Почему анализ данных, а не Data Science
Слышал, что при боевых действиях есть приём идти не основным путём, а параллельным. Типа всем говоришь, что пойдешь долиной, а отряд ведёшь по соседнему хребту. По основной дороге ходят чаще, поэтому там могут устроить засаду. А с хребта хорошо видно и саму дорогу, и все неприятности, которые там поджидают.
Применил нечто подобное при выборе новой специальности: в прошлом году закончил курс по аналитике данных в Яндекс Практикуме и сменил профессию.
Почему не в Data Science?
Аналитик данных — для меня это быстрый старт в новой отрасли; такой MVP. «Быстрый» — относительно Data Science:
- Ниже порог входа по необходимым знаниям. Соответственно, быстрее обучение.
- Больше потребность на рынке (167 вакансий по запросу «Data Scientist» против 2669 «аналитиков данных» по данным hh.ru). Соответственно, быстрее поиск новой работы.
Порог входа ниже: не нужны фундаментальные знания математики. Для таких как я — кто просто пугается слов «производная», «интеграл» или «дифференциальные исчисления» — это особо актуально. Чтобы подтянуть математику до необходимого уровня, нужно много времени; и можно это делать параллельно уже с новой работой аналитика.
Потребность на рынке выше, поэтому и выше шанс найти работу в разумные сроки (то есть пока не кончилась «взлётная полоса» — финансовая подушка).
Не во всех компаниях применяют машинное обучение: многим нужно просто помочь работать с их небольшими данными. А в тех компаниях, где уже применяют машинное обучение, работы с данными гораздо больше, поэтому и людей им нужно больше: встречал такую статистику, что на каждого дата саентиста нужно по два дата инженера, чтобы собирать и готовить данные для последующего применения.
С другой стороны, вокруг профессии аналитиков нет такого хайпа, и поэтому нет такого потока кандидатов на открытые вакансии. То есть спрос большой, а предложение не такое большое)
Иерархия потребностей Data Science из статьи на Towards Data Science:
