本文转载自公众号“读芯术”(ID：AI_Discovery)。
在分别经历过专业数据分析师和数据科学家的职业工作之后，笔者体会到了每个职位的所需经验和日常感受之间的区别，并且我认为，突出这种关键差异是有意义的。
本文希望帮助犹豫不定的你选择出最适合自己的职位。如果你已经是数据分析师或数据科学家了，也许你会想要转换到另一个职位，有些人从数据分析师起家，又转行为数据科学家，还有些人是想从一个非高级数据科学家转行成为高级数据分析师。
每个职位都有一些重要的概念和总体经验，在做出下一个重大职业变动时，了解这些都是很重要的。笔者将重点介绍作为数据分析师和数据科学家的感受。根据自身经验及同行同事的经验，提出并解答关于这两个职位的常见问题。
数据分析师
如果你希望描述过去或当前的数据，同时展示关键的发现、变化和趋势，最后向利益相关者显示数据，那么数据分析师的职位最适合你。
尽管两个职位之间有一些重叠的部分,笔者在另一篇文章中(https://towardsdatascience.com/data-science-vs-data-analysis-heres-the-difference-4d3da0a90f4)强调了这两个职位所需技能之间的差异和相似之处。这里我更想谈谈和数据科学家相比，做数据分析师是什么感受。
了解自己在该领域的日常期望是很重要的。与典型的数据科学家相比，数据分析师可以期望与不同的人一起工作，以不同的方式更多地进行交流，并且行动更快每个角色给人的感觉可能会大不相同。
下面，笔者将提出一些常见的问题，并作出相应的回答，介绍一些数据分析师的经验。
(1) 你与谁共事?
你将主要与公司中的利益相关者合作，他们要求你能够提取数据，有直观的见解，定期汇报。能通过使用电子邮件、Slack和Jira等工具沟通，可以进行口头或者数字交流。你将把重点放在人员和业务分析方面，而不是公司的工程和产品部分。
(2) 你与谁分享发现?
你会和领导分享发现。如果你有经理，有时会向他们进行报告，他们会将你的发现转达给相关的利益相关者。你还可能还要收集需求、制作报告并将其传达给利益相关人员。
你可以使用Tableau、谷歌Data Studio、Power BI和Salesforce等工具进行报告。这些工具通常可以连接到容易访问的数据源(如CSV文件)，而有些工具需要使用SQL对数据库进行高级查询，进行更多的技术工作。
图源：unsplash
(3) 做一个项目需要多快?
你将比数据科学家更快地处理项目。每天可以有多个数据提取查询或报告，每周可以有更大的可视化和洞察力。由于你通常不是在构建模型和预测，你将更快地扭转结果，因为它们更具有描述性和即时性。
数据科学家
数据科学家与数据分析师差别很大。虽然这两个角色之间有重叠工具和语言，但数据科学家能与不同的人一起工作，并花更多的时间研究更大的项目，比如机器学习模型的创建和部署。
数据分析师可能倾向于在项目中单独工作;例如，使用一个Tableau仪表板来显示结果可能只需一人，但数据科学家可以结合其他几个工程师和产品经理来确保模型能够解决业务问题，并确保代码是正确的、强大的和有效的。
图源：unsplash
(1) 你与谁共事?
与数据分析师不同的是，在某些项目中，你将与利益相关者一起工作，但对于模型及其结果的其他方面，你将求助于数据工程师、软件工程师和产品经理。
(2) 你和谁分享发现?
你可以与利益相关者分享自己的发现，但也可以与一些需要了解最终产品的工程师分享，例如，他们可以根据你的预测构建UI。
(3) 做一个项目需要多快?
也许这两种角色在感觉和操作上的最大区别，在于分配给每个项目的时间。虽然数据分析的速度更快，但数据科学家可能需要数周或数月才能完成一个项目。由于存在数据收集、探索性数据分析、基础模型创建、迭代、模型调优和结果输出等过程，数据科学模型和项目可能需要更长的时间。
数据分析师和数据科学家可以共享一些常见的工具，如Tableau、SQL甚至Python，但是每个角色积攒到的经验可能会有很大的不同。
图源：unsplash
数据分析师的日常工作包括更多的会议、更多的面对面交流、软技能和更快的项目周转;数据科学家的工作可能涉及更长的流程、与工程师和产品经理的交互，总的来说其涉及一个预测模型——可以及时对新的观察结果或事件进行分类，而数据分析则侧重于过去和当前状态。
不要被它们相似的“外表”迷惑了，职业抉择，知己知彼很重要。
