业务分析师和数据科学家有什么不同

数据逐渐成为企业的新一代货币，这也正是公司为了做出更好的决策不遗余力的挖掘数据的潜力的原因。为此，公司需要的是懂得如何从海量数据源中获取需要的数据并以有价值的方式阐述这些数据的专业人士。数据科学家和业务分析师都是这样的专业人士，但决不能将他们混为一谈 ——涉及到决策时他们采取不同的数据分析途径。因为这两种称谓经常被混用，商业分析专家Analytics@American绘制了如下的信息图来阐明两者的差异。

尽管两种类型的专家都是和数据打交道，但他们处理的方式却不一样。这种差异可以归因于他们各自的教育背景。业务分析师接受的教育更多的来自于如商业、人文等领域，从广泛的数据源提取数据并用来评估过去、当前和未来的业务绩效。而数据科学家得益于计算科学、数学和科技的教育背景，在工作中采取统计编程的方式来设计和实现算法。

这些差异也体现在他们在为商业决策提供数据支持时使用的技能上。业务分析师将跨领域的数据分析转变为可用于商业决策的实际资源。相对而言，数据科学家则是做更基础的工作，他们通过在数据集中挖掘数据来寻找有用的信息和编写机器学习算法来为决策制定提供支持。

若想更加深入的理解这两种类型的大数据专家能怎样帮助您的公司定制更好的商业决策，详见如下信息图。

在大数据时代，解析海量难以理解的信息足以引导改变世界的革新。为真正理解这些数据，公司需要各个方面的专业人士，其中包括业务分析师和数据科学家。

他们是谁？

业务分析师：从结构化和非结构化数据源研究和提取有价值的信息并用来解释历史的、当前的和将来的业务绩效，为客户决定最好的分析模型和方法并呈现和解释解决方案。

数据科学家：通过统计编程设计、开发和调用算法而支持业务决策；管理海量数据；可视化数据以辅助理解。

他们拥有哪些技能？

业务分析师和数据科学家都是利用数据来为决策工作提供依据，但他们在利用相同或相似的工具时使用的技巧却不大一样。上面的图表描述了在其学科内获得硕士学位所拥有的技能。

决策制定

业务分析师：将跨领域的数据分析转变为可用于商业决策的实际资源

数据科学家：通过在数据集中挖掘数据来寻找有用信息和编写机器学习算法来为决策制定提供支持

应用问题的解决

业务分析师：定义业务问题，将统计分析转换成数据驱动的商务智能用来提高业务绩效

数据科学家：为可被解决的应用业务问题建立分析基础

数据分析

业务分析师：利用预测性、规范性和描述性的分析方法来研究、解释和可视化原始数据，并使之为客户所用

数据科学家：采用如线性分析方法和多元线性回归方法来管理和组织海量多元数据

分析模型

业务分析师：理解、整合和规范用来对数据建模的方法

数据科学家：有经验的统计编程人员利用的语言和工具如SAS、SQL、R、SPSS、Python和Knime

数据库管理

业务分析师：利用类似Teradata、Oracle和Hadoop的工具为各种不同格式的数据，可编码的和不可编码的定义和调整数据库需求

数据科学家：利用类似Teradata、Oracle和Hadoop的工具设计和结构化数据库