数据分析和数据科学之间有什么区别?

发布时间: 2020-09-28

数据分析和数据科学之间的区别:数据分析师在业务运营中扮演着积极的角色,他们经常与业务经理一起在现场影响广泛的决策。数据科学家更多地参与工具的开发,而较少参与日常操作。

从技术角度来看,它们是截然不同的。

数据分析师通常会使用现有的数据库和数据结构,并且会熟练使用这些强大的工具。

另一方面,数据科学家通常会处理稀疏的、形式很差的数据——他们的技能是与这些数据交互,包括解析、清理和存储,有时还会创建上述数据库结构。

在编程上,它们有些类似。

两者都将使用SQL、R进行编程,可能还会使用一点Python和Javascript。他们都是处理这些框架中的数据结构的专家。

数据分析师在SQL方面的表现会更好(在业务设置中极其重要)。

数据科学家将使用更广泛的R / Python包,并且能够熟练地使用近乎本机的代码编写算法。

在数据可视化方面,这两者是不同的。

数据分析师将在数据可视化的可通信性方面更胜一筹。(他们的viz将是惊人的,传达“信息”瞬间。)

数据科学家将拥有更密集、不那么漂亮的可视化,但将包含更多的信息。(分析这些符号可能会让你感到困惑,但一旦你“明白了”,你就会“明白很多”。)

对于研究问题,他们的回答略有不同。

数据分析师经常回答明确定义的研究问题,例如在一段时间内X对Y业务的影响。

数据科学家们要解决一些更不透明的问题,比如在时间T期间,X1-X99在P1-P10平台上对Y1-Y99业务的影响。(我还可以继续说下去,但你能理解。)

由于他们在业务中的角色,两者有很大的不同。

数据分析师在业务运营中扮演着积极的角色,他们经常与业务经理一起在现场影响广泛的决策。他们每天都需要。

数据科学家更多地参与工具的开发,而较少参与日常操作,因为他们关注的是更大的操作。

一个可爱的回答:

数据分析师开会讨论结果。

数据科学家开会讨论过程+失败。

你会选择哪一个?

如果你喜欢通过与人交谈来回答商业问题,做功课,或者重新参加研讨会,那么商业数据分析可能更符合你的喜好。同样,如果您喜欢通过寻找数据、清理数据、提出大量问题并选择最重要的答案来回答业务问题,那么数据分析就适合您。

九道门的赵强教授说得很清楚:

数据分析师喜欢他们的会议,而且比数据科学家有更多的会议,因为数据的叙述和与他们互动的人是他们的首要任务。

我的观点是,无论我们怎么想,“用数据说话”,所以从研究的角度来看,叙述并不那么重要。

发表评论

您的电子邮箱地址不会被公开。