首先，大学本科建立数据科学和大数据专业要慎重，不易太热。

总体而言，感觉大学设置本科教育的 “数据科学与大数据” 专业是不合理的，重复过去几十年来中国教育界一直存在的赶 “热点” 老问题。外语热、经贸热、金融热、计算机热、石油热、地信遥感热 …

一般说来，数据科学是针对理、工、农、生物（医、药）、经济等本科专业的“优秀毕业生” 而设置的研究生、博士生专业。而这些本科毕业生入数据科学研究生博士生的条件是：大学期间的数学、计算机、英语课程要与其专业一样好，甚至更好 …

本科直接培育出来的数据科学毕业生一般会缺乏相应行业知识和实践，工作中非常挑战。大多数情况，也是无法精确理解和进行可靠的行业数据建模、处理、解释、决策 …

如果过度培育数据科学本科毕业生，将无法帮助他们就业，也将造成资源和人才浪费。

道理非常简单。

在数字化技术转型和第四次工业革命时期，业界对数据分析技能要求可以说无处不在，这无疑要求工程师、经济师等等都掌握数据分析技能。

一个例子作为参考。当研究一些经济学家演讲文章时你就会常常诧异，他们的成果怎么这么不靠谱、不可信呢？许多时候他们会解释说，数据不全或者无法得到需要的数据。实际上，这是问题的一部分，不是全部。

在经济学研究中，宏观经济学和微观经济学使用的数据分析方法是不一样的。换言之，即使不能访问所有微观经济数据（实际上是不可能、也不必要），并不完全影响对宏观经济的分析判断。但前提条件是要对政治经济学、地缘政治经济环境以及数据科学的深刻理解且使用方法恰当。

相反，国民经济各行业和企业对 “专责” 数据分析师的需求可能并不是人们想象中那么多、那么火。因为，一旦行业和工艺过程中相应的数据 “建模” 成功完成后，数据分析流程中许多具体工作逐步将由IoT （物联网）和AI（人工智能）自动完成，包括数据采集、入库、处理、分析、可视化、决策。比如，目前常用的企业BI可视化工具 “商业智能仪表板” (geospatial business intelligence dashboards) 就是一例。因此，依靠计算机应用程序、以人工交互操作为特征的传统数据分析技术将逐渐减少 …