数据科学相关的技能和工具有各种各样的，想要转型数据的公司往往觉得无从下手，自己的团队到底该加强哪方面的技能储备才能有最大商业回报呢？撒网式招聘对于很多初创公司过于昂贵，本文提供了一个分析矩阵，帮你正确评估对针对你投入产出比最高的数据技能。
数据技能（Data skills）——将数据转化为洞察力和行动的能力——成为现代经济的驱动力。根据世界经济论坛的报告，受到劳动力市场变化影响工作岗位逐渐萎缩，专注于计算和数学领域的工作岗位却呈现出最强劲的增长势头。
因此，处于数据驱动经济增长的环境下，无论是为了实现自身价值的最大化，或仅仅是为了我们和我们的团队与时俱进，保持在就业市场的竞争性，我们都需要考虑让自己拥有更多与数据相关的技能。但是你应该更关注哪些技能呢？
我们大多数人能跟上这一趋势吗？还是索性放弃回到那些正逐渐萎缩的领域，把数据相关的技能留给那些专家们去研究？
我们借助过去用过的一种分析方法来回答这个问题，曾经我们用它分析过如何从收益和成本的角度来确定优先学习哪种Microsoft Excel技能。这次我们将“时间效用分析法”用于数据技能。“时间”表示学习某项技能要花费的时间，代表你或你的团队掌握该项技能的机会成本。“效用”表示从多大程度上你需要这项技能，代表它会为你的公司和职业前景增加多大的价值。
优先学习哪种技能：
https://hbr.org/2017/09/a-2x2-matrix-to-help-you-prioritize-the-skills-to-learn-right-now
把时间和效用相结合，你就可以得到一个简单的2*2的四象限矩阵。
学习：实用性高，学习时间短。你可以不费吹灰之力就掌握这个技能，并快速为你和你的团队增加价值。
计划：实用性高，学习时间长。虽然这项技能很有价值，但学习它意味着你要暂时放弃学习其他技能，把它列为最优先学习的。因此你需要确保它物有所值。
浏览：实用性低，学习时间短。你现在不需要这个技能，但它很容易掌握，所以只要稍微留意一下就行了，说不定哪天会用得着。
忽略：实用性低，学习时间长。你没时间浪费在它身上。
为了帮助你决定学习的重点，我们根据这个方法绘制了关键数据技能图。我们列出了各类角色需要具备的数据技能，考虑的职位角色包括：业务分析师，数据分析师，数据科学家，机器学习工程师或者增长黑客。
然后，我们根据这些技能在招聘信息、新闻报道和我们学员的反馈信息中出现的频率来确定其实用性。最后，我们将技能的实用性与学习难度相结合——用掌握技能所耗时间作为衡量标准，评估学习每项技能的难易程度。
我们用这种方法评估的是数据技能而不是某项特定技术：因此，我们考虑的是机器学习而不是TensorFlow；是商业智能而不是Microsoft Excel等。一旦你根据自己的情况确定了该优先掌握哪些技能，你就知道什么样的专业软件和学习方法对你最有帮助。
您还可以根据自己的情况调整分析方法，因为相同的数据技能对不同的人会产生不同的影响。以下是我们的结果：
在我们公司内部我们发现构建这个矩阵帮助我们解决了一个难题-到底该把主要精力放在哪里：乍一看，我们初选名单中的所有技能看起来都很有价值。但实际上，我们只能期望在少数几个方面取得进展，至少在短期内。基于数据可视化具有高实用性和学习时间较短的特点，我们公司决定提升数据可视化能力，以获取最佳投资收益。依据分析结果，我们已经采取了行动，并且开始使用Tableau为我们的客户提供用量分析。
你也可以在你自己的公司中尝试这个矩阵，它能帮助你的团队确定现在最需要学习哪些数据技能。
