数据科学与数据分析

数据科学和数据分析密切相关，但存在关键差异。虽然这两个领域都涉及使用数据来获得见解，但数据科学通常涉及使用数据来构建可以预测未来结果的模型，而数据分析往往更侧重于分析过去的数据，为现在的决策提供信息。

数据科学是一个广泛的领域，包括数据分析，包括数据工程和机器学习等其他领域。数据科学家使用统计和计算方法从数据中提取见解、构建预测模型并开发新算法。数据分析涉及分析数据以获得见解并为业务决策提供信息。

什么是数据科学？

数据科学是应用工具、流程和技术，如编程、统计、机器学习和算法，以组合、准备和检查大型数据集。数据集通常是结构化和非结构化数据的混合体。

数据科学的目标通常是识别模式并开发可操作的见解，但它也可以通过提出问题、找到要问的正确问题和确定要研究的领域来产生广泛的见解。数据科学可交付成果的其他示例包括基于协作过滤的建议、基于先前活动的预测和预测、基于定义属性的细分、基于识别异常的欺诈检测以及基于模型参数的自动决策。

数据科学流程

如果您正在考虑从事数据科学家的职业，并且想知道“数据科学家是做什么的？”，以下是数据科学过程中的六个主要步骤：

目标定义。 数据科学家与业务利益相关者合作，定义分析的目标和目的。这些目标可以具体定义，例如优化广告活动，也可以广义地定义，例如提高整体生产效率。
数据采集。 如果还没有系统来收集和存储源数据，数据科学家会建立一个系统的过程来做到这一点。
数据集成和管理。 数据科学家应用数据集成的最佳实践，将原始数据转换为可供分析的干净信息。数据集成和管理过程涉及数据复制、摄取和转换，将不同类型的数据组合成标准化格式，然后存储在数据湖或数据仓库等存储库中。
数据调查和探索。 在此步骤中，数据科学家对数据进行初步调查和探索性数据分析。这种调查和探索通常使用数据分析平台或商业智能工具来执行。
模型开发。 基于业务目标和数据探索，数据科学家选择一个或多个潜在的分析模型和算法，然后使用 SQL、R 或 Python 等语言构建这些模型，并应用数据科学技术，如 AutoML、机器学习、统计建模和人工智能。然后通过迭代测试对模型进行“训练”，直到它们按要求运行。
模型部署和演示。 一旦一个或多个模型被选择和完善，它们就会使用可用数据运行以产生见解。然后，使用复杂的数据可视化和仪表板与所有利益相关者共享这些见解。根据利益相关者的反馈，数据科学家对模型进行任何必要的调整。

数据科学家技能和工具

数据科学家角色

鉴于当今商业世界的变化速度和手头的数据量，数据科学家在帮助组织实现其目标方面发挥着关键作用。现代数据科学家应执行以下操作：

设计和维护数据集成系统和数据存储库。
与业务利益相关者合作制定数据治理策略，并改进数据集成和管理流程和系统。
充分了解他们的公司或组织及其在市场中的地位。
使用 BI 或数据分析工具来调查和探索大量结构化和非结构化数据。
使用 SQL、R 或 Python 等语言构建分析模型和算法，并应用机器学习、统计建模和人工智能等数据科学技术。
在规范性分析或决策支持系统中测试、运行和完善这些模型，以产生所需的业务见解。
使用口头沟通、书面报告和数据可视化，与所有利益相关者有效地沟通趋势、模式、预测和见解。

数据科学家技能

理想的数据科学家能够解决高度复杂的问题，因为他们能够做到以下几点：

根据业务领域的专业知识帮助定义目标并解释结果
管理和优化组织的数据基础架构
利用相关的编程语言、统计技术和软件工具
有好奇心去探索和发现数据中的趋势和模式
跨组织和组织进行有效沟通和协作

下面的维恩图改编自斯蒂芬·科拉萨（Stephan Kolassa），展示了数据科学顾问（在图的核心）如何将他们在沟通、统计和编程方面的技能与对业务的深刻理解结合起来。

借助现代工具，数据科学与分析的重叠程度越来越高。这被视为今年十大商业智能和数据趋势之一，将使公民数据科学家能够做更多的事情。

什么是数据分析？

与数据科学一样，数据分析是使用工具和流程来组合和检查数据集，以识别模式并开发可操作的见解。而且，与数据科学一样，其目标是帮助组织做出更好的数据驱动决策。关键的区别在于，对于数据分析，重点通常更多地放在回答特定问题上，而不是开放探索。

数据分析流程

数据分析过程中的主要步骤包括定义需求、集成和管理数据、分析数据和共享见解。

项目要求和数据收集。 确定您要回答的问题，并确保您已收集了所需的源数据。
数据集成与管理： 将原始数据转换为干净的业务就绪型信息。此步骤包括数据复制和引入，以将不同类型的数据组合成标准化格式，这些格式存储在存储库（如数据仓库或数据湖）中，并由一组特定规则管理。
数据分析、协作和共享。 使用数据分析软件探索您的数据并与他人协作以开发见解。然后，以引人注目的交互式仪表板和报告的形式在整个组织内共享您的发现。一些现代工具提供自助式分析，使任何用户无需编写代码即可分析数据，并允许您使用自然语言来浏览数据。这些功能提高了数据素养，以便更多用户可以使用他们的数据并从中获取价值。

以下是现代数据分析的四个关键方面：

人工智能驱动的分析。

人工智能（AI）和机器学习（ML）正在重新设定对现代分析的期望。增强分析可提供新的见解和联系，这有助于您快速分析数据、提高工作效率并做出更好的数据驱动型决策。

ML、预测性和规范性分析。

机器学习是从历史数据创建模型以做出未来预测的过程。自动化机器学习允许您在数据科学家无法处理的更多用户案例中利用预测性和规范性分析的强大功能。

数据可视化、报告和仪表板

当数据以图表、图形和地图的形式可视化时，利益相关者可以更轻松地理解和协作处理数据。交互式数字仪表板和报告可让您共享您的发现，并允许所有用户轻松与数据交互。

嵌入式分析

将数据分析功能嵌入到其他应用程序、产品、门户、工作流或流程中，有助于人们更快地找到见解并做出更好的决策。这是因为所有利益相关者都可以在其工作流程中快速访问数据和见解，而不是切换到单独的分析应用程序。

所需的数据分析师角色和技能

如果您正在考虑从事数据分析工作，您可能想知道，“数据分析师是做什么的？即使使用如上所述的现代自助式数据分析工具，数据分析师在许多组织中仍然发挥着关键作用。以下是您需要的角色和技能的概述。

数据分析师角色

今天的数据分析师应该做到以下几点：

设计和维护数据集成系统和数据存储库。
与 IT 团队合作制定数据治理策略，并改进数据集成和管理流程和系统。
了解他们的公司或组织及其在外部和竞争趋势中的地位。
使用数据分析或 BI 工具构建应用并执行分析，创建仪表板和可视化效果，并深入研究数据以查找关系和见解。
在没有功能齐全的分析或 BI 平台的情况下，使用统计工具来分析数据集并找到见解。
为使用数据有效传达趋势、模式和预测的利益干系人准备仪表板和 KPI 报告。

数据分析师技能

就您需要的技能而言，理想的数据分析师除了拥有必要的技术专长外，还能够与所有利益相关者进行有效的协作和沟通。业务技能包括帮助定义目标和提供 KPI 示例。技术专长包括数据集成和管理、数据建模、R 或 SAS、SQL 编程、统计分析、报告和数据分析方面的技能。这些技能通常来自数学和统计学背景，有时包括分析硕士学位。