每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/

许多人，在技术行业内外，对不同的数据角色及其职责感到困惑。这可能会使得想要进入该领域的人难以知道哪份工作适合他们的技能，以及与他们想要做的事情是否一致。因此，在这篇文章中，我想详细解释数据科学家、分析师和工程师之间的区别。

下面的图表展示了公司内部的基本数据流。

这并不是普遍适用的，不同的组织之间可能会有所变化。

公司内部的数据流。作者绘制的图表。
让我们来详细分析这些步骤：

• 收集 — 这主要是关于从你可能需要的来源收集数据。要获取数据，你需要从组织拥有的网站或产品中进行日志记录和API调用。
• 存储 — 现在我们有了数据，需要存储它以便我们可以访问。数据可以存储在许多地方和形式中，如关系数据库、云基础设施（如S3桶），甚至是某个服务器上的普通旧CSV。为此，你需要构建健壮的数据管道。
• 转换 — 尽管我们有了数据，但它可能不是在一个很好的格式中。所以，我们需要转换它来清理并创建有用的表格。
• 分析 — 数据清理干净后，我们可以开始从中收集洞察，以帮助推动业务决策。
• 优化 — 数据生命周期的最后顶点是使用洞察来优化公司内部的流程，通过预测分析、建模和测试来实现。

角色要求概览

公司内不同的数据角色将控制数据流的不同部分。通常，数据工程师将使用管道来收集和存储数据。收集步骤也可以与软件工程师协作完成。

转换阶段是由这三个角色以某种方式完成的，至少根据我的经验是这样。数据科学家需要转换数据以进行模型训练，分析师转换数据以收集洞察，工程师通过数据建模转换数据以创建更好的表格。

然后，数据分析通常由数据分析师完成。最后，数据科学家负责流程中的优化步骤。尽管如此，数据科学家可能会发现自己有时也在进行一些分析，反之亦然。

我想强调的是，根据我的经验，角色之间的界限并不是固定的，而是经常相当流动的。如果你是一名数据工程师，你可能会发现自己有时也在进行一些分析和预测建模。这取决于你的组织结构和你的角色需求。

在大公司，你的技能将会更加专业化。数据科学家只会做建模部分，工程师只会做收集和存储方面的工作。而在小公司，比如初创公司，你更有可能是全能选手。在申请工作时请记住这一点！

还有另一件事需要注意，那就是每家公司对数据角色的定义往往不同。一家公司的数据科学家可能在另一家公司是数据分析师。因此，在申请前仔细阅读职位描述非常重要。

无论如何，让我们分解这三个数据角色以及他们执行工作所需的技能和工具。

数据工程师

如上所述，数据工程师基本上是数据生态系统的基础，因为他们是获取和存储数据的人。他们的总体目标是构建健壮且可持续的数据管道和基础设施，以服务分析师、科学家和任何想要在公司内部使用数据的人。

以下是成为数据工程师所需的技能和工具：

• 编码 — 作为工程师，你需要能够编码。你需要知道的主要语言是Python和SQL，但像NoSQL、R和Java这样的语言也很有用。
• 数据库和存储 — 现在，关系型和非关系型数据库是存储数据的主要方式，因此了解它们的工作方式和功能非常重要。常见的学习对象包括MySQL和PostgreSQL。你还需要了解数据仓库和数据湖等内容。
• 命令行和终端 — 像任何技术职业一样，使用命令行执行命令、编辑文件和运行脚本是很重要的。
• ETL（提取、转换、加载） — 这些工具有助于构建数据管道，比如Apache Airflow。
• 云计算 — 许多数据工作流程，以及一般的技术工作，都是通过云计算完成的。现在几乎是基本要求，要理解AWS、Azure和Google Cloud等平台。

这并不是一个详尽的列表，因为每个公司的数据工程师角色都不相同。

数据分析师

数据分析师的主要工作是从数据中提取有意义的洞察，以帮助业务。作为分析师，你通常比数据工程师更接近业务端，因此领域知识很重要。

以下是成为数据分析师所需的技能和工具：

• 编码 — 一般来说，分析师主要需要了解SQL。Python对许多角色来说很有用，但不是必需的。
• Excel — 对于任何行业的任何分析任务，Microsoft Excel都是黄金标准。作为分析师，你必须非常熟练地使用它。
• 仪表板 — 你需要能够以清晰的方式将你的发现呈现给利益相关者。使用Power BI和Tableau等工具通过仪表板进行呈现是最佳方式。
• 分析技能 — 分析师经常运行实验，如AB测试，因此擅长数学和统计学是必需的。
• 沟通 — 如上所述，你经常需要向非技术利益相关者展示你的发现，因此能够以易于消化的方式传达你的结果至关重要。

像数据工程师一样，这个列表绝不是详尽的，某些公司可能还需要分析师具备其他技能。

数据科学家

作为数据科学家，你的主要目标是创建预测性和机器学习算法，以帮助业务做出决策和自动化流程。你可能会进行预测、优化，甚至是深度学习，这取决于你工作的行业和领域。

以下是成为数据科学家所需的技能和工具：

• 编码 — Python和SQL是必须的。Python因为大多数机器学习包都是用这种语言编写的，SQL用于收集你的训练数据。
• 机器学习 — 你需要对机器学习算法及其工作原理有良好的
• 理解，因为这是你大部分时间都在做的事情！
• 数学和统计学 — 要理解机器学习，你需要在线性代数、微积分和贝叶斯统计等领域精通数学和统计学。
• 云计算 — 许多算法和数据科学产品都部署在云上，因此熟悉云系统是很好的。
• 命令行和终端 — 数据科学家相当多的时间在生产代码中工作，因此精通Bash和Z-Shell脚本非常有用。
• 沟通 — 你经常需要向非技术利益相关者展示你的发现和模型，因此能够以易于消化的方式传达你的结果至关重要。

该选择哪一个？

最终的问题是，你应该选择哪个数据角色？在我看来，这取决于你的技能集在哪里以及你对什么感兴趣。我认为成为分析师是最容易的，因为它的要求较少，所以你可以更快地获得第一份工作。它也是对任何关注业务的人来说最好的角色。数据科学家的工作主要针对喜欢数学和统计学的人，而数据工程师非常适合喜欢技术方面的人。无论你选择哪一个，记住，无论标题如何，各公司的角色和职责都会有所不同。因此，确保你仔细阅读职位描述，以准确了解你每天将要做的事情！