数据分析的风潮正猛，另外一个被誉为21世纪最“性感”的职业——数据科学，也搭上了这一趟便车，火了一把。即便这两个岗位都和数据相关，但它们之间可不仅仅是两字之差。

相信大多数人都听说过数据分析和数据科学这两个岗位，而且绝大多数人对这两个岗位的认识，几乎都只是分析数据，并不觉得这两个岗位有非常大的区别。但从必备技能上看，我们已经可以发现两者间的不同。

数据科学必备技能：Python 或者 R、SQL、Jupyter Notebook、算法/建模。

数据分析必备技能：SQL、Excel、Tableau或者其他可视化工具。

从不同的必备技能可以看出，数据科学对编程能力、统计学知识要求更高。除了必备技能上的差异，数据分析和数据科学还有以下三点不同。

两者间的第一个差异，是对于企业的业务而言。数据分析需要通过处理数据、解读数据来解决企业业务团队提出的问题，而数据科学是根据数据分析的解决方案，提出可能使企业受益的问题；一个是解决已知而另外一个是预测未知。

第二个差异，是随着大数据的发展，数据的规模和复杂程度都在增加，数据分析只能处理来自单一来源的数据，例如CRM系统等；而数据科学是处理多个来源的、断层式的数据，以满足企业对数据的全面要求。

第三个差异，是数据分析对编程能力的要求不高，不需要有实际的机器学习经验或建立统计模型，但数据科学则需要熟悉各种高级编程软件、建立统计模型来处理动态的数据。

除此以外，数据科学属于research & development岗位，主要开发新的模型和算法，还要提高模型的可解释度，要让客户看懂自己的模型。数据科学还会读论文、写研究提纲和编程软件的package。

而数据分析几乎不做这些事，他们的主要任务，是将各种代码整合到公司系统里，然后阅读数据科学编写的技术报告，知道技术报告里的方法如何实现、提取在实际操作端被使用的频率数据。

因此，数据科学的绩效考核重点，在于企业的内部技术报告、对外发布的数据报告和两者间的转化。

左图是拉勾网上国内数据科学岗位数量，右图是Seek网站上澳洲数据科学的岗位数量，澳洲的数据竟然是中国数据的六倍多，为什么中国的数据科学行业和澳洲相差如此之大？

最重要的原因是国内的数据科学教育还不够成熟。

尽管早在2015年，国务院就出台了《促进大数据发展行动纲要》，但2015年只有3所院校成功新增备案“数据科学与大数据技术”专业。到2019年，国内共有619所高校获批“数据科学与大数据技术”专业，但大部分高校在2019年才开始专业的本科招生；而“数据科学与大数据技术”专业是知识体系复合、高度专业化、持续迭代的新兴学科，对于师资、实验室、课程体系都提出了新的要求，高校会遇到学科背景局限和资源禀赋不足的困难，这也导致了人才培养周期过长、专业效果不显著等问题。

反观澳洲，2019年已经有27家大学开设了“数据科学”的硕士学位，其中就包括了莫纳什大学、悉尼大学、墨尔本大学等澳洲顶尖大学，而澳洲大学在2016年已经开始了“数据科学”专业的本科招生；澳洲国立大学的“数据科学”专业，在2017年也开始了本科招生。

当澳洲已经在开始培养“数据科学”的研究生人才时，中国的“数据科学”专业才刚刚起步。教育起步缓慢，直接导致了我国数据科学人才的匮乏、数据科学行业踌躇不前；而专业人才培养与行业发展有着密不可分的联系，在数据科学这一领域上，澳洲领先中国已经不仅仅是一个身位了。

在第一部分“数据分析和数据科学”的对比中我们可以发现，数据科学不仅要读报告、写论文，还要开发新的模型和算法；因此数据科学对于数理统计、编程语言和科技素养等方面都有一定的要求，岗位需求也更青睐通用型人才。

对于一个专业的数据科学团队而言，它的目标应该是学习和发展更先进的新业务能力。

例如推荐系统、客户服务引导、风格偏好分类、物流优化和季节性趋势检测等等，而这些新业务对企业或行业来说，新奇且具有不确定性。

当数据科学是由通用型人才来负责、团队内的人数不多，且团队成员对各个职能都有了解时，这时的协调成本会降低，也会减少沟通、讨论的时间；而这些时间成本与团队人数是呈超线性关系的，团队人数越多，时间成本越高。

其次是学习内容减少。

如果一个数据科学团队，里面的成员都是以职能分类、专业化程度过高，这很可能会导致团队成员错失学习的机会。

例如，负责优化算法的团队成员完成自己的工作后，因为他们觉得自己并不负责另外一个职能，因此他们很可能会停下来等待下一部分的工作，极少会去研究集成新数据源、挖掘携带数据信息的模型等新的知识。

所以，通用型人才对于数据科学而言，除了可以降低协调成本，还可以增加他们自身学习的机会，使得数据科学团队的各项职能流动起来，扩展团队里的数据管道以处理更多的数据，降低数据的迭代周期，提高团队的效率。