Foto von der Unsplash- Website . Von Christina @ wocintechchat.com
Ich habe sowohl als professioneller Datenanalyst (Data Analyst) als auch als Data Scientist (Data Scientist) gearbeitet. Ich denke, es wäre hilfreich, Erfahrungen für jede Position auszutauschen und die wichtigsten Unterschiede bei den täglichen Aufgaben hervorzuheben. Ich hoffe, mein Artikel hilft Ihnen bei der Entscheidung, welcher für Sie richtig ist. Und diejenigen, die bereits arbeiten, möchten nach dem Lesen möglicherweise ihre Position ändern. Einige beginnen als Datenanalysten und entwickeln sich dann zu Forschern. Nicht so beliebt, aber nicht weniger interessant ist der Weg von einem Forscher in niedrigen Positionen zu einem Analysten in einer höheren Position. Beide Positionen haben ihre eigenen Eigenschaften und erfordern bestimmte Fähigkeiten, die Sie kennen müssen, bevor Sie den nächsten großen Schritt in der beruflichen Entwicklung machen.
Im Folgenden werde ich Ihnen anhand meiner Erfahrungen erläutern, was es bedeutet, Datenanalyst und Datenwissenschaftler zu sein, und die häufigsten Fragen zu jeder Position ausführlich beantworten.
Daten Analyst
Wenn Sie Daten für den vergangenen Zeitraum oder den aktuellen Moment beschreiben und den Stakeholdern wichtige Suchergebnisse und eine vollständige Visualisierung von Änderungen und Trends präsentieren möchten, ist die Position eines Datenanalysten genau das Richtige für Sie. Die genannten Positionen weisen Ähnlichkeiten auf, die ich in einem anderen Artikel beschrieben habe, in dem die Ähnlichkeiten und Unterschiede zwischen den für diese Positionen erforderlichen Fähigkeiten behandelt werden. Jetzt möchte ich zeigen, wie die Rolle des Datenanalysten gegenüber der Rolle des Datenwissenschaftlers empfunden wird. Es ist sehr wichtig zu verstehen, was diese Spezialisten bei ihrer täglichen Arbeit erwartet. Der Analyst wird mit verschiedenen Personen interagieren, viel kommunizieren und ein hohes Tempo für die Erledigung von Aufgaben einhalten - höher als vom Datenwissenschaftler gefordert.
Daher können die in jeder Position empfangenen Eindrücke stark variieren.
Im Folgenden finden Sie Antworten auf die häufigsten Fragen zu den Datenanalysten.
- Mit wem müssen Sie arbeiten?
Meistens mit den Stakeholdern des Unternehmens, die eine Zusammenfassung der Daten, eine Visualisierung der Ergebnisse und eine Berichterstattung über die Ergebnisse anfordern. Die Kommunikation erfolgt normalerweise über verbale oder digitale Kanäle: E-Mail, Slack und Jira. Nach meiner Erfahrung müssen Sie eng mit der menschlichen und analytischen Seite des Unternehmens zusammenarbeiten, nicht mit dem Engineering und der Fertigung.
- Wem werden die Ergebnisse zur Verfügung gestellt?
Höchstwahrscheinlich an die oben genannten Stakeholder. Wenn Sie jedoch einen Manager haben, melden Sie sich bei ihm und er überträgt die Daten bereits an die Stakeholder. Es ist auch möglich, dass Sie einen Pool von Anfragen sammeln, einen Bericht darüber erstellen und diese den Stakeholdern präsentieren. Zu Berichtszwecken verfügen Sie möglicherweise über Tools wie Tableau, Google Data Studio, Power BI und Salesforce, die einen einfachen Zugriff auf Daten wie CSV-Dateien ermöglichen. Andere Tools erfordern mehr technischen Aufwand - das Erstellen erweiterter Datenbankabfragen mit SQL.
- Wie wird die Arbeit an dem Projekt sein?
Deutlich höher als Datenwissenschaftler. Sie können mehrere Datenpools (Abfragen) oder Berichte täglich und große Präsentationen mit wöchentlichen Ausgaben vorbereiten. Da Sie (normalerweise) keine Modelle erstellen oder Vorhersagen treffen und die Ergebnisse eher beschreibend und ad-hoc sind, geht es schneller.
Datenwissenschaftler
Datenwissenschaftler unterscheiden sich erheblich von Datenanalysten. Sie verwenden möglicherweise dieselben Tools und Sprachen, aber der Forscher muss mit anderen Personen an größeren Projekten (z. B. dem Erstellen und Implementieren eines Modells für maschinelles Lernen) arbeiten und mehr Zeit damit verbringen. Datenanalysten arbeiten normalerweise selbst an ihren Projekten: Beispielsweise kann eine Person das Tableau-Dashboard verwenden, um die Ergebnisse zu präsentieren. Data Scientists können mehrere Ingenieure und Produktmanager beschäftigen, um Geschäftsaufgaben mit den richtigen Tools und Qualitätslösungen effizient zu erledigen.
- Mit wem müssen Sie arbeiten?
Im Gegensatz zu einem Datenanalysten werden Sie nur zu bestimmten Themen mit Stakeholdern interagieren, während Sie sich bei anderen Themen im Zusammenhang mit Modellen und Ergebnissen ihrer Verwendung an Dateningenieure, Softwareentwickler und Produktmanager wenden.
- Wem werden die Ergebnisse zur Verfügung gestellt?
Sie können sie mit Stakeholdern sowie mit Ingenieuren teilen, die eine Vorstellung vom fertigen Produkt haben müssen, um beispielsweise eine Benutzeroberfläche (Benutzeroberfläche) gemäß Ihren Vorhersagen zu entwickeln.
- Wie wird die Arbeit an dem Projekt sein?
Der wahrscheinlich größte Unterschied in der Wahrnehmung und Funktionsweise dieser Positionen ist die Zeitdauer für jedes Projekt. Die Geschwindigkeit von Datenanalysten ist ziemlich hoch, und es kann Wochen oder sogar Monate dauern, bis Datenwissenschaftler ein Projekt abgeschlossen haben. Das Modellieren und Vorbereiten von Data Scientist-Projekten ist zeitaufwändig, da sie Datenerfassung, explorative Datenanalyse, Erstellung von Mastermodellen, Iteration, Modelloptimierung und Extraktion von Ergebnissen umfassen.
Fazit
Foto von der Unsplash- Website . Von Markus Winkler
Analysten und Datenwissenschaftler verwenden dieselben Tools wie Tableau, SQL und sogar Python, aber ihre beruflichen Aufgaben können sehr unterschiedlich sein. Die täglichen Aktivitäten eines Datenanalysten umfassen mehr Besprechungen und persönliche Interaktionen, erfordern fortgeschrittene Soft Skills und eine schnelle Projektausführung. Die Arbeit des Forschers umfasst längere Prozesse, die Kommunikation mit Ingenieuren und Produktmanagern sowie die Erstellung von Vorhersagemodellen, die neue Daten oder Phänomene in ihrer Entwicklung erfassen, während sich die Analysten auf den vergangenen und aktuellen Zustand konzentrieren.
Ich hoffe der Artikel war interessant und hilfreich. Vielen Dank für Ihre Aufmerksamkeit!