Отличия аналитика данных от Data Scientist

Чтобы сделать продукт лучше, компаниям нужно собирать и анализировать большие объемы данных. Здесь не обойтись без аналитиков и специалистов по Data Science. Разберемся, чем аналитик данных отличается от Data Scientist.

Попробуйте учебу бесплатно!

В онлайн-университете Skypro — девять платных программ по самым востребованным профессиям. У нас есть гарантия трудоустройства, помощь от центра карьеры и регулярная поддержка от наставников и кураторов.

Если вы только начали погружаться в новую сферу, забирайте бесплатный стартовый набор — пять курсов для старта на удаленке.

Сходства и различия аналитика данных и Data Scientist

Аналитик данных ищет возможность улучшить бизнес-показатели. Специалист по Data Science ищет закономерности в данных и создает практически полезные модели, например прогнозы погоды.

Аналитик данных проводит анализ, упаковывает результаты в понятный и доступный вид и презентует их. Data Scientist может увидеть неявные закономерности в базе данных, упаковать их в понятную и эффективную модель, которая будет работать и приносить измеримый результат.

Аналитик данных изучает то, что уже случилось, и на этой основе делает выводы. Data Scientist выявляет закономерности в процессах и прогнозирует, что может случиться и почему.

Аналитик данных собирает информацию, обрабатывает ее и делает выводы. На основе этих результатов в компании принимают решения, как действовать дальше. Например, какой промокод клиенты используют чаще всего, какой вид контента в соцсетях им нравится. На основе этих данных можно понять, какую площадку для продвижения лучше использовать, продолжать ли снимать короткие вертикальные видео — или лучше переходить к сторис.

Чтобы стать аналитиком данных, записывайтесь на курс Skypro «Аналитик данных». Опытные преподаватели-практики поделятся лайфхаками из своей работы, а кураторы помогут выполнить проекты и ответят на все вопросы.

Data Scientist тоже собирает и обрабатывает данные, но это только часть его работы. Результатом его деятельности будет модель — код, который написан на основе анализа. Эту модель внедряют в бизнес-процесс, и всё начинает крутиться лучше и эффективнее.

Что должен знать и уметь Data Scientist

Специалист по Data Science должен знать основы программирования, базовые основы математической статистики, хорошо разбираться в том, что такое регрессионные зависимости, теорема Гаусса — Маркова и так далее. А еще хорошо бы любить программирование, математику и сложные задачи.

То есть Data Scientist должен знать всё, что знает аналитик данных, а еще — моделирование, анализ, глубинную математику, статистику и машинное обучение.
Вот примерные навыки, которые должны быть у такого специалиста:

• чистить и обрабатывать данные;
• развивать модели и новые методы машинного обучения;
• изучать корреляцию между разными переменными и находить новые точки роста в данных;
• искать новые решения, которые помогут увеличить прибыль бизнеса;
• визуализировать данные и превращать их в понятную историю.

Рис. 1. Жизненный путь проекта Data Scientist

Что должен знать и уметь аналитик данных

Аналитику данных тоже нужно знать основы математической статистики и Excel — что такое сводные таблицы и как работают функции. Быть готовым изучить Python, хорошо знать SQL, использовать регулярные выражения и OLAP-кубы. Представлять различные разрезы данных и рассказывать историю с помощью данных.

На курсе Skypro «Аналитик данных» есть модули, которые помогут разобраться в этих тонкостях. Понадобится всего два часа в день, чтобы освоить нужные навыки. Курс длится 12 месяцев. После учебы у вас будет готовое портфолио и диплом о профпереподготовке.

Примерные навыки, которые должны быть у аналитика данных:

• анализировать уже существующие данные, чтобы выявлять поведенческие шаблоны пользователей;
• предлагать новые метрики, чтобы улучшать понимание различных частей продукта;
• коммуницировать с командой data-инженеров, чтобы собирать информацию о поведении пользователей в продукте;
• применять методы статистического анализа;
• дизайнить и создавать отчеты, чтобы помогать бизнесу принимать обоснованные решения.

Рис. 2. Жизненный путь проекта аналитика данных

Что должны знать и уметь аналитик данных и Data Scientist — посмотрим в таблице.

Что делает и какие задачи решает аналитик данных

Такой специалист:

• создает профили клиентов;
• уменьшает отток клиентов;
• увеличивает средний чек покупки;
• анализирует структуры продаж;
• измеряет эффективность маркетинговых кампаний.

Пример задачи № 1. Нужно понять, что в большей степени оказывает влияние на пользователя, когда он решает, продолжать игру или нет.

Решение. Нужно провести анализ поведения пользователя в первые пять сессий и выявить схожесть в поведении тех, кто продолжил играть.

Пример задачи № 2. Нужно понять, поможет ли новый туториал увеличить средний чек на 25%.

Решение. Необходимо провести A/B-тестирование гипотезы. Для этого нужно рассчитать текущие показатели, определить, какое число пользователей необходимо включить в тест, на какой уровень значимости ориентироваться. По результатам теста принять решение: являются ли изменения значимыми и можно ли их применить для всех пользователей.

Этому учат на курсе «Аналитик данных». Если что-то будет непонятно, вам помогут опытные преподаватели и кураторы.

Пример задачи № 3. У части товаров есть сезонный спрос. Нужно провести анализ: определить, какие товары следует включить в группу сезонных, и для каждого из подразделов выработать рекомендации о том, когда нужно наращивать запас этих товаров на складах, а когда — прекращать. Провести анализ удовлетворенности спроса на товар по сезонам.

Решение. Сделать выгрузку данных о покупках за последние три года и построить гистограммы спроса по месяцам. А еще проанализировать заполняемость складов этим типом товаров в течение года.

Data Science. Путь в профессию. Советы начинающим

Что делает и какие задачи решает Data Scientist

Специалист по Data Science:

• создает спам-фильтры для почтовых систем;
• предотвращает мошенничество;
• создает рекомендации для пользователей онлайн-магазинов;
• создает чат-боты;
• занимается алгоритмами распознавания речи;
• выявляет и распознаёт объекты на изображениях.

Пример задачи № 1. Нужно привлечь пользователей из разных маркетинговых источников и составить максимально точный прогноз: сколько денег принесут пользователи из каждого канала. Это поможет оптимизировать затраты.

Решение. Составить настолько точную модель машинного обучения, чтобы она максимально приближенно выдавала LTV (пожизненная ценность клиента) у пользователей из определенных источников.

Пример задачи № 2. Пользователи заходят в онлайн-магазин и покупают только один предмет.

Решение. Построить модель машинного обучения: она будет предлагать пользователю такие сопутствующие товары, которые он с высокой долей вероятности купит в дополнение к основному товару.

Пример задачи № 3. Есть данные за последние 10 лет о тяжести прохождения заболевания N в каком-либо регионе. Нужно выработать модель, которая будет максимально точно объяснять, как образ жизни и доход пациента влияют на тяжесть течения болезни и скорость выздоровления. Например, если доход пациента был бы выше на 1000 ₽, он бы выздоровел на два дня раньше.

Решение. Определить тип модели, с которой придется работать, и провести регрессионный анализ для максимально точной оценки коэффициентов.

Чeм пoxoжи пpoфeccии аналитика данных и Data Scientist

Во многом эти направления схожи, потому что помогают бизнесу принимать важные решения на основе анализа данных.

Вот три ключевые компетенции, которые есть и у аналитика данных, и у специалиста по Data Science:

1. Похожие технические навыки: Python, SQL, R и Tableau. Оба специалиста должны быть прокачаны в статистике и визуализации данных.
2. Оба работают с большими массивами данных. Должны быть готовы работать с данными низкого качества, уметь разумно чистить данные и приспосабливать их для анализа или прогнозирования.
3. Оба должны работать и общаться с коллегами без технического бэкграунда и находить с ними общий язык, чтобы не возникало конфликтов. Так будет проще работать и получать классный результат.

Куда пойти учиться, чтобы стать аналитиком данных или специалистом по Data Science

Как стать аналитиком данных — например, окончить университет по направлениям «Математика», «Экономика» и прочим специальностям с большим количеством математики.

Как стать Data Scientist — окончить вуз по специальности «Инженер-программист» или получить любую профессию, где есть бэкграунд программирования.

Но пять-шесть лет в вузе — необязательное условие для вхождения в эти профессии.
Если вам близки эти направления — сходите на бесплатные или платные курсы, изучите материалы. Поймите, подходит вам сфера или нет, попробуйте что-то сделать самостоятельно, а потом развивайтесь в этих направлениях дальше.

На курсах Skypro вы освоите профессию аналитика данных за девять месяцев или за пять месяцев — по ускоренному варианту. В программе — теория и практика с реальными рабочими задачами для позиции младшего аналитика:

• работа с данными в Excel;
• работа с SQL;
• работа с Python для обработки данных;
• статистика для анализа данных.

Наставники и кураторы будут отвечать на все вопросы, проверять домашки и подробно их разбирать, указывать на ошибки и на то, что уже классно получается. А еще — устраивать мотивационные мастер-классы, где разберут вообще все вопросы, расскажут, как не выгореть во время учебы, как лучше планировать время. В конце учебы будет три тестовых собеседования, чтобы вы раскрепостились. Специалисты центра карьеры проконсультируют, как лучше оформить резюме, чтобы точно найти работу.

Сначала может показаться, что курсы слишком дорогие. Но если вспомнить, сколько получают аналитики данных и специалисты по Data Science уже на старте, — становится понятно, что затраты быстро окупятся. Например, младший аналитик получает от 80 000 ₽, а специалист среднего и старшего уровня — до 230 000 ₽.
Помните: можно стать классным специалистом даже без профильного образования.

Сколько зарабатывают аналитики данных и Data Scientists

Бизнес хочет зарабатывать, и поэтому всегда ценятся специалисты, которые знают, как компании помочь в этом. И именно поэтому профессии, которые связаны с анализом данных, так востребованы на рынке труда.

По результатам исследования «Хабр Карьеры» о зарплатах айтишников в 2024 году, в среднем зарплата аналитика данных в тот период составляла 160 000 ₽, а Data Scientist — 223 000 ₽.

Уровень зарплаты и реальные вакансии аналитиков данных и Data Scientists на хедхантере можно отслеживать на графиках Tableau. Этот анализ провели специалисты Left Join — блога об аналитике, о визуализации данных, Data Science и BI. Они регулярно обновляют таблицу, чтобы все были в курсе актуальных зарплат и свежих вакансий.

Как развиваться в профессиях аналитика данных и Data Scientist

Статья РБК наглядно показывает: big data продолжают активно развиваться, поэтому
интерес к аналитикам данных и специалистам по Data Science растет и не будет снижаться.

Практичнее всего проходить курсы по отдельным направлениям, например «Базовые курсы по математике», «Основы статистики», «Основы SQL». Или курсы по профессиям, например «Аналитик данных».

Главное — набраться опыта: подписаться на профильные телеграм-каналы, читать специализированные статьи, откликаться на вакансии, даже если вы пока новичок в сфере.

Количество вакансий в сфере аналитики

Количество вакансий в сфере аналитики с удаленкой

Коротко о главном

• Аналитики данных и специалисты по Data Science анализируют данные.
• Аналитик на основе анализа объясняет, как улучшить бизнес-модель.
• Data Scientist разрабатывает модель или код, который нужно внедрить, чтобы всё заработало еще эффективнее.