Data analyst (นักวิเคราะห์ข้อมูล) และ Data scientist (นักวิทยาศาสตร์ข้อมูล) เป็นสองอาชีพที่มีรายได้สูงและเนื้อหอมมากที่สุดในช่วงนี้ รายงานของ The World Economic Forum Future of Jobs Report ปี 2020 ระบุว่าหลากหลายอุตสาหกรรมต้องการ 2 อาชีพนี้มากที่สุด
แต่แม้ทั้ง 2 อาชีพนี้จะได้รับความสนใจมาก หลายคนก็อาจยังไม่แน่ใจว่างาน 2 แบบนี้ต่างกันอย่างไร
ในบทความนี้ เราจะลองมาหาคำตอบกัน
งานของ Data analyst และ Data scientist ต่างกันตรงไหน
หนึ่งในข้อแตกต่างโดดเด่นที่สุดของ 2 อาชีพนี้คือ “วิธีการที่พวกเขาจัดการกับข้อมูล (data)”
Data analyst มักทำงานกับชุดข้อมูลที่มีโครงสร้างเพื่อการแก้ปัญหาธุรกิจที่จับต้องได้ โดยใช้เครื่องมือต่างๆ เช่น ภาษา SQL, R, Python, Data Visualization และการวิเคราะห์ทางสถิติ
ตัวอย่างงานของนักวิเคราะห์ข้อมูลคือ
- การทำงานร่วมกับผู้นำองค์กรเพื่อระบุข้อมูลที่ต้องการ
- การหาข้อมูลที่ต้องการจากทั้งแหล่งข้อมูลปฐมภูมิและทุติยภูมิ
- การทำความสะอาดและจัดระเบียบข้อมูลใหม่เพื่อวิเคราะห์
- การวิเคราะห์ชุดข้อมูลเพื่อระบุเทรนด์และรูปแบบที่แปลเป็น insight ไปใช้ต่อได้
- การนำเสนอสิ่งที่ค้นพบแบบเข้าใจง่ายเพื่อเป็นข้อมูลสำหรับการตัดสินใจแบบ data-driven
Data scientist มักจะจัดการกับสิ่งใหม่ที่ไม่เคยพบมาก่อน โดยการใช้เทคนิคข้อมูลขั้นสูงกว่าเพื่อคาดการณ์อนาคต อาจมีการสร้างอัลกอริธึมในการเรียนรู้ด้วยตนเองโดยอัตโนมัติ (machine learning) หรือออกแบบกระบวนการสร้างแบบจำลองเพื่อคาดการณ์อนาคต (predictive modeling processes) ซึ่งรับมือทั้งข้อมูลที่มีและไม่มีโครงสร้างได้
พูดอีกอย่างคือ นักวิทยาศาสตร์ข้อมูลนั้นเป็น ‘ขั้นกว่า’ ของนักวิเคราะห์ข้อมูลนั่นเอง
ตัวอย่างงานของนักวิทยาศาสตร์ข้อมูลคือ
- การรวบรวม ทำความสะอาด และประมวลผลข้อมูลดิบ
- การออกแบบแบบจำลองการคาดการณ์และอัลกอริธึมของ Machine learning เพื่อขุดชุดข้อมูลขนาดใหญ่
- การพัฒนาเครื่องมือและกระบวนการเพื่อตรวจสอบและวิเคราะห์ความถูกต้องของข้อมูล
- การสร้างเครื่องมือสำหรับทำ data visualization ทำ dashboard และทำ report
- การเขียนโปรแกรมเพื่อการรวบรวมและประมวลผลข้อมูลแบบอัตโนมัติ
ทักษะของ Data analyst และ Data scientist ต่างกันอย่างไร
แม้ทั้งนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ข้อมูลจะทำงานกับดาต้ากันทั้งคู่ แต่ทั้ง 2 อาชีพนี้ใช้ทักษะและเครื่องมือต่างกันเล็กน้อย โดยหลายทักษะของนักวิทยาศาสตร์ข้อมูลนั้นก็ต่อยอดมาจากทักษะที่นักวิเคราะห์ข้อมูลใช้นั่นเอง
ทักษะด้านคณิตศาสตร์ (Mathematics)
- Data analyst: คณิตศาสตร์พื้นฐาน, ความรู้ด้านสถิติ
- Data scientist: ความรู้ด้านสถิติขั้นสูง, การวิเคราะห์เชิงคาดการณ์
ทักษะด้านการเขียนโปรแกรม (Programming)
- Data analyst: ความรู้ขั้นพื้นฐานในภาษา R, Python, SQL
- Data scientist: การเขียนโปรแกรมเชิงวัตถุขั้นสูง
ทักษะด้านซอฟต์แวร์และการใช้เครื่องมือ (Software and tools)
- Data analyst: SAS, Excel, การใช้ซอฟต์แวร์ระบบธุรกิจอัจฉริยะ
- Data scientist: Hadoop, MySQL, TensorFlow, Spark
การศึกษาของ Data analyst และ Data scientist ต่างกันตรงไหน
บทบาทนักวิเคราะห์ข้อมูลส่วนใหญ่ต้องการวุฒิปริญญาตรีด้านคณิตศาสตร์ สถิติ วิทยาการคอมพิวเตอร์ หรือการเงินเป็นอย่างน้อย ส่วนนักวิทยาศาสตร์ข้อมูล (รวมถึงนักวิเคราะห์ข้อมูลขั้นสูงจำนวนมาก) มักจบปริญญาโทหรือปริญญาเอกด้านวิทยาศาสตร์ข้อมูล เทคโนโลยีสารสนเทศ คณิตศาสตร์ หรือสถิติ
แม้ว่าการศึกษาระดับปริญญาจะเป็นเส้นทางหลักที่จะไปสู่การทำงานกับข้อมูล แต่ก็มีทางเลือกใหม่ๆ เกิดขึ้นสำหรับผู้ที่ไม่มีปริญญาหรือมีประสบการณ์มาก่อน การมองหาประกาศนียบัตรวิชาชีพด้านการวิเคราะห์ข้อมูลจาก Google หรือ IBM ก็สามารถสร้างทักษะที่จำเป็นสำหรับบทบาทระดับเริ่มต้นในฐานะนักวิเคราะห์ข้อมูลได้เช่นกัน
ค่าตอบแทนและโอกาสก้าวหน้าของ Data analyst และ Data scientist ต่างกันอย่างไร
ตามข้อมูลของ Glassdoor ในเดือนมิถุนายน 2021 ระบุว่า ฐานเงินเดือนเฉลี่ยสำหรับนักวิเคราะห์ข้อมูลในอเมริกาอยู่ที่ 68,577 ดอลลาร์ (ประมาณ 2,328,189 บาทต่อปี) ซึ่งค่าเฉลี่ยนี้อาจต่างกันไปตามปัจจัยต่างๆ นักวิเคราะห์ข้อมูลเป็นอาชีพที่มีความต้องการสูง The World Economic Forum ระบุว่านี่คืออาชีพที่เติบโตสูงสุดเป็นอันดับ 2 ในอเมริกาเลยทีเดียว
ขณะที่นักวิทยาศาสตร์ข้อมูลในอเมริกานั้นได้เงินเดือนเฉลี่ยอยู่ที่ 113,396 ดอลลาร์ (ประมาณ 3,849,794 บาทต่อปี) ซึ่งสำนักงานสถิติแรงงานสหรัฐ (BLS) เปิดเผยว่า ความต้องการผู้เชี่ยวชาญด้านข้อมูลมีค่อนข้างสูง โดยจากปี 2019 ถึง 2029 คาดว่านักวิทยาศาสตร์ข้อมูลและงานด้าน mathematical science นั้นจะเติบโตถึง 31 เปอร์เซ็นต์ ซึ่งนับว่าเร็วกว่าอัตราการเติบโตเฉลี่ยของงานทั้งหมดซึ่งอยู่ที่ 3.7 เปอร์เซ็นต์มาก
จะเห็นได้ว่า แม้อาชีพนักวิเคราะห์ข้อมูลและนักวิทยาศาสตร์ข้อมูลจะมีความแตกต่างกัน แต่ทั้งสองงานก็เป็นที่ต้องการของตลาดวันนี้และในอนาคตอย่างมาก ใครสนใจอยากทำงานด้านนี้ พูดเลยว่านี่คือโอกาสทองอย่างแท้จริง
อ้างอิง:
