怎么看待统计学家 和 数据科学家的区别

事实上这两个学科也都在探索隐藏在数据中的新内涵。虽然二者都对数据科学这一新生领域作出了令人瞩目的贡献，他们并非完全独立的。
数据的增长不仅体现在其规模上，还体现在我们对数据这个词定义的延伸上。举个例子，文本和图像已成为日益常见的数据形式并被纳入分类及风险建模等分析范畴中。对数据定义的延伸迫使统计学和计算机科学从各自的传统核心领域进入边缘领域——在这样的边缘领域里，新的思路开始萌发——两个学科在边缘领域的融合成为了数据科学的基础。
统计学的多数传统核心内容还未做好处理以十亿为单位的记录及非结构化数据的准备。同样，计算机科学的核心领域虽然擅长高效获取并存储大量结构化和非结构化数据，但在通过建模、分类和可视化等形式将数据转换成信息的能力上存在短板。
我同意统计学家在数据科学界容易处于弱势的说法。几年前，“简单统计学”（SimplyStatistics）博客发布了一篇名为《为什么大数据陷入了麻烦：他们忘了运用统计学》的文章。这篇文章指出了人们兴冲冲地倒腾机器学习、文本挖掘、神经网络却忽视与数据行为（behavior of date）密切相关的变量、置信度、分布等基本统计学概念，导致了糟糕的决定。虽然数据科学不是统计学，但统计学为这门学科贡献了基础方法。

1、学科知识：从数据分析涉及到的专业知识点上看，主要是这些：

（1）统计学：参数检验、非参检验、回归分析等
（2）数学：线性代数、微积分等
（3）社会学：主要是一些社会学量化统计的知识，如问卷调查与统计分析；还有就是一些社会学的知识，这些对于从事营销类的数据分析人员比较有帮助
（4）经济金融：如果是从事这个行业的数据分析人员，经济金融知识是必须的，这里就不多说了
（5）计算机：从事数据分析工作的人必须了解你使用的数据是怎么处理出来的，要了解数据库的结构和基本原理，同时如果条件充足的话，你还能有足够的能力从数据库里提取你需要的数据（比如使用SQL进行查询），这种提取数据分析原材料的能力是每个数据从业者必备的。此外，如果要想走的更远，还要能掌握一些编程能力，从而借住一些专业的数据分析工具，帮助你完成工作。
2、软件相关：从事数据分析方面的工作必备的工具是什么
（1）数据分析报告类：Microsoft Office软件等，如果连excel表格基本的处理操作都不会，连PPT报告都不会做，那我只好说离数据分析的岗位还差的很远。现在的数据呈现不再单单只是表格的形式，而是更多需要以可视化图表去展示你的数据结果，因为数据可视化软件就不能少，BDP个人版、TABLUEA等这些必备的，就看你自己怎么选了。
（2）专业数据分析软件：Office并不是全部，要从在数据分析方面做的比较好，你必须会用（至少要了解）一些比较常用的专业数据分析软件工具，比如SPSS、SAS、Matlab等等，这些软件可以很好地帮助我们完成专业性的算法或模型分析，还有高级的python、R等。
（3）数据库：hive、hadoop、impala等数据库相关的知识可以学习；

（4）辅助工具：比如思维导图软件（如MindManager、MindNode Pro等）也可以很好地帮助我们整理分析思路。
最重要的是：理论知识+软件工具=数据分析基础，最后要把这些数据分析基础运用到实际的工作业务中，好好理解业务逻辑，真正用数据分析驱动网站运营、业务管理，真正发挥数据的价值。