副標(biāo)題：預(yù)期急著去雇用新的數(shù)據(jù)科學(xué)家胡嘿，不如考慮下培訓(xùn)你原來(lái)的數(shù)據(jù)科學(xué)家吸占。

譯者注：挑選這篇文章做翻譯，其實(shí)也是看中里邊關(guān)注到的：傳統(tǒng)數(shù)據(jù)分析向新型數(shù)據(jù)分析轉(zhuǎn)變所需要關(guān)注的點(diǎn)（包括認(rèn)知和知識(shí)儲(chǔ)備上）顽决。然而只是泛談并沒(méi)有實(shí)際操作啊～原文作者是大數(shù)據(jù)科學(xué)家培訓(xùn)師族铆，這篇文章就是他的培訓(xùn)班宣傳文字～Anyway，看看也好一屋。

大數(shù)據(jù)和數(shù)據(jù)科學(xué)很流行窘疮，以至于我們常常忘記在它變得時(shí)髦之前是有大量的專(zhuān)業(yè)分析數(shù)據(jù)作為鋪墊的。

這被認(rèn)為是分析1.0和分析2.0的分水嶺——數(shù)據(jù)分析師冀墨、金融分析師闸衫、統(tǒng)計(jì)分析師、精算師這種傳統(tǒng)角色所做的是分析1.0诽嘉，而分析2.0以數(shù)據(jù)科學(xué)家和大數(shù)據(jù)為特點(diǎn)蔚出。很多吵著要招聘數(shù)據(jù)科學(xué)天賦者的公司開(kāi)始意識(shí)到有潛力的數(shù)據(jù)分析所帶來(lái)的財(cái)富就在他們指尖——只消一些訓(xùn)練，有天賦的分析師就能成為數(shù)據(jù)科學(xué)家虫腋。換句話說(shuō)骄酗，分析1.0和2.0之間并非你想象中那么遠(yuǎn)。

分析1.0專(zhuān)家來(lái)自很多行業(yè)悦冀，包括財(cái)務(wù)趋翻、健康、政府和科技盒蟆。但他們都有圍繞科學(xué)計(jì)算和統(tǒng)計(jì)相關(guān)的相同的核心技能踏烙，他們成為加以訓(xùn)練后追上數(shù)據(jù)科學(xué)家的理想候選人。除了具有數(shù)據(jù)科學(xué)技能历等，這些受雇者還更理解行業(yè)需求——可謂是老司機(jī)讨惩。當(dāng)然，這些優(yōu)勢(shì)也是他們的挑戰(zhàn)寒屯，根據(jù)我的經(jīng)驗(yàn)荐捻，這三個(gè)主要挑戰(zhàn)是：學(xué)習(xí)新的計(jì)算機(jī)技術(shù)，新的統(tǒng)計(jì)技術(shù)和新的思維模式寡夹。接下來(lái)我們逐個(gè)談?wù)摗?/p>

學(xué)習(xí)新的計(jì)算機(jī)技術(shù)

分析2.0是由絕對(duì)數(shù)量和數(shù)據(jù)多樣的可用性來(lái)定義的处面。數(shù)據(jù)科學(xué)家需要過(guò)硬的計(jì)算機(jī)技能以處理不斷增長(zhǎng)的數(shù)據(jù)體量和計(jì)算復(fù)雜度。這重要的新技能是并行計(jì)算和分布式計(jì)算——分解從計(jì)算機(jī)網(wǎng)絡(luò)下載的大量信息菩掏。但是成功地促進(jìn)并行需要理解：對(duì)于是否能并行計(jì)算的任務(wù)鸳君，怎樣把分配計(jì)算機(jī)資源或強(qiáng)加限制。處理絕對(duì)規(guī)模數(shù)據(jù)是分析2.0的必要部分患蹂。

數(shù)據(jù)類(lèi)型的多樣化也是個(gè)主要挑戰(zhàn)或颊。數(shù)據(jù)1.0利用了數(shù)據(jù)集的規(guī)整砸紊、結(jié)構(gòu)化和單向來(lái)源。相反囱挑，數(shù)據(jù)2.0是關(guān)注于數(shù)據(jù)集的混亂醉顽、非結(jié)構(gòu)化、多向來(lái)源并且需要從業(yè)者能利用良好的軟件工程能力去清洗平挑、結(jié)構(gòu)化并整合多來(lái)源數(shù)據(jù)游添。

學(xué)習(xí)新的統(tǒng)計(jì)分析技術(shù)

沒(méi)經(jīng)驗(yàn)的人經(jīng)常對(duì)大數(shù)據(jù)有誤解，說(shuō)大數(shù)據(jù)就是基于很多數(shù)據(jù)做相同的分析通熄。這在兩個(gè)方面有誤：

首先唆涝，相對(duì)大量的數(shù)據(jù)允許我們?nèi)⒂脤?duì)小量數(shù)據(jù)集無(wú)用的更強(qiáng)大的技術(shù)。理解高度微妙的客戶(hù)偏好相對(duì)狹窄段是完全建立在足夠數(shù)據(jù)之上的唇辨，這能完整統(tǒng)計(jì)到對(duì)小客戶(hù)群的細(xì)微影響因素廊酣。
對(duì)小數(shù)據(jù)集使用深度神經(jīng)網(wǎng)絡(luò)是個(gè)災(zāi)難（雖然也難以避免經(jīng)理要求這么做）。

其次赏枚，即使你還在運(yùn)行相同的分析算法亡驰，數(shù)據(jù)的絕對(duì)規(guī)模也使你面臨新的挑戰(zhàn)。如果你不能把數(shù)據(jù)都塞進(jìn)你的筆記本饿幅，你怎樣求平均凡辱？如果要花掉24小時(shí)分析24小時(shí)不間斷的數(shù)據(jù)，你怎樣分析栗恩？在多臺(tái)機(jī)器上進(jìn)行平行計(jì)算是很昂貴的透乾，并且只在特定情況下起作用。理解怎樣在統(tǒng)計(jì)嚴(yán)密性和計(jì)算靈活性之間做合適的折衷是加入分析2.0的必須技能磕秤。

最后乳乌，跟分析1.0相反，很多新型分析2.0數(shù)據(jù)源收集后不是在手頭分析的亲澡。數(shù)據(jù)分析副產(chǎn)品需要對(duì)數(shù)據(jù)的偏見(jiàn)有良好意識(shí)，這是數(shù)據(jù)科學(xué)家需要增加他們的數(shù)據(jù)知識(shí)的原因之一纫版。

學(xué)習(xí)新的思維模式

技能之外床绪，分析2.0需要全新的思維轉(zhuǎn)換。分析1.0致力于搜集規(guī)整的數(shù)據(jù)以便著手分析其弊。分析2.0圍繞在挖掘表面上無(wú)盡繁瑣的為第三方搜集的數(shù)據(jù)上癞己，更常是為其他機(jī)構(gòu)，并為你所在組織的新用戶(hù)梭伐。比如痹雅，制藥行業(yè)被迫從臨床有效推到現(xiàn)實(shí)世界，跳出實(shí)驗(yàn)室糊识。市場(chǎng)依賴(lài)于網(wǎng)絡(luò)行為數(shù)據(jù)绩社，實(shí)體零售商擁抱移動(dòng)用戶(hù)的定位數(shù)據(jù)來(lái)根據(jù)位置預(yù)測(cè)需求摔蓝；農(nóng)業(yè)利用衛(wèi)星圖片來(lái)獲取土壤質(zhì)量和作物產(chǎn)量信息———這些都只是分析2.0冰山的一角，但這也需要完全不一樣的技能愉耙。

不像在同一類(lèi)型數(shù)據(jù)上進(jìn)行同一類(lèi)的分析贮尉，新的分析專(zhuān)家必須探索與眾不同的數(shù)據(jù)集并提升他們的創(chuàng)新力以趕上這些新的實(shí)用案例需求。他們不僅決定答案——他們還得決定問(wèn)題朴沿。

原標(biāo)題：Leveraging analytics 1.0 for the analytics 2.0 revolution
原作者：Michael Li
原文鏈接：https://www.oreilly.com/ideas/leveraging-analytics-1-0-for-the-analytics-2-0-revolution