Чем Data Scientist отличается от аналитика данных

Суть аналитики в том, чтобы визуализировать данные и делать выводы на их основе. Data Science включает в себя оба эти этапа плюс машинное обучение (англ. Machine Learning) и глубокое обучение (англ. Deep Learning), с помощью которого специалисты строят и запускают модели для прогнозов.

Обе области пытаются предсказать, как данные повлияют на показатели компании, и предложить лучшие гипотезы, как корректировать поведение пользователей, чтобы достичь результатов. Например, какому сегменту клиентов точно стоит отправлять рассылку, какой отклик планируется получить и окупится ли вложенный в это бюджет. Аналитика данных и Data Science являются разными этапами одного процесса.

Главное отличие аналитика данных от специалиста по Data Science в том, что аналитик не владеет навыками машинного обучения, поэтому сам обрабатывает данные. Например, собирает у маркетологов все данные по прошлым рассылкам компании и сегментирует пользователей по возрасту, полу, локации, предпочтениям. Затем выявляет в данных закономерности и влияние параметров друг на друга.

Аналитик занимается ретроанализом, то есть анализом прошлого поведения пользователей, и на его основе ищет связи между эффективностью рассылки и показателями компании, предлагает рекомендации. Для специалиста по Data Science и для аналитика критически важны продвинутые знания доменной области — индустрии, в которой они работают, будь то ретейл, промышленность или финансы.

Аналитика данных и Data Science помогают быстро и правильно принимать решения только при условии, что специалист понимает, как выбор влияет на результаты. Поэтому он должен уметь сочетать инструменты машинного обучения с пониманием причинно-следственных связей, стоящих за данными.

У них разные методы и подходы решения одной задачи — правильно повлиять на менеджерское решение, чтобы увеличить продажи. Например, спрогнозировать сезонный спрос на товары, которые производит клиент. Для этого можно было бы поставить аналитику задачу провести ретроанализ продаж и сделать сезонную кривую. Либо попросить специалиста по Data Science проанализировать частотность запросов в семантическом ядре и произвести другую сезонную кривую.

Эти данные будут отличаться, потому что алгоритм чаще всего находит закономерности лучше, чем человек вручную, и быстрее собирает данные. Результаты работы аналитика и специалиста по Data Science в деталях будут разными: корреляцию, которую нашёл Data Scientist, может не найти аналитик, потому что у него не хватает для этого инструментов.

В зависимости от того, какие данные используются, можно принимать разные решения в бизнесе. Например, юзабилити сайта можно улучшать на основании данных о поведении пользователей, и увеличить средний чек, провоцируя их покупать больше или чаще.

Аналитику данных и специалисту по Data Science нужно математическое или техническое образование. Для обоих важны знания доменной области. Различие в том, что у аналитика, который обрабатывает и интерпретирует данные сам, эти знания должны быть глубже. А Data Scientist должен знать языки программирования, чтобы обучать алгоритмы.

Для получения опыта у специалистов по Data Science есть хакатоны и курсы. Для аналитиков — образование и работа в проектах, потому что соревнований, где можно набить руку в решении задач по аналитике данных, немного.

По данным «Хабр Карьеры», средняя зарплата начинающего аналитика — 100 тыс. рублей, мидла — 176 тыс. рублей, сеньора — 289 тыс. рублей, а ведущего аналитика — 349 тыс. рублей. Специалисты по Data Science зарабатывают больше: средняя зарплата специалиста — 210 тыс. рублей, при этом ведущий специалист может зарабатывать 430 тыс. рублей и больше.