应该聘用数据科学家还是数据分析师

应该聘用数据科学家还是数据分析师

但是，数据科学家在这三个方面的表现都是完美的吗?更重要的是，所有这些角色都需要类似的技能吗?或者说数据分析师和机器学习工程师使用的技能和方法是完全不同的吗?

事实上，这些专家的方法确实有很大不同。谷歌公司首席决策科学家Cassie Kozyrkov对这种差异提供了一个精辟的解释。她声称，组织的数据分析师是为了提供快速的结果，例如分析数据中有趣的相关性。

为了满足决策者对快速和简短答案的期望，数据分析师使用相应的编码风格——使用更少的代码行，并为管理者生成易于理解的相关矩阵。机器学习工程师有一个完全不同的编码风格，他们的目标是建立一个完美的模型，这通常需要很多时间。

统计学家也无法提供快速结果，他们会说，“等等，我们无法从这些数据中得出任何因果关系。我们甚至不知道其结果是否具有统计意义!”是的，有时组织需要擅长统计数据的统计学家或数据科学家来回答这类问题。但是真的需要知道这些答案才能了解数据中的相关性吗?

实际上没有。在获得数据分析师的初步结果后，组织应聘请领域专家，他们可以决定哪些已识别的模式对业务确实很重要，值得进一步调查。人们可能已经看到数据分析师在某些情况下比数据科学家更令人满意。但现在需要澄清数据分析师应该具备哪些技能来满足决策者的需求，并成为组织的资产。