通俗易懂！数据行业大揭秘！DA/BA/DS都是啥？
在当今信息爆炸和大数据时代，机器学习和人工智能领域获得了巨大的普及，将数据行业转变为一个充满魅力和活力的领域。
数据科学是一门利用数据获取知识的学科。其主要目标是从历史数据中提取有价值的见解以生成数据产品。简而言之，数据科学涉及对历史数据进行分析、解释和建模，以对未来做出明智的决策。
说明性示例——Spotify 的市场进入：为了说明数据科学的实际应用，让我们考虑一下 Spotify 进入中国市场的案例。面对将每周发布的歌曲限制为 5,000 首的监管限制，Spotify 需要制定策略来选择最合适的曲目。这就是数据科学家发挥作用的地方，建立一个模型来预测歌曲在中国市场的受欢迎程度。根据反馈不断完善该模型可确保最佳的歌曲选择，并为 Spotify 在竞争激烈的市场中取得成功做出了重大贡献。
数据科学家的重要性：正如 Spotify 场景中所体现的那样，数据科学家的角至关重要。他们构建的模型对于公司的整体发展至关重要，使数据科学家成为数据行业不可或缺的参与者。他们分析和解释数据的能力使他们成为机器学习和 AB 测试等主要应用的关键贡献者。
AB 测试的应用：AB 测试广泛应用于电子商务领域，涉及比较特定功能的两个版本（A 和 B）以确定哪个版本表现更好。例如，公司可以对用户界面进行 AB 测试，以收集反馈并做出明智的决策。一个值得注意的例子是不同界面设计对用户小费行为的影响，正如作者最近在使用食品订购网站时进行的 AB 测试中观察到的那样。
在获取两个测试结果后，Simos可以根据自己的目标选择合适的界面应用。Simos和Sorttine都是通过数据建模和分析来解决商业问题的工具。
首先，公司需要明确解决的问题和分析的数据。
其次，数据需要获取，然后进行清理，以便分析。
最关键的一步是数据建模和分析，通过这一步骤得出结论，并进行实践应用。
这整个过程实质上是分析问题、获取数据、解决问题的过程。在解决问题时，需要了解要解决的问题是什么，以及通过什么样的数据可以解决这些问题。
python是做什么的通俗易懂的
举例来说，科技公司可能面临排序推荐问题，金融公司可能需要量化交易策略，而电商公司
可能需要调整界面。这些都是可能的商业问题。与编程或数据分析相比，这一部分更注重解决和分析问题的能力，对技术要求相对较低。
知道问题和解决问题的数据之后，下一步是抓取数据，即数据获取。
在公司中，数据分析师或数据工程师通常负责这一步。
他们可以抓取各种各样的数据，例如在金融领域，从Bloomberg或者万德等金融数据库中获取所需的数据。
然而，在现实生活中，数据不仅限于这些来源。一些公司可能需要寻替代数据，通过网络爬虫等方式获取信息进行分析。
这样的替代数据通常是公司独有的优势。在数据获取方面，数据工程师需要熟练掌握SQL等技能。
数据专业人员在数据行业中发挥着至关重要的作用，其职责涵盖从数据提取到分析和决策支持。
该过程从数据工程师开始，他们使用类似于网络爬虫的编程语言来获取数据并将数据存储在数据库中。这需要很高的编程和数据挖掘技能。
后续步骤涉及数据清理，这是建模之前的关键阶段。数据工程师和科学家必须清理数据并将其转换为可读且可理解的格式。
俗话说“垃圾进，垃圾出”强调了这一步的重要性。数据分析师和科学家必须做出判断，例如如何处理丢失的数据，以确保数据集的质量以进行有意义的分析。
熟练掌握数据分析和处理语言（例如 Python）以及相关软件包（例如 NumPy、Pandas 等）至关重要。
这为下一步奠定了基础：数据分析和建模。公司通常将这些角称为数据分析师 (DA) 或数据科学家 (DS)。DA 主要分析历史数据，而 DS 使用建模来对未来做出预测判断。
数据科学家可能会从事 AB 测试等活动，这需要强大的统计和数学建模背景，尤其是时间序列分析等领域。最后一步是从分析的数据中得出结论以指导决策。业务分析师通常使用 Tableau 或 PowerBI 等工具对数据进行可视化和分析以提供见解。
在整个过程中，对数据工程师和科学家的技术技能要求最高。业务分析师的技术要求通常较弱，但在为决策者解释结果方面发挥着至关重要的作用。
在较小的公司中，个人可能负责流程中的多个阶段，而较大的公司可能在每个阶段都有专门的角。数据工作流程的整体成功取决于这些不同角之间的协作和专业知识。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。