一个打破神话的季节，正在降临。
我将坦诚地揭穿人们关于数据科学家所持有的惯有看法。在下文中，我将一个一个展示这些观点，犹如将一个又一个的玻璃瓶子摔碎在墙壁上一样。
关于数据科学家的神话主要是这些：
神话#1: 数据科学家们本身就是一种神秘生物，就像独角兽一样神秘叵测。
数据科学家实际上是非常真实的。从人们开始进行多元统计分析、时间序列分析和运用其他核心分析方法时，他们就已经存在了。在某种程度上，如果你建立模型，并使用各种分析工具来找寻那些不显著的数据模型，那么你或许也是一位数据科学家了。
神话#2: 数据科学家门只是一群稀有的“精英”理论家。
实际上，数据科学家们只是那些在勤奋工作的白领们的一种。每天，他们洁净的指甲因为大量地移动来自世界各地的原始数据而污迹斑驳，这些数据需要倾倒到分析沙漏中，清洗和筛选，最终才能找到可能存在的模型。当新的数据出现时，又会再次被倒入到沙箱中，循环之前的过程。这是一项极其细致、繁重的工作，他们并不是只坐在扶手椅上思考的数据哲学家。
神话#3: 数据科学家是某种新时尚，很快就会消失。
“数据科学家”这个包罗万象的名称，已经存在许多年了，各种先进的分析工具——统计分析、数据挖掘、预测建模以及更久远的分析工具都可以归入其中。在过去的几年中，分析专家们越来越倾向于使用“数据科学家”这个名称来指代引入了新规则的不同学科的融合，例如行为分析、情感分析和图标分析——在这个数字渠道与传媒盛行的时代中，“数据科学家”便顺理成章地成为了炙手可热的宠儿。而数字科学家们的工作日程也随之日趋增多，与之相关的专业论坛和学术课程在过去几年中正以不可否认的速度增长着。目前的招聘趋势也再次证明了这一点。这不是时尚而已。
神话#4: 数据科学家都是未任职的统计学博士或粒子物理学家。
当然，许多数据科学家第一次进行数据分析、建模还是在大学中。但很多人之后又运用这些知识去继续学习了实质性的学科，例如，工商管理、经济学、金融和工程学。您在工作领域所遇到的大多数数据科学家实际上是业务领域的专家，而不是对数学痴迷的“宽克”或者对算法狂热的的“行家”。他们只是对统计建模十分精通。
神话#5: 数据科学家只是长期的商业智能（BI )专家，雇主给他们一个漂亮的称号来代替加薪。
当然，许多长期的BI高级用户在某种程度上就是数据科学家，他们是业务领域的专家，工作涉及了多变量分析、预测、假设建模和仿真。那些希望更深入地进入到细分、决策树分析、倾向建模、预测分析和其他数据科学技术的人也在重新塑造自己。但是绝大多数传统的BI专家们，它们主要是专注于历史的，描述性分析，他们也从来没有掩饰自己不属于数据专家。尽管如此，许多人知道如果不跟上与大数据科学相关的Hadoop,预测建模和图标分析的话，它们很容易被行业淘汰。
神话#6: 数据科学家从任何意义上来说都不是科学家。
每一个真正的科学家也一定是数据科学家的一种，虽然不是所有宣称自己是数据科学家的人真的名副其实。真正的科学家必须要观测数据。如果没有精细的筛选、选择、构建、分类、分析，最终呈现数据的能力，科学家将不能把对于事实本质的调查联通起来，正如批评家所说，没有深入到数据中心的科学家不能有效地捍卫他所发现的东西。统计管理是真正的科学的基石，同样，实验控制是许多学科的标志；如果数据科学家在探索诸如人们购买习惯这样的问题，运用了统计管理和实验控制来证明了他们的发现，那么他们已经是平凡而简单的数据科学家了。
神话#7数据科学家需要花哨的，昂贵的，复杂程度令人咂舌的统计学工具才能完成他们的工作。
这绝对不是事实。从根本上来说，数据科学家的工作是去寻找隐藏的模式。他们通过友好用户可视化工具，通过自助的搜素式BI工具, 通过交互式数据开采工具，以及其他一些不需要深入掌握统计分析的就可运用的方式来完成自己的研究。在市场上，价格划算的探索性工具BI有许多的供应商，例如IBM Cognos. 全球业务分析超级用户可以从一个植入在普通电子表格中的应用程序的模型特性中得出非凡的见解。
神话#8数据科学家仅仅是把大量数据扔入到Hadoop集群中，然后再利用Pig and MapReduce的分布式计算，最终，令人大呼过瘾的见解就会宛如喷泉般得涌出。
欧，兄弟！数据科学家将会第一个告诉你，Hadoop只是一个用于深入探索的平台。Hadoop的能力其实与企业数据仓库、传统的数据挖掘平台以及其他的数据库内分析平台别无二样。这些可不是是什么通灵牌——大数据的精灵会开口与我们这些凡人说话呢。Hadoop和其他数据平台只是一个用于分析的工作平台，数据科学家可以借助它来进行深度的数据调查。
（注：本文由OCCS软件云工厂编译，转载请注明出处。）