图片来自Unsplash网站。由克里斯蒂娜@ wocintechchat.com
我曾担任过专业数据分析师（Data Analyst）和数据科学家（Data Scientist）。我认为分享每个职位的经验会很有帮助，突出日常工作中的关键差异。希望我的文章能帮助您确定最适合您的。那些已经在工作的人可能会在阅读后想改变自己的位置。有些人最初是作为数据分析师，然后发展为研究人员。从低职位的研究人员到高级职位的分析人员的道路并不那么受欢迎，但同样有趣。这两个职位都有自己的特点，并且在迈出专业发展的下一步之前，您需要了解某些技能。
下面，根据我的经验，我将告诉您成为数据分析师和数据科学家意味着什么，我将详细回答有关每个职位的最常见问题。
数据分析师
如果您想描述过去一段时间或当前时刻的数据，并向利益相关者展示关键搜索结果，对变化和趋势进行完整的可视化显示，那么数据分析师的职位就非常适合您。提到的职位具有我在另一篇文章中描述过的相似之处，涵盖了这些职位所需技能之间的异同。现在，我想展示一下如何感觉数据分析师和数据科学家的角色。了解这些专家在日常工作中的期望非常重要。分析人员将与不同的人进行互动，进行大量交流，并保持较高的任务完成速度-高于数据科学家的需求。
因此，在每个位置接收到的印象可能会有很大差异。
在下面，您将找到有关数据分析师所面临的最常见问题的答案。
- 您将与谁一起工作？
通常与公司的利益相关者一起，他们要求数据汇总，结果可视化和结果报告。交流通常是口头或数字渠道：电子邮件，Slack和Jira。以我的经验，您必须与业务的人员和分析部门紧密合作，而不是与工程和制造部门紧密合作。
- 结果提供给谁？
最可能是上述利益相关者。但是，如果您有一位经理，则可以向他报告，而他已经将数据转移给了利益相关者。您也可能会收集一组请求，针对这些请求编写一份报告，并将其呈现给利益相关者。为了进行报告，您可能拥有Tableau，Google Data Studio，Power BI和Salesforce等工具，这些工具可轻松访问CSV文件等数据。其他工具需要更多的技术投入-使用SQL构建高级数据库查询。
- 该项目的工作进度如何？
明显高于数据科学家。您可以准备多个数据池（查询），或者每天报告和大型演示，并每周输出。由于您通常不是在构建模型或进行预测，而且结果具有描述性和即席性，因此事情进行得更快。
数据科学家
数据科学家与数据分析师完全不同。他们可能使用相同的工具和语言，但是研究人员必须与其他人一起从事较大的项目（例如，构建和实施机器学习模型），并在上面花费更多的时间。数据分析人员通常自己完成项目：例如，一个人可以使用Tableau仪表板来呈现结果。数据科学家有权聘请多名工程师和产品经理，以使用正确的工具和质量解决方案有效地完成业务任务。
- 您将与谁一起工作？
与数据分析师不同，您将仅与利益相关者就某些问题进行互动，而对于与模型及其使用结果有关的其他问题，则将与数据工程师，软件工程师和产品经理联系。
- 结果提供给谁？
您可以与利益相关者以及需要了解最终产品的工程师共享它们，例如，根据您的预测来开发UI（用户界面）。
- 该项目的工作进度如何？
这些职位的认识和职能上最大的不同可能是每个项目的时间量。数据分析师的速度非常快，数据科学家可能需要数周甚至数月才能完成一个项目。数据科学家项目的建模和准备工作非常耗时，因为它们涉及数据收集，探索性数据分析，主模型创建，迭代，模型调整和结果提取。
结论
图片来自Unsplash网站。由马库斯·温克勒
分析师和数据科学家使用像画面，SQL，甚至是Python，但其专业职责，相同的工具可以是非常不同的。数据分析师的日常活动包括更多会议和面对面的互动，需要高级软技能和快速的项目执行。研究人员的工作涉及更长的过程，与工程师和产品经理的沟通以及建立可预测其发展中的新数据或现象的预测模型，而分析师则专注于过去和当前状态。
我希望这篇文章有趣而有用。感谢您的关注！