本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

在分別經歷過專業(yè)數(shù)據(jù)分析師和數(shù)據(jù)科學家的職業(yè)工作之后，筆者體會到了每個職位的所需經驗和日常感受之間的區(qū)別，并且我認為，突出這種關鍵差異是有意義的。

本文希望幫助猶豫不定的你選擇出最適合自己的職位。如果你已經是數(shù)據(jù)分析師或數(shù)據(jù)科學家了，也許你會想要轉換到另一個職位，有些人從數(shù)據(jù)分析師起家，又轉行為數(shù)據(jù)科學家，還有些人是想從一個非高級數(shù)據(jù)科學家轉行成為高級數(shù)據(jù)分析師。

每個職位都有一些重要的概念和總體經驗，在做出下一個重大職業(yè)變動時，了解這些都是很重要的。筆者將重點介紹作為數(shù)據(jù)分析師和數(shù)據(jù)科學家的感受。根據(jù)自身經驗及同行同事的經驗，提出并解答關于這兩個職位的常見問題。

[[335785]]

數(shù)據(jù)分析師

如果你希望描述過去或當前的數(shù)據(jù)，同時展示關鍵的發(fā)現(xiàn)、變化和趨勢，最后向利益相關者顯示數(shù)據(jù)，那么數(shù)據(jù)分析師的職位最適合你。

盡管兩個職位之間有一些重疊的部分,筆者在另一篇文章中(https://towardsdatascience.com/data-science-vs-data-analysis-heres-the-difference-4d3da0a90f4)強調了這兩個職位所需技能之間的差異和相似之處。這里我更想談談和數(shù)據(jù)科學家相比，做數(shù)據(jù)分析師是什么感受。

了解自己在該領域的日常期望是很重要的。與典型的數(shù)據(jù)科學家相比，數(shù)據(jù)分析師可以期望與不同的人一起工作，以不同的方式更多地進行交流，并且行動更快每個角色給人的感覺可能會大不相同。

下面，筆者將提出一些常見的問題，并作出相應的回答，介紹一些數(shù)據(jù)分析師的經驗。

(1) 你與誰共事?

你將主要與公司中的利益相關者合作，他們要求你能夠提取數(shù)據(jù)，有直觀的見解，定期匯報。能通過使用電子郵件、Slack和Jira等工具溝通，可以進行口頭或者數(shù)字交流。你將把重點放在人員和業(yè)務分析方面，而不是公司的工程和產品部分。

(2) 你與誰分享發(fā)現(xiàn)?

你會和領導分享發(fā)現(xiàn)。如果你有經理，有時會向他們進行報告，他們會將你的發(fā)現(xiàn)轉達給相關的利益相關者。你還可能還要收集需求、制作報告并將其傳達給利益相關人員。

你可以使用Tableau、谷歌Data Studio、Power BI和Salesforce等工具進行報告。這些工具通?？梢赃B接到容易訪問的數(shù)據(jù)源(如CSV文件)，而有些工具需要使用SQL對數(shù)據(jù)庫進行高級查詢，進行更多的技術工作。

[[335786]]

圖源：unsplash

(3) 做一個項目需要多快?

你將比數(shù)據(jù)科學家更快地處理項目。每天可以有多個數(shù)據(jù)提取查詢或報告，每周可以有更大的可視化和洞察力。由于你通常不是在構建模型和預測，你將更快地扭轉結果，因為它們更具有描述性和即時性。

數(shù)據(jù)科學家

數(shù)據(jù)科學家與數(shù)據(jù)分析師差別很大。雖然這兩個角色之間有重疊工具和語言，但數(shù)據(jù)科學家能與不同的人一起工作，并花更多的時間研究更大的項目，比如機器學習模型的創(chuàng)建和部署。

數(shù)據(jù)分析師可能傾向于在項目中單獨工作;例如，使用一個Tableau儀表板來顯示結果可能只需一人，但數(shù)據(jù)科學家可以結合其他幾個工程師和產品經理來確保模型能夠解決業(yè)務問題，并確保代碼是正確的、強大的和有效的。

[[335787]]

圖源：unsplash

(1) 你與誰共事?

與數(shù)據(jù)分析師不同的是，在某些項目中，你將與利益相關者一起工作，但對于模型及其結果的其他方面，你將求助于數(shù)據(jù)工程師、軟件工程師和產品經理。

(2) 你和誰分享發(fā)現(xiàn)?

你可以與利益相關者分享自己的發(fā)現(xiàn)，但也可以與一些需要了解最終產品的工程師分享，例如，他們可以根據(jù)你的預測構建UI。

(3) 做一個項目需要多快?

也許這兩種角色在感覺和操作上的最大區(qū)別，在于分配給每個項目的時間。雖然數(shù)據(jù)分析的速度更快，但數(shù)據(jù)科學家可能需要數(shù)周或數(shù)月才能完成一個項目。由于存在數(shù)據(jù)收集、探索性數(shù)據(jù)分析、基礎模型創(chuàng)建、迭代、模型調優(yōu)和結果輸出等過程，數(shù)據(jù)科學模型和項目可能需要更長的時間。

數(shù)據(jù)分析師和數(shù)據(jù)科學家可以共享一些常見的工具，如Tableau、SQL甚至Python，但是每個角色積攢到的經驗可能會有很大的不同。

[[335788]]

圖源：unsplash

數(shù)據(jù)分析師的日常工作包括更多的會議、更多的面對面交流、軟技能和更快的項目周轉;數(shù)據(jù)科學家的工作可能涉及更長的流程、與工程師和產品經理的交互，總的來說其涉及一個預測模型——可以及時對新的觀察結果或事件進行分類，而數(shù)據(jù)分析則側重于過去和當前狀態(tài)。

不要被它們相似的“外表”迷惑了，職業(yè)抉擇，知己知彼很重要。