Permintaan akan profesi data scientist dan data analyst sedang tinggi-tingginya. Keduanya bukanlah posisi yang paling mudah untuk bisa terisi. Baik data scientist maupun analyst rata-rata membutuhkan waktu 45 hari untuk dapat terisi, lima hari lebih lama daripada rata-rata pasar.
Kedua pekerjaan ini seringkali sulit untuk dibedakan, bahkan oleh mereka yang sudah memiliki pengetahuan dasar mengenai data scientist. Sebenarnya apa perbedaan antara data scientist dan data analyst? Keduanya bekerja dengan data, tetapi perbedaan kuncinya terletak pada apa yang mereka lakukan dengan data tersebut.
Abraham Cabangbang, Data Scientist senior di LinkedIn menjabarkan perbedaan antara data analyst dan data scientist sebagai wilayah yang abu-abu. Pekerjaan yang dilakukan data analyst berhubungan langsung dengan kebutuhan bisnis yang nyata, seperti apa yang diinginkan/diminta pelanggan. Sementara data scientist memiliki peran yang sedikit lebih bebas. Di LinkedIn sendiri, hal pertama yang data scientist lakukan adalah bekerja untuk membangun dashboard internal, pada dasarnya memunculkan informasi yang dilacak di bagian belakang, tetapi tidak digunakan oleh data analis karena suatu alasan; kurang siapnya infrastruktur untuk menampilkannya, misalnya, atau data tidak diproses dengan baik. Pekerjaan data scientist benar-benar bukan sesuatu yang disesuaikan dengan kebutuhan pelanggan, tetapi datang dari apa yang dibutuhkan tim analis untuk melakukan pekerjaan mereka.
Ada beberapa definisi berbeda yang ada di internet mengenai peran pekerjaan seorang data analyst dan data scientist tetapi kebanyakan tidaklah baku karena organisasi yang berbeda memiliki cara berbeda untuk mendefinisikan peran pekerjaan yang berhubungan dengan big data. Sebagian besar orang berpikir bahwa data scientist hanya sebuah kata yang lebih canggih dari data analis, padahal tidaklah demikian. Data analis dan data scientist adalah dua jalur karir yang sedang banyak dicari seiring dengan hebohnya perkembangan dunia big data. Berikut adalah perbedaannya.
Data analyst menyaring data dan berusaha untuk mengidentifikasi tren-tren. Apa yang dapat diceritakan dari angka-angka yang ada? Keputusan bisnis apa yang dapat dibuat berdasarkan insight yang muncul? Data analyst juga membuat representasi visual, seperti chart dan grafik untuk mempresentasikan apa yang diungkapkan data dengan lebih baik.
Data scientist ahli dalam menginterpretasikan data, tetapi juga cenderung memilki kemampuan koding dan modeling matematika. Kebanyakan data scientist memegang gelar yang mumpuni, dan banyak yang memulainya dari data analyst sebelum menjadi data scientist. Mereka dapat melakukan pekerjaan data analis, namun juga memahami machine learning, terampil dengan advanced programming, serta mampu menciptakan proses baru untuk data modelling. Mereka dapat bekerja dengan algoritma, model prediktif, dan lainnya.
Setelah mengidentifikasi perbedaan utama antara data analyst dan data scientist, mari kita gali lebih dalam.
Pekerjaan Data Analyst vs. Data Scientist
Peran pekerjaan dari seorang data scientist merupakan ketajaman bisnis yang kuat dan keterampilan visualisasi data untuk mengubah insight menjadi kisah bisnis sedangkan seorang data analis tidak diharapkan memiliki ketajaman bisnis dan keterampilan visualisasi data tingkat lanjut.
Kemampuan Data Analyst vs. Data Scientist
Kemampuan data analis dan data scientist memang terlihat tumpang tindih tetapi ada perbedaan signifikan antara keduanya. Kedua peran pekerjaan tersebut membutuhkan pengetahuan matematika dasar, pemahaman tentang algoritma, keterampilan komunikasi yang baik, dan pengetahuan tentang rekayasa perangkat lunak.
Data analyst biasanya ahli dalam SQL/PQL dan menggunakan ekspresi reguler untuk mengiris dan memotong data. Dengan kemampuannya ini, data analis dapat menceritakan kisah dari data. Di sisi lain, seorang data scientist memiliki semua keterampilan seorang data analis dengan dasar yang kuat dalam pemodelan, analisis, matematika, statistik dan ilmu komputer. Apa yang membedakan data scientist dari data analis adalah ketajaman yang kuat bersama dengan kemampuan untuk mengkomunikasikan temuan dalam bentuk cerita sedemikian rupa yang mudah dimengerti kepada para pemimpin IT dan pengambil keputusan bisnis sehingga dapat mempengaruhi pendekatan perusahaan dalam menghadapi suatu tantangan bisnis.
Data Analyst dan data scientist memiliki jabatan yang sekilas terlihat sama padahal perbedaan dalam tanggung jawab peran, persyaratan pendidikan, dan lintasan karir keduanya sudah jelas berbeda. Namun, tidak peduli bagaimana keduanya terlihat, Martin Schedlbauer, profesor dan direktur departemen teknologi informasi Northeastern University, menjelaskan bahwa individu yang memenuhi syarat untuk karir yang berfokus pada data sangat diidamkan di pasar kerja saat ini, karena kebutuhan bisnis untuk memahami dan memanfaatkan data semakin meningkat.
