数据是一个利润丰厚的领域，而且对具有相关技能的人有大量需求。然而，任何职业都面临着挑战，数据科学也不例外。从数据科学领域和管理数据科学的人的角度探讨数据科学的真正挑战。
需要专家而不是全才。最好的数据科学家不会试图去做所有的事情。相反，他们将专业专注的范围缩小到特定领域。“鼓励新的专业人士认识到，数据科学有点像医学，这是一个宽泛而模糊的措辞，概括了同一事物迥然不同的做法。”Optimove公司首席技术官塔尔·基达（Tal Kedar）表示，“数据科学家可以通过不同的平台和工具拥有各不相同的工程技能。”也就是说，当你初次学会如何成为一名数据科学家的时候，首先要掌握基础知识，然后就可以对你感兴趣的平台、工具以及领域进行更深入的研究。
业务情况了解的程度决定了你的选择。作为一名数据科学家，不仅需要注重“如何做”，还要了解这么做的“原因”；不仅要找出随机数据的连接点，并且还要利用对各种业务情况的认知来创建可通过数据进行验证或反驳的“心智模型”。Snowflake公司数据分析总监斯科特·胡佛（Scott Hoover）表示，“在接触任何数据之前为自己的目标建立心智模型是非常有价值的。与其漫无目的地搜寻数据中的信号，不如像科学家一样通过假设来进行思考，并以人类行为、经济学、体系等为基础构建形式化模型，然后对这些假设进行测试，让数据科学应用更加有成效。”
具有跨领域的专业知识。从另一个职业转换过来？这对一个数据科学家来说是一笔财富。塔尔·基达表示，“最好的数据科学家不仅仅是统计学家或机器学习专家，他们还是在领域或企业中掌握这些技能的权威。”斯科特·胡佛补充道，“数据科学家被认为是技术和非技术团队之间的粘合剂。因此，除了拥有深厚的技术基础，他们还必须在他们关注的任何部门或领域拥有专业知识，无论是产品、营销、销售还是财务。”
向非技术人员解释技术概念。对于那些整天围着技术术语转的数据科学家来说，这可能是令人沮丧的原因。然而，数据团队必须能够有效地与其他部门、管理人员主管和涉众进行沟通，他们可能不理解您工作的复杂性。然而，数据团队能够与其他部门可能不理解工作复杂性的高管及利益相关人员进行有效沟通是必要的。
花费大量时间处理原始数据。Shape Security公司研究数据科学家Martin Chen表示，“主要挑战可能是我们如何使用数据，其中包括如何提取数据、如何清理数据、如何分析数据、如何从数据中获得见解或构建模型。数据科学家应该在编程语言（包括SQL、Python和R）方面拥有广泛的专业知识。”
协作是关键。由于多个部门通常在项目上共同工作，所以有必要进行协作、妥协，并设定明确的界限和期望。“在数据科学领域面临的一个共同挑战是，促进部门之间在如何收集和解释数据方面的合作。”Snowflake高级数据分析师安德鲁·塞茨（Andrew Seitz）表示，“预测模型和历史分析只有在团队关于源数据的有效性达成一致时才能发挥作用。”