Mặc dù bạn không nhất thiết phải so sánh hai khái niệm này nhiều như Data Engineering hay Machine Learning, nhưng vẫn có một số lượng trùng lặp đáng kể đáng ngạc nhiên giữa hai vai trò này. Có nhiều thứ giống nhau nhưng ngoài ra, cả hai vai trò đều có chung một số điểm không rõ ràng dẫn đến sự chồng chéo hơn nữa về kỹ năng, khái niệm và mục tiêu.
Dưới đây, tôi sẽ nêu chi tiết cụ thể của hai vị trí này, cũng như những điểm giống và khác nhau của chúng theo quan điểm cá nhân của tôi.
𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭 (𝐍𝐡𝐚̀ 𝐤𝐡𝐨𝐚 𝐡𝐨̣𝐜 𝐝𝐮̛̃ 𝐥𝐢𝐞̣̂𝐮)
Data Scientist là người sử dụng các thuật toán Machine Learning để tạo ra một mô hình từ dữ liệu nhằm giúp công việc kinh doanh trở nên hiệu quả hơn. Một số kỹ năng chính cần có để trở thành Data Scientist (Nhà khoa học dữ liệu), cũng như các mục tiêu tương ứng của họ là gì?
Các kỹ năng chính cho Data Scientist bao gồm, nhưng không giới hạn ở:
*Kỹ năng:
– Python, R, SAS và SQL (hoặc một số dạng dữ liệu bao bọc)
– Jupyter Notebook
– Lập trình hướng đối tượng (OOP)
– Các thuật toán Machine Learning
– Giải quyết vấn đề
– Hiểu biết về doanh nghiệp
– Làm dữ liệu trở nên có ý nghĩa
– Trao đổi vấn đề kinh doanh với các bên liên quan
– Truyền đạt giải pháp khả thi
– Truyền đạt kết quả và tác động
Như bạn có thể thấy, có cả kỹ thuật và kỹ năng mềm liên quan đến Khoa học dữ liệu. Để trở thành một Programmer (Lập trình viên) hoặc Statistician (Nhà thống kê) là chưa đủ, mà còn phải là người có thể truyền đạt quy trình thiết lập tuyên bố vấn đề, phát triển nó và chia sẻ giải pháp tương ứng đó cho doanh nghiệp.
Các mục tiêu chính của Data Scientist bao gồm, nhưng không giới hạn ở:
*Mục tiêu
– Làm cho việc kinh doanh hiệu quả hơn
– Làm cho một giải pháp chính xác hơn
– Làm cho một giải pháp rẻ hơn
Bạn có thể thấy rằng không có mục tiêu nào ở đây nhất thiết phải là kỹ thuật, chúng hoàn toàn là những điểm cuối cùng cải thiện hoạt động kinh doanh theo một cách nào đó. Tuy nhiên, phương pháp mà bạn đạt được mục tiêu đòi hỏi phải có chuyên môn kỹ thuật.
𝐁𝐮𝐬𝐢𝐧𝐞𝐬𝐬 𝐀𝐧𝐚𝐥𝐲𝐬𝐭 (𝐍𝐡𝐚̀ 𝐩𝐡𝐚̂𝐧 𝐭𝐢́𝐜𝐡 𝐤𝐢𝐧𝐡 𝐝𝐨𝐚𝐧𝐡)
Có lẽ điểm tương đồng lớn nhất của BA với Data Scientist là chính các từ để mô tả vai trò. Một Data Scientist được kỳ vọng sẽ thực hiện phân tích kinh doanh trong vai trò của họ vì nó về cơ bản là những gì quyết định các mục tiêu Khoa học Dữ liệu của họ. Một BA có thể mong đợi không tập trung vào các thuật toán Machine Learning để giải quyết các vấn đề kinh doanh, mà thay vào đó là làm nổi bật những bất thường, sự thay đổi và xu hướng cũng như các điểm quan tâm chính của một doanh nghiệp.
Một số kỹ năng chính của Chuyên viên phân tích kinh doanh là:
*Kỹ năng:
– Excel
– SQL ( đôi khi )
– MS Office ( tất cả )
– Làm quen với các công cụ trực quan hóa ( Tableau, Looker, Google Data Studio, v.v. )
– Đảm bảo chất lượng
– Giải quyết vấn đề
– Tư duy phân tích
– Công nghệ thông tin
– Dự báo
– Gặp gỡ các bên liên quan
– Gặp gỡ Data Scientist và quản lý sản phẩm
Các kỹ năng ở đây bao gồm các công cụ được sử dụng để trả lời các vấn đề một cách phân tích. Cũng quan trọng trong vai trò này là khả năng giải quyết vấn đề và làm nổi bật các lĩnh vực cải tiến chính của doanh nghiệp.
Dưới đây là một số mục tiêu mong đợi cho một Nhà phân tích kinh doanh:
– Xác định KPI ( Các chỉ số hiệu suất chính )
– Thông tin chi tiết về bề mặt
– Giải quyết vấn đề trong công ty bằng cách sử dụng dữ liệu
Các mục tiêu ở đây rộng hơn và cuối cùng đề cập đến việc sử dụng dữ liệu để giúp doanh nghiệp.
𝐒𝐮̛̣ 𝐤𝐡𝐚́𝐜 𝐛𝐢𝐞̣̂𝐭
Tất nhiên, có một số khác biệt chính giữa hai vai trò này. Một trong những điểm khác biệt lớn nhất là việc sử dụng Machine Learning chỉ dành cho các Data Scientist. Một điểm khác biệt nữa là BA có thể mong đợi giao tiếp với các bên liên quan nhiều hơn là Data Scientist ( đôi khi công việc của Data Scientist có thể khó hơn và không liên quan đến nhiều cuộc họp ).
Dưới đây là tóm tắt về sự khác biệt mà bạn có thể tìm thấy giữa các vị trí này.
*Sự khác biệt:
– Data Scientist kết hợp các thuật toán Machine Learning
– Data Scientist bao gồm nhiều tính năng kỹ thuật hơn
– Các BA trao đổi và trình bày nhiều hơn về các phát hiện ( thường là )
– BA sử dụng các công cụ khác nhau không phải lúc nào cũng yêu cầu lập trình
– Data Scientist yêu cầu nền tảng tập trung vào kỹ thuật phần mềm hơn
– Data Scientist có xu hướng dự báo nhiều hơn so với Business Analytics
Tuy nhiên, Business Analytics không yêu cầu dự báo, nhưng cũng có tầm quan trọng hơn đối với các chỉ số tóm tắt và mô tả.
𝐒𝐮̛̣ 𝐭𝐮̛𝐨̛𝐧𝐠 đ𝐨̂̀𝐧𝐠
Hai vai trò này chia sẻ mục tiêu với nhau. Mỗi thứ cũng yêu cầu đi sâu vào dữ liệu bằng các công cụ tương tự. Quá trình giao tiếp cũng tương tự như vậy – làm việc với các bên liên quan từ công ty để xem xét vấn đề kinh doanh, giải pháp, kết quả và tác động.
Dưới đây là tóm tắt về những điểm tương đồng chính giữa Data Scientist và Business Analyst.
*Điểm tương đồng:
– Làm việc với dữ liệu
– Giải quyết các vấn đề kinh doanh
– Làm việc với các bên liên quan
– Sử dụng các công cụ trực quan như Tableau
– Phân tích dữ liệu trong quá khứ để cung cấp dữ liệu mới
– Mô hình dự đoán
𝐊𝐞̂́𝐭
Cả hai vai trò khác nhau giữa các công ty. Điều giữ nguyên là mục tiêu và tác động mà mỗi vai trò sử dụng. Có lẽ sự khác biệt lớn nhất là phương pháp làm thế nào bạn có được giải pháp hoặc nhận diện một phát hiện. Một số BA cuối cùng có thể trở thành Data Scientist và ngược lại. Nó phụ thuộc vào sở thích của bạn đối với các kỹ năng và công cụ cần thiết để thực hiện công việc của bạn.
Theo Matt Przybyla
Biên dịch bởi True Skill Center
– – –
Xem thêm thông tin bổ ích miễn phí và tham gia cộng đồng True Skill tại: