劇透：有3萬美元的差異。

成為數據分析師和數據科學家有什么好處？數據分析師和數據科學家的主要區別是什么？他們是同一份工作嗎？數據分析師和數據科學家哪種工作薪水更高？你是怎么科學數據的？

自從《哈佛商業評論》稱這是十年來最性感的工作以來，大多數人都聽說過工作數據科學家。數據分析師沒有收到這樣的索賠。

（如果你是或者想成為一名數據分析師，我仍然認為這是一份性感的工作。）

數據分析師和數據科學家之間的主要區別在于他們如何處理這兩個職位中的數據。數據分析師做的是顧名思義的事情--她查看數據，試圖預測趨勢，進行可視化，并傳達結果。換句話說，數據分析師分析數據。

數據科學家的工作描述可能更難確定，因為你不能以分析數據的方式準確地對數據進行科學研究。然而，我們可以有把握地說，數據科學家負責為數據設計和構建新的模型。他們創造原型，算法，預測模型。

但是在數據分析師和數據科學家的維恩圖中有很多重疊！例如，數據分析員和數據科學家都花了很大一部分時間讓數據處于合適的狀態，以便進行分析或科學研究。

不止這些，所以你很幸運。本文將深入研究數據分析師與數據科學家之間的本質區別，目的是幫助您決定哪一個最適合您。我將介紹典型的背景，在這些領域工作是什么感覺，你需要什么技能和工具，以及最終如何選擇哪一個最適合你。

我們開始吧。

1.數據分析師Vs數據科學家：工作描述

讓我們從數據科學家工作與數據分析師工作之間的高級描述開始。我用高度科學的方法搜索了數據科學家和數據分析師的職位描述，發現兩者之間的差異或多或少與你所期望的標題一致。

數據科學家的工作描述通常涉及機器學習、算法和自動化。數據科學家的大多數工作描述還包括使用可視化工具和統計技術來識別數據中的模式。

同時，數據分析師的工作描述通常是從數據中進行分析和開發可視化。主要職責是與公司其他團隊溝通，從數據中創建洞察力。如果你注意了，你會意識到這聽起來很像數據科學家工作描述的后半部分。

兩份工作說明都涉及統計分析和向利益相關者傳達結果；與數據分析師相比，數據科學家只是在創建發現這些洞察力的方法方面做了一點額外的工作。

2.數據分析師Vs數據科學家：日復一日

讓我們來了解一下數據分析師與數據科學家的任務、工具和工作流程。

數據科學家的一天通常包括會議、項目報告、查看電子郵件和創建模型。Gartner的全球ML團隊負責人Andriy Burkov說，他還幫助團隊成員改進當前的模型，并訓練示例以解決這些模型中的問題。還涉及到大量的清洗數據。

值得記住的是，專業數據科學宣言本身說“數據科學是關于解決問題，而不是模型或算法”，所以當我們進入數據分析師的日常工作時，請記住這一點。

與數據科學家相比，數據分析師的日常工作非常相似。與數據科學一樣，數據分析師工作中的一個巨大責任是傳達結果。這意味著數據分析師一天的大部分時間都被會議、電子郵件、與其他團隊檢查以及審查當前項目狀態所占用。主要任務是收集、清理和研究數據，以幫助解決問題。

數據分析師與數據科學家日常工作的關鍵區別在于，數據科學家需要創建和維護模型。除此之外，日子看起來很像。

3.數據分析師Vs數據科學家：薪酬和職業前景

這是一個有趣的部分! 數據分析師與數據科學家的預期工資和職業前景如何？

對兩個陣營來說都有好消息。IndeDreports，從2018年到2028年，數據分析師的工作崗位將增長20%，顯然快于平均水平。這是歸因于需要更好的市場調查在一堆不同的行業。數據分析師有望在IT、醫療保健、金融和保險行業找到工作。在美國，數據分析師的平均工資是7萬美元。數據分析師的最高潛在薪酬是在北卡羅來納州，實際上是一年8.5萬美元。

我找不到同樣的關于數據科學的報告，所以令人惱火的是，我們無法將蘋果與蘋果進行比較。然而，話雖如此，很明顯，數據科學的工作增長與數據分析師的工作增長同樣有希望。IBM預測，2020年對數據科學家的需求將激增28%；勞工統計局認為，數據科學是增長最快的20個職業之一，并預計未來10年將增長31%。

根據美國勞工統計局的數據，能夠創建模型可以增加3萬美元的工資。數據科學家享有超過10萬美元的平均工資。查看我們關于數據科學家賺多少錢的文章，了解數據科學的工資以及他們是如何受到各種因素的影響的。

數據科學和數據分析師的空缺時間比所有其他工作的平均空缺時間長五天。沒有太多的競爭，公司渴望各種各樣的數據分析和科學。

4.數據分析師Vs數據科學家：背景和教育要求

這兩種選擇聽起來都很好，也許你已經開始對其中哪一種最適合你有了想法。本節我想談談在這些領域中找到一份工作所需的要求和教育。

值得注意的是，這不是數據分析師與數據科學家之間的非此即彼的命題。許多數據分析師渴望在職業生涯的后期成為數據科學家。不要認為數據科學家是一個入門級的工作--很多人從數據分析開始獲得行業經驗，然后在獲得技能后過渡到數據科學。

讓我們從數據科學開始。例如，要成為谷歌的一名數據科學家，你需要一些特殊的東西：統計學、計算機科學或其他科學的碩士學位；相關工作經驗；強度和至少一種統計語言，如R或Python；和SQL等數據庫語言的優勢。

Adata分析師的職業軌跡沒有這么高的要求。你可能會從學士學位中受益?；蛘連.S.在數學、統計、物理或其他定量領域，但這不是一個硬性要求。你也不需要掌握任何語言，只需要學習的欲望。（當然，懂語言總是有幫助的。）能夠創建引人注目的數據可視化是很有用的。如果你不具備這些技能，你可以把它們撿起來。

5.數據分析師Vs數據科學家：技能

要成為一名數據分析師和一名數據科學家，您需要的技能集略有不同。然而，正如您可能從本文的要點中了解到的那樣，有相當多的重疊。

要成為一名數據分析師，你需要對業務的熱情，交流結果的能力，以及敏銳的解決問題的本能。您應該能夠聚合和清理數據，運行統計分析，識別趨勢，并呈現它們。

讓我們將其與數據科學進行比較。再次以谷歌為例，說明公司對數據科學家的需求，作為一名數據科學家所需的技能是跨學科的溝通、大局觀的能量、商業意識和客戶導向。大多數公司都需要一套類似的需求。您還應該能夠構建預測未來趨勢的模型。

換句話說，你需要能夠與人交談，你需要能夠不僅了解你的部門，而且了解整個業務，你需要知道你在銷售什么以及如何銷售它。

你將在這兩份工作的面試中接受這些技能的測試。你可以練習數據科學/數據分析師的技能，你需要更好地了解特定公司需要什么技能。

6.數據分析師Vs數據科學家：接下來會發生什么？

展望5年后的未來。你得到了那份數據分析師的工作--接下來是什么？對于許多數據分析師來說，一個典型的職業道路涉及到爬升到中級或高級數據分析師的職位，也許專門從事公司數據戰略的一個特定領域。許多數據分析師最終成為數據科學家，正如我上面所提到的。

甚至在未來，許多數據分析師可能會成為數據分析顧問。這些數據分析員的工作與常規數據分析員的工作相同，但他們的對象是不同的客戶，而不是單一的公司。

數據分析師有很多選擇。在數據分析職業發展道路中開發的技能對各種工作都很有用。

對于一個數據科學家來說，相對于一個數據分析師來說，它需要更長的時間。你至少需要兩度，可能是三度。當你成為一名數據科學家時，大多數人都很確定這是他們想做的。然而，這是有增長空間的。您可以選擇管理路徑或個人貢獻者路徑。在個人貢獻者的道路上，您將加深和加強您在一個非常特定的數據科學領域的技能，成為一個專家。作為管理道路上的數據科學家，您將后退一步，擴大規模。您將管理團隊，擴展數據策略，并更全面地與數據組織合作。

這些路徑不一定是線性的。它們重疊，分叉，然后又回到一起。也沒有任何為期一年的要求。你可以做3年的數據分析師，然后在第二年成為一名數據科學家；在接下來的20年里，你可以繼續從事數據科學家的工作，而不會有任何進步。這在很大程度上取決于你在學習過程中所學到的技能。

7.數據分析師與數據科學家：誰最擅長？

很明顯，沒有正確的答案。如果你沒有碩士學位，也許現在最好的辦法是成為一名數據分析師。如果你已經有了計算機科學的博士學位，你可以跳過數據分析師這一方面，直接跳入數據科學。

主要的區別是，作為一名數據科學家，你將建立模型，你可能在數據領域受過更多的教育，這將導致更高的工資。除此之外，數據分析師和數據科學家之間沒有太大的區別。兩者都涉及清理數據、分析數據、顯示數據和影響業務方向。

如果這聽起來像你的包，沒有數據分析師和數據科學--這兩個工作對你來說都很好。你只需要知道你的技能水平和教育要求在哪里，這樣你就知道目標是什么。