【IT168 编译】统计和分析是数据科学的两个重要的分支，人们经常会就如何给它们划定界限而产生激烈的讨论。实际上，这些分支的现代培训计划强调完全不同的方面。虽然分析师专注于探索数据中的内容，但统计学家更关注的是推断超出它的内容。

　　人工搜索引擎

　　当你掌握了所有与你的目标相关的事实时，利用数据提问和回答问题只需要查一下答案就行了。

　　基本分析的实际应用如谷歌搜索天气。无论何时使用搜索引擎都是在做基本的分析，可以调出天气数据。

　　甚至连孩子们也可以毫不费力地在网上查找事实，这就是数据科学的民主化。想知道两个城市哪个更冷，你可以马上查到相关信息。这很简单，我们甚至不再称之为分析，尽管它是。

　　如果报告基本事实是你的工作，那么你基本上是在做人工搜索引擎的工作。不幸的是，人工搜索引擎的工作安全依赖于你的老板，但他们往往不知道，各种分析工具使查询公司内部信息变得像使用谷歌搜索一样容易。

　　灵感探路者

　　这意味着分析师都失业了吗？不是的，用数据回答特定问题要比先产生哪些问题值得问容易得多。

　　简而言之，数据分析专家的工作是获取未开发数据集并挖掘数据、获取灵感的过程。

　　你需要快速的编码技巧和敏锐的感觉。数据集越大，您对它可能提供的事实类型的了解就越少，就越难以在不浪费时间的情况下获得答案。而且你需要强烈的好奇心和坚韧的态度来处理之前一无所知的问题。

　　虽然分析培训项目通常会让学生掌握查看大量数据集的软件技能，但统计培训项目更有可能让这些技能成为可选技能。

　　超越已知事实

　　当您必须处理不完整的信息时，就会出现障碍。当有不确定性时，你所拥有的数据并不能反映你感兴趣的内容，所以在得出结论时需要格外小心，这就是优秀的分析师根本不会得出结论的原因。

　　相反，如果他们发现自己超越了事实，他们反而心胸会更广阔。保持头脑开放是至关重要的，否则你就会陷入认知偏见，如果数据中有20个事实，你只会注意到其中你相信的那个，然后就会忽略其他的。

　　初学者认为探索性分析的目的是在真正提出问题的时候回答问题。

　　这就是培训计划的重点改变的地方：在不确定性下避免愚蠢的结论是每个统计课程的内容，而分析程序几乎不会划分推理数学和认识论的细微差别。

　　分析可帮助您形成假设，它可以提高您的问题质量。

　　统计信息可帮助您检验假设，它可以提高答案的质量。

　　其中，一个常见的错误是认为探索性分析是在提出问题时回答问题，分析师的数据探索是如何确保提问更有意义的问题，但其实分析可以帮助你形成假设，而统计可以让你测试它们。

　　统计学家可以帮助你测试行为是否明智，就好像分析师在当前数据集中发现的现象也适用于其他数据集一样。

　　其他数据科学类型的人对分析师有一定程度的不认同，他们似乎认为自己更合理，因为他们的方程式更复杂。首先，专家分析师使用所有相同的方程式(只是用于不同的目的)，其次，如果你从侧面看宽而浅，它看起来同样窄而深。

　　在好问题和好答案之间做出选择是痛苦的(而且常常是过时的)。所以，如果您能同时负担得起这两种数据专业人员一起工作，那就最好了。然而，这样做的代价不仅仅是人员，还需要大量的数据和数据文化来利用他们的贡献。拥有至少两个数据集可以让你率先得到洞察力，然后根据想象之外的东西来形成你的理论，检查它们是否站得住脚。

　　拥有大量数据的人不习惯分离数据的唯一原因是，在上个世纪的数据饥荒中这种方法是行不通的。很难收集到足够的数据来进行分析，所以长久以来在分析和统计之间筑起了一道坚固的墙，以至于今天每个阵营对彼此都没有什么好感。

　　这是一个老掉牙的观点。这一遗留问题导致了统计学家以及分析师的错误观点。如果你关心从数据中提取价值，并且有大量的数据，那你需要利用自身的严谨，将数据放在最合适的地方。

　　一旦你意识到，数据分析允许一个学科变成另一个学科的好帮手，你就会发现自己要如何处理数据，并且能游刃有余。

　　很多数据科学的失败都是由于对分析功能的误解造成的。数据科学的有效性取决于强大的分析，或许你会在错误的地方一直前进。所以更需要投资数据分析师和统计学家，以对数据进行更全面的分析，得出更有洞察力的结论。