Data Science（数据科学）专业为何如此火爆？深度解析大数据时代下的吃香行业！

前言

想必大家对“大数据”这个词不会感到陌生，现如今的我们都生活在大数据时代下。我们前脚刚讨论过的话题，可能下一秒就会出现在我们的手机屏幕里。昨天才搜索过的内容，今天可能就会被推荐到手机列表变成相关产品。大家的生活仿佛被监视了一番。

事实上，数据无处不在，人类社会的数据量一直处于快速增长中，尤其在互联网高度发达的今天。于是，有越来越多的人开始投身于研究、分析数据，并把数据作为重要的行事参考依据。Data Science 就在这样的时代背景下逐步成为火热的专业。

什么是Data Science？

数据科学（Data Science）是一门利用数据学习知识的学科，其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术，包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。

数据科学通过运用各种相关的数据来帮助非专业人士理解问题。数据科学技术可以帮助我们如何正确的处理数据并协助我们在生物学、社会科学、人类学等领域进行研究调研。

此外，数据科学也对商业竞争有极大的帮助。各个行业的公司，如今都会创办自己的行业研究部门和通过大数据分析消费者行为与偏好的部门，例如 Netflix，迪士尼，国内的 BAT，京东小米等大厂。

Data Science学什么？

那么，很多人都会好奇：在大学中，Data Science又都在学些什么呢？总的来说，Data Science 的学习主要分为：数据模型、数据处理和数据可视化三个模块。作为一门跨领域学科，Data Science 专业的学生一般会学习：数据分析、计算机编程、预测建模、统计学、概率论、微积分等课程。

以纽卡斯尔大学的Data Science MSc为例。该硕士课程一共会学习到10个module，除了大论文占80个学分外，其余课程各占10个学分。课程表如下：

该课程除了会学习到计算推导知识和计算机编程技术外，还会学习到数据管理策略以及相关领域的知识和理论。最重要的是，该课程会将学生与行业从业者们聚集在一起，开发新技术，并且将其转化为行业实践。Data Science和Computer Science专业最大的差别在于，前者不是在比谁写的代码好，而是在比谁指定的方案更加适合解决问题。

该专业为何如此火爆？

一些业内人士曾对该课程发出过质疑：You may not really need a degree in data science（你并不需要获得一个数据科学的学位）。毕竟这是一个非常新兴的专业，Data Science 更像是对于某些领域进行数据向的深入学习与研究所做的辅助，确实一开始并不需要一个特定的专业叫 Data Science。

但是，结果却说明了一切。就如我上面强调的专业特定来说，该专业的就业指导性更强，并且涉及的领域范围更广泛。与其说它是一门学课，不如说它更像是一个由多个学科综合起来的专业技能。因此，各大院校都争先恐后的开设Data Science课程，这也证明了该专业的价值。

在如今的大数据时代，越来越多的领域用数据分析和数据科学去突破瓶颈，尤其是对于互联网公司，数据更是他们的立足之本。数据科学以及一些其他的衍生专业，例如Business Analytics，Information Science等等，无疑是在数学，计算机科学，亦或统计学的基础上，为学生们提供了一个性价比更高，更省时省力，更具实践性的一个选择。

但与此同时，他确实也放弃了一些对特定学科深入研究的机会与可能，这也是数据科学和其他学科（比如计算机科学）之间最大的差别。在数据科学成为就业市场的宠儿之前，社会上的相关职位其实也都是由学习计算机科学/数学或统计学的毕业生来担任的。

因此，各有利弊，同学们还是要根据个人发展进行选择。但是，Data Science还是被纳入了英国内政部紧缺职业清单，该专业的毕业生无论是选择在英国求职还是回国发展，都有着非常广阔的就业前景。

毕业后的就业前景

互联网时代，各行各业都在利用大数据来解决问题，所以企业都有与数据科学相关的职位设置。与Data Science 相关的职位可能有很多种叫法，不同公司根据不同的背景，主要有以下一些常见的职位：

1）数据科学家 Data Scientist

数据科学家应具有商业头脑和分析技能，以及挖掘、清理和呈现数据的能力。该职位主要职责为获取、管理和分析大量非结构化数据，并提出相关设计解决方案。然后将结果综合并传达给关键利益相关者，以推动企业的战略决策。

2）数据分析师 Data Analyst

数据分析师是数据科学家和商业分析师之间的桥梁。该职位主要从事数据处理工作，运用算法来解决和分析问题，推动数据解决方案的不断更新，估计投资回报比，为产品方向提建议。

3）数据工程师 Data Engineer

数据工程师管理大量快速变化的数据。他们专注于数据管道和基础设施的开发、部署、管理和优化，以便将数据转换传输给数据科学家进行查询。

4）数据挖掘工程师 Data Mining Engineer

数据挖掘工程师不仅会检查他们自己的业务数据，还会检查从第三方收集的信息，数据挖掘工程师将创建复杂的算法来进一步分析数据。

5）数据架构师 Data Architect

数据架构师与用户、系统设计人员、以及开发人员密切合作，创建用于集中、集成、维护和保护数据源的数据管理系统。

6）风控师 Risk Manager

风控师是提前识别风险并采取预防措施降低或减轻风险的职位，较多出现在金融相关行业。该职位与数据科学紧密相连，风控师需使用数据处理工具/知识，有效地提供风险分析报告，帮助企业摆脱损失。

数据科学的主要工作内容

1）归纳问题：客户给公司的任务,或者上级给分析师的任务更多的是一个商业问题而非具体待执行问题。比如，上个季度为什么盈利下降了？这就是一个归纳问题的环节，需要有专业知识帮助我们找到方向。

2）准备探索数据：归纳问题结束之后，会产生很多假设，这就需要寻找数据验证假设。寻找数据一般是竭尽所能，比如收入不好与市场推广有关，就会去寻找广告商的数据；寻找数据以后,要检查数据质量是否有异动、缺失等等。通常，数据质量能够决定模型的准确率，所以花在“清洗整理”数据上的时间要占到总时间的60%甚至更多，有时候也需要跟客户进行交流。检查完质量以后，再做一些探索性分析。

3）模型训练检验调整：先确定模型基本类型(回归、聚类等)，选取比较合适的模型进行搭建，用test对模型进行检验。检验的同时，再去寻找模型最优的参数配置对模型进行预测。如果预测结果很好的话,建模过程就结束了。

4）报告和产品：如果你在咨询公司工作，模型做完以后都会和客户进行交流，看是否符合实际情况；在科技公司中,模型往往会发展成一个产品，放在公司平台上进行测试使用，最后进行正式发布。

总的来说，Data Science是多领域的结合，尤其是跟具体各行各业相结合的时候，除了具备专业知识和技能，以及实际运用知识的能力外，还需要对特定甚至多个相关行业领域有深入的了解。

申请该专业时的要求

Data Science这一复合型专业无论是国内还是英国本土目前更多开设于硕士阶段，对于申请群体可大致分为以下几类：

首先，本科学习应用数学，统计学的同学一般来说是可以申请的，有一定的编程基础会更具优势，因为大多数数据工作都是通过编程和数据库的相关手段进行的。

其次，商科出身，例如金融工程（量化背景较强的商科专业）也是有机会申请到Data Science的。如果你是纯商科背景，但是又有较强的实习背景和数理基础，也是可以尝试申请的。但我们建议同学们可以选择Data Science/Data Analytics两个专业混申，成功的几率会更高。此外，还可以尝试门槛更严苛的Business Analytics。

学姐以上说的只是大致的要求，不同学校对申请要求也会有所不同。例如，牛津大学不限制本科专业背景，但是申请人必须荣获一等学位。并且如果你读的是陆本，申请者则必须毕业于985或211等一流大学，且均分得90分以上。

伦敦大学学院对申请者的要求为至少取得2：1及以上的学士学位，且需要具备数学方法和线性代数知识，熟悉初等概率，统计学和计算计编程等相关本科背景。