛速增長。當然，近二十年來的 it 人才市場也完全符合這兩項特點。但如前文所提，資料科學家行業有相當的技能門檻，未必會重蹈覆轍。
至少在現在看來，資料科學家會在很長、很長的時間内供不應求。
本文作者：三川