หลายๆคนอยากเป็น Data Scientist อาจจะเป็นเพราะจากข่าวที่บอกว่าเป็นอาชีพใหม่ รายได้ดี ทำให้เกิดเป็นภาพลักษณ์ว่า อาชีพนี้เป็นมนุษย์ทองคำ ทำให้อาชีพ Data Analyst ซึ่งเป็นตำแหน่งที่มีมาก่อนแล้ว กลายเป็นอาชีพที่ถูกมองข้ามไปโดยปริยาย
แต่ในการทำงานจริง Data Analyst จะต้องการในปริมาณที่มากกว่า เพราะในแต่ละแผนกควรจะมี Data Analyst อย่างน้อย 1 คน เช่น แผนกการตลาด แผนกการเงิน แผนกขนส่ง แผนกคลังสินค้าและแผนกการขาย เพราะข้อมูลต่างๆ ในแต่ละแผนกจำเป็นต้องถูกนำมาวิเคราะห์ทั้งสิ้น
Data Analyst จะมีหน้าที่วิเคราะห์ข้อมูลตามโจทย์ของธุรกิจที่เปลี่ยนแปลงไปตามกาลเวลา
ตัวอย่างเช่น การวิเคราะห์ยอดขายในแต่ละพื้นที่ช่วง Covid19 ที่เป็นการวิเคราะห์ในเชิง Descriptive เช่น การใช้ข้อมูลทางสถิติ เป็นต้น โดยอาจใช้เครื่องมือ เช่น BI หรือ Excel ในการวิเคราะห์ โดยที่ไม่จำเป็นต้องเขียนโปรแกรม หรือสร้าง Model ที่ซับซ้อน ดังนั้น อาชีพ Data Analyst จึงเป็นที่ต้องการอย่างมากและมีแนวโน้มเติบโตในสายธุรกิจได้ค่อนข้างดี เพราะอยู่กับข้อมูลและความเคลื่อนไหวของธุรกิจ
ในขณะที่ Data Scientist จะถนัดการทำโครงการแบบ Project Base โดยเปลี่ยนรูปแบบของโครงการไปเรื่อยๆ ทำให้มีความถนัดในเชิงธุรกิจน้อยกว่า
ดังนั้นถ้ามองในมุมรายได้แม้ Data Analyst อาจจะมีแนวโน้มที่จะมีเงินเดือนน้อยกว่าในตอนแรกแต่การเติบโตในสายงานนั้นไปได้ไกลถึงขนาดเป็นผู้บริหาร ในขณะที่ Data Scientist ที่ไม่ปรับตัวและไม่พาตัวเองไปในจุดที่จะเป็นผู้บริหารได้ สุดท้ายแล้วเงินเดือนก็จะตันอยู่ที่ตำแหน่งผู้เชี่ยวชาญนั่นเอง
นอกจากนี้ทั้ง 2 อาชีพนี้มีทั้งความเหมือนและความแตกต่างกัน ซึ่งแบ่งออกเป็นหัวข้อดังต่อไปนี้
1. การศึกษา โดยพื้นฐานการวิเคราะห์ นักวิเคราะห์ควรมีพื้นฐานสถิติ คณิตศาสตร์ โดยสาย Data Analyst จะหนักไปที่การใช้เครื่องมือในการวิเคราะห์ ในขณะที่ Data Scientist จะเน้นการเขียนโปรแกรมและพัฒนา Algorithm ใหม่ๆ
2. เครื่องมือในการทำงาน Data Scientist มีแนวโน้มที่จะใช้ Python หรือ R เป็นหลัก ในขณะที่ Data Analyst ควรมีความรู้ด้านการ Query ข้อมูลด้วยภาษา SQL, ความรู้การใช้ Data Visualization Tool เช่น Tableau, Power BI, Qlik View และ ความรู้ด้านการเขียนโปรแกรม R และ Python เบื้องต้น แม้ Data Analyst อาจจะไม่เก่งด้านการเขียนโปรแกรมเท่ากับ Data Scientist หรือ Developer แต่จะต้องสามารถเรียนรู้เครื่องมือใหม่ๆ ได้อย่างรวดเร็ว
3. รูปแบบในการทำงาน Data Analyst มักจะประจำอยู่กับแผนกใดแผนกหนึ่งและมีแนวโน้มที่จะอยู่กับโครงการหนึ่งๆ ในระยะเวลานาน จนกระทั่งเข้าใจทั้งในมุมข้อมูลและมุมมองการเปลี่ยนแปลงของธุรกิจ ในขณะที่ Data Scientist มีหน้าที่สร้าง Model และหา Solution ในการแก้ปัญหาที่ซับซ้อน ทำให้การทำงานส่วนใหญ่จะอยู่ในรูปแบบพัฒนาโครงการ Project Base
4. ทีมงาน Data Analyst จะทำงานกับฝั่งธุรกิจมากกว่าฝั่ง Technician ในขณะที่ Data Scientist จะทำงานกับ Technician ด้วยกันมากกว่า เช่น Data Engineer, Software Engineer เป็นต้น
5. ความต้องการในตลาด ในปัจจุบัน ทั้ง 2 ตำแหน่งต่างเป็นที่ต้องการในตลาด ซึ่งหากเทียบกราฟใน Google Trend จะพบว่า Data Analyst มีความต้องการมากกว่า แต่ Data Scientist เป็นอาชีพที่ค่อนข้างมาแรง อาจเป็นเพราะในตลาดมี Data Scientist ที่ไม่ใช่ Data Scientist ตัวจริงอยู่จำนวนมาก ทำให้ตลาดยังคงมองหา Data Scientist ตัวจริงอยู่เรื่อยๆ จึงเกิดเป็นกระแสที่ว่า ใครๆ ก็ตามหา Data Scientist
ทั้งนี้ตำแหน่งทุกตำแหน่งมีความพิเศษที่แตกต่างกัน ขึ้นอยู่กับว่าคนแต่ละคนจะเหมาะกับตำแหน่งไหนและสามารถสร้างสรรค์ผลงานได้เป็นไปตามความคาดหวังของงานหรือไม่ ลองสำรวจตัวเองว่าเหมาะกับตำแหน่งไหนและพยายามให้เต็มที่
บทความที่เกี่ยวข้อง - Data Engineer, Data Scientist และ Data Analyst ต่างกันอย่างไร https://bit.ly/2Em29yg
- จะเป็น Data Scientist ต้องจบอะไรมา?? https://bit.ly/2H2yteT
- Data Scientist กับ Data Engineer ไม่ใช่คนเดียวกัน https://bit.ly/2ov4hyE
- ทำไมอาชีพ Data Scientist ถึง Sexy? https://bit.ly/2IIVBOz
------------------------------------------
We turn your DATA into your KEY of success.
เราพาคุณขับเคลื่อนสู่ความสำเร็จด้วยข้อมูล
คอราไลน์ พร้อมให้คำปรึกษาและพัฒนาโครงการ Big Data, Data Governance, Data Management, Data Analytics, Data Driven Transformations
สนใจบริการติดต่อ
Tel: 099-425-5398
Email: inquiry@coraline.co.th
Facebook: https://www.facebook.com/coralineltd
------------------------------------------
