数据无处不在，已成为我们日常生活中不可或缺的一部分。数字数据的数量呈指数级增长。据估计，全球创建的数据将超过180泽字节。

因此，需要专业人士了解数据科学、大数据和数据分析的基础知识，并可以进行数据科学与数据分析等比较，这有助于区分各种数据处理学科。

这三个术语在行业中经常听到，虽然它们的含义有一些相似之处，但它们也有一些明显的差异。本文将帮助你清楚地了解成为数据科学家、大数据专家或数据分析师的含义、应用和所需技能。

什么是数据科学?

数据科学是一个处理非结构化、结构化和半结构化数据的领域。它涉及数据清理、数据准备、数据分析等实践。

数据科学是统计学、数学、编程和问题解决的结合;以巧妙的方式捕获数据;用不同的眼光看待事物的能力;以及清理、准备和对齐数据的能力。这个总括性术语包括从数据中提取见解和信息时使用的各种技术。

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。大数据的处理从原始数据开始，这些数据没有汇总，而且通常不可能存储在一台计算机的内存中。

大数据是一个流行词，用来描述大量的数据，包括非结构化的和结构化的，这些数据可以覆盖日常的业务。大数据被用来分析，这可以采取更好的决策和战略业务措施。

总之，Gartner给出了大数据的以下定义:“大数据是高容量、高速度或高种类的信息资产，需要具有成本效益的、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?

数据分析是研究原始数据以得出某些结论的科学。

数据分析包括应用算法或机械过程来获得见解，并运行多个数据集以寻找有意义的相关性。它被用于多个行业，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，这是一个完全基于研究人员已经知道的东西得出结论的过程。

现在，让我们来探索数据科学、大数据和数据分析的应用。

数据科学的应用

1. 互联网搜索引擎

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。

2. 数字广告

从展示横幅到数字广告牌，整个数字营销领域都使用数据科学算法。这就是数字广告比传统广告有更高点击率的主要原因。

3. 推荐系统

推荐系统不仅可以从数十亿可用产品中轻松找到相关产品，而且还可以为用户体验增加很多内容。许多公司利用该系统根据用户的需求来推广自己的产品。这些推荐是基于用户以前的搜索结果。

大数据的应用

1. 面向金融服务的大数据

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都在其金融服务中使用大数据。其中的共同问题是存在于多个不同系统中的大量多结构化数据，而大数据可以解决这些问题。因此，大数据的用途有很多，包括:

• 客户分析
• 遵从性分析
• 欺诈行为分析
• 运营分析

2. 面向通信的大数据

获得新用户、留住客户和扩大现有用户基础是电信服务提供商的首要任务。这些挑战的解决方案在于能够组合和分析每天创建的大量客户生成的数据和机器生成的数据。

3. 面向零售业的大数据

无论是实体公司还是在线零售商，要想在游戏中保持竞争力，答案就是更好地了解客户。这需要能够分析公司每天处理的所有不同数据源，包括博客、客户交易数据、社交媒体、商店品牌信用卡数据和客户依赖度数据。

数据分析的应用

1. 医疗保健

医院面临的主要挑战是尽可能有效地治疗病人，同时提供高质量的医疗服务。仪器和机器数据越来越多地被用于跟踪和优化医院的病人流程、治疗和设备。据估计，通过利用数据分析公司的软件，将有1%的效率提升，可为全球医疗保健节省超过630亿美元。

2. 旅行

数据分析可以通过博客和社交媒体数据分析来优化购买体验。旅游网站可以深入了解顾客的偏好。通过定制的套餐和优惠，将当前的销售与随后的“从浏览到购买”转换的浏览量增加相关联，可以实现产品的追加销售。基于社交媒体数据的数据分析也可以提供个性化的旅行建议。

3. 游戏

数据分析有助于收集数据以优化游戏内部的支出。游戏公司也能够更多地了解用户的喜好。

4. 能源管理

大多数公司正在使用数据分析进行能源管理，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。这里的应用程序集中在控制和监视网络设备和调度人员，以及管理服务中断。公用事业公司有能力在网络性能中集成数百万个数据点，并为工程师提供使用分析来监控网络的机会。

这些技术如何影响经济?

数据已经成为驱动当今几乎所有活动的引擎，无论这些活动是在医疗保健、技术、教育、研究还是零售领域。此外，面向业务已经从以产品为中心的模型演变为以数据为中心的模型。各种规模的公司都重视信息，不管这些数据有多微不足道。信息分析和可视化帮助营销人员和分析师获得业务洞察力。这种需求产生了对专家的需求，他们可以从当今可用的tb级数据中提取有用的、有意义的见解。

大数据通过提供欺诈检测和运营分析系统等重要技术来帮助银行、零售和其他行业，而数据分析通过利用历史和基于数据的趋势分析，使银行、能源管理、医疗保健、旅游和运输等行业取得了新的进展。数据科学以更多的方式扩展了这一点，使公司能够在科学发现、医学进步、网络开发、数字广告、电子商务等领域探索新的战略——实际上，任何你能想象到的领域。

数据科学家、大数据专家和数据分析师是做什么的?

为了更好地理解数据科学与数据分析的整体比较，让我们来看看每个职业都做些什么。

数据科学家与项目负责人密切合作，以了解他们的目标，并找出如何使用数据来实现这些目标。他们负责清理和组织数据、收集数据集、挖掘数据模式、精炼算法、集成和存储数据以及构建训练集。

对于大数据专业人士来说，当描述一个职业或工作职位时，“大数据”这个词不再是一个“大”的东西。大数据专业人员现在更多地被称为分析专业人员，他们审查、分析和报告公司存储和维护的大量数据。这些专业人员识别大数据的挑战并设计解决方案，采用基本的统计技术，提高报告和分析数据的质量，以及访问、修改和操作数据。

最后，数据分析师收集、清理和研究数据集，将其转化为可操作的资源，以帮助解决问题或实现组织内的目标。

如果这三种职业似乎有大量的重叠，那是因为它们确实如此!每个企业都有自己的结构和流程，你肯定会看到这些职位之间的一些模糊的区别。也许在一些公司里，数据科学家身兼数职。

成为数据科学家所需的技能

1. 教育程度：88%的人拥有硕士学位，46%的人拥有博士学位

2. 对SAS或R有深入的了解。对于数据科学，通常优先考虑R。

3. Python编码：Python是数据科学中最常用的编码语言，还有Java、Perl和C/ C++。

4. Hadoop平台：虽然并不总是必需的，但了解Hadoop平台仍然是该领域的首选。有一些Hive或者Pig的经验也是有好处的。

5. SQL数据库/编码：虽然NoSQL和Hadoop已经成为数据科学的重要组成部分，但如果你能用SQL编写和执行复杂的查询，它仍然是首选。

6. 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、视频还是音频上。

成为大数据专家所需的技能

1. 分析技能：这些技能对于理解数据，以及在创建报告和寻找解决方案时确定哪些数据是相关的至关重要。

2. 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。

3. 数学和统计技能：无论是在数据科学、数据分析还是大数据领域，优秀的、老式的“数字运算”也是必要的。

4. 计算机科学：计算机是所有数据策略的支柱。程序员将不断需要提出算法，将数据处理成洞察力。

5. 业务技能：大数据专业人员需要了解现有的业务目标，以及推动业务增长和提高利润的基本流程。

成为数据分析师所需的技能

1. 编程技能：了解编程语言，如R和Python，对任何数据分析师来说都是必不可少的。

2. 统计技能和数学：描述和推断统计，以及实验设计，是数据科学家所需的技能。

3. 机器学习技能

4. 数据整理技能：映射原始数据并将其转换为另一种格式的能力，以便更方便地使用数据

5. 善于沟通和数据可视化技能

6. 数据直觉：对于专业人士来说，能够像数据分析师一样思考是至关重要的。

工资的趋势

虽然他们在同一个领域，但这些专业人士——数据科学家、大数据专家和数据分析师——的薪水各不相同。

1. 数据科学家薪酬

根据Glassdoor的数据，数据科学家的平均基本年薪超过11.7万美元。

2. 大数据专员薪酬

根据Glassdoor的数据，大数据专家的平均基本年薪超过10.4万美元。

3. 数据分析师薪资

根据Glassdoor的数据，数据分析师的平均基本年薪超过69000美元。

当然，这些只是平均值，会根据几个因素而有所不同。许多专业人士获得或有潜力获得更高的薪水。

结论

在这篇文章中，我们讨论了数据科学、大数据和数据分析之间的区别，涉及到与特定职位相关的定义、应用、技能和工资等概念。

本文转载自 数据 vs 大数据 vs 数据分析- 雪兽软件

更多精彩推荐请访问 雪兽软件