Data Scientist vs Data Analyst | KajoData Podcast

Najseksowniejszy zawód XXI wieku. Piekarz? Pszczelarz? Szambonurek? No nie. Chodzi oczywiście o zawód Data Scientist. Jeszcze jakiś czas temu media bardzo się rozkochiwały w tym zawodzie i podkreślały, że Data Scientist jest takim KajoData.

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,

Że te wymagania są naprawdę duże. Bo taki Data Scientist, a nie jedynie, że chcieliśmy fancy nazwać kogoś, ale taka osoba jest naprawdę Data Scientistem, to tak. Z jednej strony ma ogarnięte programowanie. Z drugiej strony jest już zaawansowanym analitykiem. Po trzecie jest osobą, która ogarnia statystykę na dosyć wysokim poziomie i najlepiej, żeby jeszcze ogarniała machine learning, czyli AI nie na zasadzie tam czata GPT, Tylko, żeby rzeczywiście ogarniała uczenie maszynowe, algorytmy uczenia maszynowego. I teraz, jeżeli weźmiemy sobie to wszystko, to okaże się, że bardzo ciężko nabyć te wszystkie umiejętności.

KajoData.com Ok, wracamy do tematu. I jest coś jeszcze innego. Jest cały setup, który jest po naszej stronie technologicznej, na naszym laptopie mówiąc wprost do zrobienia, żeby to wszystko działało, żebyśmy mogli się tego wszystkiego zacząć uczyć. A teraz jeżeli spojrzymy na analityka danych, to Tam mamy Data Scientist'a tylko bez Machine Learning, bez programowania i bez zaawansowanej statystyki. Czyli zostają nam podstawowe umiejętności analityczne, podstawowe narzędzie analityczne, które większość z nas ma, czyli Excel, bo mamy Excela na swoim kompie. I podstawowe zagadnienia statystyczne, czyli coś, gdzie rzeczywiście możemy próbować być lepsi i na podstawie tego podejmować lepsze decyzje, bo odróżniamy średnio od mediany, wiemy czym są kwartyle, umiemy patrzeć na krzywą rozkładu i możemy coś na podstawie tego powiedzieć, rozumiemy o co chodzi, wiemy o czym świadczy odchylenie standardowe.

To są dosyć podstawowe rzeczy i to wszystko nam się w roli analityka przyda. Natomiast jest dużo rzeczy, których nie musimy robić. I to powoduje, że jeżeli ktoś chce wejść do branży, to rola analityka jest o wiele lepsza tutaj. Dlatego, że po prostu jest mniej do ogarnięcia. I co najlepsze, jeżeli my zostaniemy analitykiem, to o wiele łatwiej nam zostać data scientistem później, tak? Tymczasem, gdybyśmy chcieli od razu zostać data scientistem, no to to jest, wiesz, to to jest tak jakbyś, no nie wiem, Pykał tam sobie w piłkę nożną na boisku, obijał sobie o mur i jednocześnie się zastanawiał kiedy Cię przyjmą do Juventusu czy do Barcelony, nie? Jakby ten skok jest za duży, który Ty próbujesz zrobić, więc ja nie mówię nawet, że ktoś kto chce być data scientistem powinien nie być data scientistem, powinien po prostu poprzestać na roli analityka.

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.

Więc ten AI po prostu powoduje coś, co dla mnie jest inflacją oczekiwań. To znaczy, że oczekuje się trochę więcej. Oczekuje się zarówno od analityka trochę więcej, jak i od Data Scientista trochę więcej, bo po prostu jesteśmy w stanie szybciej robić rzeczy. To tyle. To tak jak kiedyś rozwiązywanie jakiegoś problemu zajmowało nam 3 dni, teraz zajmuje nam jeden dzień. I to byłby problem, gdyby na przykład tak u jednych było. Ale ponieważ to dotyczy wszystkich, To po prostu wszystkim podniesiona została poprzyczka, ale de facto, jak się rozejrzymy, to został status quo, jeśli chodzi o to, jak to wygląda dookoła nas, tak? Punkt nr 3. Zakres obowiązków i codzienna praca. Jeżeli chodzi o analityka danych, to ta praca jest dosyć ciekawa, szczerze mówiąc, dlatego że bardzo często będzie tak, że sama analiza danych czy tworzenie raportów, bo to też jest ważne, że analityk danych

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.

To znaczy, Tutaj musimy poczyścić jakieś dane. Tutaj próbujemy sobie zautomatyzować jakiś pipeline machine learningowy. Tutaj robimy jakąś taką mega zaawansowaną analizę w Pythonie. Siedzimy w jakimś takim projekcie. No ale tutaj próbujemy model uczenia maszynowego wrzucić na produkcję, tak? Bo bardzo dużo różnych się rzeczy wymaga od data scientist'a. Ale to są wciąż takie, taka różnorodność technologiczna. Natomiast w przypadku analityka danych, My mamy różnorodność technologiczną, no bo tutaj rzeźbimy na szybko jakieś analizy w Excelu. Tutaj tworzymy sobie model danych w naszej bazie danych w SQLu po to, żeby później to zwizualizować. Tutaj tworzymy dashboard w Power BI albo w Tableau, żeby oddać to biznesowi, żeby oni mogli codziennie sprawdzać jak tam wygląda stan firmy, stan danego działu.

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,

Z tego typu rzeczami albo BI Developer to też jest rola, która tak naprawdę jest tym samym, tak? Tylko tworzymy raporty bardziej niż analizujemy dane. Sorry, że wbijam się w temat, ale chciałem tylko przypomnieć, że na mojej stronie kajodata.com znajdziesz dostęp do społeczności i platformy dla analityków danych, gdzie jest mnóstwo świetnych materiałów i pełne wersje kursów z Excela, SQL, Pythona i Tableau, a także webinary z Power BI, więc gorąco zachęcam. KajoData.com. Ok, wracamy do tematu. Na przykład jeśli chodzi o Data Scientist'a, no to to są firmy, które muszą być dosyć zaawansowane technologicznie. To są firmy, które muszą sobie pozwolić na koszty, które wiążą się z tym, że mamy takiego Data Scientist'a.

No bo Data Scientist więcej zarabia, więc więcej kosztuje firmę. A jego praca jest sensowna wtedy, jeżeli można użyć jego umiejętności. Czyli on musi pracować z jakimiś modelami produkcyjnymi, z jakimś uczeniem maszynowym. Tego nie będzie w każdej firmie. Większość średnich firm nie potrzebuje Data Scientista. Potrzebuje osobę do ogarnięcia danych, do ogarnięcia raportów, do ogarnięcia analiz. A nawet jeżeli będą potrzebowali, to stawiam dolary przeciw orzechom, że na jednego Data Scientista będą potrzebowali czterech albo pięciu analityków. Bo taka jest po prostu proporcja. I teraz, jeżeli próbujemy podejść do tego logicznie, czyli potrzebujemy trochę więcej zarabiać,

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.

Daj mi znać w komentarzach, co Ty myślisz o tym porównaniu. Czy analityk danych, czy data scientist, Którą z tych rur się interesujesz? A może jest jakiś inny zawód, który Cię ciekawi, o którym chciałbyś, żebym opowiedział na tym kanale? Pamiętaj o łapce w górę, o subskrypcji, bo to mi pozwala rozwijać ten kanał, pozwala mi dzielić się tą wiedzą z innymi. No i cóż, do zobaczenia w kolejnym odcinku. Na razie.