我在曾在〈不是工程師的工程師〉一文當中，開宗明義地介紹這個部落格的目的。
既然是以成為「未來的資料科學家」為目標，那麼總該清楚回答：資料科學是什麼？資料科學家平常在幹嘛？以及其價值定位……等等問題。於是，我決定用兩篇文章的篇幅，第一篇談「入門」與「觀念」；第二篇談「技術」與「職場」，依序回答每個層級的相關疑惑。
多數內容或許都是老生常談（尤其對業界人士，或者像我一樣有同樣目標的在學者而言），但我仍希望將自己的學習歷程，做個有系統的回顧與統整，乃至於和我有相同目標的同好、亦共同參考學習。
【入門】
如同文章開頭提到的，我們總得從最根本的問題回答起：
什麼是資料科學？
〈揭開資料科學的神秘面紗〉這篇文章中給了簡單扼要的說明。
作者Meng Lee本身就是一名資料科學家，他根據他個人的經驗，說明了到底啥是資料科學？資料科學到底在夯什麼？為什麼我要學資料科學？
如何成為一名資料科學家？
〈如何成為一名資料科學家？〉裡頭提到，一位資料科學家，不外乎同時具備以下這三項專業能力：Hacking Skills, Math & Statistics Knowledge, Substantive Expertise
此外，他也以自身企管顧問背景的經驗，提出了另一套看法，他說明了「商業力」、「分析力」、「技術力」這三種專業能力結合的重要性，也就是能理解業務（Domain Knowledge）、知道如何有系統地分析與業務相關的問題（Analysis）、以及透過數學、程式語言、軟體等工具來解解決上述問題的能力（Programming、Coding），尤其對商業環境當中的資料科學家而言，尤是如此。
關於資料科學的迷思
現在我們對資料科學與資料科學家，都能有個87成概念了，但是目前為止談的都是美好的理想與目標，而現實總是殘酷的，我們總得認清哪些是媒體、廣告商、與補習班過度跨大及美化的噱頭、還有自己幻想出來的美好泡泡。
〈資料科學的五大迷思〉一文，就為我們歸納並解惑了許多常見迷思，包含對資料科學的功用的過度誇大、什麼都得來個大數據的浪潮、還有「以為上過幾堂Python、SQL、Machine Learning課程，就可以是一名資料科學家/工程師」等等膚淺的認知。〈資料科學家的告白：給幼苗們的忠告〉一文也提醒我們該如何踏地成為一名資料科學家。
【觀念】
在有了全面性的認識之後，接著我們來談，作為一名資料科學家，應該具備的重要觀念認知。我認為第一件事，就是先搞清楚「資料科學家≠商業資料分析師」，而詳細定義以及兩者的分工、定位，在〈什麼！？資料科學家≠商業資料分析師？〉則有更清楚的說明。
數據與業務的衝突與不受重視
在實務界當中，一種很常見的情況就是，公司不重視資料科學、甚至說，公司不重視資料（包含導入數據化的營運方針、以數據驅動的業務決策……等數據加值應用），或者公司的數據部門常常與業務部門衝突，更常見的是，業務部門不信任數據部門提供的資料分析結果（這一點，在〈你費那麼大勁做的數據分析，有用嗎？〉一文當中，道盡了數據人員的辛酸）。上述情形，在台灣，以及在非科技相關產業、與規模不大的公司而言尤是如此。
對於這一類困境，〈當產品經理遇到資料科學家〉與〈B2B企業如何成功推動Win/Loss Analysis數據分析？〉兩篇文章，提供了一些值得參考觀點。追根究柢，這類的衝突，不外乎是因為不同部門從各自的觀點來看事情，同時因為雙方對彼此的領域涉獵不足（數據人員不夠瞭解業務、業務人員不懂數學與程式編輯），又缺乏一位中間溝通橋樑，於是這類衝突就產生。
解決方法呢？設法提升自己對業務的理解程度，以及持續追蹤後續成果是否獲得改善，這也是一種try & error的精神實踐。當然我們知道，上述困境，可能是由於其他因素所導致（例如公司內部的政治角力），但可惜這不在本文的討論範圍。面對其他的原因，自然該有其他的應對方法來處理。但無論如何，作為一名專業且敬業的資料科學工作者，至少我們要知道什麼是我們能做的、該做的。
資料科學家的價值與定位
〈Create a Common-Sense Baseline First〉與〈So, How Many ML Models You Have NOT Built?〉這兩篇文章提到了不少「乍看之下違反常理，但實際上卻有其道理，且值得反思」的觀點，例如：
資料科學家的角色與價值其實不在於建造，而在於知所進退，知道何時不應該用Machine Learning或complex analytics，因為對問題解決沒有幫助。
或者在解決問題時，先別急著建模、而是先試試基本的探索性分析方法（Exploratory Analysis），複雜方法所得出來的結果，不見得比簡單的方法勝過多少，但所耗費調的時間與其他成本，往往更驚人，永遠記住Pareto principle。
關於資料科學的總覽，以及資料科學家應具備的重要觀念，在本文就點到為止。下篇文章，我們將從工具、技術、求職、人才需求等面向繼續談起。