在前面的文章中我们给大家介绍了数据分析行业的误区，就是很多人认为自己可以担任数据分析师的工作，并能够将其发展为数据科学家。其实并不是这样的，其中的原因我们也给大家介绍了。而数据分析行业中第二个误区就是数据分析是数据科学的良好训练。其实并不是这样的，数据分析只是数据分析，而数据科学则是数据科学，是更高级的内容。下面就由小编为大家仔细的说明一下这个内容。
一般来说，如果没有掌握学习机器学习以及统计技术，那么是不能够解决问题的。这句需要我们做到探索性的数据分析以及学会一些数据分析工具的使用，比如Excel、SQL、R和Python。从数据分析师的角度来看，我们使用某种方式做事情就是有意义的事情，但是数据科学的需求是不同的。当前数据分析师投入到数据科学项目中并开始应用他们多年来发展的模式来看，结果并不理想。
在现阶段的数据分析行业中，要想在新的数据上再次运行流水线需要几周的时间，但是由于数据分析时间越长所得到的结果也就越没有价值。所以由于技术原因迫使我们只使用少量的可用数据，于是这个工作流程使任何事情都无法完成。最重要的是，我们在进行数据分析的时候写的的每一个脚本都十分脆弱。具体的表现在面对任务时，分析师将开始编写代码。如果它一开始不起作用，他们会加入并调整它，指导它。一旦产生结果，他们就进入下一步。没有努力确保可再生性，可重用性，可维护性，可扩展性。使用这种方式我们就能够不断的扩展代码从而实现功能，不过如果不懂代码的时候，需要找一名工程师来完成编码工作，而他们自己也会专注于准备说明书。这种安排也许不是很理想，但我保证结果会好很多。所以说，数据分析师的经验在数据科学里面是没有什么效果的，我们需要数据分析中最专业的知识，这样才能够做好数据分析工作。
通常来说，有些内容管理者需要意识到，这样才能够合理的匹配工作任务。这些内容就是数据科学是软件工程、软件工程很难、软件工程界已经开发了一些工具并试着减少它的难度。需要一个软件专家来使用这些工具、在SAS中编写脚本不会使其成为软件专业人员。
通过上面的内容我们不难发现数据分析是数据科学的良好训练这个想法是错误的，大家在数据分析行业的时候还是需要做好自己的本质工作，希望这篇文章能够给大家带来帮助。