データサイエンスの職名の進む道：データアナリスト vs データサイエンティスト vs データエンジニア

データサイエンスのキャリアパス：データアナリスト vs データサイエンティスト vs データエンジニア

 

ナビゲーションは適切な言葉の選択のように思えます。データサイエンスは時折、新しい仕事のタイトルや専門分野を次々と生み出す荒波のように思われることもあります。それに感謝しますが、データサイエンスよ、君が動的で野生的な存在であることは理解しています。しかし、それをどう活用するのでしょうか？

まず、基本を理解しましょう。私がデータサイエンスの仕事と言った場合、私はすべてのデータ関連の仕事を含んだ広義のデータサイエンスを指しています。私にとって、これらすべてはデータサイエンスの職業タイトルです。

さらに、データアナリスト、データサイエンティスト、データエンジニアはもはや新しい職業ではありません。しかし、役割や責任がわかりづらくなっていることもあります。これらの職業には多少の重複があり、それが問題となっています。

• 「データ分析に関する5つの無料大学のコース」
• 「伝統的な機械学習はまだ重要ですか？」
• 「365データサイエンスは、11月20日まで無料のコースアクセスを提供しています」

多くの企業が一人のデータチームを持っていると、状況はさらに悪化します。はい、スタートアップ企業、あなたを見ています！

いいえ、データアナリスト、データサイエンティスト、データエンジニアは同じ職業ではありません！誰が考えたでしょうか？

これらの職業は専門知識と焦点が異なるものの、会社内のデータチームの一部として同じ目標に向かって働いています。

 

データの役割の重要性

 

すべての企業はデータの価値を認識し、データチームを活用してその価値を引き出そうとしています。一般的に、企業はその中で以下の5つの共通の目標を達成しようとします。

 

1. 意思決定のための情報

 

データによって、企業は暗中模索や意思決定者の勘に頼ることなく、戦略や経営判断に対する洞察を提供できるようになりました。技術の進歩により、データの種類とその活用可能性も増えました。

データサイエンスはデータを活用して洞察を提供し、戦略や経営判断に影響を与えます。

 

2. 顧客体験の改善

 

企業は顧客志向である必要があります。なぜなら、顧客からお金が入ってくるからです。データサイエンスによって、企業は顧客の行動やフィードバックを分析することができます。これにより、企業は顧客に合わせて製品やサービスを調整し、そのニーズを予測することができます。

 

3. 運営効率の向上

 

企業は顧客からできるだけ多くの収益を上げたいと思っていますが、そのためには効率的な方法で行うことも好みます。つまり、できるだけコストを抑えることです。データサイエンスはその点で役立ちます。タスクの自動化やスピードアップ、最適化、ボトルネックの発見などに活用されます。つまり、ビジネスのコスト面に対処します。

 

4. イノベーションと競争力

 

データサイエンスは、顧客のニーズや業界内のトレンド、経済の変化などを特定し、予測することでイノベーションを促進します。ここでのイノベーションは、既存の製品やマーケティング戦略、販売戦略、製造プロセスなどに言及することができますが、それに限定されるものではありません。

 

5. リスク管理

 

ビジネスはリスクを伴うものです。データサイエンスは、企業の潜在的なリスクを特定し、評価し、管理するのに役立ちます。

 

データサイエンスの職業タイトル

 

職業タイトルの違いを分析するためには、各職業の明確な定義が必要です。まずはそこから始めましょう。それから、責任、必要なスキル、使用されるツール、キャリアパスについても見ていきます。

 

データアナリスト

 

役割の概要：データアナリストは、データを分析します。パターンを特定し、実践的な洞察を提供するために行います。これらのパターンと洞察は、レポートやダッシュボードで提示され、意思決定者が情報に基づいた決定をすることができます。

データアナリストは、主に記述的な（何が起こったのか？）および診断的な（なぜそれが起こったのか？）データ分析に従事しています。

主な責任：

• データのクリーニング：データを分析のために準備するために、データの標準化、形式の変更、重複、欠損値、データの不整合などの処理を行います。
• データ分析：統計的な手法を使用してデータのトレンド、パターン、洞察を理解します。
• データの可視化とレポート：レポート、データの可視化、ダッシュボードを通じてデータ分析の結果を伝えます。

キーコンピテンシーおよびツール: 主に使用されるスキルおよびツールは、役割の説明から派生することができます。

  

キャリアパス: データアナリストはより上級のアナリスト職に移動することができます。経験を積み、追加の教育を受けることで、統計学者、ビジネスアナリスト、またはデータサイエンティストといった専門職に移行することも可能です。

 

データサイエンティスト

 

役割の概要: データサイエンティストは、より高度なレベルでデータを分析します。彼らは統計モデルや機械学習アルゴリズムを使用して、将来のイベントの発生確率を特定します。これにより、データアナリストとは異なり、予測型（何が起こるか？）および指示型（何をすべきか？）のデータ分析に関心を持っています。

キーコンピテンシー:

• 高度な分析: データから洞察を抽出するための高度な統計技術の使用
• 機械学習: 既存のデータから学習するための機械学習アルゴリズムの実装
• 予測モデリング: 実際のデータと新しいデータに対して将来のイベントを予測するためのモデルの構築と展開

これらのキーコンピテンシーは、データアナリストが行う作業に基づいています。また、データサイエンティストもデータのクリーニングやデータの可視化なしには済ませることができません。

キーコンピテンシーおよびツール: データサイエンティストに必要なスキルとツールは以下の通りです。データアナリストと一部重複していることを確認できます。

  

キャリアパス: データサイエンティストはジュニアデータサイエンティストとして始まり、シニアデータサイエンティスト、リードデータサイエンティスト、データサイエンスディレクターに進むことができます。さらに、AIスペシャリスト、機械学習エンジニア、コンピュータおよび情報研究者といった他の方向に進むこともできます。

 

データエンジニア

 

役割の概要: データエンジニアは、データを収集、保存、輸送する目的でデータシステムを構築しています。彼らはすべてのデータユーザーに対してデータの可用性、品質、分析可能性（これは単語ですか？）を確保します。

キーコンピテンシー:

• データアーキテクチャ: データアーキテクトが設計した仮想に基づいてデータシステムを構築する
• データパイプライン: 複数のデータソースからデータベース、データウェアハウス、データレイクにデータを流し、他のデータユーザーが使用できるようにするシステムの構築
• データ品質の確保: データのエラーと矛盾を特定し、除去し、データの精度と信頼性を向上させる

はい、データエンジニアはこれらのタスクに集中しています。ただし、彼らもデータのクリーニングやデータの可視化を回避することはできません。

キーコンピテンシーおよびツール: データエンジニアに必要なスキルと使用されるツールは以下の通りです。

  

キャリアパス: データエンジニアのキャリアはシニアデータエンジニアやデータアーキテクトに進展することができます。また、ビッグデータ、機械学習、またはビジネスインテリジェンスなどの特定の領域に特化することもできます。

 

データアナリスト、データサイエンティスト、およびデータエンジニアのベン図

 

3つの職業間の違いを見てきました。途中で、必要なスキルの観点で職業間に重なりがあることにも気付きました。

簡単に理解するために、これらはベン図を使用して示すことができます。

  

すべての3つの職業で共有されるスキルは次のとおりです。

1. コーディング
2. データの操作
3. クラウドコンピューティング
4. データの可視化

それに加えて、2つの仕事で共有される追加のスキルが強調されています。

データアナリストには独自のスキルはありません。これらのスキルは他の仕事でもある程度必要です。

データサイエンティストに固有のスキルは以下の通りです。

1. モデルの構築、テスト、展開
2. AI

データエンジニアの特別なスキルは以下の通りです。

1. データ統合、ETL/ELT＆処理
2. データウェアハウス

これらの仕事で使用されるツールを同じ可視化手法を使って表示しましょう。

 

この画像では、3つの仕事でこれらのツールが共有されていることが示されています。

1. SQL
2. Python
3. リレーショナルデータベース
4. クラウドデータベース
5. NoSQLデータベース
6. BI＆データ可視化ツール

それに加えて、2つの仕事で共有される追加のツールが強調されています。

データアナリストが使用するツールは、少なくとも他の1つの仕事で使用されています。これらの仕事は同じツールタイプを共有しているかもしれませんが、ツールの使用範囲が異なる場合や、カテゴリ内の具体的なツールが異なる場合があります。

データサイエンティストに固有のツールは以下の通りです。

1. R
2. データサイエンスおよび機械学習ツール

データエンジニアに固有のツールは以下の通りです。

1. Java
2. Scala
3. Go
4. データ統合、ETL/ELT＆処理ツール
5. データウェアハウスツール

ギャップを埋める：協力が重要

各役割には独自の責任と使用するツールがありました。また、3つの仕事の間にはいくつかの重複があります。これは、データアナリスト、データサイエンティスト、データエンジニアの間の協力がデータチームにおいて重要であることを示しています。

データアナリストとデータサイエンティストは、基盤とクリーンで整理された高品質なデータに頼る必要があります。一方、データエンジニアはデータアナリストとデータサイエンティストと協力してデータアーキテクチャを構築し、データを提供する必要があります。

データサイエンティストは、ビジネスの文脈をよりよく理解するためにデータアナリストと協力する必要があります。

結論：あなたの道を選ぶ

データアナリスト、データサイエンティスト、データエンジニアの間の違いと類似点がより明確になりました。

結論として、

• データからの洞察を導き出し、それを伝えることが得意なら、データ分析があなたの道かもしれません。
• 予測モデルを構築し、機械学習アルゴリズムを使用することに喜びを感じるのであれば、データサイエンスを考えてみてください。
• データアーキテクチャの構築と定期的なデータフローの確保があなたを幸せにするのであれば、データエンジニアリングが適切な選択肢かもしれません。

もっと学びたい場合は、データエンジニアとデータサイエンティストの違いや、データアナリストとデータサイエンティストの違いに関する詳細があります。

****[Nate Rosidi](https://twitter.com/StrataScratch)****はデータサイエンティストであり、製品戦略の一環として働いています。また、データサイエンティストのための実際のインタビュー質問を取り扱うプラットフォームであるStrataScratchの創設者でもあり、非常勤講師として解析を教えています。彼とはTwitter: StrataScratchまたはLinkedInでつながりましょう。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!