数据岗位大合集｜DS、DA、BA和DE的区别及求职面试重点

随着数据行业近几年的大热，各种相关职位五花八门的出现。作为一名数据科学家Data Scientist，经常被误认为是 Data Analyst。作为一名 BI Analyst，要苦心解释我为什么不是商业分析师 Business Analyst?

今天我们就来一起看看不同岗位之间的区别和联系。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
4个电商常用Customer Segmentation的方法
Market Basket Analysis：把握电商求职核心的购物篮分析是什么？
数据求职常出现的RFM是什么？如何影响电商行业营销策略？
听电商大佬跟你聊聊E-Commerce的数据人生

#Data Scientist

在数据科学家这个岗位刚刚出来的时，用一句话概括数据科学家就是学统计的会编程，学编程的会统计和机器学习。但是随着时代的发展，四五年的时间已经过去，数据科学家的岗位已经有了根本性的变化。

以Facebook为例，可以看到目前数据科学家已经进行了许多细分。Facebook的数据科学家在整个decision making的过程中是使用数据驱动的方法去支持整个Facebook的运营。

在工作内容方面，我们可以看到第一个要求就是Forecasting，forecasting大家都比较熟悉了，为预测的一个功能，相当于作为一个数据科学家对数据进行分析，能够预计对用户习惯，在什么场景下使用什么产品。接下来就是设计和评估实验，比如说我们有一个假设，那么我们会通过一个统计的方法去测试这个假设是否真实存在。

另外，数据科学家需要深度的进入decision making的过程，需要提示整个产品研发的方向，可以捕捉用户变化，用户行为变化以及长期的市场机会。同时建立模型也是必须可少的技能，但是在Facebook的数据科学家的实际工作当中，大部分还是使用统计的方法。

数据科学家需要会的工具有Hadoop，Hive ，MySQL，Oracle，Vertica等。这里还提到了Automating analyses，这个是大量建立数据化的系统，因为数据科学家需要把自己的报告过程作为自动化的方法，这样可以确保在产品开发的过程中公司的其余平行部门比如市场部门，产品部门，开发部门，甚至是公司的战略部门可以理解并看到数据与分析的方法。

接下来分享一个同属于Facebook数据科学家的岗位，但是这个岗位与前面的岗位差别就较大了，因为这个岗位是主要做模型的。这个岗位主要是去研究机器学习的表现，并且把结果分享到不同的部门，从而去解决复杂的、困难的且比较模糊的领域。这个工作岗位要求较高的原因就是在做别人分析工作的校验。

通过这两个Facebook数据科学家的分享，目前数据科学家已经逐渐变成了比较垂直的行业，可以看到数据科学家一个岗位在Facebook内就被分享成了多个职位。

再用Facebook的竞争对手Snapchat做个例子。

Snapchat里数据科学家的岗位是cross-function、cross-team的类型。Snapchat的数据科学家与产品管理，AR设计，产品工程相互沟通合作。那么这个职位的特殊地方在那里呢？这个数据科学家岗位独特性在于需要较强的数据分析能力以及数据洞察力的能力。

在技能要求里，数据科学家需要熟练使用SQL以及大数据语言，同时Python，Looker，Tableau也在要求里面。从这个岗位的要求可以知道Snapchat整个数据分析团队的框架。

#Data Analyst  

以迪士尼的数据分析师为例，在工作责任里我们可以看到这个岗位需要极强的跨技能跨团队的交流能力。还需要有高级的SQL编程以及应用能力。需要会数据整合以及会建立数据模型，对数据库的table进行更新等。

再来看看保险公司Kaiser的数据分析师岗位——Kaiser的数据分析岗位需要掌握数据库，建立报告，生成跟踪以及监视工具。这里不是让你用C++去写一个工具，而是指开发一个内部可以使用的脚本工具，例如使用Python生成一个报告，然后利用SQL生成小程序，让大家可以在各个不同的部门看到并使用。同时还要进行数据视觉化以及保证数据的真实准确以及数据的质量。

总体而言，数据分析师会与数据库，数据管道离得比较近，把商业要求传输到数据库里等。但是在这些之上，还需要进行很多的分析相关的工作。

#Business Analyst 

商业分析师也需要与不同部门合作去理解公司的运营模式，还要会商业要求的传输。可以看到商业分析师是比较偏商业化的过程，更多做的是满足商业的要求以及用户的市场分析。每天工作内容的侧重点是用户的体验以及用户的使用反馈、对产品发展支持，为各个团队提供数据技术支持，以及做商业分析并为团队提供有价值的结果。

虽然都是商业分析师，但是这个岗位提到了更详细的产业，比如供应链，数据，市场等。产生更详细的金融报告，以及提供策略分析和不同季节销售的支持。产品开发是这个岗位的重点，技能要求为Python，excel等。

#Data Engineer

最后分享一下数据工程师这个岗位。

首先数据工程师需要掌握数据管道相关技能，处理复杂并且庞大的数据库，设计并实现内部处理的提升，为stakeholders提供支持，并且开发数据管道提升整体自动化。这个岗位需要数据相关学历，会处理数据管道以及数据流的分析，以及熟练使用Hadoop，Amazon AWS，Google Cloud Platforms等工具。

数据工程师更接近于CS专业的岗位以及数据软件开发角色，但数据工程师同时也围绕着数据库，数据管道，分布式的数据分发基础之上的岗位。

最后总结一下，可以看到这些技能都是在面试这个四个不同岗位时会考到的技能，勾的数量越多，说明越重要，也就是面试时着重要求的技能。大家可以根据自己想要面试的岗位，对应表格来做出相应的准备。

以上就是本次分享的全部内容了，希望对大家起到帮助。你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

Recap 作者：Peter Mei
美工编辑：过儿
校对审稿：冬冬
公开课回放链接：https://www.youtube.com/watch?v=Yhp3enqWWao&list=PL39P3XK_jveHE89PgwwvVPAGAj2cuxRrT&index=76&ab_channel=DataApplicationLab