数据科学中不同角色的定义及相互之间的关系

数据科学角色和相应的能力画像，基于对不同角色的责任和差异的充分理解，将能够确定热衷的职业道路；理想的画像不仅可以用于确定最适合的目标角色，还可以作为简历定制和个人品牌的路线图，以使您的个人资料与之相关。

来自：Talkingdata

数据角色

从广义上可以将数据角色分为业务导向和工程导向 另一方面，传统角色已存在很多年而一些新兴角色则刚刚兴起

2. 聚焦回顾，如分析历史数据
3. 应该使用报告或数据可视化技术收集，清理，分析数据并传达结果。

| | 数据科学家
（一般意义） | |
1. 洞察之上的产品发展智能
2. 专注于前瞻，即作出预测
3. 数据科学家应该更有经验，能够用科学的方法解决业务问题，包括构建业务问题、提出假设，然后设计和进行实验来检验假设，最后得出结论（主要是研究技能，这就是为什么硬科学博士有时候是数据科学家角色的首选候选人）
4. 统计建模，A / B 测试，机器学习，数据清洗和数据可视化
| | 数据工程师 | 构建引入数据的数据管道 |
1. 基本上是数据的软件工程
| | ML / DL / AI研究员/科学家/工程师 | |
1. ML研究员区别于一般意义上的数据科学家，等同于专注于ML的数据科学家，专注于ML 建模，以及（或者）新机器学习算法的研究和开发。
2. ML工程师专注于机器学习模型的生产。将机器学习模型部署到生产中是一项工程问题，与构建模型不同，它涉及不同类型的工程工作，例如将 ML 模型集成到软件系统中，优化模型以提高性能和可扩展性，监控 ML 系统，以及用新数据重新训练它。当然，还有建模部分，使用各种 ML 库实验和构建机器学习模型，以及实现 ML 算法以满足业务需求。
3. 研究人员/科学家和工程师之间的区别在于“部署”部分，即是否负责将 ML 模型投入生产。如果是，那么我们讨论的是上述的工程问题，而角色是工程师，否则，它是一个研究角色。
| | 业务分析师（各种职能） | | 使用业务分析师头衔来总括具有业务性质（非技术）且需要数据技能的分析师角色 | | BI分析师/工程师/开发人员 | |
1. 指的是使用“定义良好的BI基础设施（企业软件系统ERP，CRM 等）”在“大公司”环境中进行数据分析和报告
2. BI工程师/开发人员和 BI 分析师的关系，正如数据工程师与数据科学家的关系一样
| | 数据/ ML产品经理 | | 具有 ML 专业知识和产品管理经验 |

理想能力画像