Comparaciones

Analista de Datos

Científico de datos

Definición

• Se ocupa del análisis exploratorio, la identificación de tendencias y patrones y la creación de visualizaciones que interpreten los datos de manera que los negocios puedan tomar decisiones estratégicas basadas en la data.

• Se ocupa del diseño, construcción e implementación de modelos de la data al utilizar algoritmos y modelos predictivos.

Roles y Responsabilidades

• Captura las reflexiones para resolver problemas tales como un pronóstico de ventas en una región determinada, el efecto de las campañas de mercadeo en la rentabilidad, y más.

• Hace preguntas para definir y mejorar la calidad de la data al usar algoritmos de análisis de datos (machine learning) con el fin de entender la información recopilada.

• Resuelve los problemas de clasificación de texto/imagen y recomendaciones de producto al utilizar  aprendizaje profundo o algoritmos de procesamiento de lenguaje natural (NLP).

Competencias requeridas

• Afronta las responsabilidades tales como Administración de Bases de Datos y mantenimiento, junto con reportería y herramientas estadísticas. Las herramientas de especialización se pueden incluir, pero no están limitadas a R, SAS, SQL, y SPSS.

• Debe tener competencias en el diseño/modelo de datos, códigos, resolución de problemas con desarrollo de software usando Python, Java, y Big Data.

• Debe contar con competencias de desarrollo y marcos de trabajo deep learning, tales como TensorFlow, Caffe, Torch, y Keras.

Expectativas

• Analiza datos para responder preguntas, minería de datos y utiliza herramientas estadísticas para identificar tendencias y patrones para analítica descriptiva, predictiva, diagnóstica, y prescriptiva.

• Frecuentemente, el analista no está involucrado en la extracción de datos, pero los utilizan para crear reflexiones para una organización y formular su estrategia para alcanzar sus objetivos.

• Se enfoca en desarrollar, limpiar y organizar juegos de datos al plantear las preguntas correctas acerca de las fuentes de los datos, y al establecer un canal para adquirir datos. 

• El apalancamiento de algoritmos (machine learning) y modelos estadísticos para recopilar y moldear los datos acumulados a fin de comprenderlos fácilmente. 

• Seguido por repetidos lanzamientos de experimentos, afinados y mediciones de métricas para lograr mejores resultados.