数据分析师与数据科学家的区别（及其技能树）

知乎上有个问题：数据分析师和数据科学家有何区别？

这个问题还蛮普遍的，关注的人不少。知乎上有不少回答，但没有一个普遍接受的答案，争议比较多。

其实，这个问题在一些英文网站上说得蛮清楚的。只要看两张图就可以了——

第一张图：

这张图出自A Beginner’s Guide To Data Science。很明显两者的工作内容虽然有交叠，但区别还是蛮大的。

数据分析师（Data Analyst）虽然也做一些数据探索分析的工作，但其主要工作是直接的业务支持。可以想象，直接的业务支持要求常规、成熟可和快速的分析技术。

数据科学家（Data Scientist）不仅需要探索性分析数据，还要通过机器学习和算法研究建模，以及数据工方面的工作。在有的公司，也可能叫做数据研究员（Data Researcher）。

上面的解释还是有些抽象。你可以简单地理解为数据科学家研究出一些东西，经过规范化后，数据分析师照章办事就可以了。当然，这样说并不准确，只能体现他们之间的主要关系。他们各自还有很多不同的工作，比如，数据分析师在公司的日常业务中参与更深，而数据科学家会更多地做预测工作。

如果我们看kan第二张图——所需技能对比，就更容易感受两者的不同：

这张图出自网文Data Analyst vs Data Scientist。容易注意到，数据科学家在Python等编程方面需要的知识技能比数据分析师要多得多。虽然现在有些高级数据分析师岗位也要求Python，但总的说来，数据分析师对编程的要求是很低的，对Excel/Tableau/PowerBI这些工具的要求更多些。

总之，虽然数据分析师和数据科学家都是利用已有的数据为公司创造价值，但前者的工作目标偏向当前和具体，更强调确定性，后者的工作目标偏向未来和宏观，面对更多的不确定性，并需要更多的编程和机器学习技能。虽然把数据科学家作为数据分析师的晋升方向也未尝不可，但足够数量的优秀的数据分析师对公司的日常运营是更重要的。