Ο κόσμος των δεδομένων συνοδεύεται από μια πληθώρα εννοιών που πολλές φορές είναι δύσκολο να γνωρίζουμε όλες τι σημαίνουν.

Είναι μάλιστα τόσες πολλές που ορισμένες τις μπερδεύουμε μεταξύ τους, με αποτέλεσμα να προκύπτει σύγχυση,

Δύο από αυτές είναι οι έννοιες των data analysts (αναλυτές δεδομένων) και data scientists (επιστήμονες δεδομένων).

Πρόκειται για δύο από τα πλέον χρήσιμα επαγγέλματα, τα οποία παρουσιάζουν εκθετική αύξηση στη ζήτησή τους.

Μάλιστα, το Future of Jobs Report του World Economic Forum παρουσίασε τις δύο αυτές ειδικότητες ως #1 όσον αφορά τη ζήτηση που έχουν, με τις υπόλοιπες στη σειρά να είναι όσοι γνωρίζουν AI, machine learning και big data.

              

Επομένως, αν και πρόκειται για δύο πολύ σημαντικά επαγγέλματα, δεν είναι πάντα ξεκάθαρο τι κάνει ο data analyst και τι ο data scientist.

Το σίγουρο είναι πως και οι δύο δουλεύουν με δεδομένα, ποια είναι όμως τα στοιχεία που τους διαφοροποιούν;

Πάμε να δούμε.

 Τι είναι ο Data Analyst;

Οι data analysts συλλέγουν δεδομένα από διάφορες πηγές, τα οργανώνουν, και ύστερα τα επεξεργάζονται και τα αναλύουν.

Μετατρέπουν δηλαδή δεδομένα σε σημαντικές πληροφορίες για μια επιχείρηση, με σκοπό να λάβει από αυτές πολύτιμες αποφάσεις.

Συνήθως χρησιμοποιούν εργαλεία όπως η SQL, η R και η Python σαν γλώσσα προγραμματισμού, καθώς και εργαλεία business intelligence για απεικόνιση των δεδομένων (data visualization).

Με λίγα λόγια, τα βασικά καθήκοντα ενός data analyst συμπεριλαμβάνουν:

• Συλλογή δεδομένων από πρωτογενείς και δευτερογενείς πηγές
• Καθάρισμα και οργάνωση των δεδομένων
• Ανάλυση των δεδομένων για εντοπισμό μοτίβων και άλλων χρήσιμων πληροφοριών
• Παρουσίαση των δεδομένων για λήψη αποφάσεων
   

Μάλιστα, ένας καλός αναλυτής δεδομένων έχει τόσο τεχνικές γνώσεις, όσο και τη δυνατότητα να επικοινωνήσει τα ευρήματά του στην ομάδα του με απλό τρόπο, ώστε να τα κατανοήσει και κάποιος που δεν γνωρίζει από αυτά.

Τώρα που είδαμε ορισμένα βασικά πράγματα για τη δουλειά ενός data analyst, ας περάσουμε στον data scientist.

 Τι είναι ο Data Scientist;

Οι data scientists συχνά αντιμετωπίζουν το “άγνωστο” χρησιμοποιώντας προχωρημένες τεχνικές για να κάνουν προβλέψεις για το μέλλον, πάντα με βάση τα δεδομένα.

Μπορεί να αυτοματοποιήσουν αλγόριθμους μηχανικής μάθησης, να εφαρμόσουν στατιστικές μεθόδους και τεχνικές data visualization, με σκοπό να χτίσουν μοντέλα που θα κάνουν προβλέψεις και θα λύνουν περίπλοκα προβλήματα.

Με λίγα λόγια, εξάγουν πολύτιμα συμπεράσματα από μια ακατάστατη μάζα δεδομένων.

Τα βασικά καθήκοντα ενός data scientist συμπεριλαμβάνουν:

• Συλλογή και καθάρισμα “ωμών” δεδομένων
• Σχεδιασμός μοντέλων και αλγορίθμων
• Παρακολούθηση και ανάλυση ακρίβειας δεδομένων
• Δημιουργία reports για παρουσίαση
   

Πέρα από τα παραπάνω, αυτό που κάνει ένας καλός data scientist είναι να έχει κριτική σκέψη και επιχειρηματική ενσυναίσθηση με σκοπό όχι μόνο να καταλαβαίνει πώς να επεξεργάζεται δεδομένα, αλλά και πού ακριβώς θα χρησιμεύσουν σε μια εταιρεία.

Είδαμε λοιπόν περιληπτικά τι κάνει η κάθε ειδικότητα.

Στην επόμενη ενότητα θα αναλύσουμε πιο συγκεκριμένα τις διαφορές μεταξύ τους, με σκοπό να τις κατανοήσεις καλύτερα.

Διαφορές Μεταξύ Data Analysts και Data Scientists

Αν και σε αρκετές περιπτώσεις οι διαφορές μπορεί να μοιάζουν με λεπτές γραμμές, είναι σημαντικό να γνωρίζεις ακριβώς ποιες είναι αυτές, ώστε να ακολουθήσεις το επάγγελμα που σου ταιριάζει καλύτερα.

Διαφορά #1: Προσέγγιση

Η πρώτη διαφορά μεταξύ ενός data scientist και ενός data analyst, είναι το γεγονός πως ο πρώτος σχεδιάζει τους τρόπους που συλλέγονται, αποθηκεύονται και αναλύονται τα δεδομένα.

Αντιθέτως, ο δεύτερος (δηλαδή ο data analyst), επικεντρώνεται σε τυπικές αναλύσεις με σκοπό να βγάλει νόημα από τα δεδομένα και να τα παρουσιάσει.

Διαφορά #2: Εργαλεία

Μια ακόμα σημαντική διαφορά είναι τα εργαλεία που χρησιμοποιεί ο καθένας στη καθημερινότητά του.

Συγκεκριμένα, ένας data scientist χρησιμοποιεί Python, Java και machine learning με σκοπό να βρει τρόπους που θα αναλύσει τα δεδομένα.

Απ΄την άλλη, ένας data analyst χρησιμοποιεί λογισμικά βάσεων δεδομένων, προγράμματα στατιστικής και εργαλεία business intelligence όπως το Tableau και το Power BI.

Διαφορά #3: Εκπαίδευση

Όσον αφορά την εκπαίδευση που χρειάζεται κάποιος για να γίνει αναλυτής ή επιστήμονας δεδομένων, και στις δύο περιπτώσεις απαιτείται κάποιο προπτυχιακό δίπλωμα.

Για τους data analysts μπορεί να είναι κάτι σχετικό με μαθηματικά, στατιστική, επιστήμη υπολογιστών, ή ακόμα και χρηματοοικονομικά.

Για τους data scientists, το πτυχίο μπορεί να είναι στο data science, στα μαθηματικά, τη στατιστική, ή και το IT.

Αν και τα πτυχία αυτά είναι συνήθως μια προϋπόθεση για να ακολουθήσει κανείς τις ειδικότητες αυτές, πολλές από τις δεξιότητες που απαιτούνται μπορούν να αποκτηθούν και μέσω εναλλακτικών δρόμων, όπως είναι τα bootcamps.  

Συγκεκριμένα, ένα ολοκληρωμένο Data Science Bootcamp όπως αυτό που δημιουργήσαμε εδώ στη Big Blue, σου δίνει όλα τα εφόδια και τις δεξιότητες για μια επιτυχημένη καριέρα στο χώρο της επιστήμης των δεδομένων.

Στο bootcamp μαθαίνεις κάθε εβδομάδα και ένα διαφορετικό κεφάλαιο, το οποίο θα σου φανεί πολύτιμο στην επαγγελματική σου εμπειρία!

Είδαμε λοιπόν τι είναι ο data analyst, τι είναι ο data scientist, καθώς και ορισμένες από τις πιο βασικές διαφορές μεταξύ τους.

Ας συνοψίσουμε.

 Με Λίγα Λόγια

Ελπίζουμε πως τώρα έχεις μια πιο ξεκάθαρη εικόνα σχετικά με τις διαφορές ανάμεσα σε έναν data analyst και έναν data scientist.

Αναμφισβήτητα δεν σημαίνει πως η μια ειδικότητα είναι “καλύτερη” από την άλλη, έχουν όμως ορισμένες σημαντικές διαφορές ανάμεσα στις πολλές ομοιότητες που μοιράζονται.

Σκοπός του οδηγού αυτού ήταν να σε βοηθήσει να δεις ποια κατεύθυνση σου ταιριάζει περισσότερο για επαγγελματική σταδιοδρομία.

Αν λοιπόν θα ήθελες να εμβαθύνεις περισσότερο στις δεξιότητες που χρειάζεται ένας data scientist, μη διστάσεις να δηλώσεις συμμετοχή στο επόμενο Data Science Bootcamp κάνοντας κλικ ΕΔΩ.

Σε περιμένουμε για να ανακαλύψουμε τον μαγικό κόσμο των δεδομένων! 

Η ομάδα μας προσφέρει 1 ώρα δωρεάν mentoring για όποιον χρειάζεται καθοδήγηση για τους παραπάνω τομείς. Μπορείς να κλείσεις μια συνεδρία ΕΔΩ.