很多人用不同的定義解釋“資料科學”，貌似都很合理，對資料科學這個問題的思考可以聯想到與之相關的其他領域，例如業務分析、資料分析、商業智慧、高階分析、機器學習，還有人工智慧。

資料科學的“絕對定義”需要大量的“資料科學”背景才能被理解，這是一個遞迴的問題……可以說，統計學家或程式員理解什麼是資料科學要容易得多，就像歷史學家或語言學家所說的那樣，前者已經以一種或另一種形式暴露於資料科學之中。這使我們想到，資料科學的相對定義可能更有用，以下是相關看法。

這是一個描繪所有上述領域的尤拉圖。每個顏色代表一個不同的欄位（混合的顏色表示交集），圖上還有一個時間軸和使用案例。

（矩形的位置、大小和顏色表現出概念上的相似性和差異，而不是複雜性）

下麵就來分析具體的概念。

一、商業

為了避免過度簡化這個問題，這裡認為“商業”這個詞沒有任何定義，而融合商業的一些應用案例則更有意思，例如商業案例研究、定性分析、初步資料報告、視覺報告、建立儀錶板、銷售預測。

二、資料

考慮到最初的選擇，我們可以在業務和資料的交叉點中移動最近的四個術語，目前在圖片中表示為紫色區域。這是因為“初步資料報告”，“視覺報告”，“建立儀錶板”和“銷售預測”屬於資料驅動的商業活動。外部可以基於過去的知識、經驗和行為反對存在商業活動範圍內的“商業案例研究’和‘定性分析’，但你很快就會看到——這不是真正的資料科學。

分析（Analysis）是指將你的問題分割成容易消化的區塊的過程，你可以單獨研究它們之間是如何相互關聯的。另一方面，分析(Analytics)是將邏輯和計算推理應用於分析中獲得的元件部分。在這樣做的過程中，人們在尋找樣式，並經常探索人與分析能力的結合。因此，與業務，資料相反的是，我們應該要更好地使用Business Analytics和Data Analytics。

三、時間

在進一步討論之前，讓我們先介紹一個時間軸，因為這對於後續的分割是至關重要的。我們將分析三個時態——過去、現在和未來。會有一條線分割圖表，指出任何分析問題的當前時刻。左邊的分析指數代表過去，右邊的所有這些都可以進行預測分析。

“銷售預測”移到了右邊，因為它的名字暗示著一個前瞻性的分析過程。廣義的“定性分析”就是利用你的直覺和經驗來規劃你的下一步——從而寓意著未來。

資料科學是一個不能沒有資料的領域。因此，它完全屬於Data Analytics（資料分析）的範疇。它與Business Analytics（業務分析）的關係如何？嗯，事實證明，如果屬於Data Analytics和Business Analytics範疇內的，同時也的確屬於Data Science範疇。

不過，需要說明的是，存在不直接和即時業務分析但屬於資料分析的資料科學流程。例如，“最佳化鑽井業務”需要資料科學工具和技術。資料科學家很可能每天都這樣做。但是，雖然在“石油業務”領域，我們不能真正說它與Business Analytics直接相關。

在“相對定義”的概念上，要更好地說明這些點，“數字訊號處理”就是資料分析的一部分，但不是Data Science，也不是Business Analytics。資料、程式設計和數學開始發揮作用，但並不像我們在Data Science中使用它們一樣。為了一致性，讓我們用時間軸來完成這件事——資料科學既是左邊的，也是右邊的線（如同其他的）。這就給我們帶來了一個問題：是不是所有的領域都具有“過去屬性”？

四、商業智慧

商業智慧（BI）是分析和總結歷史資料的過程。