Умение работать с большими массивами данных – полезный и востребованный навык, за владение которым работодатели готовы хорошо платить. Поэтому многие онлайн-школы предлагают обучение по профессиям аналитика данных или специалиста по Data Science. А тысячи студентов приходят учиться на эти курсы и стремятся разобраться в этой сложной сфере. Несмотря на похожие названия профессий, их функционал разнится, поэтому далее мы постараемся разобраться, чем отличается Data Analyst от Data Scientist. В прошлом году эти профессии стали самыми востребованными на рынке труда, а уровень зарплат даже специалиста junior-уровня начинается от 80-100 тысяч рублей в месяц.

Чем похожи профессии аналитика данных и дата сайентиста

На первый взгляд, эти профессии очень похожи: Data Scientist/Data Analyst – разница только в подходах к работе с данными (исследование или анализ). Но в классической науке анализ – один из этапов исследования, поэтому можно высказать гипотезу о сходствах и обозначенных профессий. Но давайте проанализируем всю имеющуюся информацию и определим, верно ли наше предположение. К слову, сотрудники, занимающиеся обработкой данных, могут столкнуться с задачами следующих видов: 

  • визуализация, интеграция  и проектирование данных;
  • автоматизация Machine Learning и решений, основанных на данных; 
  • информационные панели и BI;
  • распределенная архитектура;
  • развертывание систем в режиме производства.

И аналитик, и исследователь несут практическую пользу для бизнеса. В любом деле важно периодически анализировать результаты своей работы. Изучить динамику продаж и сезонный спрос, понять причины отказов от товаров в корзине, определить, как новый интерфейс сайта или приложения повлиял на активность пользователей. Но Data Scientist, в отличие от Data Analyst, гарантирует более глубокий уровень проработки данных. Несмотря на это, результаты работы аналитика данных и исследователя помогают руководителям принимать управленческие решения, менеджерам – улучшать целевые показатели, а финансовому отделу – планировать бюджет компании и т.д. В государственном и некоммерческом секторе также задействованы специалисты по работе с данными. Например, при проведении научных исследований ученым приходится обрабатывать результаты множества экспериментов, чтобы понять, верна ли их гипотеза. 

Как вы уже поняли, и аналитик, и Data Scientist формулируют гипотезы и проверяют их жизнеспособность с помощью построения моделей в специальных программах. Также используются статистические методы и искусственный интеллект (например, Machine Learning).

Несмотря на внушительный список схожих черт между аналитиком и исследователем, эти специалисты не могут заменить друг друга. В следующих разделах разберемся, в чем отличие аналитика данных от Data Science-специалиста. Начнем со списка выполняемых задач.

Отличия по выполняемым задачам и результату

Потребность в аналитической деятельности возникла задолго до появления компьютеров и вычислительных машин. Ученые, политики и предприниматели были вынуждены самостоятельно обрабатывать различные данные и делать выводы, и только недавно эта профессия обрела самостоятельность.

Мы уже выяснили, что Data Scientist – это в первую очередь ученый, исследователь. Его интересует не механическое применение известного метода к похожим задачам, а создание нового способа получения точных результатов. Он смотрит в будущее и пытается его предсказать на основании анализа совершившихся событий – составляет прогнозы и определяет вероятность их осуществления. Аналитик также работает с уже существующими данными (показателями продаж или кликов по объявлению, сценариями пользовательской активности, изменениями в составе крови у испытуемых и т.д.). В них он ищет новые знания, строит и проверяет гипотезы, а затем красочно презентует их руководителям и менеджерам. 

Работодатели часто не совсем понимают, чем именно занимается специалист по Data Science и аналитик данных – разница между этими профессиями почти незаметна для простого обывателя. Поэтому такие сотрудники вынуждены решать похожие задачи или работать над одинаковыми проектами. Но делают они это совершенно по-разному. Аналитик подготовит наглядные графики и доступно презентует результаты анализа. А дата сайентист составит на основе тех же данных прогноз развития событий на следующий период.

Определяя, чем аналитик данных отличается от Data Science-специалиста, стоит также отметить, что первый решает аналитические задачи на малых объемах информации. Например, анализирует продажи за неделю или подводит итоги эксперимента на 100 добровольцах. Поэтому темпы работы будут достаточно высоки – нужно быть к этому готовым. Аналитик чаще работает в одиночестве – так ему проще контролировать ход работ и избегать ошибок. При этом он использует классическую математику и статистические методы, так как для небольших задач этого обычно достаточно.

Data Scientist – это человек, который владеет сложными методами обработки огромных массивов данных. Для многомесячных исследований он может написать необходимое программное обеспечение (или доходчиво объяснить разработчикам, что ему нужно), поэтому часто работает в связке с инженерами и другими специалистами. Исследователь ставит своей целью создание новых методик анализа и инструментов для оптимизации различных процессов, осмысление результатов и прогнозирование будущего.

Несмотря на существенную разницу между Data Scientist и Data Analysis, для обоих специалистов очень важно понимание бизнеса и владение современными инструментами обработки данных. О том, какими навыками должен обладать такой специалист, расскажем далее.

Что должен знать и уметь специалист

Для грамотного анализа и получения верифицированных результатов нужны обязательные навыки, которыми должен обладать Data Scientist и аналитик данных – разница между ними с этой позиции почти незначительна. В частности, они должны уметь работать с Tableau, Google Data Studio, Power BI и Salesforce и другими инструментами.

Хороший специалист по Data Science должен владеть языком программирования и в совершенстве знать Excel, понимать, как строятся и подтверждаются гипотезы. Кроме того, желательно иметь глубокую математическую подготовку и «шарить» в статистике. Анализ данных основан на компьютерных науках, линейной алгебре и математической статистике, поэтому хотя бы базовое владение этими дисциплинами будет вашим преимуществом. И так как дата сайентист – прикладная профессия, такой специалист должен разбираться в сфере приложения своих знаний. Если он работает с данными медицинских исследований, то должен разбираться в медицине и т.д.

Дата сайентист должен демонстрировать следующие навыки:

  • знание отрасли и способность наглядно презентовать результаты исследований неспециалистам;
  • отличное владение математикой, машинным обучением и навыками подготовки данных; 
  • владение навыками работы с Big Data;
  • дополнительные навыки (владение иностранными языками, умение работать с текстом, глубокое понимание специфики отрасли и т.д.) .

Аналитик данных должен владеть максимумом инструментов для обработки информации. Обязательно знать Excel и хотя бы один язык программирования, чтобы автоматизировать некоторые процессы. Но владения инструментом недостаточно без понимания или так называемого аналитического склада ума. К нему относится умение выдвигать гипотезы, строить выводы и проверять свои теории с позиции рационального мышления и логики.

Другими словами, аналитик данных должен:

  • отлично разбираться в сфере, в которой работает; 
  • понимать особенности бизнеса конкретной компании, для которой анализирует данные;
  • уметь визуализировать и презентовать результаты своей работы;
  • владеть инструментами анализа данных;
  • знать язык программирования (желательно).

Чем большим количеством навыков владеет специалист, тем выше его ценность для рынка труда. О зарплатах в отрасли анализа данных поговорим в следующем разделе.

Какую зарплату получает специалист по Data Science и аналитик данных

Главная позиция, по которой можно легко понять, чем Data Scientist отличается от аналитика данных, – это размер заработной платы. Труд исследователя оценивается дороже: у него больше круг задач, выше ответственность и ценность результатов исследования. Прогнозировать будущее – непростая задача, но зато она хорошо оплачивается. Разница зарплат в этих отраслях составляет в среднем около 2-3 тысяч долларов в год. Аналитик данных получает 60-130 тысяч рублей ежемесячно, тогда как специалист по Data Science может похвастаться ежемесячным окладом в 100-170 тысяч рублей.      

Если вам ближе классическая математика, вы легко визуализируете любые сложные графики и можете беспристрастно делать выводы, то вы сможете реализовать себя в профессии аналитика данных. Кстати, здесь проще построить карьеру и получить повышение. Если программирование – ваша страсть, вы стремитесь упрощать запутанные процессы и способны скрупулезно сидеть над цифрами и базами данных, то идите в Data Science. На нашем сайте вы сможете подобрать походящий курс, чтобы освоить эти профессии с нуля или актуализировать свои знания.