Data analyst กับ data scientist ต่างกันอย่างไร

มุมของการใช้ข้อมูลของ 𝐃𝐚𝐭𝐚 𝐀𝐧𝐚𝐥𝐲𝐬𝐭, 𝐃𝐚𝐭𝐚 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫, 𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭 ต่างกันอย่างไร ?

‍

วันนี้พวกเรา NPR พามารู้จัก 𝐃𝐚𝐭𝐚 𝐀𝐧𝐚𝐥𝐲𝐬𝐭, 𝐃𝐚𝐭𝐚 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫 และ 𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭

‍

เป็นชื่อตำแหน่งที่ทุกคนน่าจะเคยได้ยินกันในยุคที่การทำงานถูกขับเคลื่อนด้วย Data แต่ถ้าสำหรับคนที่ไม่ได้คุ้นเคยในงานสายนี้อาจจะนึกภาพตามไม่ออกว่า 3 หน้าที่นี้ที่ทำงานเกี่ยวกับข้อมูล จริง ๆ แล้วต่างกันอย่างไร

𝐃𝐚𝐭𝐚 𝐀𝐧𝐚𝐥𝐲𝐬𝐭 คือผู้เชี่ยวชาญด้านธุรกิจ ที่นำข้อมูลไปสร้าง Value

ให้เกิดขึ้นจริงกับบริษัทโดยการวิเคราะห์ข้อมูลเพื่อตอบคำถาม หรือเป็น Visualization ที่ใช้ในการประกอบการตัดสินใจที่ส่งผลต่อการดำเนินธุรกิจ

‍

𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭 คือผู้เชี่ยวชาญทางด้านสถิติ ที่นำข้อมูลที่มีความซับซ้อนไปสร้าง และ Train Model ต่างๆ เช่น Machine Learning หรือ Deep Learning ในการวิเคราะห์และตอบปัญหาเชิง Pattern หรือ Prediction ได้

‍

𝐃𝐚𝐭𝐚 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫 คือผู้เชี่ยวชาญด้านระบบ ที่เตรียมที่มาของข้อมูล ออกแบบ สร้างที่เก็บข้อมูล และท่อส่งข้อมูลไปที่ปลายทางต่างๆ เพื่อให้ Data Analyst และ Data Scientist ทำงานได้อย่างมีประสิทธิภาพ

.

จะเห็นได้ว่าทั้งสามหน้าที่มีหน้าที่แตกต่างกันค่อนข้างชัดเจน ส่วนในการนำมาใช้งานจริง และพวกเรา NPR ยกตัวอย่าง Roadmap ที่อาจจะเหมาะกับหลาย ๆ บริษัทในประเทศไทย ณ เวลานี้ คือเริ่มจากการเน้นที่ Business Value ก่อน และใช้ Data Analyst เพื่อตอบปัญหาเหล่านั้น ถ้าเกิดข้อมูลมีขนาดใหญ่ขึ้นจนบริหารลำบาก ให้นำ Data Engineer เข้ามาเพื่อ Scale ระบบให้รองรับ และเมื่อมีข้อมูลจำนวนมากแล้วพร้อมกับ Data Infrastructure ที่ดี เราสามารถใช้ข้อมูลเหล่านั้นในการทำ Model เพื่อตอบปัญหาที่ยากขึ้นหรือใช้เพื่อเป็น Competitive Advantage ได้อีกด้วย

1. Data Engineer คือ บุคคลที่ทำหน้าที่ออกแบบวิธีการจัดเก็บ และเรียกใช้งานข้อมูล มุมมองของข้อมูลของเขา คือ FlowChart หรือ Pipeline รวมไปถึงการจัดเก็บ และเลือกใช้ Storage

2. Data Scientist คือ บุคคลที่นำข้อมูลจากหลายๆ แหล่ง มาผ่านวิธีการต่างๆ เช่น Data Mining, Machine Learning, Optimization เพื่อหามุมมอง และคำตอบใหม่ๆ

3. Data Analyst คือ บุคคลที่ใช้ข้อมูลในการวิเคราะห์แนวโน้ม หรือแก้ปัญหาจากสิ่งที่ผิดแปลกไปจากแนวโน้มเดิม โดยใช้หลัก สถิติ ทั้งนี้การวิเคราะห์ต่างๆ ต้องอาศัยประสบการณ์ และมุมมองที่เฉียบขาด

หลายคนอาจจะยังสงสัยต่อว่า แล้ว Data Scientist ต่างกับ Data Analyst อย่างไร ?

- ที่วิธีการใช้ข้อมูลต่างกัน Scientist จะมีการออกแบบ Model ข้อมูล และใช้ Machine Learning หรือ เขียนโปรแกรม ขึ้นมาเพื่อทำความเข้าใจกับข้อมูล ในขณะที่ Analyst ใช้ประสบการณ์ ผสมผสานกับหลักสถิติ

- มุมมองการใช้ข้อมูลต่างกันตรงที่ Scientist สามารถนำข้อมูลจากหลายๆ แหล่งมาประกอบในโมเดล ตัวอย่างเช่น Marketing, Logistic, Manufacturing เพื่อหาคำตอบด้วยโมเดลเดียว ในขณะที่ Analyst จะมีความเชี่ยวชาญเฉพาะด้าน เช่น Marketing Analyst, Logistics Analyst เป็นต้น

แต่อย่างไรก็ตาม ทั้ง 3 คนในที่นี้ ต่างมีบทบาทสำคัญไม่แพ้กันเลย ลองนึกภาพดูว่า หากไม่มีคนที่คอยดูแลระบบการจัดเก็บ และใช้งานข้อมูล แล้วองค์กรจะมีแหล่งข้อมูลให้พร้อมใช้ได้อย่างไร

ส่วน Scientist กับ Analyst เองก็สำคัญไม่แพ้กัน เพราะในการทำงานของ Scientist ต้องอาศัยคำแนะนำจากประสบการณ์ของ Analyst อีกทั้งหน้าที่หลักของ Scientist คือการออก Model ซึ่งเมื่อ Model เสถียรแล้ว Scientist ก็อาจจะหมดบทบาทตรงส่วนนั้นไป ในขณะที่ Analyst คือการวิเคราะห์ธุรกิจอย่างต่อเนื่อง

การเลือกใช้คนให้ถูกงาน เป็นหัวใจหลักขององค์กร Put the the right man on the right job! เพราะ Data ที่เรากำลังพูดถึงกันอยู่นั้น คือ BIGDATA ที่กำลังเป็นกลไกสำคัญของทุกองค์กร

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 

.data Scientist กับ Data Analyst แตกต่างกันอย่างไร

Data Analyst ทำอะไรบ้าง

Data Analyst เหมาะกับใคร

Data Scientist ทํางานอะไร