“业务分析”和“数据科学”这两个词，我发现它们通常会被“混淆”使用。但无可争辩的是，这两个行业都在快速的增长。

如今，业务分析的当前市场规模为670亿美元，数据科学的市场规模为380亿美元。预计2025年的市场规模将分别达到1000亿美元和1400亿美元。可以预想得到这两个职位需求也会快速增长。

很多有抱负的分析专业人员，他们想选择“业务分析”或“数据科学”作为职业，但事实上并不清楚这两个角色之间的区别。

在做出自己的选择之前，应该弄清你要选的这条道路是什么样的，对吗？这可能决定了未来职业的发展规划！

业务分析师与数据科学家——一个简单的类比

以一家电动汽车创业公司为例。他们决定搭建三个团队：科学家、工程师、管理团队。现在，你花些时间来想象一下，上述提到的职位在公司中应该扮演什么样的角色？

我们通常理解的它们就像如下所罗列的：

科学家：

研究复杂而独特的问题，例如寻找解决方案以制造高效的电池，或如何改进车辆的设计。虽然这些问题可能不会直接给公司带来利益，但对于高级开发至关重要。而且，未来这些发展可以帮助初创企业实现非线性（指数）增长。

工程师：

掌握这些开发并运用行业技术将其转化为生产。例如，建立一条生产线以使用正确设备来制造这些车辆。

管理：

每天运营业务并解决与之相关的问题。例如，寻找合适的市场开设线下汽车门店。对主营产品以及其他产品的销售、市场营销工作负责。

现在，来一起代入这些角色，但不同的是将它们与数据相结合。

基于数据的职能：

数据科学家：

致力于复杂而具体的问题，以使公司实现非线性增长。例如，为银行业制定信用风险解决方案，或为保险公司自动化评估损失。

数据工程师：

将通过使用行业解决方案来实现数据科学家在产品中得出的结果。例如，为银行软件的信用风险建模部署搭建机器学习模型。

业务分析师：

每天经营业务并做出决策。同时，需要与IT端和业务端进行沟通协作。

上述所说的是一个非常基本的类比，可以简单的区分数据科学家，业务分析师和数据工程师三个角色。

Tips：这些是行业常用术语。具体的角色可能取决于你所在的组织在数据方面的成熟度。

有了大体的概念，接着具体来看看数据科学家、业务分析师所解决的问题。

业务分析师和数据科学师解决的问题类型

要了解业务分析师和数据科学家之间的区别，必须了解他们从事解决的问题或项目。

举个有意思的例子。假如你是一家银行的经理，决定实施两个重要项目。并且你有一个由数据科学家和业务分析师组成的团队。你将如何进行项目部署工作？

以下是需要解决的两个项目：

1、制定业务计划，以决定银行在2021年需要多少员工从事XXX业务

2、建立模型以预测哪个交易具有欺诈性

花些时间来了解下问题，想想你会如何看待上述的问题，以及哪个问题最适合哪个职位？

第一个问题需要做出几个业务假设，并将宏观变化纳入战略。这将需要更多的业务专业知识和决策能力。到这里就再清楚不过了，这将是业务分析师的工作。

第二个问题要求处理来自客户的大量行为数据并挖掘潜在的模式。为此，专业人员应该兼具问题表述和算法这两方面的能力。那么，数据科学家将是解决此类特定和复杂问题的合适人选。

业务分析师和数据科学师所需的技能和工具

业务分析

业务分析专业人员必须精通业务模拟和制定业务计划。他们的作用很大一部分将是分析业务趋势。例如，网络分析/定价分析。

业务分析中广泛使用的一些工具是Excel，Tableau，SQL，Python。最常用的技术是：统计方法，预测，预测建模和讲故事。

数据科学

数据科学家则必须精通线性代数，编程和计算机科学基础知识。可以实施比如搭建推荐引擎、个性化电子邮件等一些数据科学的项目。

数据科学家的常用工具是R、Python、scikit-learn、Keras、PyTorch，最广泛使用的技术是统计、机器学习、深度学习、NLP（自然语言处理）、CV（计算机视觉）。

对于上述的两个角色而言，即便在不同的领域，结构化思维和问题表述都是所需要的关键技能。

数据科学家和业务分析师的职业道路

数据科学家的优势在于编码，数学和研究能力，并且需要在职业生涯中不断学习。

而业务分析师则需要更多的战略思维和较强的项目管理能力。

在业务发展过程中，业务分析师倾向于担任业务角色，战略角色和企业家角色。而数据科学家由于具有强大的技术背景，他们更多地是担任技术企业家的角色。

可以参考下面的图片，以分别了解进入这两个领域之后的职业发展路线。

以上，希望对各位有所帮助~

编译自：https://www.analyticsvidhya.com/blog/2020/05/business-analyst-vs-data-scientist/，有所删减及修改