本文由方磊撰寫並投遞數據猿參與評選。
2012年，數據科學家作為新興職業出現；2017年，Gartner首先為數據科學平臺給出定義；2019年，數據科學平臺在中國開始從小眾走向大眾。這種服務數據科學家及團隊的建模平臺工具在中國市場的表現，從晦澀到主流，從定義不明到自立山頭，僅用了一年時間，再一次體現了中國速度。
2020年，我們能看到數據科學平臺將迎來新一輪市場爆發。
市場利好+政策利好雙重助力，自動化決策需求成就數據科學平臺“高光時刻”
2019年仍然是數字經濟競爭激烈的一年，社會整體對數據價值的認知提升到新的階段。“數據科學家”，這個賦予數據更多價值的職業在任何國家都供不應求，在中國表現更甚。目前中國的數據科學家僅有2-3萬名，但市場上的人才缺口高達數百萬。教育部每年批准開設“數據科學與大數據技術專業”的高校越來越多，2015年首次批示僅3所，到2018年，共有488所高校獲批。數據科學人才正在加緊培育，但能夠高質量地填補人才缺口，還需要時間。
商業市場則走地更快，以數據、資源、需求等各方面都相對完備的金融行業為例，在人才有限的情況下已經獲得了高可用、可複製的數據科學實踐真知，從2019年8月央行下發的《金融科技（FinTech）發展規劃（2019-2021年）》可見一斑。這個針對金融科技的第一個頂層規劃中指出，要運用數據科學的相關技術（機器學習、數據洞察、數據挖掘、建模分析、算法模型等）解決各類金融場景難題。人才不夠，工具來湊，這也是近年來數據科學平臺在金融行業被成功運用的利好結果。
權威的第三方機構眼光就更加客觀和長遠，在今年8月和10月份，IDC和Gartner分別針對數據科學平臺在中國及亞太市場的表現相繼發佈研報；在相關大數據產業地圖中，數據科學平臺也開始作為獨立賽道進入公眾視野，九章雲極的DataCanvas數據科學平臺均有幸入圍。
一項技術得以獲得教育、政策、市場等多方面的綜合肯定和支持，背後一定具備強大的需求驅動。目前，市場上對數據分析的需求上升到了“自動化決策”，如果說用圖表展示已有數據的BI是數據分析1.0，那麼預測未來、可以自動做出決策的AI就是數據分析2.0。
數據科學平臺就是實現數據分析2.0的載體，數據科學的核心能力就是機器學習的能力、實時的能力、企業AI落地的能力，通過一個個數據模型，讓企業龐雜分散的數據變成高價值的決策，能夠真正地指導企業運營和業務決策。這正是當今企業數字化轉型、AI落地亟需的能力。
2019年，數據科學平臺在大數據行業中成功自立山頭，這是數據科學平臺在行業地位中的第一個“高光時刻”。
數據科學精細化發展，自動化成為時代寵兒
從國際視野來看，近年來數據科學受關注熱度有增無減，並趨向專業細分化。
Gartner每年都會預測次年的十大技術趨勢，從2016年開始，數據分析相關的技術開始出現在每年的趨勢報告中。在2017技術趨勢中，數據分析還沒有獨立出來，而是作為“數字技術平臺”這個技術的一部分，2018技術趨勢中出現了“智能應用與分析”，2019技術趨勢中出現了“增強分析”，剛剛發佈的2020技術趨勢進一步把數據分析細化了，叫做“超自動化”——指的是多種用於交付工作成果的機器學習（ML）、軟件工具包以及自動化工具的總和。
九章雲極一直超前把握和實踐技術的發展趨勢，DataCanvas數據科學平臺就是將數據建模的各個環節自動化的強大工具，並部署到企業業務中，從而實現企業“自動化決策”的需求。
具體到實際操作中，數據科學平臺的使用者還是數據科學家們，但隨著建模壁壘一再降低，尤其是藉助自動機器學習實現的自動建模出現，數據科學家的邊界變大、變模糊了。除了使用編碼建模的專業數據科學家，使用拖拽式建模的IT工程師和使用自動建模的業務人員也被統稱為平民數據科學家。
此外，得益於企業自動化決策需求的不斷推進，數據科學平臺工具的自動化功能將會愈加先進和完善，在未來甚至可以成為一種更低門檻、可廣泛培訓的軟件技能。
技術壁壘逐漸弱化，“知識融合”將成行業新壁壘
經過2019年的實踐，我們發現頭部企業對技術開放和技術傳承的要求也越來越高。擁有更多高端技術人員和更強技術實力的頭部公司，將自有的技術能力、模型資產轉化為企業軟資產的同時，也在思考如何將軟實力更好地管理和傳承下去。人員和團隊更替、各部門間協同難的情況都可能會產生技術能力的遺失和斷層。
其次，從市場反饋來看，頭部客戶同時也更青睞開源、開放的平臺架構，通過在開放平臺上進行自主建設，來降低鎖定供應商的可能性和對供應商的依賴程度，這也是市面上“白盒”算法、開源框架備受歡迎的原因之一。
更低的技術門檻、更開放的平臺架構，同時意味著更低的壁壘。當一個壁壘降低到一定程度，就不再是主要矛盾，屆時新的矛盾會出現，新的壁壘也就應激產生。
落到數據科學平臺行業來說，我們預測在2020年，“知識融合”將作為新的行業壁壘。
數據科學的發展本身就是由市場需求推動形成的，其核心目的就是提供更高的商業價值，也就是說，BI圖表展示、AI分析、自動化決策等等都是需求升級的產物。我們能看到，下一階段的升級將會是利用數據指導業務、指導企業運營的需求。
這就需要更多非數據、跨行業、多學科交叉的“知識”與技術相結合，最終被運用到業務場景中提升業務價值。讓知識與技術相結合的載體，實現的途徑之一依然是“人”，並且是即懂業務又懂技術複合型人才；途徑之二，還是工具。九章雲極的數據科學家們已經致力於此，建立“四庫”，這是業內首個關於“知識融合”解決方案，我們相信它能夠直擊企業下一階段痛點。
當然，“知識融合”問題也已受到各方機構關注，在央行下發的金融科技發展規劃中多次提及多學科交叉融合、造就即懂金融又懂科技的專業人才；國家雙創示範基地和大型企業在各類實驗項目和業務中，也正在實踐細分業務的知識融合。“知識融合”難題的解決，將成為數據科學賦能商業價值的新高光。
深耕耘+廣播種，數據科學平臺增量市場可觀
數據科學平臺在2019年的飛速發展可以從深度和廣度兩方面來概括。
金融行業作為數據資源最完備、技術實踐最領先的行業，仍是數據科學平臺的主要陣地。銀行、保險、基金、證券等各大領域本身涉及萬千業務場景，隨著Bank 4.0時代的到來，隨用戶需求調整業務成為金融行業未來發展的主流方向，這將對數據預測分析提出更多變、更智能的要求，數據科學平臺在金融行業的發展依然大有可期。
同時，以金融行業為典範，中國各行各業的數據生態建設也正在體現中國速度。政府、醫療、交通、IoT、航空、汽車、地產、零售……這些行業在數據積累的同時，企業數字化轉型、業務數字化運營等需求也從金融行業延伸過來，建設自有的數據科學家團隊的企業不在少數，知識融合更將加速其AI落地。
隨著各行各業的深耕廣播，數據科學平臺在中國市場的年增速已經達到70%-80%，未來幾年，數據科學平臺的市場容量將持續成倍增長、更加可觀。
對於九章雲極來說，從成立之處就已明確服務數據科學家的核心定位，“模型”就是我們的邊界。2020年，市場上新一輪數據科學平臺需求將會爆發，如何讓“四庫”更好解決知識融合問題、如何讓模型實現更多業務價值，是我們下一年發力的重點，腳踏實地、把聚焦的事情做到極致，依然是九章雲極的目標。我們相信，2020年也將是數據科學平臺又一個收穫之年。
方磊博士，九章雲極聯合創始人兼CEO，原微軟必應（Bing）搜索部門數據科學家，並作為早期團隊成員參與開發微軟雲計算平臺：Windows Azure。擁有近二十年大數據分析管理經驗，是大數據、機器學習前沿技術掌舵者。在分佈式系統、設計驗證、算法等領域發表論文16餘篇，引用超過400次。在大數據、人工智能、數據科學等領域中多次受聘為智庫專家、理事、常務理事等職位。
閱讀更多 數據猿 的文章
