据估计，世界每天会产生 1.145 万亿 MB 数据。这种数据热潮引发了对能够整理、理解并从这些信息中创建可操作见解的员工新需求，即数据科学家和数据分析师职位。

十年前，《哈佛商业评论》将数据科学家评为“21 世纪最性感的工作”。2021年，数据科学家和数据分析师都在 Glassdoor 的美国 50 大最佳工作榜单上，分别位列第 2 和第 35 位。

数据初创公司的领导可能会认为，他们可以通过聘用数据科学家或分析师走捷径。实际上，两者都是成为数据领头人的必要条件，缺一不可，因为两者之间的不同点多于相同点。我们来看看数据科学家和数据分析师之间的五大不同。

岗位职责和角色

数据科学家是数据集的解码者，通常是第一个查看数据的人。他们处理的数据集很大，结构简陋，需要数据科学家执行抽象的分析任务，例如对其进行排序，在数据中找到“信号”或新见解。在对数据有了更好的理解后，数据科学家需要整理可以由数据分析师投入实际应用的见解。公司将数据科学家视为全能型人才，他们的工作内容非常多，从整理/挖掘数据、清理和构建数据、提取业务见解、构建机器学习模型，到向业务部门提供报告。

如果数据科学家是解码器，那么数据分析师就是构建者。一旦他们收到具有见解的已知数据集，数据分析师的任务就是发现数据中的趋势，创建回答特定业务问题的报告和指标，并与非技术受众进行交流。数据分析师的分析结果用于帮助企业了解其运营方式，以及需要做出哪些改进。

为了展示这些角色如何协同工作，请看这个例子。数据科学家可以创建一种算法，预测从数字活动收集的数据点击率。创建算法后，数据科学家发现，一天中的某个时段的点击率更高。数据科学家会将这些信息传递给数据分析师，后者将跟踪并报告实际结果，并牢记这些指标和见解。

无论是解码还是构建，两个角色都需要100%信任他们正在使用的数据，继而才能成功。这听起来似乎非常理所当然，但去年的研究表明，只有 5% 的高管100%信任他们的数据。难怪数据科学家和数据分析师等特定于数据的角色如此受追捧，对公司的成功如此重要。

使用的工具和技术

数据科学家经常使用 Python、Java 和 R 等编程工具。这些工具通常用于挖掘数据、执行探索性数据分析和构建机器学习模型。还有一些数据科学平台结合了工具集，用于加快数据流水线和挖掘过程。

在工具方面，数据分析师的选择更多。有些分析师可能喜欢在 Microsoft Excel 中创建数据透视表，而其他掌握更多技术技能的人可能会针对源系统使用 SQL 查询。通常，他们会利用可以使用而且用起来比较舒服的工具。无论使用哪种工具或平台，关键是数据集是已知且可靠，并且可以组合成可供最高管理层和执行领导操作的业务指标。

教育背景和技能要求

由于数据科学家通常具有编程背景，他们通常掌握许多技术技能。数据科学家的教育背景通常是数学、编程、工程、统计学或计算机科学等专业。数据科学家正在寻找公司尚未了解的趋势和见解时，这些技能都会发挥作用。

数据分析师的教育背景可能会有所不同，具体取决于他们的报告是给谁。一般来说，数据分析师普遍掌握计算机科学、统计学和数学等定量领域的知识，但同时还掌握专业商业领域的知识。他们必须能够分析数据如何转化为业务需求，同时分析问题所在。这还需要与行政领导层进行清晰的沟通，用通俗的语言解释复杂的数据。如果一个分析师了解要查找的内容以及特定分析任务的业务目的，那么就可以缩短分析时间并提高结果准确性。

与数据分析师相比，数据科学家通常为研究生学位。Indeed 称，数据科学家获得博士学位的比例大约是数据分析师的 10 倍，获得研究生学位的可能性也是后者的两倍。虽然这两个领域的入门级职位通常都要求学士学位，但那些没有接受过正规编程和分析教育的人也还是可以从事数据科学或数据分析职位。数据分析师和数据科学家都可以参加新手训练营，或短期的高强度课程，这类课程快速教授参与者特定主题。

岗位所属部门

数据科学家通常是卓越中心 (COE) 的一员，需要向首席数据官报告结果。由于公司中的所有数据科学家都是一个团队，不同的业务部门可以利用数据科学家为各部门的数据分析师提供高价值的数据集。属于某个部门而不是只关注一方面意味着他们要处理不同业务功能的数据。例如，数据科学家在整理完供应链数据后，第二天整理收益信息。

与集中式的数据科学家团队不同，数据分析师通常分散在整个公司中，并专注于各自所属的业务领域。例如，数据分析师A向财务部门报告，数据分析师B向销售或市场部门报告，这两种情况非常常见，两者都专注于对其业务部门来说最重要的指标和报告。这种单一的方式能够帮助数据分析师真正成为其业务领域的专家，使用数据优化其业务部门流程、程序和决策。

两者为公司带来的价值

由于数据科学家扮演的角色不同，技能背景和目标不同，因此他们给公司带来的价值也不同。对于数据科学家来说，他们的价值来自于在数据集中发现隐藏机会。而数据分析师通过将这些机会转化为可操作的见解，为公司带来价值。

为了真正优化数据并充分发挥数据潜力，公司应同时聘用数据科学家和数据分析师。如果只聘用其中一个，会导致部分工作无法完成。没有数据科学家，就不会有新见解；没有数据分析师，决策者将无法使用数据解决或回答特定业务问题。通过发挥各自不同技能、教育背景和技术，数据科学家和数据分析师可以齐心协力，实现共同目标：并最大程度了解并利用公司数据。

Rex Ahlstrom 是Syniti的首席技术官和增长与创新执行副总裁。Rex 拥有 30 多年的技术行业领导经验，专注于数据集成和信息管理领域的企业软件，同时也是福布斯技术委员会的一员。

作者：Dice Guest