資料科學與決策科學到底差在哪！？
我在研究所主修決策/認知心理學，出社會後當資料科學家，被問起資料科學跟心理學的關係時常常覺得一言難盡啊！心理學的實驗方法、追根究底的思考訓練、當然還有我最愛的統計，對擔任一個資料科學家所需要具備的實驗思維都是非常有幫助的！
最近國外開始增開 Decision Scientist 的職位，它到底跟我們熟知的 Data Scientist 差在哪呢？原作者為 Chris Dowsett，現於 Instagram 擔任首席決策科學家，背景為社會科學博士，這點真的讓我眼睛為之一亮！畢竟社會科學的人投入科技領域擔任科學家，跟我的職涯道路太像了！
Chris Dowsett 在這篇文章中詳盡的解釋了資料科學家跟決策科學家的差別，包含他們看資料的角度、在實際中不同的應用，看完之後讓我更了解自己被資料吸引的原因！希望也讓有對這些關鍵字有興趣的你能得到啟發！
那我們開始吧！
在 Instagram，我們有很多跟資料分析有關的職位，包括資料科學家、資料分析師、研究員或是市場經營等等。而最常有人搞混資料科學家（Data Scientist）跟決策科學家（Decision Scientist）這兩個職位的角色。
在 Instagram，這兩個職位都有各自有不同的分工。身為一位與資料科學家密切合作的決策科學家，我想以我自身經驗出發，跟大家說明這兩個角色最大的幾個不同。
關於如何思考資料
思考方式會驅動行為模式，資料科學家和決策科學家是用不同的角度看待資料的。
從資料科學家的角度來看，資料讓我們用可靠的統計方法來改進及開發新產品。
資料科學家的目標是藉由理解、詮釋及分析來開發出更好的產品，資料品質、統計上的精確還有好的資料來源是他們最在意的事。對資料科學家來說，前述這些是他們的首要目標，其次才是商業上的挑戰。
資料科學家看待資料的重點是資料的模式、資料的處理、演算法和統計。他們需要運用深度分析還有實驗統計來全面了解資料、從資料中找出因果關係。他們在意資料品質，因為那關係到產品的面向：好的資料品質可以帶來更好的統計分析。對資料科學家來說，資料分析的過程充滿了演算法、機器學習、統計和實驗。他們希望從大數據中找出關於產品的洞見，做的一切工作都戴上了統計的濾鏡。
資料科學家的終極目標：用高品質的資料及完善的統計去支持產品的開發。
決策科學家的觀點則認為，資料是幫助做決策的工具。
決策科學家認為資料分析是做決策的過程。根據不同的商業問題或是商業目的，他們用各種不同的方式去分析資料。資料科學家藉由統計方法發現洞見和關聯性。決策科學家藉由資料來最佳化手上的決策。這些決策像是目標族群的年紀區間、一年該花多少預算、決定如何在非傳統媒體上投放廣告。
