Diferencias clave entre Data Analyst, Data Scientist y Data Engineer

Des del pasado mes de agosto tengo la suerte de hacer las prácticas en HIKE, una consultoría de analítica digital donde estoy aprendiendo mucho de todos los ‘hikers’. Además, he podido descubrir y adentrarme en la analítica digital, una disciplina que, aunque había escuchado a hablar mucho de ella, la desconocía totalmente.

Hoy os voy a hablar de términos que crean confusión, tanto dentro como fuera del sector, y aunque tengan nombres muy parecidos y creamos que quieren decir lo mismo, tienen diferencias sustanciales entre ellos. En concreto, nos centraremos en analizar las diferencias entre Data Analyst, Data Science y Data Engineering.

El Data Analyst recibe los datos a partir de una hoja de cálculo, una base de datos o herramientas tipo Adobe o Google Analytics, entre otras, y hace un análisis profundo de estos datos. Luego, los va pintando en una herramienta de visualización de datos, como podría ser Data Studio o Tableau. A partir de los distintos gráficos, extrae insights para mejorar el rendimiento y los objetivos de la empresa, lo que llamamos las KPI. En este rol es donde nos situaríamos los trabajadores de HIKE.

Un ejemplo de una tarea que hace un Data Analyst es el siguiente. Imaginemos que queremos aumentar las compras de un determinado producto y, para ello, hacemos un pequeño cambio en la página web. Entonces, el Data Analyst analiza los datos de las compras antes y después del cambio. Si han mejorado lo mantenemos, pero si no, lo deshacemos. Es lo que llamamos test A/B.

Una figura muy parecida al Data Analyst es el Business Intelligence Analyst, que utiliza los datos para producir informes empresariales, financieros y de mercado con el fin de mejorar las capacidades operativas y de toma de decisiones de la empresa para poder cumplir sus objetivos.

Por otra parte, el Data Scientist es el encargado de, a partir de datos ya existentes y a través de técnicas de estadística y machine learnings, intentar descubrir patrones para crear proyecciones y generar mucha información nueva y predecir qué pasará. Es decir, a partir de los datos que tiene predice lo que va a pasar en el futuro.

Hace poco estábamos acostumbrados a ver muchos gráficos donde detrás había un Data Scientist. Son los gráficos que predecían cuándo llegaría el pico de la ola o la cantidad de muertes que habría durante la pandemia.

Para terminar, el Data Engineer es la persona que accede a la información. Es decir, el que recoge los datos y los procesa y depura para mejorar su calidad y ponerlos en disposición del Data Scientist y que éste pueda trabajar mucho mejor, con unos datos “limpios”. Es el perfil más técnico de los tres y requiere un gran conocimiento de programación.

Espero que hayáis podido entender mejor las diferencias entre estas tres profesiones del mundo de la analítica. ¡Nos vemos en el próximo articulo!