随着数据成为“新石油”，“数据科学”和“数据分析”这两个流行语经常出现在计算机科学领域的许多对话中。虽然它们经常互换使用，但它们并不是一回事。在这篇博客中，我们将分解术语，看看这两个术语是什么意思，它们在哪里重叠，以及它们有什么不同。
为什么数据很重要?
无论是医疗保健、研究、零售还是任何其他行业，数据现在都是获得公司增长所需有用信息不可或缺的一部分。随着数据支持的商业决策的爆炸式增长，即使是小型初创企业也在投入时间和精力利用大数据来揭示隐藏的业务问题和业务需求、客户偏好、市场趋势和其他有意义的见解。
因为没有什么比数据支持的硬事实更有说服力，世界各地的组织都需要正确理解分析工具，这些工具可以解析大型数据集，为顶级产品开发和客户体验揭示正确的信息。
什么是数据科学?
简单地说，数据科学是从复杂的结构化和非结构化数据中提取见解和解决方案的技术的总称，通过数据清理、数据挖掘、数据建模、机器学习算法进行预测和模式发现、情感分析和数据集的预测分析，并将其转化为可操作的业务策略，以解决还没有想到的问题。
到2020年，数据驱动型企业的总价值将达到1.2万亿美元，较2015年的3330亿美元有所增长。无论是你的GPS上班路线，还是通过腕带跟踪你的健身目标，数据科学专家负责将原始数据分解成可用的信息，并创建软件和算法，帮助公司提高其产品在人们日常生活中的相关性。
什么是数据分析?
数据分析是数据科学的一个子集。这种类型的分析需要利用数据从结构、数据源和数字讲述的故事中获得有意义的见解，以便业务可以优化其流程。探索性数据分析还需要创建可视化表示，例如图表和图形，以更好地展示数据所揭示的内容。从本质上讲，数据分析确定的趋势和指标，否则将丢失在大量信息中。
数据分析的重点在于对已知数据的推断和统计分析，研究人员知道他在寻找什么，并且非常适合发现关于业务场景的问题和已经存在的问题，这需要即时性。例如，如果利益相关者需要知道季度销售情况或呼叫中心生产率情况，那么数据分析工具将更好地满足您的需求。
这两者有什么区别?
虽然数据分析和数据科学都处理数据，但主要的区别在于它们用数据做什么。这里有一些关键的区别
| 特性 | 数据科学 | 数据分析 |
| 目标 | 发现新问题，推动创新 | 从现有数据中获得见解 |
| 数据集 | 非结构化和结构化 | 结构化 |
| 分析 | 预测分析 | 推理、诊断分析 |
| 编程语言/工具 | Scala, R, Python, SAS, Hadoop | SQL, HappyFox BI, Tableau, Excel |
| 数据可视化 | 较小的焦点 | 更高的专注 |
然而，数据科学的最终目标是发现可能通过原型、算法和预测模型来推动创新的新问题;数据分析通过识别趋势，开发图表，并通过HappyFox商业智能，SQL等创建可视化演示来提取可操作的见解。
数据分析师通常会使用现有的数据库和数据结构，并精通使用强大的工具;另一方面，数据科学家通常会处理形式较差的稀疏数据。
数据科学和数据分析专业
随着企业努力利用他们的数据，合格的数据专业人员在行业中非常受欢迎。虽然数据科学家和数据分析师都需要一定程度的编程技能，但如果你的技能和兴趣在于理解数据，比如为什么销售额下降或什么kpi可以增强业务，那么数据分析的职业道路可能适合你。
对于数据科学的职业生涯，美国最高职位之一在美国，雇主通常希望求职者拥有高级硕士学位，并在数据科学行业有几年建立统计模型、预测建模和机器学习的经验。
结论
随着人们对大数据和人工智能的兴趣日益浓厚，数据科学和分析领域不再局限于学术界，而是正在成为商业智能和人工智能的组成部分分析工具．重要的是要注意，虽然你会想要比较两者，但要释放数据的真正力量，数据科学和分析必须相互补充，而不是相互对立，才能实现最佳的问题解决和决策制定。
