1、 敬请参阅最后一页重要声明 证券研究报告 第 1 页 共 37 页 证券研究报告证券研究报告 公司研究公司研究 K12 教育系列专题教育系列专题：解码好未来千亿市值登顶之路解码好未来千亿市值登顶之路 2017 年 11 月 8 日 黄莞（分析师）黄莞（分析师） 田鹏（研究助理）田鹏（研究助理） 电话： 020-88832319 020-88832286 执业编号： A1310517050001 邮箱： huangguan tian.peng 投资摘要投资摘要 以史为鉴， 可以知兴替以史为鉴， 可以知兴替。 研究龙头。 研究龙头企业企业的的崛起之路，崛起之路， 其其商业模式商业模式 演变有巨大演
2、变有巨大的参考的参考借鉴借鉴价值。价值。而好未来而好未来之之于于 K12 培训培训行业行业就是就是这样这样 一个一个极具极具的的研究价值研究价值的样本。的样本。 好未来（好未来（TAL.N）是一家业界领先的教育科技企业，前身为“学）是一家业界领先的教育科技企业，前身为“学 而思” ，是我国而思” ，是我国 K12 教培行业双巨头之一、国内市值最高的教培机教培行业双巨头之一、国内市值最高的教培机 构。截止构。截止 2017 年年 11 月月 6 日，好未来以日，好未来以 152 亿美元的市值收盘（亿美元的市值收盘（总总 市值市值约约为为人民币人民币 1007 亿元） 。公司从亿元） 。公司从 2
3、010 财年上市财年上市以来，以来，7 年时间年时间 营收和扣非归母净利润分别增长了营收和扣非归母净利润分别增长了 14 倍和倍和 7 倍，倍，成长性显著。成长性显著。2017 财年总营业收入财年总营业收入 10.43 亿美元，同比增长亿美元，同比增长 68.26%；扣非归母净利润；扣非归母净利润 1.14 亿美元，同比增长亿美元，同比增长 131.35%。 好未来历经短短的 15 年，崛起成为我国 K12 教培领域的龙 头，我们总结有内外部两重因素： 1、 外部、 外部因素因素： K12 赛道具备蕴育千亿市值龙头的行业空间及赛道具备蕴育千亿市值龙头的行业空间及 成长性。成长性。时代造就伟大的
4、企业，这句话同样适用于好未来。我国 K12 课外培训市场空间大、用户生命周期长、刚需、集中度低， 消费升级紧随而至，好未来就是诞生于这样一个伟大的时代，在 成立之初从小学奥数培优蓝海市场切入数千亿级规模的K12课外 培训市场。 据我们保守预测当前我国 K12 课外培训市场空间 4500 亿元，2017-2020 年 CAGR 约 17%，依旧是一条非常适合长跑的 赛道。 2、内部、内部因素：因素：高高筑墙、缓筑墙、缓称王称王、深挖、深挖渠，构建强大的综合竞渠，构建强大的综合竞 争力，成为一般教培企业难以逾越的鸿沟。归纳争力，成为一般教培企业难以逾越的鸿沟。归纳汇总而言，汇总而言，好未好未 来主
5、要在品牌、产品、渠道、商业模式创新、来主要在品牌、产品、渠道、商业模式创新、外延布局外延布局等方面构等方面构 建了强大建了强大的的护城河护城河： （1）品牌：定位“培优”服务，卡位优质生源塑造全国性的 卓越品牌口碑，其正金字塔型生源结构更有助于培养客户粘性， 长期降低招生费用。 其人均招生成本仅 30 多元， 远低于同体量同 行。 （2）产品：首创“大后台，小前台”的中央厨房教研模式， 坚持产品驱动增长，实现课程标准化，降低名师依赖，高标准化 下内容可复制的业务模式为地域扩张提供了先决条件。近两年好 未来的研发投入超过 4000 万美元，如此大规模且持续的研发投 入非一般教培企业所能企及。 （
6、3）渠道：36 座城市，500 多个教学点，300 多万的注册用 户，全国核心一二线城市的稳健扩张策略和精细化管理构建了先 发优势，保证有质量的扩张，确保其品牌口碑不被侵蚀。 （4）商业模式创新：积极拥抱互联网与教育科技，率先布局 线上教育、 加快线上线下教学的融合， 用教育科技提升教学效果。 “双师课程+学而思网校” 将有望实现标准化低成本扩张， 辐射全 国三四五线城市。 （5）外延布局：多赛道外延布局完善产业链，全方面构筑教 育生态圈。基于教育行业垂直、细分的特点，很难出现腾讯、阿 里巴巴这样的大公司，但每个细分领域都有做大做深的可能性。 可以预见，从当前的布局来看好未来有可能成为教育百花
7、齐放时 代最大受益者之一。 风险提示：行业竞争加剧、学习中心扩张不及预期风险提示：行业竞争加剧、学习中心扩张不及预期 好未来公司数据好未来公司数据 收盘价（美元） 30.36 总股本（亿股） 1.65 流通股本（亿股） 0.93 总市值（亿美元） 152 流通市值（亿美元） 85 净资产（亿美元） 9.14 总资产（亿美元） 22.15 每股净资产（美元） 5.34 相关报告：相关报告： 1. 【广证恒生教育】好未来 （TAL） ：Q2 营收大增 68.1%， 学员人数同比翻倍-20171027 2广证恒生新三板教育行业 2017 年中期策略：洞察行业趋 势，聚焦确定性机会-20170518
8、3 广证恒生新三板教育行业 2017 年投资策略：新版民促法通过， K12 课外培训和职业培训率先受 益-20161209 -500% 0% 500% 1000% 1500% 2000% 2010-10-21 2011-10-21 2012-10-21 2013-10-21 2014-10-21 2015-10-21 2016-10-21 2017-10-21 好未来好未来股价收益率走势股价收益率走势 敬请参阅最后一页重要声明 证券研究报告 第 2 页 共 37 页 证券研究报告证券研究报告 公司研究公司研究 目录目录 1. 好未来公司概况 . 5 1.1 公司简介：K12 课外培训龙头迈入千
9、亿市值俱乐部 . 5 1.2 业务简介：具备综合竞争实力，教育航母起航 . 6 1.2.1 小学奥数起家的 K12 课外辅导机构，上市后快速成长 . 6 1.2.2 好未来主营业务：K12 教育培训业务剖析 . 8 1.3 财务简析：营收增速惊人，规模增长与精细运营带动净利增长 . 9 2高筑墙：学而思数学声名鹊起，高质量教学奠定市场地位 . 12 2.1 以北京奥数市场为突破口，星星之火可以燎原 . 12 2.2 全方位塑造品牌口碑，提升客户粘性 . 14 2.3 后端教研塑造标准化课程与地域扩张能力 . 17 2.4 竞争壁垒初显，教研开发能力塑造核心竞争力 . 18 3缓称王：线下稳健全
10、国性扩张，线上积极拥抱互联网 . 18 3.1 线下稳健全国性扩张，深耕一二线城市挖掘三线城市 . 18 3.1.1 登录资本市场助推全国布局，由一线城市向二三线城市渗透 . 18 3.1.2 低价策略助推一线城市深耕，借品牌优势抢占二三线城市 . 21 3.2“学而思网校+双师课堂”，线上 前 言 随着大数据、人工智能、区块链等前沿技术的迅速普及，企业越来越重视前沿技术给企业带来的非凡 的竞争优势。根据全球领先人才社区 LinkedIn 的全球 AI 领域人才报告，转型技术驱动的企业之间的 竞争将最终升级为对核心的人才的竞争（见图 1）。根据著名咨询公司美世的数据显示，大数据/人工智能 /区
11、块链等先进行业的核心人才的薪资水平远远高于传统 IT 或咨询分析部门的同等级专业人才水平（见图 2）。企业在日益重视核心人才的引入的同时，也面临着巨大的成本压力。外部高科技人才落地给企业带来 巨大竞争力的同时，也意味着风险海归人才难以适应国内的商业环境和企业文化等等企业技术人 员把新兴技术看作可能在未来对他们的就业产生最大影响的威胁等。目前在实现利益和规避风险方面，大 多数企业仍然做得不足，企业自主的人才教育成为了当前企业培养自己的前沿技术核心团队的重要方法。 图 1 跨行业竞争 人才的竞争 （资料来源：美世 2017 全球人才趋势报告） 抛开数字化经营，企业就像是在黑暗中对别人微笑。只有自己
12、知道自己在做什么，但是 别人不知道。 0%10%20%30%40%50%60%70%80%90%100% 自动化 消费品 金融服务 能源/煤矿 健康 高科技 生命科学 物流 在人才竞争力方面有显著提高人才竞争力方面有所提高没有人才竞争力的增长 各行业人才竞争趋势 图 2 传统应用开发、传统数据分析与算法工程师的年薪对比。 *号代表调研数据缺失，后引入专家评论预估数据。 （数据来源：美世咨询 2017 年互联网行业薪酬调研数据） 在当今社会，随着数据行业的变化，更多的机构开始重视海量数据背后蕴藏的无限“财富”，将数据 资源作为一种基础性或战略性资源。在国家层面，许多国家将数据资源的开发提升到了战
13、略高度，纷纷出 台大数据战略。但是依据 TalkingData University 的访谈，所面向的公司在计划向数据驱动企业转型的过 程中，专业数据人才教育的投资比例远远小于对于基础设施和数据源的投资；95%的企业都投入了较大的 资源在基础设施、平台和工具、数据源以及算法优化（如下图表 3 所示）。而业内认为，一个好的公司应 至少在专业数据人才上的投入要与其他方面的投入等同，甚至高于其他方面的投入。 图 3 相比于其他方面企业在专业数据人才上投入过少 (资料来源：TalkingData University) 甚至早在 2015 年 CSDN 的一份报告中就指出，人才的缺乏已经成为制约公司实
14、现重大的数据相关战 I1I2I3I4I5 传统应用开发182220242605319020456009703600 传统数据分析106400156300245153417718600000 算法工程师214800261140387194573360850600 182220 242605 319020 456009 703600 106400 156300 245153 417718 * 214800 261140 387194 573360 850600 2016年年薪的中位数 职业等级 传统应用开发传统数据分析算法工程师 略的首要因素（见图 4）。 图 4 人才的缺乏已经成为已经成为掣肘公
15、司重大的数据相关战略的首要因素 （来源：CSDN：2015 年中国软件开发者白皮书） 现有企业对于人员的能力需求中，数据分析能力排在前列：很多客户都需要能够深入了解他们的业务 需求并可以运用数据解决商业问题的人才（见图 5）；同时，数据技术和服务类企业需要能长期创造客户 价值的人才以增加客户对产品的粘性，降低客户对服务的依赖以提高投入产出比；同样的，专业数据人才 需要深耕某一商业情境，建立清晰的职业发展路径，保障成长资源的到位。培养数据人才成为大势所趋： 公司如果想要培养可以应对不断变化工作状况的高效能专业员工队伍，则需要实战训练现有雇员，让他们 得到专业化技能的提升；同时让员工们对于现有数据
16、市场进行全新的认知，培养和鼓励员工关于数据的新 思维。 45% 43% 41% 41% 37% 31% 29% 26% 21% 20% 创新 数据 虚拟 全球 数字 创业 理解 包容 销售 管理 企业对于雇员的能力需求 43% 41% 40% 37% 36% 35% 35% 35% 35% 30% 数据分析能力 创新性思维 全球性思维 虚拟协作能力 销售 包容的领导 创业型思维 数字化领导 社交网络的理解力 管理能力的变换 企业对于HR的能力需求 图 5 企业对雇员，及人力资源管理者的各项能力要求 （资料来源：美世 2017 全球高科技人才趋势报告） 图 6 企业数字化进程 (资料来源：美世
17、2017 全球高科技人才趋势报告) 从美世2017年高科技行业报告的企业数字化进程调查结果来看（见图 6），自认为已实现数字化的企 业不超过10%，而已经踏上数字化之路的企业倾向于优先关注外部竞争力，其次关注内部的员工培养。本 报告旨在需要让企业认识到提高企业数据能力的重要性，提升企业对于专业数据人才和数据教育的关注程 度。 本报告由TalkingData University （腾云大学）和Mercer China（美世中国）联合撰写，旨在分析目 前专业数据人才教育行业的现状，为数据教育行业的参与者和监管者提出建议，同时达到促进数据人才发 展、指导传统企业构建数据团队，从而驱动企业数字化转型
18、的目标。 目 录 前 言 第一部分 . 1 专业数据人才教育行业概述 . 1 1.1 专业数据人才分类 . 1 1.2 专业数据人才特点及其教育范式 . 5 1.3 什么是专业数据人才教育 . 5 第二部分 . 7 专业数据人才教育行业的历史沿革 . 7 2.1 专业数据人才教育行业的兴起和溯源 . 7 2.2 中国专业数据人才教育行业的发展 . 8 2.3 数据行业和专业数据人才教育行业的关系. 9 第三部分 . 12 专业数据人才教育行业现状 . 12 3.1 宏观环境分析 . 12 3.2 市场规模 . 16 3.3 生态图谱产业地图 . 17 3.4 数据教育行业面临的挑战 . 23
19、第四部分 . 26 专业数据人才教育行业发展趋势预测 . 26 4.1 数据人才需求继续扩大，尤其以传统行业需求增加为主要方向 . 26 4.2 核心人才缺口由数据分析师向数据科学家转变 . 27 4.3 高端人才短期和中期还是以海归人才为主，初级人才发展迅速 . 27 4.4 大数据行业发展飞快，校企合作颠覆教育分工. 27 4.5 专业数据人才教育行业竞争加剧，行业分化，等待平台 . 28 Contents 第五部分 . 29 持续保持专业数据行业的领先地位 . 29 5.1 吸引和留住未来人才 . 29 5.2 培养未来人才并做好准备 . 32 第六部分 . 34 持续保持专业数据行业的
20、领先地位 . 34 6.1 行业参与者发展策略和建议 . 34 6.2 政府部门的政策建议 . 34 附录：部分专业数据人才教育行业参与者分析 . 36 1 第一部分 专业数据人才教育行业概述 1.1 专业数据人才分类 专业数据人才是从事数据业务的核心技术人才。依据数据行业的多年实践经验，TalkingData 将专业 数据人才分为四类：数据科学家、数据工程师、数据分析师和数据产品经理。 1.1.1 数据科学家 数据科学家是综合运用数据科学领域知识对数据进行采集、处理、挖掘、建模等操作以形成洞察并最 终解决问题的专业型人才（见图 7）。数据科学家致力于用数据产生实际的价值。 图 7 数据科学家
21、的能力组合 尽管市场上现有数据科学家往往具有不同的教育背景和工作经验背景，但是在专业角度上，他们一般 需要如上图所示四个方面有能力： 2 业务领域：业务领域方面的知识和能力是必备的。数据科学家要对问题所在领域的知识有充分的掌握 和理解， ， 例如接触金融数据项目， 就需要理解金融行业的趋势和业务模型， 能够进行专业化的数据分析。 数据科学家对业务领域的了解和知识储备是提升数据价值的关键。 机器学习：机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理 论等多门学科。这些学科都可以用来帮助数据科学家梳理业务领域中遇到的各种数据问题，进行建模并得 出指标和预测值来辅助业务
22、。 工程能力：工程能力代表的是数据科学家的动手能力，影响数据科学家的工作效率和产出质量。 沟通能力：沟通能力可以帮助数据科学家发现并解决问题。数据科学家的沟通能力应该能够将数据的 价值以通俗易懂的方式表达出来，以确保数据发挥真正的价值。随着业务领域的深入，数据科学家应该能 经常发现和提出新的洞察和建议，以帮助企业实现其目标。 除了上述四点能力外，数据科学家应该具备的其他素质包括： ? 根据需要自定义方法并解决具体的问题，以便最大限度地交付最优化的成果（包括编写新的算法和修 改现有算法的能力）； ? 访问和查询多个不同的数据库和数据源（例如，RDBMS、NoSQL、NewSQL 等），以及将数据
23、集成 到主要分析驱动的数据源里（例如，OLAP、数据仓库、数据湖等）； ? 查找并选择最佳的数据源和数据特征（变量），包括根据需要构建新的特征指标（功能设计）； ? 了解统计知识，编程和封装可供选择的算法库，并选择最优； ? 保证数据具有很高的质量，并且是以最佳的形式和条件呈现，从而得出准确、可靠的结果；避免处理 与问题无关的垃圾数据； ? 选择并根据需要实施最佳工具、算法、框架、语言和技术，最大限度地在大规模数据下得出成果；选 择正确的性能指标，并最大限度地提高应用性能；发现如何利用数据实现自动化操作；从事跨职能工 作，并与公司各部门和团体高效协作；从失败中吸取经验，从而降低潜在风险和经济损
24、失；了解产品 （或服务）的客户和/或用户等等。 3 1.1.2 数据工程师 数据项目一般是一个工程项目，负责工程部分的实施人员就是数据工程师。数据工程师负责搭建架构 和实现数据工程所需的技术平台和工具（包括数据连接器、数据存储和计算引擎、数据可视化能力、工作 流引擎等），保证稳定可靠的数据处理，为数据架构师、数据科学家和数据分析师的工作提供支持。 数据工程师需要具备的能力包括但不限于如下： ? 技术能力：包括编程能力、架构设计能力、工程能力等； ? 业务能力：主要是对于业务的理解能力； ? 实战能力：包括数据意识、结果导向和文档撰写能力； ? 团队协作能力：包括学习辅导、沟通、合作以及影响力。
25、 目前，市场上的数据工程师一般来自团队现有的人员，但是需要扩展数据技术相关的能力。数据工程 师的主要职责是维护数据仓库和开发对应的服务。数据工程师在职位上贡献最多的是数据的抽取、转换和 上载 (Extraction、Transformation、Load， ETL)，将所需的数据从不同来源不同格式的数据源中提取出 来，转换类型以便使用，然后归档入数据仓库。通常，数据工程师需要有一定的计算机科学技术背景，需 要能够编程和维护数据仓库以及保证服务正常进行。 1.1.3 数据分析师 数据分析师负责将数据中的价值提取、分析并解读出来以指导行动。数据分析师和数据科学家从名字 来看十分容易混淆。那么两者之
26、间的区别在哪里呢？ 首先，两者使用的工具通常是不同的。数据分析师进行商业智能和分析使用的工具：Microsoft Excel （进行可视化，数据透视表等）的 Tableau、SAS、SAP 和 Qlik。数据分析师考虑的首要因素是快捷地从 中间解读结果并验证设想，得出结论；而数据科学家则比较侧重算法选型、模型稳定以及大数据情境下运 算的实现。 其次， 数据分析师有时会进行数据挖掘和建模工作， 倾向于使用数据可视化工具， 如 IBM SPSS、 Rapid Miner、 SAS 和 KNIME。 相比较下， 数据科学家在执行相同的任务时， 偏向于编程类的库， 如 R 或者 Python 中相关的
27、库。 总结来看数据分析师通常只针对于公司高层提出的问题和目标进行分解、分析，并最终报告他们的发 4 现。然而，数据科学家是主动通过数据和现象了解其业务关联性并采用更先进的统计和建模技术实现数据 可视化，并更多以驱动业务的方式来进行汇报。 1.1.4 数据产品经理 相较于其他专业数据人才，数据产品经理是等级更高的交叉型人才。 数据产品经理是面向客户特定数据需求和数据处理流程来开发产品的人。为了满足客户需求，数据产 品经理需要履行如下的基本职责： ? 结合客户的数据需求，并将其分解成数据领域不同范畴的问题：数据集、人、流程、最终产品形 态 ? 准备解决问题的数据集，针对客户的特定需求识别数据来源和
28、数据接口，并对数据进行清理、结 构化，形成解决问题的完善的数据集； ? 数据产品经理知道选择何种数据人员来满足客户的需求，例如知道选择擅长何种方向技能的数据 科学家来解决这个特定的问题，需要哪些数据工程流程，客户的问题在什么领域并和数据分析师 讨论，并能够明确这些人员之间的合作界面和职责分配； ? 了解整个数据处理的生命周期，能够帮助梳理从数据集到业务洞察的机会列表，明确关键环节和 关键环节上的产出， 并明确最终产品形态/交付形态如何呈现给客户。所以，数据产品经理的能力 包括但不限于: 项目管理：数据科学项目实战流程，实现 MVDP（最小可行数据产品）； 数据科学：知道建模需要什么计算资源和数
29、据集结构； 数据工程：知道整个平台的结构，流程设计； 数据准备：知道怎么去结构化地准备数据，进行 ETL； 数据分析：如何将数据结果更好的呈现给客户-可视化，分析结果的本身含义 行业知识：包括怎么选择指标，怎么设置 A/B test，怎么优化模型)等等。 所以，一般来说，好的数据产品经理都是由其他三种资深的专业数据人才晋升而来。 5 1.2 专业数据人才特点及其教育范式 图8 专业数据人才的能力集对比 综上所述，专业数据人才的能力集都是复合型的（见图 8）。公司现在需要的是既能涉猎较宽，在某些 方面也能非常专业的交叉“大 T 型”人才。从教育的角度来看，成为一名专业数据人才需要明确的学习路 径
30、而且需要长期培养才能成为综合素质人才（需要注重培养的方式，科学和创新的培养方法）。 进一步的，根据 TalkingData 近期发起的一次专业数据人才心理调研1， 从初步的结果分析中发现专 业数据人才有如下特性：在霍兰德职业兴趣测试中，数据科学人才在“研究型”这一类别上的得分显著高 于非数据科学相关岗位人员，在“现实型”和“常规型”的得分也相对较高，而在“企业型”这一类别的得 分则相对较低。在五大人格测试中，相比于非数据科学的岗位人员，数据科学人才的开放性相对较高，而 他们性格外向性，讨人喜欢的程度和对于工作全盘考量的领导力相对较低。虽然更加深入的分析结果还有 待进一步研究，但上述结果可以说明
31、专业数据人才有一定的共性，与其他类型的人才有着显著差异，展现 了这个群体的独特性与特殊性。但是找寻和挖掘这类人才也并非易事，加之不同企业的数据人才所熟悉的 数据结构和商业情境有限，依赖简单的猎头无法完全满足企业的用人需求，必须依靠深度的教育培养，配 合相应的教育资源，结合实际情境，将在数据领域有潜力的青年培育成能堪大任，能够在不同数据岗位上 发挥用武之地的优秀人才。 1.3 什么是专业数据人才教育 在本文中，专业数据人才教育被定义为：为了培养专业数据人才而专门进行的教育行为。根据数据行 业业务特点，TalkingData 认为，专业数据人才的教育体系应以数据科学的教育为核心大纲，辐射数据工 1
32、 回收问卷总数共计 238 份，有效问卷数 235 份；其中 152 份为专业数据人才，其他为非专业数据行业 从业人员。 IT coding 能力 思 辨 和 建 模能力 数 据 处 理 能力 Domain 知识 客 户 沟 通 能力 系 统 工 程 能力 数据分析师 弱 强 弱 强 强 弱 数据科学家 中 强 强 中 中 弱 数据工程师 强 弱 中 弱 中 强 数据产品经理 中 中 中 强 强 强 6 程和数据分析，因为数据科学已经成了专业数据人才区别于其他核心技术人员的主要技能点。数据科学是 一门交叉度极高的学科，要求学生同时掌握数据、统计学、计算机等基础学科的大量知识。而从数据科学 教育
33、的学习流程来看，数据科学教育又可分为三个阶段2：以数据科学的基础学科为中心的教育；以数据科 学的基础理论为中心的教育；以数据科学的应用为中心的教育。 以数据科学的基础学科为中心的教育 这一阶段侧重在学习数据科学课程之前的必备知识储备, 处于数据科学课程链的上游, 一般很少涉及 数据科学本身的知识， 更加适合在本科低年级阶段开设。相对于其他课程, 数据科学对统计学、机器学和数 据可视化等基础理论之间的耦合度较高, 学习难度较大。 因此, 此类课程可被视为是数据科学课程的先修课 程, 其意义在于为学生更好掌握数据科学的知识奠定基础。 以数据科学的基础理论为中心的教育 在学生完成了基础学科的知识储备
34、后，需要学习数据科学本身的理念、理论、方法、技术、工具和(或) 最佳实践应用, 而这正是数据科学课程链的核心。这一阶段的课程，往往安排在本科生高年级或研究生阶 段。 以数据科学的应用为中心的教育 以数据科学的 “领域应用” 为中心的课程: 主要讲解数据科学对某一个学科领域的影响及其应用方法论 或(和)最佳实践, 处于数据科学课程链的下游。在这一阶段，学生需要在自己的数据科学理论基础上，通过 科研项目、数据商业项目实践等方式不断增加行业领域知识，增强对问题的理解，学会疑难问题的解决方 法。 2 资料来源：全球数据科学课程建设现状的实证分析，朝乐门 7 第二部分 专业数据人才教育行业的历史沿革 2
35、.1 专业数据人才教育行业的兴起和溯源 2.1.1 战略背景 专业数据人才的教育行业是在大数据行业，尤其是移动大数据普及之后开始兴起的。美国白宫科技政 策办公室在 2012 发布了大数据研究和发展计划，并成立“大数据高级指导小组”，用以增强联邦政府 收集海量数据、分析萃取信息的能力，进而提升政府预测社会经济发展的准确度。我国在 2015 年发布的 “十三五”规划建议中，也提出“实施国家大数据战略，推进数据资源开放共享”。此举被外界视为我国 首次提出推行国家大数据战略。在各国大数据战略的推行下，数据产业得以迅速发展，同时，对人才的需 求也日益迫切。仅就数据分析师这一典型数据人才而言，麦肯锡全球研究院发布的关于大数据发展趋势的 研究报告中预测，到 2018 年美国将会面临 14 万-19 万的大数据分析人才缺口，和 150 万具备数据头脑 意识的管理人才缺口。 如何满足行业对数据人才的需求， 成了教育界面临的一大挑战， 但也为 “数据科学” 这一新兴学科的发展，提供了契机。 2.1.2 英美领跑数据科学领域人才培养历史 面对数据科学领域人才紧缺的现状，高校被赋予了补充人才缺口的首要责任，而在这个方面，发达国 家由于技术发展领先以及产学研结合机制较为成熟等原因，在人才培养方面走在了前列。据 Datascienc
