有数据意识的数据科学公司根据真实数据模型（而不仅仅是本能或传统）做出和传达决策。他们欢迎新的数据科学技术作为潜在的创新机会，而不是采取怀疑和抵制的立场。随着企业争先恐后地接受数据科学，他们发现几个重要的真理是在整个企业中发展数据流畅性的基础。
首先，有效的数据科学不应仅仅被视为另一个业务流程，也不能像装配线样式那样运作。
数据科学——顾名思义——是一种类似于"真实"科学的探索和探索模式。
正如物理学家用数学来推理自然世界一样，数据科学家利用数学和计算工具来推理商业世界。
与真正的科学一样，一些成功的实验可能会产生无效的结果：其他人可能会产生在实践中无法使用的准确模型。虽然没有人庆祝这些结果，但任何想要接受数据科学的企业都必须对"失败"形成组织容忍，这是即使是最有效的数据科学的自然、不可避免的成本。
由于传统业务分析（如生成报告和仪表板）具有相对程序性，因此倾向于将数据科学视为一种类似的活动类型，并据此进行管理。然而，数据科学不是程序性的，因为它依赖于创造性探索和直觉的不可还因的人类元素。这使得整个过程更加难以操作和管理。有效的数据科学还需要跨越传统部门的知识和经验。
其次，数据科学家不是传统技术专家，他们完全适合任何传统的筒仓。他们是一个多元化的混合从业者群体，这应该作为一个机会来利用，而不是被视为一种被管理掉的反常现象。
现代数据科学家来自不同的背景。他们将主题专业知识与应用统计和高度专业化的编码技能相结合（与通常的软件开发人员技能大相径庭）。这种独特的技能和技术需求组合无法完全融入任何传统的企业孤岛。
典型的企业免疫反应是将所有内容分割，即使分给使数据科学高效的集成功能的潜在成本也是如此。有时，企业心态会将任何类型的编程活动视为"软件开发"，即使数据科学家构建带有 Python 代码的模型与 Java 业务应用程序完全不同。
此外，正如我们在2019年数据科学状况报告的开发中发现的那样，各个领域的人们正在学习数据科学，以将其应用于他们目前的角色。几年后，我们目前所说的"数据科学"技能将广泛分布于许多人，他们的职称可能不是"数据科学家"。作为数字化转型的一部分，采用跨传统线合作机制的组织将为此做好准备。不学习如何接受数据科学的混合、跨部门性质的企业将从根本上停留在过去。
Comments | NOTHING