Анализ данных  •  24 августа 2022  •  5 мин чтения

Чем Data Scientist отличается от аналитика данных

Почему эти профессии похожи, как их не перепутать и какую выбрать.

Леонид Кузьмин
Винлаб
SEO специалист, 10 лет занимается аналитикой данных

Егор Кузнецов
Яндекс Практикум
Наставник курса «Специалист по Data Science», Senior Data Scientist розничной сети «Магнит»

Юлия Слуцкая
Яндекс Практикум
Редактор

Data Science и аналитика данных: в чём сходства и различия

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.

Аналитика данных — это отрасль Data Science, которая фокусируется на интерпретации полученных выводов, в то время как для Data Science важнее корреляции между большими массивами данных

В чём разница между профессиями Data Scientist и аналитик данных

Чем занимается Data Scientist
Специалисты по Data Science большую часть времени проводят за очисткой данных: подготавливают их для моделей и алгоритмов, обнаруживающих скрытые закономерности, которые не может выявить человек. Данные клиента загружают в модель и заставляют её строить прогнозы, на основании которых потом принимаются ключевые решения в бизнесе. Например, какой бюджет выделить на производство новой линейки товаров, какой процент выручки получит компания от их реализации и за какие сроки.
Чем занимается аналитик данных

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 могут улучшить процесс принятия решений только при условии понимания того, как выбор влияет на результаты. Поэтому специалисты по данным должны сочетать инструменты машинного обучения с пониманием причинно-следственных связей, стоящих за данными. На курсе «Аналитик данных» эти навыки можно освоить с нуля за 6 месяцев.

Принимайте бизнес-решения, основанные на данных
Пройдите бесплатную вводную часть курса «Аналитик данных», чтобы понять, интересна ли вам профессия
Сходства и различия задач дата сайентиста и аналитика данных

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.

Сравнение навыков
Сходства и различия образования и опыта работы

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.

Роли и обязанности
У аналитика данных и специалиста по Data Science разный фокус. Аналитик должен не просто визуализировать данные и строить серьёзные графики, а обладать навыком доносить информацию до коллег, которые не погружены в неё настолько глубоко.

Поэтому аналитику гибкие навыки нужны больше, чем специалисту по Data Science. Например, руководитель ставит задачу проанализировать результаты маркетинговой кампании. Аналитик данных пойдёт к маркетологам, соберёт и обработает их данные, затем сведёт в отчёт и проведёт презентацию перед руководством для принятия решения.

На этапе сбора данных Data Scientist тоже обратится к маркетологам, но потом 60% времени будет занят программированием и работать с данными, а не с людьми.

Эти примеры характерны для маленьких компаний или стартапов. В больших компаниях специалисты по данным работают в кросс-функциональных командах, где есть ML-инженер, Data Scientist и аналитики данных. За глубокими знаниями доменной области Data Scientist сможет обратиться к коллеге-аналитику, а ML-инженер будет следить, чтобы созданный специалистом по Data Science алгоритм работал без ошибок.

В процессе работы с данными Data Scientist подхватывает результаты работы аналитика и загружает их в модель для построения прогнозов, которую будет обучать с помощью ML-инженера
Уровни зарплат
Данные исследования за 2018–2021 гг.

По данным Open Data Science, аналитикам платят примерно на 11–14 тыс. меньше, чем специалистам по Data Science. На то, сколько зарабатывают специалисты, сильнее влияет опыт и уровень: при переходе от джуна к мидлу зарплата в среднем растёт на 74 тыс. (71%), от мидла к синьору — на 58 тыс. (32%). От синьора к лиду — всего на 17 тыс. (7%).

Куда развиваться в профессии аналитику данных и специалисту по Data Science

Аналитик данных может стать специалистом по Data Science — для этого нужно будет изучить машинное обучение, языки программирования и набраться опыта в проектах или же выбрать развиваться в менеджменте и расти в управленческой роли. Data Scientist может стать сеньором или тимлидом.
В каждой компании схемы роста могут выглядеть по-разному: например, аналитики данных и специалисты по Data Science могут работать в разных отделах и иметь свои грейды, а где-то аналитик считается начальной ступенью на пути в Data Science

Совет эксперта

Егор Кузнецов
«Если вы хотите стать специалистом по Data Science, но не обладаете достаточными знаниями машинного обучения или программирования, то я советую начать с позиции аналитика данных. Подобные вакансии есть практически в каждой компании под разные требования. Начните набивать руку на реальных задачах, постепенно обучаясь недостающим навыкам. И тогда ваш выбор профессии станет более осознанным, а погружение более плавным».

Принимайте бизнес-решения, основанные на данных
Пройдите бесплатную вводную часть курса «Аналитик данных», чтобы понять, интересна ли вам профессия
Поделиться
Fri Sep 09 2022 22:53:42 GMT+0300 (Moscow Standard Time)