在当今世界，无论专业背景如何，一定听说过“数据科学”、“数据工程”、“商业分析师”等词汇，它们正在推动当今专业世界的决策制定。但就像一样，可能对这些术语的含义以及它们之间是否真的存在差异感到困惑。事实证明，数据领域中的所有工作都有明确的目标，本文将告诉这些职位角色之间的区别以及这些角色所需的技能。
数据工程师负责开发和维护数据架构、数据基础设施，并使数据可用于业务运营和分析。这些数据基础设施包括数据库、大数据存储库和数据管道，用于转换和移动数据系统之间的数据。他们的目标是提供高质量的数据，以便于发现事实和数据驱动的决策制定。数据分析师和数据科学家使用数据工程师提供的数据。他们与其他数据专业人员合作，确保数据符合他们的需求。深入研究数据工程，它涉及到选择正确的数据库、存储系统、云基础设施或云平台。当所有这些元素结合在一起时，组织内部的数据流就变得无缝。数据工程师在数据生态系统中工作。数据工程师的主要责任包括：
收集源数据：这包括提取、集成、组织数据和从多个来源获取数据。
处理数据：这包括清理、转换和准备数据以使其具有价值。它还包括维护分布式系统以处理数据。
存储数据：为可靠性和数据的易用性存储数据。数据工程师必须确保他们使用适当的最佳数据存储来存储获取的数据。他们还必须确保数据的隐私、安全、合规性、监控、备份和恢复。
安全地向用户开放数据：数据工程师必须确保API、服务和程序可以为最终用户检索数据。
良好的编程语言知识
深入理解关系数据库和非关系数据库
熟悉命令行
了解Hadoop生态系统的工作原理，特别是Map-Reduce和YARN
理解数据仓库的概念
实际了解使用Apache Spark
Apache Kafka的数据摄取
使用Apache Airflow调度作业
云计算的基础知识
数据分析师是将数字转化为简单语言的数据专业人员，以便组织可以做出好的决策。这些人回答诸如“用户在网站上的搜索体验是好还是坏？”或“销售之间是否存在相关性？”等问题。数据分析师的角色是检查和清理数据以提供洞察力。他们的主要任务是识别相关性、发现模式并应用统计方法来分析和挖掘数据。他们的日常活动还包括可视化数据以解释和呈现结果。
良好的电子表格知识
精通编写查询和使用统计工具创建图表和仪表板
应具有良好的编程语言理解
能够将业务问题转化为数据问题
强大的分析技能和讲故事能力
良好的数据可视化命令
数据科学家分析数据以获得可操作的洞察力，并使用机器学习和深度学习技术创建预测模型。数据科学家的角色结合了计算机科学、统计学和数学。他们分析、处理和建模数据，然后解释结果，为公司和其他组织创建可操作的计划。这些人回答诸如“下个季度可能会获得多少新的社交媒体关注者？”等问题。
了解编程语言
良好的数据可视化工具实践经验
深入理解统计学、线性代数和概率论
深入理解机器学习
基本了解推荐引擎
实际了解使用时间序列数据
理解深度学习、计算机视觉
良好的自然语言处理实践经验
模型部署的基础知识
强大的沟通技巧和演讲技巧
让通过一个例子来解释这个术语。假设有一家业务销售下降的公司，现在要找出销售下降的原因以及可以采取的措施，这个过程中涉及两方。第一方是数据分析师，数据分析师的角色是与同一组织中的软件开发人员合作，并连接到不同的数据库，在那里他们可以找到与销售等相关的数据。数据分析师的角色是连接数据库，他们将构建Power BI或Tableau仪表板，或者在Python或Excel中进行数据分析，他们的工作是生成洞察力。所以基本上，数据分析师产生洞察力，商业分析师的角色是消费这些洞察力并做出业务决策。商业分析师不像数据分析师那样技术性，但他们拥有软技能——他们是批判性思考者，他们擅长沟通，他们非常了解业务。所以如果数据分析师说，在西南地区，公司的销售正在下降，客户流失率更高，也许商业分析师会根据他的知识说，在西南地区，收入水平较低的人群较少，所以让运行一个特别折扣，以便增加销售。商业分析师更注重软技能、批判性思维、问题解决和领域知识，而数据分析师更注重技术技能。
良好的分析技能
良好的逻辑思维和领导技能
精通Microsoft Excel
良好的谈判技巧
了解Python和R