当BI（商务智能）系统这个概念第一次浮出水面，其主要目的是帮助做出正确的业务决策，完全实现自服务。然而，BI变得越来越复杂，各种BI工具层出不穷，数据量激增，对反应速度的需求日益迫切，加上IT团队自身的局限，IT实现BI的初衷难以实现。这让人们明白了，没有BI专业人士的参与，智能化就是一纸空谈。

数据每两年翻一番，各种调查报告显示的数据量的增长几近荒谬。在此背景下，结果必然是数据科学家的出现。数据科学家需要分析大量数据，绘制技术图谱，将数据转化为业务洞察力。数据科学家需要鉴别数据源、数据质量、数据点的关联和信息用户的宣传。

现在，数据科学家的工作主要由BI团队的人员在分别承担，比如数据仓库架构师、业务分析师或者其他同类工作者。随着BI的发展，数据分析师会取代这些人，发掘可能超越现有模型和业务问题的新的趋势和关联。数据科学家首先处理数据，整合后再交给业务分析师。前Forrester高级分析师James Kobielus比较了数据科学家的工作和自然科学与社会科学的科学家的工作，认为数据科学家需要观测数据和实验数据。“以前，数据科学家不得不止步于少量样本”，随着一个日益成熟的职业的出现，这种情况将会改变。

任职条件

讨论谁具有担当数据科学家的资格，就像之前讨论CIO是应该有业务背景还是技术背景一样各执一词。最初，业内认为数据科学家起码要有数学或统计学的硕士学位。而Shoppers Stop的集团CTO Arun Gupta则表示：“数据科学家一职短缺，无论是谁，只要对数据工作有热情，都可以填补这一空白。”

然而，EMC的全球营销副总裁兼CTO Chuck Hollis 的要求则很苛刻：“数据科学家需要开发新的算法，用新的模式和见解处理尘封的数据。除了统计学以外，数据科学家还需要了解经济学，最好是在使用十到十五种BI工具方面有超过12年的从业经验。”

Mu Sigma是一家提供决策科学和分析服务的供应商，Deepinder Singh Dhingra带领其创新发展团队。他认为“数据科学家还应该涉猎实验心理学、人类学和社会科学”。为了建立BI卓越中心，对数据科学家的分析教育将走向制度化。

前方的路

随着社交媒体对业务的影响日益深远，组织希望将技术、社交软件和商务智能集成在一起，创建一个彼此协同的数据决策环境。数据科学家有责任为社交环境提供信息。在新方法（例如Hadoop）的帮助下，BI和分析将以新的形势结合在一起。不需要再等待结构化的、清洗过的、原始的数据，它们可以直接处理混合的数据包，提供实时的，或近实时的数据分析。有了数据科学家，描述性分析、预测分析和规范分析都不再是问题。

数据科学家会将决策能力提升到一个全新的水平，进化曲线正在从决策支撑走向运营。BI已经产生15年了，现在，BI是一个以分析为中心，包含市场调研的业务功能。拥有大量数据（无论是内部还是外部）的公司任用数据科学家是大势所趋，但小企业往往要量力而行，毕竟BI供应商提供的BI产品也能满足一部分需求。

然而，现实不是一堆数据科学家吵着要工作，恰恰相反，像Hollis所说的，“市场急需人才。对于每一个真正的数据科学家，都有至少30个职位在等着他。”

因此，Analytics as a Service就应运而生了，虽然它仍处在初创阶段。随着情况越来越复杂，成熟的服务模型与业务成果直接挂钩，Analytics as a Service的采用率会有所增加。对很多中小企业来说，通过分析服务供应商任用数据科学家只是一个中间步骤。

数据分析无疑是一个改变游戏规则的领域，数据科学家将在今后五年成为改变和竞争的主要推动力。然而，数据科学家是否能够崛起还要看数据分析的主要的推手——金融证券、零售和通信行业的巨头能否推动这种潮流。