图片： 

导航似乎是一个恰当的词语。数据科学有时候看起来像一片狂野的海洋，每隔几分钟就会冲上来一个新的职位头衔或专长。非常感谢你，数据科学。我们欣赏你的活力和狂野，但是我们该怎么处理它呢？

首先，让我们先搞清楚基本概念。当我说数据科学工作时，我指的是包括所有数据相关职位在内的更广义的数据科学。对我来说，所有这些都是数据科学职位头衔。

其次，数据分析师、数据科学家和数据工程师已经不再是新职位。但是它们仍然会引起一些关于谁做什么的混淆。这些职位之间存在一些轻微的重叠，这并没有帮助到我们。

有很多公司会让情况变得更糟，他们只有一个人的数据团队。是的，创业公司，我正在看着你们！

不，数据分析师、数据科学家和数据工程师不是同样的职位！谁能想到呢？

虽然这些职位在专业领域和重点上有所不同，但他们都是作为公司数据团队的一部分朝着同一个目标努力。

 

为什么数据岗位至关重要

 

每个公司都认识到数据的价值，并通过数据团队来提取数据。通常，大多数公司都希望通过数据达到以下五个共同的目标。

 

1. 决策支持

 

数据让公司能够不再基于决策者的商业直觉（可理解为运气）而胡乱尝试。随着技术的进步，数据的种类和使用可能性也增加了。

数据科学利用数据提供洞察来支持公司的战略和高层决策。

 

2. 提升客户体验

 

公司必须以客户为中心，因为他们的收入来自于客户。数据科学允许公司分析客户行为和反馈。这使得企业能够根据客户的需求量身定制产品和服务，并预测他们的需求。

 

3. 提升运营效率

 

尽可能从客户那里获得更多收入是企业的目标，但企业也希望以最高效的方式实现这一目标。也就是说，以最低成本实现这一目标。数据科学在这方面发挥了作用。它可以自动化和加速任务，优化任务，并发现瓶颈。简而言之，处理业务的成本方面。

 

4. 创新和竞争力

 

数据科学通过识别和预测客户需求、行业趋势、经济变化等推动创新。这里的创新不仅限于现有或新产品，还包括营销和销售策略以及制造流程。

 

5. 风险管理

 

企业是有风险的，咳咳，生意。数据科学帮助企业识别、评估和管理潜在风险。

 

数据科学职位头衔

 

如果我们没有对每个职位有清晰的定义，就无法分析这些职位之间的差异。让我们从这里开始。然后，我们将介绍它们的职责、技能、使用的工具和职业发展路径。

 

数据分析师

 

角色概述：数据分析师，顾名思义，分析数据。他们通过分析数据来识别模式并得出可行的洞察。这些模式和洞察以报告和仪表盘的形式呈现，帮助决策者做出明智的决策。

数据分析师主要负责描述性（发生了什么？）和诊断性（为什么会发生？）的数据分析。

关键职责：

• 数据清洗：标准化数据、更改数据格式，并处理重复、缺失值和数据不一致性，使数据准备好进行分析。
• 数据分析：使用统计方法来理解数据中的趋势、模式和洞察。
• 数据可视化和报告：通过报告、数据可视化和仪表盘传达数据分析结果。

关键技能和工具：主要的技能和工具可以从职位描述中获得。

  

职业路径：数据分析师可以晋升为更高级的分析师角色。通过更多的经验和额外的教育，他们可以过渡到专业角色，如统计学家，业务分析师，甚至数据科学家。

 

数据科学家

 

角色概述：数据科学家也进行数据分析，但在更高级别上进行。他们使用统计模型和机器学习算法来确定未来事件的可能性。这告诉我们，与数据分析师不同，他们关注的是预测性（会发生什么？）和指导性（应该做什么？）数据分析。

主要职责：

• 高级分析：使用高级统计技术从数据中提取见解。
• 机器学习：使用机器学习算法从现有数据中进行学习。
• 预测建模：构建和部署模型以预测实际数据和新数据中的未来事件。

这些主要职责建立在数据分析师进行的工作基础之上。数据科学家也无法离开数据清洗和数据可视化。

关键技能和工具：以下是成为数据科学家所需的技能和工具。你会发现与数据分析师有一些重叠。

  

职业路径：数据科学家从初级数据科学家开始，可以晋升为高级数据科学家、首席数据科学家和数据科学总监。他们还可以从事其他方向，比如成为人工智能专家、机器学习工程师或计算机和信息研究科学家。

 

数据工程师

 

角色概述：数据工程师构建数据系统，用于收集、存储和传输数据。他们确保所有数据用户的数据可用性、质量和可分析性。

主要职责：

• 数据架构：根据数据架构师设想的设计构建数据系统。
• 数据管道：构建系统，将数据从多个数据源流向数据库、数据仓库和数据湖，并为其他数据用户准备就绪。
• 确保数据质量：识别数据中的错误和不一致性，消除它们，并提高数据的准确性和可靠性。

是的，数据工程师专注于这些任务。但他们也不能回避数据清洗和数据可视化。

关键技能和工具：以下是数据工程师所使用的技能和工具。

  

职业路径：数据工程师的职业可以发展为高级数据工程师或数据架构师。他们还可以专攻大数据、机器学习或业务智能等领域。

 

数据分析师、数据科学家和数据工程师的维恩图

 

我们已经了解了这三个职位之间的差异。在这个过程中，我们还注意到这些职位所需技能的一些重叠。

为了快速了解，可以使用维恩图进行展示。

  

你可以看到所有三个职位共享的技能是：

1. 编码
2. 数据操作
3. 云计算
4. 数据可视化

除此之外，两个职位之间还分享了其他技能。

数据分析师没有任何独属于他们的技能；其他职位也需要具备这些技能，但在一定程度上。

数据科学家独有的技能包括：

1. 模型构建、测试和部署
2. 人工智能

数据工程师专有的技能包括：

1. 数据集成、ETL/ELT和处理
2. 数据仓库

现在让我们使用相同的可视化方式展示这些工作所使用的工具。

图像显示这三个工作都使用了以下工具：

1. SQL
2. Python
3. 关系数据库
4. 云数据库
5. NoSQL数据库
6. 商业智能和数据可视化工具

除此之外，两个职位之间还分享了其他工具。

数据分析师使用的工具至少还被其他一个职位使用。虽然这些工作可能使用相同类型的工具，但是在使用程度上可能有所不同，或者同一类别中的具体工具也可能不同。

数据科学家独有的工具包括：

1. R
2. 数据科学和机器学习工具

数据工程师独有的工具包括：

1. Java
2. Scala
3. Go
4. 数据集成、ETL/ELT和处理工具
5. 数据仓库工具

架起鸿沟：合作至关重要

我们看到每个角色都有明确的责任和使用的工具。这三个工作之间也存在一些重叠。这表明数据分析师、数据科学家和数据工程师在数据团队中的合作至关重要。

数据分析师和数据科学家都依赖基础设施和高质量的清洁有序数据。另一方面，数据工程师必须与数据分析师和数据科学家合作，在构建数据架构和提供数据时，作为数据使用者。

数据科学家通常必须与数据分析师合作，以更好地理解业务环境。

结论：选择你的道路

现在，数据分析师、数据科学家和数据工程师之间的差异和相似之处应该更加清晰。

总而言之：

• 如果从数据中获取洞见并将其传达出去是你的强项，那么数据分析可能是你的路线。
• 如果构建预测模型和使用机器学习算法令你兴奋不已，那么考虑数据科学。
• 如果你觉得构建数据架构和确保数据流畅会让你快乐，那么数据工程可能是正确的选择。

如果你想了解更多，这里有更多关于数据工程师和数据科学家的区别，以及数据分析师和数据科学家的区别的详细信息。

****[Nate Rosidi](https://twitter.com/StrataScratch)**** 是一位数据科学家和产品战略家。他还是一位兼职教授，教授分析学，并担任StrataScratch的创始人，这是一个帮助数据科学家通过真实面试问题准备面试的平台。您可以通过Twitter: StrataScratch或LinkedIn与他联系。