Data Analyst vs Data Scientist: Sizə Hansı Uyğundur?

Data ilə işləmək istəyirsiniz, amma iki yol arasında qalmısınız. Biri "data analyst" deyir, biri "data scientist". Vakansiyalarda tələblər bəzən üst-üstə düşür, bəzən tamamilə fərqlənir. Səhv seçim aylarla yanlış istiqamətdə öyrənmək deməkdir. Bu yazıda data analyst vs data scientist sualını gündəlik iş, bacarıqlar, başlanğıc həddi və sizə uyğunluq baxımından müqayisə edirik.

Qısa cavab: Data analyst mövcud datadan "nə baş verib və niyə?" sualına cavab verir: SQL, BI alətləri, hesabatlar və biznes metrikləri. Data scientist isə daha çox "nə baş verəcək və nə etməliyik?" sualı ilə işləyir: statistika, maşın öyrənməsi, proqnoz modelləri. Başlanğıc üçün data analitika adətən daha əlçatandır; riyaziyyata və modelləşdirməyə marağınız varsa, data science daha uyğundur.

Bu iki rol nə ilə məşğul olur?

Data analyst şirkətin datasından qərar üçün cavab çıxarır. Satışlar niyə düşüb? Hansı kampaniya işləyib? Müştərilər harada tərk edir? Nəticəsi adətən dashboard, hesabat və ya qısa təqdimatdır.

Data scientist datadan model qurur: hansı müştəri tərk edəcək, hansı əməliyyat şübhəlidir, gələn ay tələb nə qədər olacaq, hansı məhsul kimə tövsiyə edilməlidir. Nəticəsi çox vaxt məhsulun içində işləyən modeldir.

Müqayisə cədvəli

Meyar	Data Analyst	Data Scientist
Əsas sual	Nə baş verib, niyə?	Nə baş verəcək, nə etməliyik?
Əsas alətlər	SQL, Excel, Power BI	Python, statistika, ML kitabxanaları
Riyaziyyat	Əsas statistika	Statistika, ehtimal, xətti cəbr
Proqramlaşdırma	SQL mütləq, Python faydalı	Python mütləq
Nəticə	Hesabat, dashboard, tövsiyə	Model, proqnoz, avtomatlaşdırılmış qərar
Kimlə işləyir	Biznes komandaları, rəhbərlik	Məhsul, mühəndislik və biznes komandaları
Junior başlanğıc həddi	Daha əlçatan	Daha yüksək hazırlıq tələb edir

Data Analyst: üstün və zəif tərəflər

Üstün tərəflər:

• Giriş həddi nisbətən aşağıdır — SQL və bir BI aləti ilə başlamaq olar
• Nəticə tez görünür: hesabatınız elə həmin həftə qərara təsir edə bilər
• Demək olar ki, hər sektorda tələbat var: bank, ticarət, telekom, logistika
• Biznes və ya iqtisad fonu birbaşa üstünlükdür

Zəif tərəflər:

• İş bəzən təkrarlanan hesabatlara çevrilə bilər
• Dərin texniki inkişaf üçün özünüzü məcbur etməli ola bilərsiniz (Python, dbt, data modelləşdirmə)

Bacarıqların ətraflı siyahısı data analitik olmaq yazımızdadır.

Data Scientist: üstün və zəif tərəflər

Üstün tərəflər:

• Mürəkkəb və maraqlı problemlər: proqnoz, tövsiyə, risk modelləri
• AI və LLM tətbiqlərinə keçid daha təbiidir
• Texniki dərinlik və tədqiqat üçün geniş imkan

Zəif tərəflər:

• Daha yüksək başlanğıc həddi: statistika, proqramlaşdırma və ML birlikdə
• Junior vəzifələr adətən daha az və daha rəqabətlidir
• Modelin dəyərini biznesə izah etmək ayrıca bacarıq tələb edir

Addım-addım yol xəritəsi data scientist olmaq yazımızdadır.

Gündəlik iş: eyni problem, iki baxış

Tutaq ki, onlayn mağazada müştərilərin bir hissəsi ikinci alışı etmir.

Data analyst kohort analizi aparır: hansı aylarda gələn müştərilər daha az qayıdır, hansı kanaldan gələnlər, hansı məhsuldan sonra? Nəticəni dashboard-da göstərir və tövsiyə verir: "Bu kanaldan gələn müştərilərə ilk alışdan sonra xatırlatma göndərək."

Data scientist hər müştəri üçün qayıtmama ehtimalını hesablayan model qurur, bu ehtimalı marketinq sisteminə ötürür ki, xatırlatma yalnız riskli müştərilərə getsin, sonra isə təsiri ölçür.

İkisi bir-birini tamamlayır — çox şirkətdə bu iki rol birlikdə işləyir.

Hansı halda hansını seçməli?

Data analitikanı seçin, əgər:

• Rəqəmlərdən hekayə çıxarmağı və insanlara izah etməyi sevirsinizsə
• Biznes, iqtisad, mühasibat və ya marketinq fonunuz varsa
• İşə daha tez başlamaq istəyirsinizsə
• Riyaziyyat sizi həvəsləndirmirsə, amma məntiq güclüdür

Data science-i seçin, əgər:

• Statistika və riyaziyyat sizi maraqlandırırsa
• Python ilə proqramlaşdırmadan zövq alırsınızsa
• Proqnoz və modellərlə məhsul qurmaq istəyirsinizsə
• Daha uzun hazırlıq dövrünə hazırsınızsa

Hələ əmin deyilsinizsə: data analitika ilə başlamaq yaxşı strategiyadır. SQL, data təmizləmə və biznes metrikləri hər iki rol üçün təməldir; bir çox data scientist karyerasına analitik kimi başlayıb.

Bazar baxımından

Dünya İqtisadi Forumunun Future of Jobs Report 2025 hesabatında böyük data mütəxəssisləri faiz baxımından ən sürətlə böyüyən vəzifələrin başında, süni intellekt və böyük data isə ən sürətlə böyüyən bacarıqlar arasında göstərilir. Yəni hər iki yol perspektivlidir — seçim sizin güclü tərəflərinizə görə olmalıdır, "hansı daha dəbdədir" sualına görə yox.

Hər iki yol üçün real tapşırıqlar

Hansı yolu seçsəniz də, işəgötürən real data üzərində gördüyünüz işi görmək istəyəcək. Bunu Devlab komandası sizin üçün qura bilər:

• Data Analytics proqramı: SQL, kohort analizi, KPI, Power BI, dbt, bulud data anbarları, A/B test — 13 modul
• Data Science proqramı: ensemble modellər, zaman sıraları, səbəbiyyət, dərin öyrənmə, LLM və RAG, MLOps — 13 modul

Hər iki proqram minimum 3 ay davam edir, hər tapşırığı sahə mütəxəssisi olan mentor yoxlayır və həftəlik canlı görüşlər keçirilir.

Bacarıqların üst-üstə düşdüyü yerlər

İki rol arasında sərhəd sandığınızdan daha nazikdir. Ortaq təməl:

• SQL: hər ikisi üçün gündəlik alət
• Data təmizləmə: hər iki rolda vaxtın böyük hissəsi
• Əsas statistika: analitik üçün təhlil, data scientist üçün modelin təməli
• Biznes anlayışı: düzgün sualı qoymadan nə hesabat, nə model dəyər yaradır
• Ünsiyyət: nəticəni qeyri-texniki insanlara izah etmək

Fərqlənən hissə isə budur: analitik vizuallaşdırma, BI alətləri və biznes metriklərində dərinləşir; data scientist proqramlaşdırma, maşın öyrənməsi və modelin production-a çıxarılmasında.

Hər rol üçün bir nümunə portfolio layihəsi

Data analyst üçün: onlayn mağazanın satış datası üzərində kohort analizi və funnel təhlili; Power BI dashboard-u və "nə gördük, nə tövsiyə edirik" formatında bir səhifəlik xülasə.

Data scientist üçün: eyni datada müştərinin ikinci alış edib-etməyəcəyini proqnozlaşdıran model; iki yanaşmanın müqayisəsi, düzgün metrik seçimi, modelin qərarlarının izahı və marketinq komandası üçün tövsiyə.

Diqqət edin: hər iki layihə eyni data ilə başlayır — fərq soruşulan sualda və istifadə olunan alətlərdədir. Hansı layihəni qurmaq sizə daha maraqlı gəlir? Bu sualın cavabı seçiminiz haqqında çox şey deyir.

Qərar vermək üçün 2 həftəlik test

1. 1-ci həftə: açıq bir dataset götürün və 5 biznes sualını SQL ilə cavablandırın, nəticəni sadə dashboard-da göstərin.
2. 2-ci həftə: eyni dataset üzərində sadə bir proqnoz modeli qurun (məsələn, scikit-learn ilə).
3. Özünüzə sual verin: hansı həftə daha tez keçdi? Hansında ilişəndə belə maraq qaldı?

Bu test nəzəri müqayisədən daha dürüst cavab verəcək. Devlab-da pulsuz qeydiyyatdan sonra hər iki sahənin real tapşırıq nümunələrinə baxmaq da eyni məqsədə xidmət edir.

Ən çox edilən seçim səhvləri

• Yalnız maaşa görə seçmək. Motivasiyasız sahədə uzun hazırlıq dövrünü keçmək çətindir.
• "Data scientist daha prestijlidir" düşüncəsi. Güclü analitik zəif data scientist-dən daha dəyərlidir.
• Seçimi əbədi hesab etmək. Bu iki sahə arasında keçid tamamilə normaldır.

Hər rolda karyera yolu necə görünür?

Data analyst yolu: junior analitik → analitik (müstəqil təhlil və dashboard-lar) → senior analitik (məhsul və ya biznes sahəsi üzrə strateji tövsiyələr) → analitika rəhbəri. Alternativ istiqamətlər: analytics engineer (dbt, data modelləşdirmə), məhsul analitiki, data scientist.

Data scientist yolu: junior data scientist → data scientist (modelləri başdan-sona aparmaq) → senior (mürəkkəb problemlər, eksperiment dizaynı, digərlərinə rəhbərlik) → lead və ya tədqiqat rolları. Alternativ istiqamətlər: ML engineer, AI engineer, məhsul data scientist-i.

Gördüyünüz kimi, yollar bir-birini kəsir: analitikdən data scientist-ə, data scientist-dən AI engineer-ə keçid tez-tez olur. Bu, ilk seçimin əbədi olmadığını bir daha göstərir.

Hər iki rol üçün "işə hazır" meyarları

Data analyst işə hazırdır, əgər: SQL ilə çoxcədvəlli sorğuları və pəncərə funksiyalarını yazır; ən azı bir BI alətində dashboard qurur; real datada kohort və funnel təhlili aparıb; nəticəni qeyri-texniki dildə yazır.

Data scientist işə hazırdır, əgər: Python ilə datanı hazırlayır; ən azı bir neçə klassik modeli düzgün qiymətləndirir və müqayisə edir; data sızması və overfitting-i tanıyır; modelin nəticəsini biznes dilində izah edir və heç olmasa bir layihəni sadə xidmət kimi təqdim edib.

Hansı sahədə hansı rol daha çox tələb olunur?

Bank, telekom və ticarət şirkətlərində hesabatlılıq və biznes qərarları üçün data analitiklərə ehtiyac geniş yayılıb. Data scientist vəzifələri isə daha çox böyük data həcmi olan və ya məhsulunda proqnoz və tövsiyə sistemləri işlədən şirkətlərdə cəmləşir: fintech, onlayn ticarət, telekom, texnologiya şirkətləri. Hədəf şəhərinizdə bir-iki həftə vakansiyaları izləmək bu mənzərəni öz bazarınız üçün dəqiqləşdirəcək.

Ən etibarlı mənbə isə həmin şirkətlərdə çalışan insanlarla qısa söhbətdir.

Nəticə

Data analyst vs data scientist seçimi "hansı daha yaxşıdır" yox, "hansı mənə uyğundur" sualıdır. Analitik keçmişi izah edir və qərarlara kömək edir; data scientist gələcəyi proqnozlaşdıran modellər qurur. Əmin deyilsinizsə, analitika ilə başlayın — təməl hər ikisi üçün eynidir.

Data sahəsində real tapşırıqlarla başlamaq istəyirsinizsə, pulsuz qeydiyyatdan keçin və hər iki sahə üzrə tapşırıq nümunələrini öhdəliksiz görün. Seçimdə kömək lazımdırsa, komandamızla əlaqə saxlayın.

Tez-tez verilən suallar

Data analyst sonradan data scientist ola bilərmi?

Bəli, bu çox yayılmış keçiddir. Analitik kimi qazandığınız SQL, data təmizləmə və biznes anlayışı data science üçün möhkəm təməldir; üzərinə Python, statistika və ML əlavə etmək lazımdır.

Hansı rolda maaş daha yüksəkdir?

Ümumilikdə data scientist vəzifələri daha yüksək hazırlıq tələb etdiyi üçün çox vaxt daha yüksək ödənilir, amma bu, şirkətdən, sektordan və səviyyədən çox asılıdır. Seçimi yalnız maaşa görə etmək tövsiyə olunmur.

Data analyst üçün Python mütləqdirmi?

Junior səviyyədə həmişə yox. SQL və bir BI aləti əsasdır. Python isə inkişaf etdikcə və daha mürəkkəb təhlillərə keçdikcə böyük üstünlük verir.

Data science üçün magistr dərəcəsi lazımdırmı?

Bəzi şirkətlər tələb edir, amma bir çoxu üçün real layihələr və nəticəni izah etmək bacarığı daha vacibdir. Güclü portfolio dərəcə çatışmazlığını qismən kompensasiya edə bilər.