为什么每个组织都需要数据分析师

如今，数据科学家这个角色被大肆炒作，以至于当一家公司需要一名专家从数据中获取一些见解时，第一个想法就是寻找一名数据科学家。但这真的是最好的选择吗？让我们看看数据科学家和数据分析师的角色有何不同，以及为什么你可能想在任何其他角色之前先聘请一名分析师。

数据科学家还是数据分析师？

那么， 数据科学家和数据分析师有什么区别呢？ 这些角色的定义可能有所不同，但通常认为数据科学家结合了三个关键角色——数据分析师、统计学家和机器学习工程师。换句话说，公司 希望数据科学家精通初步数据分析 ，善于揭示因果关系，并擅长构建机器学习模型。有了这样的期望，很明显三合一比一合一更好，数据科学家越来越受公司青睐。

但是等等…… 一个人有可能完美地胜任这三个角色吗？ 更重要的是，所有这些角色都需要类似的技能吗？或者说，数据分析师和机器学习工程师所使用的技能和方法完全不同吗？

事实上， 这些专家的方法确实有很大不同 。谷歌首席决策科学家 Cassie Kozyrkov 对这种差异做出了精彩的解释 。她声称，数据分析师在公司里是为了提供快速的结果，例如回答数据中是否存在有趣的相关性的问题。为了满足决策者对快速和简短答案的期望，数据分析师使用相应的编码风格—— 使用更少的代码行 并为管理者生成易于解释的相关矩阵。机器学习工程师的编码风格完全不同——他们的目标是建立一个“完美”的模型，这通常需要大量、大量、大量的时间。

统计学家也无法提供快速结果——他们会说：“等等，等等！我们无法从这些数据中得出任何因果关系。我们甚至不知道结果是否具有统计意义！”是的，有时您需要统计学家或擅长统计的数据科学家来回答这类问题。但您真的需要这些答案才能了解数据中的相关性吗？事实上，不是。从数据分析师那里获得初步结果后，您需要聘请领域专家，由他来决定哪些已识别的模式确实对业务很重要，值得进一步研究。因此，正如您所见，最好 在初步数据分析之后、深入假设测试之前征求领域专家的意见 ——当同一个人执行数据分析和对揭示的模式进行深入测试时，很难安排这一点。

您可能已经看到，在某些情况下，数据分析师甚至比数据科学家更受欢迎。但现在让我们明确一下数据分析师应该具备哪些技能才能满足决策者的需求并成为组织的资产，包括熟练掌握 财务尽职调查服务 以确保做出明智的决策。

组织真正需要什么样的数据分析师？

数据分析师在组织中的主要作用是帮助决策者识别数据中有趣且重要的模式，并提供隐藏在大量表格、图表和日志文件中的快速答案。简而言之，如果领域专家认为这些领域很重要，数据分析师会确定您可能需要统计人员和机器学习工程师关注的领域。

你希望数据分析师具备 以下 ：

• 用数据讲故事。 优秀的数据分析师能够解读数据，并围绕数据讲述精彩的故事。但真正 重要的 是，高调的数据专家 从不超越数据 ，始终 允许多种可能的解释 。例如，他们可以说：“我们在 Facebook 上推出上一次广告活动后，似乎获得了更多潜在客户。这可能是该活动有效性的信号，但潜在客户数量的增长也可能是由于季节性变化造成的。需要进行更深入的分析。”
• 数据可视化技能。 视觉吸引力强、有意义且易于理解的图表的 能力 对于数据分析师来说也非常重要。 出色的可视化总是能让故事更精彩 ，这让决策者的工作变得轻松很多。
• 技术专长。 专业的数据分析师只需使用电子表格即可为您提供隐藏在数据中的大量有趣见解。但是，为了提供真正 快速的结果 并创建专业的可视化效果，数据分析师通常需要 电子表格以外的技术专长 。因此，今天您可以期望数据分析师熟悉编程语言 Python 并熟练使用 Tableau 或 Microsoft Power BI 等工具。
• 针对速度优化的编码风格。 数据分析师不需要具备与软件工程师或机器学习工程师相同的编程技能。数据分析师应该知道如何使用 Python 清理数据、如何执行数据分析以及如何使用清晰的可视化和表格呈现信息。 网上有一些非常好的课程可以教授这些技能 。此外，数据分析师应该熟悉为数据分析创建的最流行的软件包，并使用这些软件包 以最有效的方式进行所有分析 .
• 学习 Python 进行数据科学 （可选）。并非所有公司都需要数据分析师具备领域专业知识，但这绝对是 Learn Python for Data Science 。换句话说，如果有人想成为最好的数据分析师之一，他们应该熟悉某个领域。这项技能将帮助他们区分对业务真正重要的模式和不值得数据专家和决策者花时间的发现。

现在我们知道了什么样的数据分析师可以成为公司的宝贵资产，让我们总结一下我们对优秀数据分析师的期望，以及为什么每个组织都需要这样的专家。

每家公司都需要一名数据分析师

如果一个组织的管理者做出数据驱动的决策，那么这个组织肯定需要一名数据分析师。那些有幸找到具有上述技能的优秀专家的公司将拥有以下方面的专家：

• 收集 正确类型的数据 ；
• 清理数据；
• 进行数据分析；
• 以美观且有意义的可视化方式呈现信息；
• 发现数据中的有趣模式，并 提供可能需要 统计学家和机器学习工程师进一步关注的见解；
• 在进行分析时， 优先考虑对业务更重要的领域 .

总而言之，优秀的数据分析师是决策者的主要助手，将数据转化为有意义的故事，快速回答难题，并推动业务朝着正确的方向发展。