如今，当组织需要从数据中获得一些见解时，他们首先倾向于寻找数据科学家的帮助。但这真的是一个更好的选择吗?人们需要了解数据科学家和数据分析师的角色有何不同，以及为什么希望聘用数据分析师。
聘用数据科学家还是数据分析师
那么，数据科学家和数据分析师之间的区别是什么?这些角色的定义可能有所不同，但通常认为数据科学家结合了三个关键学科的知识——数据分析、统计、机器学习。机器学习涉及到数据分析的过程，以学习和生成分析模型，这些模型可以对看不见的数据执行智能操作，并且人为干预最少。有了这样的期望，很明显具有这三方面技能的数据科学家也越来越受到企业的青睐。
但是，数据科学家在这三个方面的表现都是完美的吗?更重要的是，所有这些角色都需要类似的技能吗?或者说数据分析师和机器学习工程师使用的技能和方法是完全不同的吗?
事实上，这些专家的方法确实有很大不同。谷歌公司首席决策科学家Cassie Kozyrkov对这种差异提供了一个精辟的解释。她声称，组织的数据分析师是为了提供快速的结果，例如分析数据中有趣的相关性。
为了满足决策者对快速和简短答案的期望，数据分析师使用相应的编码风格——使用更少的代码行，并为管理者生成易于理解的相关矩阵。机器学习工程师有一个完全不同的编码风格，他们的目标是建立一个完美的模型，这通常需要很多时间。
统计学家也无法提供快速结果，他们会说，“等等，我们无法从这些数据中得出任何因果关系。我们甚至不知道其结果是否具有统计意义!”是的，有时组织需要擅长统计数据的统计学家或数据科学家来回答这类问题。但是真的需要知道这些答案才能了解数据中的相关性吗?
实际上没有。在获得数据分析师的初步结果后，组织应聘请领域专家，他们可以决定哪些已识别的模式对业务确实很重要，值得进一步调查。人们可能已经看到数据分析师在某些情况下比数据科学家更令人满意。但现在需要澄清数据分析师应该具备哪些技能来满足决策者的需求，并成为组织的资产。
组织真正需要什么样的数据分析师?
数据分析师在组织中的主要作用是通过识别数据中有趣且重要的模式，并提供隐藏在大量表格、图表和日志文件中的快速答案来帮助决策者。简而言之，如果领域专家发现这些领域很重要，数据分析师会确定统计人员和机器学习工程师需要注意的领域。
因此，人们希望在数据分析师中看到以下品质：
- 讲述数据故事：优秀的数据分析师可以阅读数据，并围绕数据讲述故事。数据专家从不超越数据，总是提供多种可能的解释。
例如，他们可以说：“我们在Facebook上推出一个广告活动后，我们似乎获得了更多的潜在客户。这可能是关于此活动有效性的信号，但潜在客户数量的增长也可能是由季节性变化引起的。需要进行更深入的分析。”
- 数据可视化技能：创建具有视觉吸引力、具有意义、易于解释的图形的能力对数据分析师也非常重要。其故事总是受益于出色的可视化，这使得决策者的工作变得更加容易。
- 技术专长：专业数据分析师可以使用电子表格为组织提供隐藏在数据中的洞察力。但是，为了提供快速的结果，并创建专业的可视化，数据分析师通常需要电子表格之外的技术专业知识。
因此，人们期望数据分析师熟悉Python编程语言，并熟练使用Tableau或Microsoft Power BI等工具。
- 针对速度优化的编码样式：组织不需要数据分析师具有与软件工程师或机器学习工程师相同的编程技能。数据分析师应该知道如何使用Python清理数据，如何执行数据分析，以及如何使用清晰的可视化和表格来呈现信息。
网上有一些很好的课程可以培训这些技能。此外，数据分析师应该熟悉为数据分析创建的流行的数据包，并使用这些数据包以最有效的方式分析数据。
- 领域专业知识：并非所有公司都需要数据分析师的领域专业知识，但这绝对是专业数据分析师的一项关键优势技能。换句话说，如果有人想成为好的数据分析师，他们应该熟悉某个领域。这种技能将帮助他们区分对业务真正重要的模式和不值得数据专家和决策者花费时间的发现。
既然人们知道什么样的数据分析师可以成为组织的宝贵资产，那么总结一下人们对优秀数据分析师的期望，以及为什么每个组织都需要这样的专家。
每个公司都需要数据分析师
如果组织的管理者做出数据驱动的决策，那么该组织肯定需要数据分析师。组织希望招募具有上述技能的优秀专家，他们可以：
- 收集正确的数据。
- 清理数据。
- 执行数据分析。
- 使用精美且有意义的可视化来呈现信息。
- 发现数据中有趣的模式，并提供可能需要统计人员和机器学习工程师进一步关注的见解。
- 执行分析时，优先考虑对业务更重要的区域。
总而言之，优秀的数据分析师是决策者的主要助手，他们将数据转化为有意义的故事，快速回答疑难问题，并推动组织业务朝着正确的方向发展。
