Photo du site Unsplash . Par Christina @ wocintechchat.com
J'ai travaillé à la fois comme analyste de données professionnel (Data Analyst) et comme data scientist (Data Scientist). Je pense qu'il serait utile de partager des expériences pour chaque poste, en mettant en évidence les principales différences dans les tâches quotidiennes. J'espère que mon article vous aidera à décider lequel vous convient. Et ceux qui travaillent déjà peuvent, après l'avoir lu, vouloir changer de position. Certains débutent en tant qu'analystes de données, puis évoluent vers des chercheurs. Pas si populaire, mais non moins intéressant, est le chemin d'un chercheur en position basse à un analyste en position haute. Les deux postes ont leurs propres caractéristiques et nécessitent certaines compétences que vous devez connaître avant de franchir la prochaine étape importante du développement professionnel.
Ci-dessous, sur la base de mon expérience, je vais vous dire ce que signifie être analyste de données et data scientist, et je répondrai en détail aux questions les plus courantes sur chaque poste.
Analyste de données
Si vous souhaitez décrire les données de la période passée ou du moment actuel et présenter les résultats clés de la recherche aux parties prenantes, une visualisation complète des changements et des tendances, le poste d'analyste de données est fait pour vous. Les postes mentionnés présentent des similitudes que j'ai décrites dans un autre article couvrant les similitudes et les différences entre les compétences requises pour ces postes. Maintenant, je veux montrer comment le rôle de l'analyste de données par rapport au rôle du scientifique des données est ressenti. Il est très important de comprendre à quoi s'attendre de ces spécialistes dans leur travail quotidien. L'analyste interagira avec différentes personnes, communiquera beaucoup et maintiendra un rythme d'exécution élevé des tâches - plus élevé que ce qui est requis du scientifique des données.
Par conséquent, les impressions reçues dans chacun des postes peuvent varier considérablement.
Vous trouverez ci-dessous les réponses aux questions les plus courantes sur ce à quoi les analystes de données sont confrontés.
- Avec qui devrez-vous travailler?
Principalement avec les parties prenantes de l'entreprise qui demandent la synthèse des données, la visualisation des résultats et le rapport sur les résultats. La communication est généralement verbale ou numérique: e-mail, Slack et Jira. D'après mon expérience, vous devez travailler en étroite collaboration avec le côté humain et analytique de l'entreprise, pas avec l'ingénierie et la fabrication.
- À qui sont fournis les résultats?
Très probablement aux parties prenantes susmentionnées. Cependant, si vous avez un manager, vous lui rendez compte, et il transfère déjà les données aux parties prenantes. Il est également possible que vous collectiez un pool de demandes, rédigiez un rapport à leur sujet et les présentiez aux parties prenantes. À des fins de création de rapports, vous pouvez disposer d'outils tels que Tableau, Google Data Studio, Power BI et Salesforce qui offrent un accès facile aux données telles que les fichiers CSV. D'autres outils nécessitent plus d'efforts techniques - création de requêtes de base de données avancées à l'aide de SQL.
- Quel sera le rythme de travail sur le projet?
Beaucoup plus élevé que les data scientists. Vous pouvez préparer plusieurs pools de données (requêtes) ou rapports quotidiens et de grandes présentations avec des sorties hebdomadaires. Puisque vous ne construisez pas de modèles ou ne faites pas de prédictions (généralement) et que les résultats sont plutôt descriptifs et ad hoc, les choses vont plus vite.
Data scientist
Les scientifiques des données sont assez différents des analystes de données. Ils peuvent utiliser les mêmes outils et langages, mais le chercheur doit travailler avec d'autres personnes sur des projets plus importants (comme la construction et la mise en œuvre d'un modèle d'apprentissage automatique) et y consacrer plus de temps. Les analystes de données travaillent généralement seuls sur leurs projets: par exemple, une personne peut utiliser le tableau de bord Tableau pour présenter les résultats. Les scientifiques des données ont le pouvoir d'employer plusieurs ingénieurs et chefs de produit pour accomplir efficacement les tâches commerciales avec les bons outils et des solutions de qualité.
- Avec qui devrez-vous travailler?
Contrairement à un analyste de données, vous n'interagirez avec les parties prenantes que sur certains problèmes, tandis que pour d'autres problèmes liés aux modèles et à leurs résultats d'utilisation, vous contacterez des ingénieurs de données, des ingénieurs logiciels et des chefs de produit.
- À qui sont fournis les résultats?
Vous pouvez les partager avec les parties prenantes, ainsi qu'avec les ingénieurs qui ont besoin d'avoir une compréhension du produit fini, afin, par exemple, de développer une UI (interface utilisateur) conforme à vos prédictions.
- Quel sera le rythme de travail sur le projet?
La plus grande différence dans la perception et le fonctionnement de ces postes est probablement la durée de chaque projet. La vitesse des analystes de données est assez élevée, et les data scientists peuvent prendre des semaines, voire des mois, pour terminer un projet. La modélisation et la préparation de projets de data scientist sont des processus qui prennent du temps car ils impliquent la collecte de données, l'analyse exploratoire des données, la création de modèles maîtres, l'itération, le réglage du modèle et l'extraction des résultats.
Conclusion
Photo du site Unsplash . Par Markus Winkler
Les analystes et les data scientists utilisent les mêmes outils que Tableau, SQL et même Python, mais leurs tâches professionnelles peuvent être très différentes. Les activités quotidiennes d'un analyste de données comprennent davantage de réunions et d'interactions en face à face, nécessitent des compétences générales avancées et une exécution rapide du projet. Le travail d'un chercheur implique des processus plus longs, une communication avec les ingénieurs et les chefs de produit, ainsi que la construction de modèles prédictifs qui comprennent de nouvelles données ou de nouveaux phénomènes dans leur développement, tandis que les analystes se concentrent sur l'état passé et actuel.
J'espère que l'article était intéressant et utile. Merci de votre attention!