数据科学家VS大数据专家VS数据分析师：有什么不同？

经常听到数据科学家、大数据专家、数据分析师，这3个职业乍一听，感觉是一个意思，但实际上，它们是不同的岗位，需要不同的技术，应用到不同的领域。

什么是数据科学？

处理非结构化和结构化数据，数据科学是一个包含与数据清理、准备和分析相关的所有内容的领域。

数据科学是统计、数学、编程、解决问题、捕获数据、以不同的方式看待事物的能力以及清理、准备和对齐数据所有活动的结合。

什么是大数据？

大数据是指目前使用的传统应用程序无法有效处理的大量数据。大数据的处理那些零散的未聚合的原始数据，通常不可能存储在单台计算机的内存中。大数据用于分析洞察力，这可以带来更好的决策和战略性业务举措。

Gartner 对大数据给出了以下定义：“大数据是大容量、高速或多样化的信息资产，需要具有成本效益、创新的信息处理形式，以增强洞察力、决策制定和流程自动化。 ”

什么是数据分析？

数据分析是检查原始数据以得出某些结论的科学。

数据分析涉及应用算法或机械过程来获得洞察力并运行多个数据集以寻找有意义的相关性。

它用于多个行业，使组织和数据分析公司能够做出更明智的决策，以及验证和反驳现有的理论或模型。数据分析的重点在于推理，即仅根据研究人员已经知道的内容得出结论的过程。

数据科学的应用

• 互联网搜索：搜索引擎利用数据科学算法在几秒钟内为搜索查询提供最佳结果。
• 数字广告：整个数字营销范围都使用数据科学算法，从显示横幅到数字广告牌。这是数字广告的点击率高于传统广告的主要原因。
• 推荐系统：推荐系统帮助电商、APP、内容平台将千千万万的内容精准推送给潜在用户，增加了用户体验。推荐系统一般基于用户行为（搜索、浏览、互动）来进行推荐。

大数据的应用

一、金融服务大数据

信用卡公司、零售银行、私人财富管理咨询公司、保险公司、风险基金和机构投资银行的运营都离不开大数据的运用。它们之间的共同问题是拥有存在于多个不同系统中的大量的多结构化数据，大数据可以解决这些问题。

大数据如何应用在金融服务领域：

• 客户分析
• 合规分析
• 欺诈分析
• 运营分析
• 通信大数据

二、通信领域的拉新与留存

获得新用户、留住客户是电信服务提供商的首要任务，因而分析每天客户生成的大量数据显得尤为关键。

三、零售大数据

无论是实体公司还是在线电商，了解客户才能在竞争中立于不败之地，大数据可以处理客户来源、交易数据、商品品牌影响力、顾客忠诚度等众多维度的数据，助力实体/电商生意更加红火。

数据分析的应用

• 卫生保健

医院的需求是高效率救助更多患者，这就涉及到医疗资源（医生、设备、病床）的优化分配，通过数据分析软件，可以最大效率提升资源利用率，避免资源浪费或低效使用。

• ** 旅行**

通过移动APP/博客和社交媒体的数据分析可以优化购买体验，帮助旅游网站深入了解客户偏好。

此外，通过数据分析，旅游业可以得知哪一项优惠活动、套餐最受欢迎，哪个套餐盈利最大，基于这些分析，可以进行销售追加。此外，基于社交媒体数据的数据分析还可以提供个性化的旅行服务。

• 游戏

数据分析可以帮助游戏公司了解游戏偏好，包括哪些主题皮肤、哪些武器、哪些场景受玩家欢迎，哪些引起用户反感。

• 能源管理

使用数据分析来进行能源管理，包括智能电网管理、能源优化、能源分配和公用事业公司的楼宇自动化，可以提升能源/资源利用率。像国家电网，全国有无数个数据点，只有通过数据分析，工程师才能够对整体的电能进行合理分配与监控。

成为数据科学家所需的技能

• 教育：88%拥有硕士学位，46%拥有博士学位
• 对 SAS 或 R 有深入的了解。对于数据科学，通常首选 R。
• Python 编码：Python是数据科学中最常用的编码语言，与 Java、Perl 和 C/C++ 一样。
• Hadoop 平台：虽然并不总是要求，但了解 Hadoop 平台仍然是该领域的首选。有Hive或Pig方面的相关经验。
• SQL 数据库/编码：尽管NoSQL和Hadoop 已成为数据科学的重要组成部分，但如果你需要在 SQL 中编写和执行复杂的查询，它仍然是首选。
• 处理非结构化数据：数据科学家必须能够处理非结构化数据，无论是在社交媒体、视频源还是音频上。

成为大数据专家所需的技能

• 分析技能：寻找解决方案时确定哪些数据是相关的至关重要。
• 创造力：你需要有能力创造新的方法来收集、解释和分析数据策略。
• 数学和统计技能：无论是在数据科学、数据分析还是大数据中，传统的数学与统计功能很有必要
• 计算机科学：程序员将不断需要提出算法来处理数据
• 业务技能：数据为业务服务，因此必须大数据专家必须懂业务

成为数据分析师所需的技能

• 编程技能：任何数据分析师都必须了解编程语言，例如R和Python
• 统计技能和数学
• 机器学习技能
• 数据整理技巧
• 沟通和数据可视化技能
• 数据直觉