自动化已经并将继续影响许多领域的作业。这个星球上的每一项工作都有被机器人替换工作的风险——只是强度可能不同。自动化一方面使企业运营更加高效，另一方面，它不断改变在行业中保持相关性所需的技能组合。这不可避免地导致失业，因为技能组合不匹配。让我带你通过几个场景来说明我的想法。

  方案  1 =  手动角色

您是 2000 年的人力资源专业人员，当时公司大多数员工文档都纸上写。您非常高效地对文档进行排序，并根据需要检索文档，并且由于这些技能，您已经当了 5 年以上的明星表演者。

鉴于人力资源流程没有随着时间的推移发生太大变化，您在接下来的 18 年里没有掌握计算机技能。但是，从 2000 到 2018 年，行业的工作方式发生了很大变化，现在所有员工文档都在云或专用服务器上，行业内也用上了各种自动化的BI工具，如tableau、smartbi智分析等自动化BI软件。

所以，你最能卖的技能现在突然没那么重要了。除非你为当今不断发展的行业提升自己，否则你找工作可能会遇到困难。请注意，您的技能集不匹配并不是因为 HR 特定流程的演变，而是您支持的动态变化的业务流程。

方案  2 =  客户的偏好

在没有电视的时代，你在收音机里当新闻读者。你了解时事，因此你表现非常出色。但是在电视成为主流之后，收音机几乎已经大起大做。你的无线电雇主不得不放你走，因为他们遭受了严重的损失。

现在，鉴于你的技能，你仍然可以尝试找到一份电视新闻阅读器的工作，但你需要工作，你的身体语言和严重的恐惧面对相机。好消息？你一直在与在电视新闻行业工作的人闲逛，因此你知道你的机会领域，并一直在积极工作。

请注意，这次既不是你的职业进化，也不是你的行业。只是客户开始更喜欢替代产品/服务而不是您支持的业务，使您的技能在行业中不匹配（或过时）。

  我们从这些方案中学到了什么？

在上述情景中，我们目睹了我们周围的变化使企业易于经营，但同时造成工作技能不匹配，导致特定领域的失业。以下是行业工作技能转变的三个主要原因：

1. 您职业中使用的工具和技术正在发生变化

2. 您支持的业务风格正在改变

3. 客户对您支持的产品/服务的偏好正在发生变化

自动化和不断变化的业务域中断了许多工作，这并不奇怪。现在的一个重要问题就是：某些工作的影响会大于其他工作？

尽管没有人真正知道哪些工作将受到自动化的影响更多/更少，但这里有一个框架，有助于理解这一广泛的想法。机器不善于从太少的例子中学习，机器不善于创造性。所以，如果你的工作有这两个属性，你应该很好。例如，驾驶汽车是一个非常重复的过程，并不涉及很多创造力。因此，出租车司机面临面临自动化的高风险工作。

数据分析师是安全职业吗？

在这个不断发展的人工智能主导世界中，我们（数据分析师）肯定站在交易的更好一边。数据分析师的角色在上图中落在什么地方？作为一名数据分析师，我们从事各种工作，帮助企业成长。在上图中，每个作业都位于不同的位置。下图显示了我对作为数据分析师的不同子工作的想法（比例可能因各个角色而异），正如你所看到的，并不是数据分析师工作的所有部分都有 10 年的保修。根据您的特定角色和难以自动化的工作比例，您可以估计自动化的风险。

考虑 2010 年的数据分析师。关键技能集是了解逻辑和线性回归，并熟悉基本 SAS 和 MS Excel。现在，如果我们给这位2018年的数据分析师带来任何工具和技术的重大升级，他/她可能面临很难找到数据分析师的工作。可以肯定地说，即使数据科学流将长期保持运行，这些工作的角色和责任也准备发生重大变化。在提升到这些新角色和职责方面遇到挑战的人，在事业进步方面将面临强烈的挫折。

鉴于数据科学领域的年轻劳动力，技能组合匹配不是短期问题，因为该领域的大多数人员最近都获得了最新工具和技术方面的知识。但是，随着该领域的老龄化，数据科学领域的劳动力和技能集不匹配也绝对有可能，如果该员工在管理日常工作时无法升级其技能集。

我们该怎么办，以确保我们在数据科学领域的长期生产力和不可替代性？

对于担任任何类型的数据分析师构建未来证明配置文件，我建议提供四件事：

1. 掌握最新、最伟大的工具和技术（tableau、smartbi智分析等 ）

2. 了解您工作的业务 / 领域的不断变化的环境，以及此更改将如何影响您的工作

3. 始终考虑您的工作创造的增量业务价值

4. 随时了解当前域以外的域

随着对跨域数据驱动策略的专注，数据分析师一直忙于手头的工作。从长远来看，不更新上述 4 个指针中每个指针可能很危险。

为了填补这个行业的这一空白，分析 Vidhya 手工制作的为期四天的会议 -DataHack 峰会 2018 年。 继去年峰会成功后，我们进一步优化了日程，以打包您所需的一切，以加快工具、技术和业务领域的发展速度。听起来太好了， 有机会放弃？好！门票几乎都卖完了， 所以今天在这里 拿你的票吧！

  您如何快速地提升您所有  4  个关键指针的知识？

1. 掌握最新和最伟大的工具和技术 - 熟悉和掌握新技术的最佳方法就是使用它们。例如学习tableau、smartbi智分析等高度自动化的数据分析工具。

1. 了解您工作的业务 / 领域不断变化的环境，以及这种变化如何影响您的工作 – 这是最被低估的技能之一，因为我们通常认为，我们需要知道的只是数据科学相关的更新。然而，不断变化的商业格局与数据科学相关的工具和技术同样重要。例如，在线商店的渗透率在过去十年中显著增加。顾客在网上购物的行为与线下购物者的行为大相径庭。在创建任何业务战略时，应始终注意这种差异。通过 60 多个电源扬声器和 15++ 黑客会话，您将能够了解行业之间最新和最伟大的技术变化和业务框架转变。

2. 始终考虑您的工作创造的增量业务价值– 与 200 多个思想领袖互动，将帮助您了解通过跨行业数据科学创造的价值。这些新工具将使您能够根据为您的业务在短期和长期中创造的价值，更好地评估和确定自己的项目/工作流的优先级。

3. 随时了解当前域以外的域  –在 50 多个会话中与 400 多个组织的员工互动，将有助于将知识扩展到当前域之外。这些知识对于您的成长至关重要，因为不同领域使用的分析的成熟度水平差异很大。

 摘自： https://www.analyticsvidhya.com/blog/?utm_source=feed&utm_medium=navbar