數據逐漸成為企業的新一代貨幣，這也正是公司為了做出更好的決策不遺余力的挖掘數據的潛力的原因。為此，公司需要的是懂得如何從海量數據源中獲取需要的數據并以有價值的方式闡述這些數據的專業人士。數據科學家和業務分析師都是這樣的專業人士，但決不能將他們混為一談 ——涉及到決策時他們采取不同的數據分析途徑。因為這兩種稱謂經常被混用，商業分析專家Analytics@American繪制了如下的信息圖來闡明兩者的差異。

盡管兩種類型的專家都是和數據打交道，但他們處理的方式卻不一樣。這種差異可以歸因于他們各自的教育背景。業務分析師接受的教育更多的來自于如商業、人文等領域，從廣泛的數據源提取數據并用來評估過去、當前和未來的業務績效。而數據科學家得益于計算科學、數學和科技的教育背景，在工作中采取統計編程的方式來設計和實現算法。

這些差異也體現在他們在為商業決策提供數據支持時使用的技能上。業務分析師將跨領域的數據分析轉變為可用于商業決策的實際資源。相對而言，數據科學家則是做更基礎的工作，他們通過在數據集中挖掘數據來尋找有用的信息和編寫機器學習算法來為決策制定提供支持。

若想更加深入的理解這兩種類型的大數據專家能怎樣幫助您的公司定制更好的商業決策，詳見如下信息圖。

在大數據時代，解析海量難以理解的信息足以引導改變世界的革新。為真正理解這些數據，公司需要各個方面的專業人士，其中包括業務分析師和數據科學家。

他們是誰？

業務分析師

從結構化和非結構化數據源研究和提取有價值的信息并用來解釋歷史的、當前的和將來的業務績效，為客戶決定最好的分析模型和方法并呈現和解釋解決方案。

數據科學家

通過統計編程設計、開發和調用算法而支持業務決策；管理海量數據；可視化數據以輔助理解。

他們擁有哪些技能？

業務分析師和數據科學家都是利用數據來為決策工作提供依據，但他們在利用相同或相似的工具時使用的技巧卻不大一樣。下面的圖表描述了在其學科內獲得碩士學位所擁有的技能。

決策制定

業務分析師：將跨領域的數據分析轉變為可用于商業決策的實際資源

數據科學家：通過在數據集中挖掘數據來尋找有用信息和編寫機器學習算法來為決策制定提供支持

應用問題的解決

業務分析師：定義業務問題，將統計分析轉換成數據驅動的商務智能用來提高業務績效

數據科學家：為可被解決的應用業務問題建立分析基礎

數據分析

業務分析師：利用預測性、規范性和描述性的分析方法來研究、解釋和可視化原始數據，并使之為客戶所用

數據科學家：采用如線性分析方法和多元線性回歸方法來管理和組織海量多元數據

分析模型

業務分析師：理解、整合和規范用來對數據建模的方法

數據科學家：有經驗的統計編程人員利用的語言和工具如SAS、SQL、R、SPSS、Python和Knime

數據庫管理

業務分析師：利用類似Teradata、Oracle和Hadoop的工具為各種不同格式的數據，可編碼的和不可編碼的定義和調整數據庫需求

數據科學家：利用類似Teradata、Oracle和Hadoop的工具設計和結構化數據庫