简而言之，数据科学包括并超越了数据分析。如果您将数据科学家与数据分析师进行比较，数据科学家的目标更深入，他们关注的领域也更广。
数据科学现在很热门。麦肯锡全球研究所(McKinsey Global Institute)的一份报告估计，由于苹果(Apple)和Zendesk等科技公司的需求，2018年数据科学家职位将会短缺19万个。教授数据科学的课程层出不穷。数据科学中使用的语言，如Python和R，已经变得非常流行。
在这个领域，一个常见的问题是，数据科学和数据分析之间有什么区别?要回答这个问题，我们首先需要理解为什么会出现这样的困惑。
为什么困惑呢？
大多数人对数据科学和数据分析之间的区别感到困惑，因为数据科学家工作中最明显的部分是数据分析。
数据科学家需要熟悉许多技术才能做好他们的工作。我将在下面介绍一些。
A/B testing。也称为分割测试，这是一种技术，您可以将各种测试组彼此进行比较，以发现哪些更改将改进给定的目标变量。例如，您可以度量来自两个或多个不同电子邮件活动的营销响应率(目标变量)。
Association rule learning。亚马逊的产品页面上经常写着:“购买了你正在查看的产品的客户也购买了这些其他产品。”这就是关联规则学习的力量。在没有人工监督的情况下，它可以发现数据中的局部模式，这些模式表示输入变量之间隐藏的关系。
Classification。这涉及到识别和分类新数据点并将其导入正确的类别或组的问题。通常，该技术包括包含已分类的现有数据点的训练集，然后应用机器学习来识别新的数据点。
聚类分析。这类似于分类。但是聚类分析根据数据点之间的相似性将不同的数据点分组。这种统计方法与分类方法的不同之处在于，相似性的特征是事先不知道的。所以，没有训练集可以使用。
更多数据分析技术
数据科学家需要熟悉的其他数据分析技术包括以下内容：
数据挖掘
集成学习
遗传算法
机器学习
自然语言处理(NLP)
神经网络
网络分析
优化
模式识别
预测建模
回归
情绪分析
信号处理
空间分析
监督学习
仿真
时间序列分析
时间序列预测
无监督学习
可视化
其中一些技术与统计(如回归)的关系更密切。其中一些是广义的概括术语，这意味着其他技术可以归在它们之下。例如，聚类分析是一种无监督学习。
您可以在不深入了解这些技术的情况下执行数据分析。这是可能的，因为有软件包可以帮助您。下面是一个简单的例子:假设您需要对数据点运行回归分析。你只需要微软Excel和它内置的回归公式…不过，如果你只做这些，你可能无法逃脱称自己为数据科学家的命运。
那么，这两者到底有何区别
更深层次的目标
一个更值得关注的领域
如果你想了解关于数据科学的信息，你可以得到这些常用的维恩图。
数据科学家维恩图由德鲁·康威绘制
数据科学家Venn图由Stephan Kolassa发布在Stack Exchange上
首先，让我们忽略哪个图是正确的问题。我们必须在这些维恩图中寻找共同点。在这两个图中，数据科学都处于多个领域的中间。换句话说，数据科学是一个跨学科的领域。您需要了解一些编程和数据库相关的技能。您需要掌握所处领域或业务的详细信息。例如，如果你从事电子商务，你需要学习网上购物者的购买行为。你还必须了解电子商务的原理。必须具备统计学知识。最重要的是，你可能至少需要向其他人解释你的想法，向你团队中的其他数据科学家解释。
更深层次的目标驱动所关注的领域
早些时候，我提到数据科学家致力于提供新的见解。这一更深层次的目标促使数据科学家扩展到许多领域，从而增加了从事著名工作的机会，比如具有创造性的见解和发明新的分析技术。数据科学家甚至可能以新的方式重新利用现有的技术。
另一方面，数据分析师不需要在这么多领域都很熟练。实际上，根据分析的性质，我们可以在不了解编程、统计甚至业务基础等专业领域的情况下执行分析。
让我们以一个假想的场景为例。在其中，分析任务很简单，数据点是原始的。在这种情况下，您甚至可以让实习生使用现成的软件进行数据分析，只需要很少的指令。你不会指望实习生解释结果。你猜怎么着?搞清楚这些结果并不是数据分析师工作的一部分。这是数据科学的一部分。
重要的是你的下一步是什么
我已经讲完了这篇文章。我们研究了数据分析和数据科学之间的异同。现在更重要的问题是，这对你在这个领域的职业生涯意味着什么?回想一下前面提到的数据科学家的不足。这不会永远持续下去。
要在这个领域走得更远，你需要获得更多的知识和培训。事实上，在这里展示的维恩图中，对你所看到的区域进行一些自我评价可能是非常好的。
这里有一些对你前进有帮助的东西：
查看数据科学所需的三到四个领域:统计、编程、通信和业务领域专业知识。你的优点是什么?你的缺点是什么?
从这四个方面中挑出你的一个优点。现在，寻找那些需要这种特质的职位。假设你最擅长统计学。利用这一点进入分析师的角色，在统计方面做得好是没有商量余地的。
在此基础上，向同事和经理寻求反馈。问他们你的优点和缺点是什么。你的弱点会阻碍你吗?或者你需要在你的能力上变得更强吗?为这两种情况做好准备。
长按订阅更多精彩▼
如有收获，点个在看，诚挚感谢
