1. 数据科学家基础技能：
- 数学、统计学、SQL、Python、一定的数据清洗和可视化经验、了解机器学习与深度学习；
- 还需要有商业思维，清楚数据就是商业，知道如何解决复杂的数据问题，并与管理层分享自己的见解。
2. 5个商业基础知识
（1）理解业务目标
理解公司的战略目标，并将其作为数据分析过程的指导。因此，要清楚数据分析的报告结果的受众：是给管理层看的，还是给销售团队，还是给资本市场或供应商对外使用？虽然总体战略目标是一样的，但是不同受众有不同的数据分析需求。那么如何去迎合不同的受众？首先要清楚关键性能问题（Key Performance Questions, KPQs）以及关键分析问题（KAQs）。
KPQs围绕着公司在实现特定目标方面的表现，例如“我们的服务推广做得怎么样”，“我们吸引新的潜在客户做得怎么样”。而KAQs旨在缩小实现目标的战略选择范围，例如“客户是怎么进入我们的网站的”，“那些人是我们最有价值的客户”。应该先确定服务对象需要得到什么知识，在使用相应的分析工具和方法；而不是一上来就一顿操作，得出结果再来匹配服务对象的需求。
（2）收集正确的数据
关键问题：必要的数据是否已经储存在组织中？以何种格式储存，数字或非数字？按形式分为定量数据或定性数据，定量数据通过用户操作或调查问卷自动收集，容易分析与可视化；而定性数据可以提供更丰富的内容，分析定性数据可以揭示某些行为的影响因素，如客户满意度或客户流失。收集定性数据的方法有定性调查、焦点小组以及点对点评价，其他方法还包括分析点击率和社交媒体参与度。
（3）分析数据
BI工具可以帮助以下的分析：OLAP（Online Analytical Processing）、数据挖掘、文本挖掘；另外BI软件还为数据科学家提供交互式获取和丰富的图形功能，以及执行根源分析的能力。
（4）有效沟通数据
图表：标记图、直方图、散点图，并且与叙述结合。
给出强有力且具有策略性的报告的关键：
- 以KAQs与KPQs作为报告的框架，并以具有信息的图表支持；
- 使用标题概括关键信息；
- 为视觉效果提供背景叙述；
（5）了解基于证据的决策是如何做出的
优秀的数据科学家会确保他们的见解将会成为可采取的行动。