1. 数据的处理平台的搭建：包括公司的基础数据平台以及各个具体业务线的指标数据和日志数据平台。此步的设计和技术选型严重依赖于后两步的分析需求。
  2. 历史数据的分析挖掘：包括跟各种产品线相关的业务分析，用户画像，用户行为分析，用户留存分析等等。类似的分析可以以图标或其他可视化的方式展现，目的是让业务决策者对于现状有清晰、系统、完整的认识，从而辅助其做出下一步的动作（action）。
  3. 数据驱动的预测性分析：比如建立推荐模型并且利用模型对于未来的情况进行预测。在计算广告里面，点击率预估（CTR）模型就是能被用来给特定的人和场景推荐合适的广告。这一部分的工作是大数据挖掘下最有意义的工作，也是和产品线联系最紧密的部分。

不管数据科学家现在的工作范畴到底是如何界定，最近几年这个岗位的需求数量快速攀升。如今，所有规模的企业都在探索从大数据中挖掘出有价值的信息和可以转化成行动的洞察力。数据科学家具备从大数据掘金的能力，能为各行业的数据包括医疗数据、移动设备数据、社交媒体流数据等进行预测，带来巨大的商业价值。

在未来5年数据科学家这一领域人才将出现供不应求的局面。McKinsey报告指出去年大数据强有力的增长。McKinsey同时预测在未来6年，仅在美国本土就可能面临缺乏14万至19万具备深入分析数据能力人才的情况，同时具备通过分析大数据并为企业做出有效决策的数据的管理人员和分析师也有150万人的缺口。