Data Scientist vs Data Analyst | KajoData Podcast

Tutaj jest pewien błąd, dlatego że zapominamy o innej roli, która też istnieje, która też jest bardzo ciekawa i tutaj to podkreślę, jeżeli zmieniamy branżę, jeżeli chcemy się przebranżowić, to prawdopodobnie może być lepszym wyborem. Mówię o analityku danych, o Data Analiście. I w tym filmiku porównamy sobie te dwa zawody. Z jednej strony to będzie Data Analyst, z drugiej strony to będzie Data Scientist. Przejdziemy sobie przez pięć punktów i zastanowimy się, co jest lepszą opcją, oczywiście moim zdaniem, dla osoby, która chce zmienić swoją branżę. Punkt numer jeden. To są wymagania wejściowe i poziom trudności. Jeżeli spojrzymy na to, co musi robić Data Scientist w swojej pracy, to okaże się,

Tymczasem po stronie Data Scientista będzie tego trochę mniej, będzie trochę więcej pisania kodu. I mi się wydaje, że tutaj ten wpływ AI jest stosunkowo niewielki po jednej i po drugiej stronie. Bo oczywiście my możemy sobie optymalizować nasz kod, tak? Data Analyst może sobie optymalizować SQL-a, może sobie optymalizować Python-a, Data Scientist też może sobie optymalizować Python-a, może sobie próbować optymalizować to jak tam są rozpisane algorytmy do uczenia maszynowego. Ale obie te profesje wciąż muszą to znać, żeby móc sobie to optymalizować, tak? I to jest takie bardziej wspomaganie się AI-em. Tutaj nie ma takiego prostego zastąpienia umiejętności, jak to jest moim zdaniem w przypadku programisty.

Nie zawsze analizuję dane. Można pracować jako analityk danych, mieć Data Analyst w tytule i przeprowadzać bardzo niewiele analiz. Bo te analizy będą dotyczyły tego, w jakim stanie są te dane. Czy na podstawie tych danych my możemy stworzyć jakiś raport, który pomoże biznesowi podjąć jakąś decyzję. Ale to nie jest tak, że to my będziemy podejmować tę decyzję. Nawet Często nie jest tak, że my nawet nie będziemy dawać rekomendacji. My będziemy po prostu tworzyć raporty czy też analizy do tego, żeby inni to zrobili. Oczywiście pewne umiejętności analityczne są potrzebne, ale jest dosyć duża różnorodność w tej pracy. I po stronie Data Scientista ta różnorodność też istnieje, ale mam wrażenie, że ta różnorodność to jest różnorodność technologiczna.

Spoko opcją. Ja nie mówię, że po stronie Data Scientist tego aspektu komunikacyjnego nie ma, bo on jest, ale moim zdaniem on jest po prostu trochę mniejszy. Punkt numer cztery to jest krzywa uczenia się i rozwój kariery. I tutaj ciężko może to trochę porównać, ale chciałem wywołać ten punkt, dlatego żeby pokazać podstawową różnicę. To znaczy to są zawody na różnych etapach. Data Analyst to jest, oczywiście można być Data Analystem seniorem, ale Data Analyst to jest osoba, którą spokojnie można być na samym początku swojej przygody ze światem IT w ogóle i później zastanowić się, gdzie chcemy pójść. Czy my chcemy pójść na przykład w stronę Data Scientista? Czy my chcemy pójść w stronę Architekta Danych? Czy my chcemy pójść w stronę Data Inżyniera?

Czy my chcemy pójść w stronę kompletnie biznesową, czyli na przykład Managera, bo bardzo dobrze ogarnęliśmy jakąś branżę biznesową, tak? A jednocześnie mamy ten skill technologiczny, że nikt nas nie nabije w butelkę. Tymczasem Data Scientist to jest Już trochę późniejsza rola. My tu już trochę nie mamy opcji, znaczy moglibyśmy się cofnąć, ale generalnie that's it. To jest punkt dojścia. To co możemy zrobić? To być senior data scientistem albo data scientistem w innej firmie. Ale jeżeli jesteśmy na początku, no to de facto rola analityka danych, data analysta, Jest lepiej skrojona dla takiej osoby, bo Data Scientist to jest osoba, która już ma naprawdę sporo doświadczenia i pewnie się zdarzają jakieś takie wyjątki ludzi, którzy od razu zostają Data Scientistem, ale to są naprawdę wyjątki z tego co ja obserwuję, bo trzeba mieć rzeczywiście jakieś to komercyjne doświadczenie w danych.

I punkt numer 5 to jest popyt, zarobki i łatwość znalezienia pracy. Tutaj jest ciekawa sprawa, no bo oczywiście tak. Zarobki Data Scientista będą większe. Koniec kropka. Tak po prostu będzie. Zarobki i analityka danych nie są złe, One są niezłe i naprawdę w pewnym momencie tam na spokojnie ta pięciocyfrowa kwota nam zaczyna wlatywać, także tym się kompletnie nie przejmujemy, ale jest coś innego jeśli chodzi o popyt i łatwość znalezienia pracy. Otóż analityka potrzebuje praktycznie każda większa firma. I to może być analityk, analityk, tzn. jest wypisany Data Analyst i Ty jesteś tym analitykiem. To może być Data Analyst, tylko ukryta pod inną nazwą, czyli np. BI Developer, Specjalista do spraw raportowania, Specjalista do raportów, czyli osoba, która pracuje z danymi, z raportowaniem,

Bardzo to uproszczę i bardzo to przedstawię tak, żeby było, że analityk danych ma trudniej niż data scientist. Albo jakby podniosę, że tak powiem, szansę data scientistowi. Załóżmy, że data scientist ma 10% szans na to, żebyś dostał tą rolę. Chociaż często jest to o wiele mniej. A analityk danych ma 70% szans. No to to, że np. Data Scientist będzie zarabiał o 30% lepiej niż Data Analyst, ale każda z tych pensji jest o wiele wyższa niż Twoja obecna pensja, czy jest trochę wyższa niż Twoja obecna pensja, czy powoduje, że Ty jesteś w stanie od tego momentu się odbić i z każdym awansem, z każdą zmianą pracy więcej zarabiać?

No to moim zdaniem każdego dnia powinieneś wybrać to, co ci daje 70% szans, tak? To jest po prostu stare powiedzenie, że lepszy wróbel w garści niż tam orzeł na dachu, czy gołąb na dachu, jakiś inny ptak na dachu, gdzieś tam daleko, nie? Dlatego, że to co się liczy to jest to jakie ty masz szanse w ogóle. To równie dobrze taką strategią na zyskanie większej ilości pieniędzy bez względu na to jaka jest szansa, że to się wydarzy to jest granie w totolotka. Po co próbować zostać Data Scientistem skoro najwięcej kasy da ci wygrana w totolotka. Tylko, że wygrana w totolotka ma Wiadomo jakie szanse procentowe, że się wydarzy. Dlatego wydaje mi się, że rola data analista dla osoby, która się przebranżawia jest po prostu lepszym wyborem.