数据科学家开发软技能来推动企业变革。
如今，数据科学家这一职业炙手可热。LinkedIn 发布的《2017 年美国新兴工作岗位报告》中指出，“自 2012 年以来，数据科学家和数据专家的职位增长了 650% 以上”且“数百家企业都在招聘这些职位”。随着“机器学习工程师、数据科学家和大数据工程师成为最热门的新兴职业之一”，此类候选人才越来越多。
但是，随着更多的部门和职位都需要与数据打交道，企业人员的数据素养也有了全面提高，也出现了更多的公民数据科学家。根据 Gartner 的定义，公民数据科学家“能够创建或生成采用高级诊断分析或预测和规范功能的模型，但本职工作并不属于统计和分析领域”。这些人不会取代数据科学家，但他们正在成为提出并测试假说的关键合作伙伴。
这改变了数据科学的定义，也模糊了传统数据专业知识和业务领域知识之间的界限。嘉信理财集团 (Charles Schwab) 统计分析经理 Sonic Prabhudesai 分享了“让越来越多的业务人员了解如何处理数据，而数据科学家则越来越熟悉业务的内部工作方式”的方法。
如今，数据科学家需要掌握先进的统计和机器学习知识，同时他们也需要具备业务方面的战略头脑，包括对行业的深入了解。“数据科学的工作不仅仅是数字运算:其职能是应用各种技能，解决一个行业的特定问题，”印孚瑟斯 (Infosys) 首席全球数据科学家 Dr. N. R. Srinivasa Raghavan 解释道。“数据科学家需要深入了解将要应用其见解的领域。”
对于算法和模型的输出，只有使用它们在正确的上下文中帮助解决正确的问题时，它们才有效用。这意味着与投资者携手工作，在流程的开始阶段，识别并改进问题陈述和假设，并使它们贯穿整个工作流。在工作流的最后，这意味着知道如何以相关且可操作的方式将结果传达给业务合作伙伴。
“作为一名数据科学家，统计模型和机器学习已经是人人掌握的知识。”Sonic 认为，“区别在于，在这一领域工作的人是否能够以简单可行的方式传达他们的发现。”数据科学家将在如何将结果应用于业务方面发挥核心作用，而不只是交付结果。
利用自助式分析工具，数据科学家和高级用户都可以探索并更好地理解他们的数据。这激发了能够指导余下分析和最终分析的见解，从而提升业务。