「資料科學」：從可用的結構化和非結構化資料中來做探勘或定量分析，進而理解，萃取知識，到制訂出可行動化的結果。
簡單來說就是：使用資料  進行決策  驅動行動

＃備註：為什麼說是「資料科學怪人」呢？因為，搞資料科學的人都怪怪的，嗯！不是啦！，是因為他們整天在資料堆裡面打滾，對資料敏感度非常高，數理邏輯能力很強，資訊技術應用能力佳，還要應付難搞的應用需求變化，這樣的人如果不是「怪人」，那什麼才叫怪人呢？

「資料科學」並不是一門新的學問， 「學習知識」與 「資料探勘」 等用詞其實在學術界已經使用數十年，並不是甚麼新領域。從以前的被動式輔助管理決策「專家系統」，隨著資訊科技的演進，儲存、運算、網路的快速發展，一直演進到現在的主動式智慧化應用服務「人工智能模式」，從之前的報表推理、發現問題、檢討改善，現在，我們可以透過資料科學的分析模型，學習框架的智慧化服務，讓我們可以訓練模型、推測未來、事先預測、提前因應。

要打怪也要有技能，資料科學怪人可不簡單，可以稱得上是「萬能的天神」。
「資料科學」涵蓋的範圍非常廣泛，舉凡：數學、演算法、統計、樣本、線性代數、集合理論，一直到：資料挖掘、資料模型、資料視學、機器學習、神經網路、人工智慧等，這些都算是包含在「資料科學」的框架之中。另外，主要的資料科學方法不外乎是：基於領域知識之下，透過了解資料，提出對的問題需求，建立好的假設，取得對的資料，驗證方法結果，最後得到對的資料。
（”對” 這個字非常重要，如果沒有了 “對” 這個字，那你可能白忙一場，這還算是比較好的，甚至你有可能得到錯的資訊，做出錯的決策，代價可能就不只是白忙而已了。）

但是，值得一提的是，我們必須要注意避免落入「資料科學」迷思，這將會令人不知道什麼時候該停止做資料分析 / 機器學習 / 人工智慧。

從原始資料 (Data) 一直到洞察知識 (Insight)，「資料科學」主要是協助我們去了解資料、感受挖掘、學習知識、輔助決策，依照循序漸進的四個步驟，一步一步從資料演進到知識。

要打怪也要有步驟，循序漸進慢慢來，不要一開始就想要打魔王，不然很快就會 GG 了。

• 了解資料：透過資料盤點與整理，收集和處理你的資料，了解資料的領域範圍與特徵，適當的萃取、清洗、處理、和轉換。
• 感受挖掘：透過資料挖掘，分析資料，找出關聯，擷取資訊，監控追蹤，感受資料的各種歸納、趨勢、歸類、整合資訊。
• 學習知識：夠過資料視覺化，從你的資料中學習，探鑽知識內容，尋找問題原因，追根究底，得到商業智慧，進行推論，規劃改善。
• 輔助決策：從分析模型和學習架構中得到智慧，進行預測、自動化、客戶導向服務，達成輔助決策、流程自動化、服務個人化等。

PS : 「資料就是金礦（Data is Money）」這句話沒有錯，但是，其實嚴格來說，資料應該稱為是「肥料」，幫助企業能夠茁壯成長的滋養肥料。