原创：MarTechApe

在各种各样的Meetup活动中，我经常被学弟学妹问道，在找工作的时候会经常看到数据科学家、数据分析师、商业智能分析师的职位，他们到底有什么区别？虽然在你的印象中，数据科学并不等同于数据分析，但这两个角色之间确实存在着令人惊讶的相似性，因为他们有很多共同的目标。那么，它们的区别是什么呢？另外，这两个角色也确实有一些模糊不清的地方，它们在技能、概念和目标方面都有很多的重叠。下面，我将从我个人的角度来概述这两个职位的具体内容，以及它们的异同。

1. 数据科学家

数据科学家是利用机器学习算法，从数据中创建模型，最终帮助企业提高效率的人。如果用一句话来概括数据科学家的工作，那就是——找到业务表现的原因、给出提高表现的药方。而数据分析师只需要报告和追踪业务的表现、发现业务表现的动态与异常。

数据科学家的主要技能包括但不限于以下几点：

• Python、R、SAS和SQL（或某种形式的数据处理）

• 面向对象程序设计（OOP）

• 机器学习算法

• 了解业务

• 理解数据

• 与利益相关者沟通业务问题

• 交流可能的解决办法

• 成果和影响的交流

如你所见，数据科学家既需要相关的技术也需要相应的软技能。仅仅是一个程序员或统计学家是不够的，还需要一个能够建立问题陈述、开发问题陈述、并将自己的解决方案分享给团队的人。

数据科学家的工作目标包括但不限于以下几点：

• 让企业更有效率

• 使解决方案更加准确

• 让解决方案的成本更小

你可以看到，这里的目标都不一定是技术性的，严格来说，它们都是最终以某种方式改善业务的点。但是，在你达到目标的过程中，需要专业的技术知识。

2. 数据分析师

虽然数据科学家和数据分析师都要解决商业问题，但是数据分析师不需要聚焦于用机器学习的方法去预测业务表现，而只需关注业务表现的异常、转变和趋势。

数据分析师的一些关键技能是：

• Excel

• SQL

• MS Office

• 熟悉可视化工具（Tableau、Looker、Google Data Studio等）。

• 数据质量检查（QA）

• 分析性思维

• 信息技术

• 预测

• 与利益相关方的会议

• 与数据科学家和产品经理会面

在数据分析师这个角色中，除了必要的数据分析技能之外，同样重要的是解决问题的能力和突出业务改进的关键领域。

以下是数据分析师的一些工作目标：

• 确定KPI（关键绩效指标）

• 提出洞察

• 利用数据解决公司内部的问题
  

这里的目标比较宽泛，最终是指利用数据来帮助企业解决商业问题。

3. 两者的差别

当然啦，这两个职位之间有一些重要的差别。其中最大的差别是数据科学家会更广泛和更深入地使用到机器学习。另一个不同之处是，数据分析师相较于数据科学家会与利益相关者进行更多的交流（数据科学家的工作可能更多时间是在自己埋头苦干，而不需要参加那么多会议）。这两个职位之间的差别总结如下：

• 数据科学家会使用机器学习算法和特征工程，数据分析师不需要掌握这些

• 数据分析师通常会对发现的结果有更多的交流和讲演

• 虽然数据分析师也会使用不同的数据工具，但不一定需要编程

• 数据科学家往往比商业分析师更具预测性

• 虽然数据分析师也需要预测分析，但是在描述性分析和诊断性分析上会花更多心思

4. 两者的相似性

这两个职位的目标是一致的。每一个职位都需要使用类似的工具对数据进行深入研究。沟通的过程也很相似——与公司的利益相关者一起讨论商业问题，解决方案，结果和影响。数据科学家和商业分析师之间关键相似点总结：

• 处理数据

• 解决商业问题

• 与利益相关者合作

• 使用Tableau等可视化工具

• 分析过去的数据以探索新数据

• 预测建模

总结

这两个职位也会因公司不同而不同。但是不变的是每个职位的目标和影响。也许他们最大的不同是你如何获得解决方案或发现问题的方法。

想要上手企业级项目，培养必备的商业思维，加入理想的数据团队？深入了解A/B测试，能让你快速适应万变不离其宗的大厂数据分析团队工作模式。MarTechApe的《A/B测试企业级实战训练营》以真实商业场景中的复杂A/B测试问题为项目背景，让学员在两个月的时间里，使用百万量级原始数据，搭建完整的A/B测试流程！在过去开办的四期《训练营》中，我们为顶尖科技公司输送数据能力强、实验经验丰富、统计基础扎实的数据人才。不论你本来是什么背景，都能通过这门课程，打开盛行“测试文化”的互联网高科技公司的大门！

以下为往期学员的战绩榜：

🔥目前，MarTechApe《A/B测试企业级实战训练营》正式火热报名第5期！🔥
每一期训练营，我们只招收20名学生。

👇点击下方按钮，了解项目详情！👇