1908年，临床数据科学家在做什么

不完全是。它大量借鉴了统计学——费舍尔的实验设计、图基的探索性分析——但增加了经典统计学系很少教授的编程、数据库工程和机器学习。威廉·S·克利夫兰 ( S. ) 在 2001 年提出了这个术语，专门用来描述这个领域的扩展、计算密集型版本，它建立在统计数据的基础上，而不是取代它。 常规结果已经暴露： 工具可以拟合和调整标准模型，AI 助手可以比人更快地编写 SQL 查询、初稿探索性图表和样板管道代码。没有自动化的是提出正确的问题，判断模式是否有意义或虚假，以及对基于结果的决策负责。 它因国家和资历的不同而有很大差异。美国劳工统计局预计，到 2023 年，临床数据科学家职业的年薪中位数约为 108,000 美元，而初级分析师的起薪通常接近 70,000 至 95,000 美元，大型科技公司的高级或首席临床数据科学家的股权总薪酬可达 200,000 至 400,000 美元或更多。

数据分析师通常使用现有数据和仪表板回答定义的业务问题；临床数据科学家通常根据更混乱的数据建立新的统计模型和预测分析；机器学习工程师从笔记本中取出模型，并使其在生产中大规模可靠地运行。界限不断模糊，许多人在职业生涯中在这三者之间摇摆不定。 占据主导地位，通常与 和 - 等库搭配使用，以及用于查询数据库的 SQL。 R 在学术和生物统计学领域仍然很常见。 笔记本是探索性工作的标准环境，、 或 等云数据仓库平台现在保存着大多数临床数据科学家实际查询的数据。 和 DJ 用这句话作为 2012 年 10 月《哈佛商业评论》文章的标题，认为该职位所需的统计技能、编码能力和商业判断力罕见地结合在一起，使得该职位既稀缺又备受追捧。这句话流传下来，引发了长达十年的企业招聘热潮和数十个新的大学学位课程。

数据科学是该网站上最年轻的职位之一，它位于最古老的工艺之一之上：将一堆记录转变为人们可以采取行动的主张。 “临床数据科学家”这个名称只能追溯到 2008 年左右；其基本原理可以追溯到三个世纪以来统计学家对证据进行计数、测试和可视化的过程。 整个故事有两条主线贯穿：统计推断的缓慢专业化，从伦敦商人的死亡率表到费舍尔的作物试验，以及更快、更新的将这种遗产包装成公司职位、学术部门，以及简单地说“21世纪最性感的工作”。 伦敦服饰商约翰·格朗特（ ）发表了《自然和政治观察……根据死亡法案进行的观察》，系统分析了伦敦自鼠疫以来每周保存的教区死亡记录，据此他估计了该市的人口并确定了死亡原因的模式。这是已知最早的尝试之一，即从大量收集的数据而不是个人轶事中得出一般性结论，它为没有接受过大学培训的店主格朗特赢得了英国皇家学会的选举权——这也是该领域后来的名称最终所依附的知识根源。