在高級計算分析領域，比如云計算和Hadoop的相關公司，當被問及阻礙公司發展的因素時，往往有一個不得不提的問題，那就是人才缺乏。在每一個部門，這件事都是很容易出現的。當企業轉型為數據驅動型時，人才的缺乏往往會成為其最大的限制。
人才缺乏可怕嗎？
缺人缺到怕的新興行業
這種現象十分常見，但不同領域受災情況不同。而相比之下，在計算機集群之中采用簡單的編程模型處理大數據集的Hadoop分布式框架可謂其中的重災區，其人才缺乏程度往往讓企業開始對整個領域的前景表示懷疑。
而根據業內人士透露，全球用戶最多、實力最強的云服務供應商亞馬遜云服務AWS便深受這一問題的困擾，人才缺乏已經影響了AWS在該領域的進一步發展以及用戶的增加。
由于這一領域存在一定的技術難度，專業知識的缺乏也已經成為阻礙企業借助現有基礎知識完成高級分析的主要因素。從移動設備、傳感器等產生的大量的數據讓采用了定制架構的Hadoop和云壓力倍增。
有數據，有工具，缺人才
但是這些數據對于企業而言是十分重要的，企業需要利用這些數據盡可能高效的解決業務問題，比如根據客戶流失情況提供更為合適的報價等。而先進的算法和分析能夠讓企業找到更新的看法并且預測未來的結果，但是這些的前提都是企業有人掌握了數據科學的技能。
可是，相應人才的缺乏是相對的，在過去的很多年里我們一直都在提醒這一點的存在，那么這一情況改變了嗎？去年的一項調查揭示，有57%的被訪問者認為，Hadoop的主要障礙仍然是具備專業技能的人才缺乏。
試試技術的改進吧
解決人才缺乏是一個急不得的問題，因為人才的培養周期是固定的，揠苗助長只能得到并不成熟的人才。但是這一問題卻是迫在眉睫不得不解決的問題，那么應該怎么辦？簡化工具，提高技術也是一種解決之道。
近年來，提取處理存儲在Hadoop中海量數據的工具得到了更多人的關注。從早期的MapReduce和Hive；到新的Hadoop存儲工具，如Presto；再到最近崛起的ApacheSpark，數據處理工具的更新迭代正在讓其變得逐漸趨向于簡單化。
而且，現在的數據公司也在以此進行更進一步的研發，予以企業更多靈活性，無論他們采用了怎樣的技術，讓企業能夠在數據產生的見解中獲得自己所需的信息，得到關鍵解決方案，借此提升企業業務。
在Hadoop中，通過執行分析本地內部集群、完全集成的YARN和YARN資源管理器等得出數據結果，而這些投入和使用也是企業為Hadoop提供了這么多基礎設施后實現其價值的重要一步。
工具都在，結果卻不同
AWS做過一個實驗，他們只給企業提供一個分析環境和先進的分析技術，然后給企業一定的資本和時間讓企業自己進行分析。結果，企業得到了很多個結果，他們在數據之中所獲取的回報也不盡相同。
在本質意義是來講，工具是連接了數據分析師和大數據的存在。而事實上，大多數的開源軟件中，先進的分析軟件包在設計時并沒有考慮到業務分析師。他們所訪問的數據超出了簡單的商業智能和報表使用的范圍，讓他們的工作變的更難。
敏捷性與易用性
目前有很多的工具已經適用于Hadoop，但是他們并不是專門設計用來在Hadoop中運行的，而是優勝劣汰中生存下來的軟件。這些工具往往需要將數據提取到另一個專用的平臺中，使得分析工作規模變大，難度上升。
這一問題的解決需要新的方法更為簡化，分析更先進，能夠很好的適應于Hadoop環境中運行，讓分析師在擴展SQL指令中進行更有價值的任務，獲得更精準的分析結果和信息。
敏捷易用的工具，可暫緩人才難
例如，他們可以進行路徑分析，了解客戶的動態、轉換，或者進行圖形分析，進一步揭示對用戶的影響因素。而機器學習可通過傳感器數據來預測未來情況，投資的成敗。事實上，在很多先進的分析工具幫助下，Hadoop數據直接進行分析也并非遙不可及。
以AWS為例，他們為用戶提供了快速配置解析沙箱給企業，提供預編譯的SQL分析加和隨時代發展的模型，幫助企業提供分析結果。只要分析師需要，他們可以采用多個流派分析方法獲得大量數據的分析結果，獲得了巨大的敏捷性。
另一方面，由于數據存儲在Hadoop和云中，這些新的功能為企業提供了一個在移動端提高企業業務的方法。而沒有新的硬件、設置和基礎設施的增加，企業的成本并不會有更高的提升，業務卻可以得到大幅上漲。
因此，我們不難看出，人才缺乏誠然會對企業的發展有一定影響，但是工具和技術的進步也是解決這一問題的關鍵。在這個發展的時代，沒有什么問題是會被一條路堵死的。
京公網安備 11010502049343號