数据分析师和数据科学家有何区别？

发布网友 发布时间：2022-02-28 14:39

我来回答

共3个回答

热心网友 时间：2022-02-28 16:09

Data Scientist：属于R&D，主要是新模型/算法的开发。我们会读paper，会写research proposal(只是一部分，也有一部分是下级子公司交上来的)，主要绩效是internal publication(technical report)，external publication(journal/conference papers)，transfering(提出的方法在实际操作端被使用的频率，操作者即为analyst，待会说)。除此外，也会写R/Python/MATLAB等等的 package。但只是为实现自己提出的方法，不是工作的重心，且用什么都无所谓，顺手就行，不过为了能跟同一个project的同事们协调，基本上面说的那几个都得会。

Data Engineer：Scientist不做代码优化，也止步于简单的程序(R/Python/MATLAB/Eviews/JAVA，公司内部都有在用)。当有些算法实现很复杂，需要优化和更高级的程序语言如C++时，就变成data engineer的任务了。所以engineer要读scientist写出的report还要帮助优化代码，但这个需求量很小，公司的engineer也很少。此外，当涉及到更深一层的计算加速如最新的高性能计算(HPC)的时候，工作会返到R&D里专做HPC的scientist。

Data Analyst：公司也是用于基于Google，MS(还有别的，忘记了)的服务平台，HIVE，PIG等，Analyst主要是任务就是把scientist和engineer发来的代码整合到这个系统中去，他们基本不读technical report，只看其使用说明，知道干什么用的就行了。当业务需求使用某些方法的时候，他们就是一线操作者，出最终的分析报告一类的。他们同时管理公司数据库(其实应该归Data architect 管，但我们公司把好像把这俩职务合并了)。当scientist要数据，他们要收集清理，当客户或者子公司要数据，他们也要收集清理。所以从这个角度讲，analyst翻译成分析员就足够了。

热心网友 时间：2022-02-28 17:27

从我的观察来看，不同企业对于data scientist这个title的定义其实是有分歧的，偏向于data reseacher的有，多见于大型IT企业，百度大脑的data scientist们多属于这一类型，他们搞的是比较前沿的深度学习，平常会读大量paper可能自己也会发；偏向于data creative的有，各种企业都会储备，会ETL，懂模型、懂行业，会展示沟通，比较能够创造直接的价值。偏向于data developer的也有但是很少，他们不懂模型，只要给他们算法公式，他们就能用编程语言帮你实现，实现算法是重要的技能，但是这种不懂模型不懂行业的，现在大多企业都不太会给这样的人data scientist的title了。用最常用的数据分析软件R来做个比喻，通常是：
data reseacher：发明/改进模型算法然后给R写package的。
data creative：用R作分析的。
data developer：觉得R太简单不屑于用的+偶尔帮data reseacher给R写package的。
很多时候，data scientist这个title对于企业来说只是众多title的一个，并没什么特别的，员工从Jr. Data Analyst、Sr. Data Analyst一路干上来，需要升职，公司需要激励员工，恰好data scientist这个title又比较sexy一点，那就叫data scientist好了！这就是多数企业的逻辑，无非是提供一个能和Associate、MD、VP这种管理层晋升路线相比拟的技术晋升路线罢了。
2、数据科学家应该是什么样？
这个问题其实大家都在摸石头过河，以下提供一点个人的浅见，欢迎交流。
“能够独立完成一条龙的完整分析过程”是数据科学家身上独有的重要价值。O'Relly那篇报告把数据分析分成三个阶段，数据提取、整合；数据统计、复杂分析；可视化诠释，并把这些任务交由开发人员、分析师和设计师担当，这在理论上是没有错的。但是在实际中企业的很多问题并不能清晰定义，像这样如流水线般精确地分配工作往往是不可能的——企业的问题很多时候只是老板脑中闪现的一个idea，面对这样的问题，回答的思路都还有待讨论，更遑论去找什么样的数据，去哪里找数据、怎样去找数据、以及后续怎样分析这样的问题了。
这个时候，数据科学家的价值就体现出来了，一个理想的data scientist应该是data developer、data creative、data researcher、data businessperson的结合，Ta往往能够领导一个没有被清晰定义的问题的回答过程，在这期间，data scientist对于完整分析过程的把控能力能够帮助Ta主导项目的方向，整合各方资源，data scientist并不一定需要亲身参与到技术开发过程中，但是Ta知道什么样背景的人能够胜任这些工作，知道怎样组建适当的团队，也知道什么样的模型或分析方法能够适用，它们的优缺点都是什么，怎样改进，必要时懂得去查找学术界最新的研究成果并转化；以及知道老板想要什么，始终牢牢把握问题的核心，及时纠偏。最后，把这一套回答此类问题的方法流程化，以应付以后出现类似问题。

热心网友 时间：2022-02-28 19:01

O'Relly那篇文章我也读过，里面说“ Data Scientists往往可以独立完成一条龙的完整分析过程：从数据提取，整合、并进行分层，进行统计或其他复杂的分析，创造引人注目的可视化诠释和效果，开发具有更宽广应用前景的数据工具。” 这句话其实我是同意的，剑指斜阳其实也有类似观点。但是现在排名第一的答案给出了一个“Data Researcher 更符合一个科学家的形象——专注地研究”的结论，我实在不能苟同。难道只有研究data才叫研究，研究企业就不叫研究吗？
另外，Levin菠萝说“数据分析师和数据科学家，如果非要进行分类的话我认为区分在于初级的Date Creative和高级的Date Creative。例如初级的进行基础的相关、回归、聚类等统计分析，高级的进行机器学习、神经网络等高级挖掘分析”，这点就更加误人子弟，把回归、聚类归入初级分析，机器学习、神经网络归入高级分析，这本身在学术上就是错的。回归、聚类、神经网络都是机器学习的范畴——不要以为回归就是OLS，还有很多technic，优化方法如MCMC、MLE、Gradiant Descent、Gradient Boosting，取样如bootstrapping, bagging, ensemble，还可以修改cost function加penalty，从更广阔的角度来看，回归其实是神经网络的一个special case。