数据分析——数据科学

数据科学——使数据有用的学科，是一个涵盖三个学科的总称：机器学习、统计、分析。

统计：

在你开始做决定之前，你知道你想要做多少决定。如果你想在不确定的情况下做一些重要的决定，那就是统计。

机器学习（自动化、人工智能）：

如果你想自动化，在很多 不确定情况下做出许多决定，就是机器学习和人工智能。

分析：

在开始之前，你想做出多少决定？在寻找灵感的过程中，遇到许多的未知数。你想了解你的世界。这就是分析。

统计学家本质：

是哲学家，  认识论者。  他们非常非常小心 保护决策者不 得出错误的结论。  如果您热衷于这种关心和严谨，  我会推荐统计。

数据生态系统：

生态系统是一组与一个元素相互作用的元素。 数据生态系统由相互交互的各种元素组成， 以产生、管理、存储、组织、分析和共享数据。

云：

 

云是在网络上保存数据的地方，而不是保存在计算机硬盘上的地方。 数据存储在组织网络内的某处， 这些数据是通过互联网访问的。 因此 云只是我们用来描述虚拟位置的一个术语。

案例（零售店数据库）：

您可以访问零售店的数据库， 这是一个充满客户姓名、地址、 以前的购买和客户评论。 

作为数据分析师，您可以使用这些信息来预测哪些 客户将来会购买， 并确保商店在需要时有产品和库存。

案例（人力资源）：

让我们考虑一下人力资源部门使用的数据生态系统。  这个生态系统将包括来自招聘网站的帖子等信息，  当前劳动力市场的统计数据，  就业率，以及有关潜在员工的社交媒体数据。  数据分析师可以使用这些信息来帮助他们的团队招募新员工 并提高员工敬业度和保留率。

案例（农业）：

农业公司经常使用数据生态系统 ， 包括信息，包括天气运动中的地质模式。  数据分析师可以使用这些数据来帮助农民预测作物产量。 一些数据分析师甚至使用数据生态系统来保存真实的数据 环境生态系统。 在斯克里普斯海洋研究所，珊瑚礁遍布  世界受到数字化监控，因此他们可以看到生物如何随时间变化，  跟踪他们的增长，并衡量任何增长或  个别殖民地的衰退。

数据科学家：

数据科学被定义为创建新的建模方法和使用原始数据了解未知。数据科学家使用数据创建新问题。

数据分析师：

分析师发现 通过从数据源创建洞察来回答现有问题。

数据分析：

数据分析是收集、转换、 和组织数据以得出结论， 做出预测，并推动明智的决策。

数据驱动决策：

使用事实来指导业务战略，第一步是明确业务需求。通常这是一个需要解决的问题。 无论问题是什么，一旦定义，数据分析师就会发现数据， 分析它并使用它来发现趋势、模式和关系。

主题专家：

通过确保将数据内置到每个业务战略中，  数据分析师在其公司的成功中发挥着关键作用，但 

需要注意的是，无论数据驱动的决策多么有价值，  单独的数据永远不会像数据结合人类经验那样强大，  观察，有时甚至是直觉。

为了充分利用数据驱动的决策，重要的是要包括  来自熟悉业务问题的人的见解。 这些人被称为主题专家， 他们有能力看  在数据分析的结果并确定任何不一致之处， 理解灰色区域，并最终验证所做的选择。