Hay varias disciplinas que comparten un objetivo común: Utilizar los datos y convertirlos en ideas o valor añadido; por ejemplo, visualizando o analizando los datos. Estas disciplinas son Business Intelligence (BI), Data Analytics, Predictive/Advanced Analytics, Data Mining, Data Science, Statistics y Machine Learning. Todas estas áreas están interconectadas y se solapan en gran medida, por lo que puede resultar difícil distinguirlas entre sí. Por ello, cada persona las define de forma diferente.
La ciencia de los datos es probablemente el concepto más difuso de todos ellos y se ha convertido en una especie de concepto global que engloba todos los demás conceptos. Sin embargo, esto no debería sorprender, ya que el concepto se refiere al uso de métodos científicos y a la transformación de datos en conocimiento y valor añadido.
Normalmente, los métodos de la ciencia de datos se aplican en los negocios. La ciencia de datos se nutre de varias disciplinas, entre las que destacan la estadística, las matemáticas, el análisis empresarial, la informática y el aprendizaje automático. Debido a su amplia definición, los métodos de la ciencia de datos abarcan un amplio campo.
Esto incluye tanto muchos tipos diferentes de métodos analíticos como Aprendizaje automáticosino también la visualización de datos estructurados y no estructurados. Dentro de las empresas, la aplicación de la ciencia de datos también incluye el análisis de procesos empresariales y la preparación de datos. La ciencia de datos ha recorrido un largo camino desde 2012, cuando la revista Harvard Business Review calificó a los científicos de datos como "el trabajo más atractivo del siglo XXI".
Algunos dicen que la ciencia de datos está evolucionando desde el BI o Minería de datos ya que se basa en una idea similar; de hecho, sin embargo, aplica un número mayor y más desarrollado de métodos, por ejemplo el aprendizaje automático. Otras voces más críticas afirman que Data Science no es más que un nuevo nombre para la estadística, el BI o la minería de datos.
