数据科学家与数据分析师：有什么区别？

相同的原则，不同的问题

数据分析师和数据科学家使用许多相同的原则，经常在类似的数据集上工作，解决类似的问题和面临与工作中的类似障碍。核心数据科学家与数据分析人士差异是，分析师通常会给一些问题，他们需要回答，而数据科学家通常会询问自己的问题，说Kirill Eremenko.，AI教育服务的超级山顶创始人和总监。

分析师Excel查看数据，以查找使用描述性和诊断分析的先前看不见的模式。相反，数据科学家试图识别数据集中的模式，然后使用这些模式来预测使用预测和规定的分析将来的数据可能在未来行事。

由于工作如此紧密编织，数据分析师处于一个很大的位置，进一步发展成为数据科学家。

“作为工作是如此紧密相连一项数据分析师处于一个很大的地位，进一步发展到数据科学家中，“Eremenko说。但是，这将需要数据分析师改变他们的方法，他说。他们必须学习基于他们有可用的数据，然后证明或反驳这些理论。

埃雷门科最初是澳大利亚德勤分析公司(Deloitte Analytics)的一名数据分析师。在德勤，他主要用数据来回答“发生了什么?”和“为什么会发生?”他随后获得工作作为第一个数据科学家在养老金管理公司Sunsuper，他不得不测试以预测和规定分析的各种算法。

他在德勤的职责有时会要求他回答一些更开放式的问题，比如“会发生什么?”以及“我们如何让它发生?”但是，这些问题要么由管理人员和主管明确界定，要么由他们直接处理。因此，数据科学家通常负责的大部分批判性思维都是由经理和主管进行的。

分析师了解业务

数据分析师往往是靠近业务用户并倾向于成为掌握数据的数据的专家，rosaria Silipo，Knime的主要数据科学家，数据科学和分析平台。他们知道商业案例，数据收集过程和数据域内进出。“他们可能不是数学家，但他们可以对如何获取和处理数据以及如何解释结果的态度，”她说。

数据分析师和数据科学家之间经常有相当多的重叠。两者都具有深入的领域知识和数学专业知识处理数据。随着时间的推移，斯利波发现，经验丰富的业务分析师有时可以增加他们在统计和机器学习方面的知识，以提高他们的价值。在光谱的另一端，数据科学家和工程师可以了解更多关于数据收集过程和业务案例特别是在该领域工作了几年之后。

头厨师和线路厨师

Thinkdata的数据科学家谢瑞尔，A数据争吵工具提供商表示，一个有用的隐喻来了解数据科学家与数据分析人士差异是数据科学家是头部厨师，而数据分析师则是线路厨师。头部厨师能够做些什么，但他们应该与餐馆和餐点的整体菜单和主题一起出来。线厨师专业从事必要的准备工作收集这些食物所需的原料。

她说:“通常情况下，数据分析师的任务是解决一个特定的问题，他们将利用数据得出一个有意义的解决方案。”这补充了数据科学家的工作，他们有更多的自由来探索和根据他们的分析产生他们自己的问题。

例如，在抵押自动化工具提供商AI Foundry，数据科学家在该公司的深度强化学习和认知业务自动化平台的开发中发挥了关键作用，AI Foundry的开发总监彼得·皮埃拉(Peter Piela)说。他的数据分析师团队执行各种与收集、组织和清理数据有关的任务，以评估数据质量和趋势。这个团队包括商业分析师专家谁协助测试活动和研究，以了解贷款文档自动化问题。他们还与数据策策专家合作，他们关注细节以准备模型培训文件。

“商业领域知识是数据分析师提供对数据科学团队的数据分析师，”Piela说。

培养新技能

数据分析师可以通过磨练各种技术和软技能来脱颖而出。开发人员招聘服务公司HackerRank的首席执行官兼联合创始人维韦克·拉维桑卡尔(Vivek Ravisankar)对此提出了建议分析师专注于改善他们对统计和数据争吵的理解，特别是使用Python和R这样的工具。对于掌握Tableau，Looker和Excel等工具中的掌握可视化和仪表板也很重要，以提供见解并有效地与主要利益相关者沟通。

他还建议他们了解可以影响公司发现有价值的数据类型的新技术和市场。例如，几年前，物联网数据并不像现在一样有价值。

数据科学家和数据分析师往往将向内部利益相关者提供数据发现。因此，他们必须都有能力叙述他们的工作DataReady的CEO和创始人博士表示，DataReady，Date界面的博士。“良好的讲故事和组织技能是职业生涯的重要方面，”她解释道。

此外，数据分析师和数据科学家都必须舒适，具有高度的歧义。他们需要学习如何管理和有效地维护数据流程和文档流程，以持续的过程改进和开发。

杜尔建议分析师培养一定程度的CRM专业知识，因为大多数组织将这些系统与其他资源结合使用，以了解整体情况。她说:“了解数据和了解你的专业领域的特定需求将使你对任何组织都是无价的。”