什麼是資料科學？

資料科學整合高效能工具、方法及技術，透過資料獲取有意義之資訊，從而發揮非常重要之作用。現代組織被龐大的資料所淹沒；可以自動收集和儲存資訊的裝置大量激增。在電子商務、醫藥、財務以及人類生命的各個其他方面等領域，線上系統以及付款入口網站擷取的資料更多。我們擁有大量文字、音訊、影片和影像資料可供使用。 

人工智慧和機器學習的創新，使得資料處理的速度更快，而且更具效率。在行業需求之驅動下，資料科學領域內形成了一個由學科、學位和工作職位組成的生態系統。行業對於跨職能技能和專業知識的要求，使得資料科學展現出未來幾十年強勁的預期成長。

資料科學正在徹底改變公司的經營方式。許多企業 (無論其規模如何) 需要強大的資料科學策略來帶動成長並保持競爭優勢。一些主要優勢包括：

探究未知的轉型模式

組織能夠利用資料科學發現有可能促成組織轉型的新模式和關係。它能夠揭露資源管理的低成本變化，進而對於利潤率產生最大影響。舉例來說，電子商務公司利用資料科學發現有過多的客戶查詢是在下班時間後產生。調查結果顯示，如果顧客能夠收到立即回覆，而不是等到下個工作日才獲得答案，他們完成購買的可能性會更大。透過實施全年無休的客戶服務，該企業達到 30% 的收益成長。

新產品和解決方案的創新

資料科學揭露原本有可能被忽視的差距和問題。更深入地瞭解採購決策、客戶反饋意見和業務流程可以推動內部營運和外部解決方案的創新。例如，線上付款解決方案可使用資料科學整理和分析客戶在社群媒體上對公司的評論。分析結果顯示顧客在購買高峰期間忘記密碼，並對目前的密碼擷取系統不太滿意。公司可以創新更好的解決方案，並且明顯提高客戶滿意度。

即時優化

對於企業 (尤其是大型企業) 而言，即時回應不斷變化的狀況是極具挑戰性的事情。這可能會導致商業活動的重大損失或中斷。資料科學可以幫助公司預測變化並且針對不同情況做出最佳反應。例如，一間以卡車為主的運輸公司利用資料科學來減少卡車發生故障時的停工時間。他們找出導致卡車更快發生故障的路線和班次模式並且調整卡車時間表。他們還建立了需要經常更換的常用備件庫存，以便加快修理卡車的速度。  

資料科學專業人員使用運算系統以追蹤資料科學流程。 資料科學家會使用的頂尖技術為：

分類

分類是將資料分類成特定的群組或類別。會訓練電腦識別與排序資料。已知資料集會用於在電腦中建置決策演算法，以便快速地處理與分類資料。例如：  

• 將產品按照受歡迎或不受歡迎進行排序  
• 將保險申請依照高風險或低風險進行排序  
• 將社群媒體評論排序為正面、負面或是中立。

資料科學專業人員使用運算系統以追蹤資料科學流程。 

迴歸

迴歸是找到兩個看似無關的資料點之間關係的一種方法。連接通常會圍繞數學公式進行建模，並表示為圖形或曲線。如果某個資料的值未知，則迴歸會用於預測其他資料點。例如：  

• 空氣傳播疾病的傳播速度。 
•  客戶滿意度與員工人數之間的關係。  
• 消防站數量以及在特定位置因火災而受傷人數之間的關係。 

叢集

叢集是將密切相關的資料組合在一起以尋找模式和異常情況的方法。叢集與排序不同，因為前者無法將資料準確分類為固定類別。因此，資料會被分組成最可能的關係。透過叢集可以發現新的模式和關係。例如：  

• 透過將具有相似購買行為的顧客加以分組，改善客戶服務。  
• 透過網路流量分組，識別每日使用模式，並且更快發現網路攻擊。  
• 對文章進行叢集化處理，分類為多個不同的新聞類別，並藉由此資訊找出不實的新聞內容。

資料科學技術背後的基本原理

儘管細節有所不同，但這些技術背後的基本原理是：

• 教導機器如何根據已知的資料集排序資料。例如，範例關鍵字會連同其排序值一併提供給電腦。「快樂」為正，而「仇恨」為負。
• 將未知資料提供給機器，讓裝置個別對資料集進行排序。
•  允許出現結果不準確的情況，並處理結果的機率因素。

資料科學是在其他資料相關角色與領域中包含所有一切的名詞。讓我們看看其中某些例子：

資料科學與資料分析之間有什麼差別？

雖然這些名詞可以互換使用，但資料分析是資料科學的一個子集。資料科學是從收集到建模與洞察等所有資料處理方面的概括性術語。在另一方面，資料分析主要涉及統計學、數學和統計分析等範圍。它只關注資料分析，而資料科學則與組織資料最重要的部分有關。在多數的工作場所中，資料科學家與資料分析師會攜手合作以期達成共同的商業目標。資料分析師可能會花費更多時間在例行分析與提供定期報告上。資料科學家可以設計儲存、操縱與分析資料的方式。簡而言之，資料分析師透過現有資料取得理解，而資料科學家則是創造新的方法和工具來處理資料，以供分析師使用。

資料科學與商業分析之間有什麼差別？

雖然資料科學和商業分析之間存在有重疊的情況，但是其關鍵差異在於每個領域對於技術的運用情況。相較於商業分析師，資料科學家的工作與資料技術之關係更加密切。商業分析師之工作可以將商業與 IT 連結起來。他們界定商業案例、透過利害關係人收集資訊，或是驗證解決方案。在另一方面，資料科學家利用高效能之技術處理商業資料。他們可以編寫程式、套用機器學習技術以建立模型，並且開發新的演算法。資料科學家不僅可以瞭解問題之所在，還可以建置工具以提供解決問題的辦法。商業分析師和資料科學家在同一個團隊工作的情況並不少見。商業分析師採納資料科學家的見解，藉此形成適用於更廣泛之商業範圍的解決方案。

資料科學與資料工程之間有什麼差別？

資料工程師會建置與維護能夠讓資料科學家存取與解譯資料的系統。與資料科學家相比，資料工程師與基礎技術的配合更加密切。一般而言，角色需要建立資料模型、建置資料管道，以及監督擷取、轉換、載入 (ETL)。根據組織設置與規模的不同，資料工程師也可以管理相關的基礎設施，例如大數據儲存體、串流以及處理平台 (例如 Amazon S3)。資料科學家可使用資料工程師已經處理過的資料來建置與訓練預測性模型。資料科學家接下來可以將結果交給分析師進行進一步決策。

資料科學與機器學習之間有什麼差別？

機器學習訓練機器分析並且透過人類行為模式相關資料進行學習的一種科學。它是資料科學項目中用於透過資料獲得自動化洞察力的方法之一。機器學習工程師專門從事於與機器學習方法特有的運算、演算法以及編碼技能。資料科學家可以利用機器學習方法作為手段或是與機器學習工程師密切合作以處理資料。

資料科學與統計學之間有什麼差別？ 

統計學是基於數學的領域，目的旨在收集與解釋定量資料。相比之下，資料科學則是屬於多學科領域，會使用科學方法、流程和系統透過各種不同形式的資料提取知識。資料科學家會使用來自許多學科 (包括統計學) 的方法。然而他們的過程以及研究問題的領域則各有不同。  

資料科學家可以將一系列不同的方法、工具和技術整合到資料科學流程。根據問題，他們會挑出最佳組合，以便獲得更快以及更準確的結果。

資料科學家的角色與日常工作會因為組織的規模與需求而有所不同。儘管科學家們一般會遵循資料科學流程，但是細節內容可能有所不同。在較大型的資料科學團隊中，資料科學家可以和其他分析師、工程師、機器學習專家以及統計學者合作，確保端對端地遵循資料科學流程並經達成業務目標。 

然而，在規模較小的團隊中，資料科學家可能必須要身兼數職。根據經驗、技能和教育背景的不同，他們可能扮演多個角色或重疊角色。在此情形下，他們日常的職責可能包括工程、分析和機器學習以及核心資料科學方法。 

成為資料科學家通常有三個步驟：

1. 取得 IT、電腦科學、數學、物理或其他相關領域的學士學位。
2. 取得資料科學或相關領域的碩士學位。
3. 掌握感興趣領域的經驗