在之前的一篇文章中(参见在这里)我提到评估不是一个框架问题，而是一个数据问题。我以一个问题结束了那篇文章，学习和发展需要数据科学吗?如果我在写这篇文章的时候回答这个问题，我的答案是否定的，但是我自信的回答是肯定的。我说是的，因为我现在对数据科学有了更好的理解。
目前，媒体和公众都在大肆宣传数据科学。除了被吹捧为“21世纪最性感的工作”(反正我不同意这个说法)之外，你读到的数据科学往往与大数据、机器学习和预测分析联系在一起。但数据科学远不止于此。这是一个有着各种应用的巨大领域，大数据、机器学习和预测分析只是数据科学的子集，在某些领域可能需要，也可能不需要。
在这一点上一个很好的问题是，什么是数据科学?有无数个定义，但我的答案是，它是一门利用数据提出和回答问题并设计解决方案的科学。数据科学与传统的商业分析不同之处在于，科学方法如实验，更深入的统计和数学分析可以用于处理数据。
一般数据科学遵循过程包括问问题> >获得支持数据准备数据(清洁和把它放进形式准备分析)>探索数据(通常称为探索性数据分析为目的的理解数据)到达结论> > >分析数据交流结论中的见解…数据科学也被认为包括三个主要领域:
- 了解可以用于处理数据的统计和数学模型。
- 计算和编程知识，如使用工具如R, Python, Tableau, Hadoop, Spark, SQL甚至Excel。
- 领域知识，例如学习和发展或更广泛的人力资源必威 体育
那么这些如何应用到学习和发展中呢?我将在下一篇关于这个话题的文章中回答这个问题。
回复(3)
请登录或注册参加讨论。
你好bolaowoade !
我对这个话题非常好奇，因为我研究的是两者的结合，最近咨询了一家公司，目前正在寻找该领域的实习。
嗨Mariowille,
很抱歉这么晚才回复你。我停止在Traininzone上写博客有一段时间了。我想知道你是如何学习的。你是在学习有证书的课程还是自学?你是如何将它与学习和发展结合起来的?
这是两年后的回复，但只是因为我错过了你的回复，我道歉。我学习并不是为了成为一名全面的数据科学家，因为我认为L&D不需要数据科学家。我主要是在Edx, FutureLearn, Coursera等MOOC平台上学习课程，阅读书籍。我的目标是能够确定任何学习和开发干预都需要哪些数据，然后能够对其进行分析，从而得出必要的结论。例如，如果目标是评估干预，那么我首先想知道性能目标是什么，需要收集什么数据来衡量性能目标，以及如何收集数据。然后我们可以继续分析数据，看看干预是否达到了性能目标。