Data Analyst vs Data Scientist - Qual é a diferença?

Data Analyst vs Data Scientist - Qual é a diferença?
Author

Kashyap Dalal

Last updated December 13, 2017


  • 94152 Views

Com o recente boom na indústria de dados , parece não haver falta de opiniões interessantes sobre os papéis e qualificações que impulsionam esse campo próspero . Ultimamente, encontrei muitas pessoas fazendo uma pergunta particularmente intrigante: "O que distingue um cientista de dados de um analista de dados?"

Muitos parecem carregar a percepção de que um cientista de dados é apenas um termo para o papel do analista de dados. Aqui estão alguns comentários que encontrei no twitter enquanto escrevia este post: Imagem do Twitter 1

Imagem do Twitter 2 Eu acho que muita da confusão decorre de dois motivos. Um, diferentes empresas têm diferentes maneiras de definir os papéis. Títulos de emprego nem sempre são retratos precisos das atividades de trabalho e responsabilidades reais, e certamente há muita área cinzenta com a maioria dos cargos. Eu até já vi algumas startups usando o cientista de dados como uma designação sofisticada para atrair talentos para seus papéis de analista.

Em segundo lugar, a ciência de dados

Em segundo lugar, a ciência de dados é um campo nascente e nem todos estão familiarizados com o funcionamento interno da indústria. Portanto, antes de tentar entender a diferença entre um analista de dados e um cientista de dados, vamos primeiro pegar um histórico no negócio de análise e cada função nesse contexto.

Deseja verificar a pré-visualização do curso do nosso Curso de Ciência de Dados? Clique aqui para assistir.

Análise de negócios para a ciência de dados

Como disciplina, a análise de negócios existe há mais de 30 anos, começando com o lançamento do MS Excel em 1985. Antes disso, a análise de dados para negócios era um exercício manual, realizado com calculadoras e tentativa e erro. Foi o lançamento de software de computador como o MS Excel e muitas outras aplicações que deram início à onda de análise de negócios.

Da mesma forma, duas grandes tendências contribuíram para o início do fenômeno da ciência de dados. Primeiro, o uso da tecnologia em várias esferas da vida - e a Internet em particular - levou a um boom de dados sem precedentes. O tipo de informação agora disponível para muitas empresas usarem na tomada de decisões é exponencialmente mais massivo do que há dez anos. Em segundo lugar, as novas tecnologias tornaram possível a análise e a interpretação de uma quantidade tão grande de dados, e as empresas agora têm um meio de tomar decisões de negócios mais impactantes.

Advento do cientista de dados

As empresas viram a disponibilidade de grandes volumes de dados como fonte de vantagem competitiva. Ficou claro que as empresas que poderiam utilizar esses dados efetivamente poderia fazer melhores inferências de negócios e agir de acordo, colocando-as à frente de concorrentes que não tinham essas percepções.

Para entender esses dados, surgiu a necessidade de um novo conjunto de habilidades - um perfil que incluísse perspicácia nos negócios, insights do usuário / usuário, habilidades analíticas, habilidades estatísticas, habilidades de programação, habilidades de aprendizado de máquina, visualização de dados e muito mais. Isso levou ao surgimento do papel de cientista de dados - uma pessoa que combina conhecimento sólido de negócios, manipulação de dados, programação e habilidades de visualização de dados para gerar melhores resultados de negócios.

Espera-se que um cientista de dados forneça diretamente o impacto nos negócios por meio de informações derivadas dos dados disponíveis. E, na maioria dos casos, um cientista de dados precisa criar essas ideias a partir do caos, que envolve estruturar os dados da maneira correta, minerá-los, fazer suposições relevantes, construir modelos de correlação, provar a causalidade e pesquisar os dados em busca de sinais que possam produzir impacto nos negócios por toda parte.

Em apenas alguns anos desde sua concepção, a ciência de dados tornou-se uma das profissões mais célebres e glamurizadas do mundo.

Como o cientista se difere do analista

Um analista de dados lida com muitas das mesmas atividades, mas o componente de liderança é um pouco diferente. Vamos dar uma olhada em alguns exemplos:

  1. Normalmente, espera-se que um cientista de dados formule as perguntas que ajudarão uma empresa e, em seguida, continue resolvendo-as, enquanto um analista de dados recebe perguntas da equipe de negócios e busca uma solução com essa orientação.

  2. Espera-se que ambas as funções escrevam consultas, trabalhem com equipes de engenharia para obter os dados corretos, executar os dados (obtendo dados no formato correto, convenientes para análise / interpretação) e obter informações dos dados. No entanto, na maioria dos casos, não se espera que um analista de dados construa modelos estatísticos ou seja prático em aprendizado de máquina e programação avançada. Em vez disso, um analista de dados geralmente trabalha em bancos de dados estruturados SQL ou similares, ou com outras ferramentas / pacotes de BI.

  3. A função de cientista de dados também exige fortes habilidades de visualização de dados e a capacidade de converter dados em uma história de negócios. Não se espera que um analista de dados transforme dados e análises em um cenário de negócios e roteiro.

No lado mais leve

Eu me deparei com esse incrível diagrama de Venn recentemente do post de Stephen Kolassa em um fórum de ciência de dados. É factual e engraçado ao mesmo tempo e coloca um monte de responsabilidades de ciência de dados em um contexto humorístico (e ainda bastante preciso). Espero que todos gostem tanto quanto eu.

Diagrama de Venn do cientista de dados

Acima: Data Scientist Venn Diagram originado de Comentário de Stephen Kolassa no Data Science Stack Exchange .

Querendo saber mais sobre o Data Scientist, por que não se matricular no Data Scientist Masters Program ?

About the Author

Kashyap drives the business growth strategy at Simplilearn and its execution through product innovation, product marketing, and brand building.

Recommended articles for you

Battle Of The Programming Languages: R vs Python

Article

When Excel Doesn’t Cut It: Using R and Python for Advanced...

Article

The Data Scientist Masters Program: Learning Paths Explored

Article

{{detail.h1_tag}}

{{detail.display_name}}
{{author.author_name}} {{author.author_name}}

{{author.author_name}}

{{detail.full_name}}

Published on {{detail.created_at| date}} {{detail.duration}}

  • {{detail.date}}
  • Views {{detail.downloads}}
  • {{detail.time}} {{detail.time_zone_code}}

Registrants:{{detail.downloads}}

Downloaded:{{detail.downloads}}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'On-Demand Webinar'}}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Webinar'}}

Hosted By

Profile

{{author.author_name}}

{{author.author_name}}

{{author.about_author}}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook' }}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook' }}

View {{detail.about_title && detail.about_title != null ? detail.about_title : 'On-Demand Webinar'}}

Webcast

Register Now!

Download the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook'}}!

First Name*
Last Name*
Email*
Company*
Phone Number*

View {{detail.about_title && detail.about_title != null ? detail.about_title : 'On-Demand Webinar'}}

Webcast

Register Now!

{{detail.about_title && detail.about_title != null ? detail.about_title : 'Webinar'}} Expired

Download the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook'}}

Email
{{ queryPhoneCode }}
Phone Number

Show full article video

Name Date Place
{{classRoomData.Date}} {{classRoomData.Place}} View Details

About the Author

{{detail.author_biography}}

About the Author

{{author.about_author}}

Recommended articles for you

{{ article.title }}

Article