資料分析師與資料科學家的區別

時下，網際網路大風盛行，資料科學家憑藉「科學家」這一高大上的名稱，成功蓋過資料分析師的「名氣」，被很多企業當作業務指導的「神明」。一旦企業在經營過程中，遇到業務發展問題，他們第乙個就會想到找資料科學家處理，而不是資料分析師。但是，這真的是最好、最正確的選擇嗎？

今天，我們就來好好聊一聊資料科學家與資料分析師的區別。相信你在看完這篇內容後，會對這兩個角色有更深入的了解。

1）角色與技能層面

話不多說，我們先來看看資料科學家與資料分析師間的區別。其實，從角色定義上來看，這二者就有極大的不同。

我們通常認為，資料科學家必須具備3個關鍵學科的知識，才能稱之為資料科學家，即：資料分析學科、統計學和機器學科。其中，機器學習涉及資料分析的過程，以學習並生成分析模型為主。這些模型可以對可見的資料，執行智慧型操作，無需人工干預。

而資料分析師，則只需具備資料分析學科與統計學科的知識即可。

2）專業能力層面

基於資料分析家擁有3大核心技能，而資料分析師一般只需要具前2個技能，對比三合一與二合一，哪個價效比更高？由此，資料科學家更受到企業的青睞，在資料分析師面前「高一頭」，似乎也就更加合理了。

然而，真的是這樣的嘛？如果你冷靜下來想一想，就會發現越品越有問題。

試想，有多少人能同時在3個職位上盡善盡美的？有多少人能在幾個領域都深入專研，並有非常出色的表現的？即便有這樣的人，他的精力足夠支撐他完成所有領域內容的鑽研嗎？

當然不能。我們常說，術業有專攻，對於資料科學家和資料分析師而言，他們專攻的領域就有所不同，分析的方法差異性也很大，因此，我們不能說哪乙個更好，應從哪個更適合企業來選擇；

3）薪資待遇層面

資料科學家和資料分析師在薪資待遇上，也是有差別的。

大家看可以知道，資料科學家有接近一半的從業者，平均薪資在28.2k；而資料分析師則不同，其中有25%的新夥伴均薪為13.3k。但是，你仔細看還會發現，有約44%的從業者平均薪資超過15k；其中更是有高達19%的小夥伴軍心在20-30k之間。

可能有的小夥伴一看就迷糊了。這能說明什麼呢？我認為主要有這麼兩點：

①資料科學家與資料分析師薪資，都能憑藉自己的能力，獲得高薪；

②資料科學家普遍薪資待遇高，但不是一定比資料分析師薪資高。通過自己的經驗積累，資料分析師也能獲得高薪。

反過來說，就是企業招聘資料科學家和招聘資料分析師的成本，不一定哪個更低。換句話說，在招聘時，企業應該根據自己的業務需求，尋找價效比更高的員工，而不是自認為資料科學家更「高大上」或價效比更高。

4）業務能力方面

在對業務做分析，以及給業務做指導時，資料分析師通常會用更簡潔明瞭、更快捷的方式，去表達他們心中的「完美模型」；而資料科學家則會用更精準、不計時間的方式，去表達他們嚴謹的邏輯觀。這之間，沒有對錯，只取決於業務需求。舉個兩個直觀的例子給你說說。

【案例1】

比如電商公司，他們更適合聘請資料分析師，因為他們只需要資料分析師對明年或者近期的銷售資料及銷售業績，做乙個相對精確的預估即可，這裡的誤差將會有乙個比較大的空間。

比如預計賣掉1萬件貨物，銷售額預計為100萬，而實際銷售中，由於打折，或者送了贈品，導致最終銷售額為95萬。這對於企業來說，是完全可以接受的、也可以承受的範圍。自然也就不會找資料分析師「興師問罪」了。

【案例2】

但如果是網際網路公司，尤其是產品研發端，則聘請資料科學家更合適。為什麼呢？

因為我們都知道，當乙個機械人再執行操作步驟前，都需要我們人工為之設定執行程式。在這種情況下，我們是要求bug越少越好，但相對來說，對時效就不會有過多的要求（只要在工期內完成即可）。

綜上述，資料科學家與資料分析師兩者間，並不存在哪個更「高人一等」，因此，企業也無需厚此薄彼對待，只需根據實際業務需求，合理用人即可。