Одна задача – два специалиста. Data Scientist и аналитик данных в чем разница и что выбрать

Эти две профессии часто путают, потому что сравнивают через список рабочих инструментов, который очень похож. На самом деле, если говорить о реальных задачах, которые решают специалисты в работе, разница будет очевидна.

В этой статье разберемся в различиях двух специальностей и поговорим о карьерном развитии, которое возможно для каждой.

Интернет-магазин привлекал покупателей, в нём часто заказывали что-то впервые, а после возвращались повторно и становились постоянными покупателями. Но в последние полгода владельцы бизнеса заметили, что поток повторных покупателей снизился, люди перестали возвращаться. Чтобы понять, почему и как давно люди перестали приходить снова и придумать стратегию борьбы с тенденцией, бизнесу нужна работа двух разных специалистов.

Аналитик данных проверит, когда именно началось снижение покупок. Для этого сравнит сегменты покупателей, сроки доставки, среднюю стоимость заказа и частоту покупок. Выяснится, например, что несколько месяцев назад изменился один из логистических подрядчиков и вместе с ним процесс доставки, после этого клиенты из нескольких регионов стали возвращаться реже. На основании этих данных бизнес получит проверенную гипотезу и основание для принятия решений. Например, сможет пересмотреть условия доставки в “проблемных” регионах или предложить пострадавшим клиентам компенсацию или бонус.

Специалист Data Science соберёт историю поведения пользователей, выделит признаки – частоту заказов, средний чек, время с последней покупки, реакцию на акции, а после обучит модель и проверит точность ее работы. Бизнес от него получит оценку риска ухода покупателя в процентах. Например, “80% вероятности, что покупатель Н. не вернётся в ближайший месяц”. Дальше Data Scientist ранжирует клиентов по уровню риска и разделит их на группы, с которыми можно работать по-разному. Например, клиенты которые с высокой вероятность (70-90%) не вернутся, со средней (40-70%) вероятностью ухода и низкой (менее 40%) — они чаще всего возвращаются.

Эта информация помогает бизнесу не «бомбить» рассылками всю базу, а точечно удерживать тех, кого действительно можно вернуть. Решение о том, каким клиентам какое предложение и по какой цене отправить, принимают уже маркетологи, опираясь на выводы специалистов.
Со временем модель можно улучшать, если клиент получил промокод и всё равно ушёл – это новый сигнал, который стоит изучить и учесть. Так Data Scientist работает не разово, а в цикле: обучил модель, внедрил, получил обратную связь, дообучил.

Путаница между этими профессиями возникает не случайно: и Data Science, и аналитика данных опираются на одну и ту же базу – получение данных, проверку их качества, поиск закономерностей и объяснение результатов. И в том, и в другом случае для этого нужны SQL, Python и статистика. Есть разница в том, как первый и второй специалист используют Python: аналитик применяет его для обработки данных и автоматизации, а Data Scientist ещё и для обучения моделей.

При этом ни аналитик данных, ни Data Scientist не работают только с кодом. В основу обеих профессий входит еще и понимание бизнес-логики, потому что любые задачи начинаются с вопросов, на которые бизнес ищет ответы.

SQL, Python и статистика нужны обоим специалистам, но с разной глубиной знаний.

Университетские дисциплины в работе этих специалистов становятся прикладными: SQL нужен для работы с корпоративными данными, статистика – для составления гипотез и оценки моделей, линейная алгебра – для понимания ML, Python – для анализа и экспериментов.

Стандарта для названий должностей нет, поэтому одна и та же компания может назвать специалиста, который строит дашборды и проверяет гипотезы, «Data Scientist», а другая назовёт человека, который обучает модели и внедряет их в продакшн, «Data Analyst». Поэтому две вакансии с абсолютно одинаковым заголовком могут требовать совершенно разных навыков и предполагать разную работу.

На hh.ru встречаются гибридные позиции Data Scientist / Data Analyst – где-то это требование нынешнего рынка к многофункциональности специалиста, а где-то просто неточное указание названия. Поэтому при поиске работы полезнее смотреть не на заголовок, а на задачи, ожидаемый результат, требования к ML и необходимость внедрять модели.

Чтобы понять, что за роль скрывается за названием, обратите внимание, какие задачи преобладают. Если в обязанностях указаны построение дашбордов, контроль качества данных, проверка гипотез, подготовка отчётности для бизнеса – это зона аналитики.

Если речь идёт о feature engineering, обучении моделей, A/B-экспериментах, внедрении в продакшн – Data Science.

При выборе из этих двух профессий важно определиться, какой результат вам будет интересно создавать каждый день.

Аналитика данных ближе тем, кто любит искать причины и видеть за цифрами решения. В ней важно уметь задавать правильные вопросы: почему упала конверсия, какой сегмент приносит больше прибыли, что изменилось после обновления. Аналитик работает с метриками, сравнивает периоды и сегменты, проверяет гипотезы. А кроме того умеет объяснять выводы людям без технического образования. Внимательность к деталям и умение говорить на языке бизнеса здесь ценятся не меньше, чем знание SQL и Python.

Data Science заинтересует тех, кому ближе работа с кодом, математическими моделями и экспериментами. Модели нужно строить, переобучать, сравнивать с альтернативами, разбирать ошибки и улучшать. Это тот процесс, где конечный результат редко получается с первой попытки, а ценность специалиста во многом определяется тем, насколько хорошо он понимает, почему модель ошибается и как это исправить.

Карьерный путь в данных не линеен – и аналитик, и Data Scientist начинают с общего фундамента, но дальше их пути расходятся, каждый предлагает несколько направлений для роста.

Аналитик данных обычно проходит путь от Junior к Middle и Senior. Дальше может углубиться в продуктовую аналитику и влиять на решения команды, уйти в BI и строить системы отчётности, стать analytics engineer и отвечать за инфраструктуру данных, перейти в управление или начать двигаться в сторону Data Science.

Data Scientist проходит тот же начальный путь, а после Senior тоже выбирает специализацию: NLP, компьютерное зрение, рекомендательные системы, ML Engineering, MLOps или управление AI-командами.

Также важно понимать, что аналитика – вовсе не ступень перед Data Science и не её упрощенная версия. Бытует мнение, что путь в Data Science лежит через аналитику, но это не правда. У этих профессий есть общая база — SQL, Python, статистика, понимание данных. Поэтому перейти можно, но аналитику потребуется глубже изучить машинное обучение, теорию вероятностей, линейную алгебру и программирование, это не быстрый процесс – потребуется длительное обучение и вовлеченность.

Наши студенты работают реальными задачами от партнеров магистратуры – крупных компаний – и создают проекты, которые можно показать работодателю и добавить в портфолио.

Выпускники получают диплом престижного вуза с квалификацией “Инженер по информационным системам со специализацией в области исследования данных”.