说到这两年最火的词：人工智能、大数据、机器学习、神经网络...新技术革新逐渐渗透进各行各业，与行业进步甚至日常工作的联系愈加深厚。
自然，新技术需要新人才。近年来随着行业的呼声，逐渐衍生出的越来越多的新职位，今天小编就来介绍其中的一位 “数据分析师”。
本文源自小编在《麻省理工斯隆管理评论》杂志看到的一篇名为《Why Your Company Needs Data Translators》的文章。小编使出了洪荒之力，进行了翻译，希望给小伙伴们一些启发。
原文体育行业出发，对当代企业内部沟通不畅的现象进行了深度调研和解析。语言朴实发人深省。无奈小编的语言功底太差，只能简单翻译，请童鞋们见谅。
外语水平碾压小编的小伙伴们可以直接转战文章末尾，点击“阅读原文”领略原文风采。
在过去的两年里，我们与以数据分析著称的世界职业运动领域的领导者们进行了广泛的交流。
■ 我们发现：
底层的数据工程师和决策者之间隐含着巨大的沟通成本，我们称之为“沟通障碍”，表现为很多执行决策者(包括主教练、总经理、总裁、首席运营官等等)对数据本身和负责传递信息的人都持轻视态度。
这种态度通常是由于无知或恐惧而产生的，如果能弥补这种沟通障碍将为任何关注运营效率的企业提供相当大的竞争优势。
正如2014年《麻省理工斯隆管理评论》(MIT Sloan Management Review)的一篇文章中指出的那样:
“一个普遍的对于数据专家的抱怨是，他们是不近人情的，他们对于其他同事的工作难题不感兴趣”
“他们不认为有必要解释或谈论他们的见解，这使得他们很难和专业技术领域之外的专业人士有效合作。”
更重要的是，这个问题不只存在与职业体育领域。
无论你置身于什么行业，你的企业都很可能面临着挑战：数据工程师与决策者之间严重的沟通障碍。
■ 怎么做呢？
我们认为，沟通障碍的解决方法在于加强交流，这就需要一个新的数据转化角色——“数据分析师”。
目前，许多企业试图通过培训金融分析应届毕业生来弥补他们的业务问题。但在大多数情况下，专业领域的数据分析师将比单纯的数据专家更加称职。
因为他们拥有：深厚业务水平、强大的沟通与协调能力和足够的数据分析知识。领域专业知识需要更高水平的实践经验和深厚的“讲故事”（概念描述）能力。这是数据分析师必备的一项的基本技能。
数据分析师能解决哪些问题？
一、轻视数据
使决策者接纳理解数据分析的结果并不是一件简单的事情。
作为数据解读者 无论是金融工程师还是数据专家，都要避免决策者对数据产生轻视的现象。
在体育界，轻视数据的错误很常见。理论上，数据分析师得出的结论通常比教练在球员的日常练习和生活中肉眼观察到的判断更准确。两者的矛盾核心在于数据和直觉的判断分歧。
在现实中 ，决策者必须寻求的是“多重变量的一致性 直觉判断与数据分析。”（圣安东尼奥马刺队的总经理R.C. Buford采访时所述）换句话说，我们应该以一种互补的方式，综合利用数据分析和直觉观察判断来形成一个整体观点，而不是过于依赖数据或仅仅通过观察。
二、决策偏差
无论你是数据分析师还是决策者，都需要掌握直觉观察和数据分析的平衡，你必须意识到，任何观点，哪怕是来自所有人的认同和铁一般的事实，都可能带有潜在的偏差。
另一个需要注意的问题是情感偏见。例如，当一个决策者暴露在公众视野中，长期被粉丝、客户和社交媒体包围，面对着舆论监督和媒体审查等，这些外部的噪音必然对决策产生某种影响，这时就产生了情感偏见，这正是决策者需要规避的。
三、精准沟通
另一个重要的主题是沟通方式的重要性。
决策者正在试图寻求更明确的方法来接受数据工程师的想法。他们希望数据分析师能用简单易懂的语言和他们对话，这样他们就能很容易地理解数据的含义。
调查显示，高管们打算采用更多元的讲述方法取代以往的标准化报告。这些方法包括数据可视化、过程模拟、文本和语音分析以及社会媒体分析等。
四、数据转化
很多人指出，决策者们并“不熟悉”数据分析之类的科学方法。所以我们必须改变我们的对话策略。所以，必须能同时与数据工程师和决策者双方进行对话，即有效的数据转化，这将促进两种不同思维之间的理解
让数据有效转换的关键在于：理解每一种修饰语言和每个岗位的思维。
有效的数据转化不仅仅是简单地“翻译活动”，数据分析师要用最直白的语言了解到：这些数据如何发挥作用?
五、技能
最好的数据分析师应该拥有如下技能:
1．很高的业务水平和地位，能够和决策者进行平等沟通;
2．充分的数据分析知识或愿意学习它们，并能够与数据工程师进行有效沟通;
3．能从容地向高管、同事和下属传递和表达想法;
4．具有很好的学习能力;
5．能够理解并转化同事们的问题和解决办法；
6．对质量标准的高度要求和对细节的关注;
7．具有独立的组织能力，凝聚起高管和工程师们。
你可以通过加强以下两种重要的沟通习惯来达到目标:
1、举例子进行类比，让决策者产生共鸣。这些例子可以是各种成功的分析案例；
2、向决策者表达问题，而不是结论。特别是对那些持怀疑态度的决策者，要注意不要一开始就表现得过分自信。你可以教数据工程师们提出问题，让决策者自己去想答案，而不是直接告诉他们。