术语分析：
大数据
按照Gartner的说法，“ 大数据是高容量，高速度和/或高种类的信息资产，它们需要具有成本效益的，创新的信息处理形式，以增强洞察力，决策能力和流程自动化 ”。
大数据意味着大量原始数据，而常规应用程序（例如传统数据库管理系统）无法高效处理这些原始数据。由于数量庞大，应用程序无法将数据存储在单台计算机的内存中。如此大量的结构化和非结构化数据（大数据）经常使企业不堪重负。需要利用此数据来分析业务洞察力，以便采取战略性业务举措和更好的决策。
数据科学
数据科学涉及大数据（结构化和非结构化）的处理，包括数据的准备，分析和清理。它还涉及编程，数学，统计，解决问题，以不同方式查看事物的能力，直观地捕获数据等。您可以说，数据科学是从数据中获取见解和信息所涉及的技术的更广义术语。
数据分析
用于从现有数据中获取有意义的信息和结论的原始数据科学被称为数据分析。它使用工具结合算法，以现有原始数据中提取结果。
许多行业都利用此过程来使他们能够做出有效的决定以及验证，并驳斥旧模型或理论。数据分析工具可帮助您根据研究人员已知的事实推测结果。
在了解了数据科学，数据分析和大数据之后，很明显，他们正在处理同一件事“数据”。由于处理大量数据至关重要，因此数据分析广泛涵盖了本文涉及的过程。那么，什么是最简单形式的分析？这仅仅是使用数学，统计，机器学习技术和预测建模来理解和设计记录数据的有效模式的过程。
大数据的应用领域：
通讯中的大数据
电信公司需要大数据来收集新用户，保留旧用户以及向现有客户扩展基础。通过组合和分析用户和系统（机器生成的）连续生成的数据，大数据使您能够解决此部门内的相关问题。
零售大数据
理解客户的需求是任何企业的骨干，无论是在线电子零售商还是街对面的商店。大数据代表着分析企业日常处理的各种数据源的能力。无论是客户交易数据，博客，来自商店品牌信用卡的数据，忠诚度计划数据还是社交媒体，大数据足以掌控它。
金融服务大数据
大数据被诸如零售银行，信用卡公司，保险公司，私人财富管理咨询公司，风险资本家以及投资银行之类的组织使用。大数据可帮助他们解决系统中存在的大量多结构数据并有效管理它们的问题。大数据的主要功能是–
欺诈分析
客户分析
运作分析
合规性分析
教育大数据
随着行业和专业人士广泛采用大数据技术，教育领域并没有受到大数据应用的影响。如今，由于大数据专业人员的需求很大，因此，大数据专家培训师的需求也很大。在大数据的应用领域中，个人可以通过为企业，公司和行业培养大数据专业人才来创造光明的职业。
数据科学的应用领域
数位广告
数据科学算法极大地受益于数字营销领域，范围从显示标语，但不仅限于数字广告牌。与古老的传统广告相比，数据科学推动了数字广告的点击率更高。
互联网搜索
数据科学是确定搜索引擎结果背后的基础算法的基础。只要您在任何搜索引擎上按下搜索键，它就会促使搜索引擎机器人爬网Internet上可用的各种内容。
推荐系统
数据科学的推荐系统有助于增强用户体验，并简化通过Internet查找相关产品的过程。在您浏览互联网或通过应用内广告时，公司会根据您的搜索历史记录的需求和相关性，推广各种产品并为您提供建议。
数据科学的知识体系：
从知识体系看，数据科学主要以统计学、机器学习、数据可视化以及（某一）领域知识为理论基础，其主要研究内容包括数据科学基础理论、数据加工、数据计算、数据管理、数据分析和数据产品开发。
基础理论：主要包括数据科学中的新理念、理论、方法、技术及工具以及数据科学的研究目的、理论基础、研究内容、基本流程、主要原则、典型应用、人才培养、项目管理等。需要特别提醒的是，“基础理论”与“理论基础”是两个不同的概念。数据科学的“基础理论”在数据科学的研究边界之内，而其“理论基础”在数据科学的研究边界之外，是数据科学的理论依据和来源。
数据加工（Data Wrangling 或Data Munging）：数据科学中关注的新问题之一。为了提升数据质量、降低数据计算的复杂度、减少数据计算量以及提升数据处理的精准度，数据科学项目需要对原始数据进行一定的加工处理工作——数据审计、数据清洗、数据变换、数据集成、数据脱敏、数据归约和数据标注等。值得一提的是，与传统数据处理不同的是，数据科学中的数据加工更加强调的是数据处理中的增值过程，即如何将数据科学家的创造性设计、批判性思考和好奇性提问融入数据的加工活动之中。
数据计算：在数据科学中，计算模式发生了根本性的变化——从集中式计算、分布式计算、网格计算等传统计算过渡至云计算。比较有代表性的是Google三大云计算技术（GFS、BigTable和MapReduce）、Hadoop MapReduce、Spark和YARN。计算模式的变化意味着数据科学中所关注的数据计算的主要瓶颈、主要矛盾和思维模式发生了根本性变化。
数据管理：在完成“数据加工”和“数据计算”之后，还需要对数据进行管理与维护，以便进行（再次进行）“数据分析”以及数据的再利用和长久存储。在数据科学中，数据管理方法与技术也发生了重要变革——不仅包括传统关系型数据库，而且还出现了一些新兴数据管理技术，如NoSQL、NewSQL技术和关系云等。
数据分析：数据科学中采用的数据分析方法具有较为明显的专业性，通常以开源工具为主，与传统数据分析有着较为显著的差异。目前，R语言和Python语言已成为数据科学家较为普遍应用的数据分析工具。
数据产品开发：“数据产品”在数据科学中具有特殊的含义——基于数据开发的产品的统称。数据产品开发是数据科学的主要研究使命之一，也是数据科学区别于其他科学的重要区别。与传统产品开发不同的是，数据产品开发具有以数据为中心、多样性、层次性和增值性等特征。数据产品开发能力也是数据科学家的主要竞争力之源。因此，数据科学的学习目的之一是提升自己的数据产品开发能力。