<\/p>\n
Sia gli statistici<\/strong> che i data scientist<\/strong> lavorano molto con i dati, ma ci sono alcune differenze fondamentali tra le due professioni:<\/span><\/p>\n Differenza n. 1 (tipi di dati) \u2013<\/strong> I data scientist tendono a dedicare pi\u00f9 tempo alla raccolta e alla pulizia di dati imperfetti, mentre gli statistici generalmente hanno dati ordinati.<\/span><\/p>\n Differenza n. 2 (obiettivi finali)<\/strong> \u2013 I data scientist tendono a concentrarsi sulla creazione di modelli che prevedono i risultati, mentre gli statistici tendono a concentrarsi sulla creazione di modelli che descrivono accuratamente la relazione tra le variabili.<\/span><\/p>\n Differenza n. 3 (Produzione)<\/strong> \u2013 I data scientist tendono a costruire modelli che vengono messi in produzione nelle aziende, mentre gli statistici tendono a costruire modelli in grado di fornire approfondimenti o spiegazioni sul fenomeno.<\/span><\/p>\n Continua a leggere per una spiegazione dettagliata di queste differenze.<\/span><\/p>\n In generale, i data scientist lavorano spesso con dati pi\u00f9 complicati, pi\u00f9 difficili da estrarre e molto pi\u00f9 grandi del tipo di dati utilizzati dagli statistici.<\/span><\/p>\n Ad esempio, un data scientist che lavora presso una societ\u00e0 immobiliare potrebbe dover estrarre set di dati contenenti milioni di righe da diversi server esterni, tutti in formati diversi.<\/span><\/p>\n Avrebbe bisogno di una conoscenza approfondita di SQL e di almeno un linguaggio di programmazione (come R o Python ) per estrarre i dati e impacchettarli in un formato adatto alla modellazione.<\/span><\/p>\n Al contrario, gli statistici tendono a lavorare con insiemi di dati pi\u00f9 piccoli, gi\u00e0 presentati in un formato ordinato.<\/span><\/p>\n Ad esempio, uno statistico che lavora per un’azienda biomedica pu\u00f2 ricevere un file Excel di 50 righe contenente informazioni sulla pressione sanguigna, sulla frequenza cardiaca e sui livelli di colesterolo di 50 pazienti diversi.<\/span><\/p>\n Piuttosto che dedicare il proprio tempo a estrarre e pulire i dati, probabilmente dedicherebbero pi\u00f9 tempo a decidere un test di ipotesi<\/a> o un modello appropriato da adattare ai dati e a verificare che le ipotesi<\/a> del test o della statistica del modello scelto siano rispettate.<\/span><\/p>\n In molti casi, l’obiettivo finale di un data scientist \u00e8 creare un tipo di modello in grado di prevedere con precisione determinati risultati.<\/span><\/p>\n Ad esempio, un data scientist che lavora per una societ\u00e0 finanziaria potrebbe tentare di creare un modello di regressione logistica<\/a> in grado di prevedere con precisione se alcune persone saranno inadempienti su un prestito.<\/span><\/p>\n Si adatteranno a una variet\u00e0 di modelli utilizzando diverse combinazioni di variabili predittive e tenteranno di trovare il modello che produce le previsioni pi\u00f9 accurate.<\/span><\/p>\n Il loro obiettivo finale \u00e8 creare un modello accurato piuttosto che quantificare esattamente il modo in cui ciascuna variabile predittrice si collega alla variabile di risposta<\/a> .<\/span><\/p>\n Al contrario, gli statistici tendono a concentrarsi maggiormente sulla creazione di modelli in grado di descrivere accuratamente la relazione tra variabili predittive e una variabile di risposta.<\/span><\/p>\n Ad esempio, uno statistico che lavora in un\u2019universit\u00e0 potrebbe reclutare 30 studenti per partecipare a uno studio che quantifica esattamente l\u2019impatto delle diverse abitudini di studio sui punteggi degli esami.<\/span><\/p>\n In questo scenario, lo statistico sarebbe pi\u00f9 interessato a interpretare i coefficienti del modello di regressione e ad analizzare i corrispondenti valori p<\/a> per capire se hanno una relazione statisticamente significativa con la variabile di risposta.<\/span><\/p>\n In generale, i data scientist tendono a creare modelli statistici che vengono messi in produzione nelle aziende molto pi\u00f9 spesso degli statistici.<\/span><\/p>\n Ad esempio, un data scientist che lavora presso una grande catena di alimentari potrebbe creare un modello in grado di prevedere con precisione le vendite di vari prodotti.<\/span><\/p>\n Il suo obiettivo finale sarebbe quello di collaborare con gli sviluppatori dell’azienda che possano aiutarlo a inserire il suo modello in un server che funziona ogni notte e in grado di prevedere le vendite dei prodotti per ogni nuovo giorno.<\/span><\/p>\n D\u2019altro canto, gli statistici raramente creano modelli integrati in un tipo di produzione.<\/span><\/p>\n Ad esempio, uno statistico che lavora presso un\u2019azienda sanitaria pu\u00f2 costruire un modello che descrive la relazione tra vari fattori legati allo stile di vita (fumo, esercizio fisico, dieta, ecc.), ma il suo obiettivo finale \u00e8 semplicemente quello di quantificare<\/em> la relazione tra questi fattori e una variabile di risposta . come la durata della vita.<\/span><\/p>\n Il loro obiettivo finale \u00e8 creare un modello che fornisca loro informazioni anzich\u00e9 inserirlo in un ambiente di produzione.<\/span><\/p>\n Sia gli statistici che i data scientist lavorano con i dati nel loro ruolo quotidiano, ma lo fanno in modi diversi.<\/span><\/p>\n I data scientist tendono a lavorare con una pi\u00f9 ampia variet\u00e0 di dati che spesso sono disordinati e necessitano di essere elaborati, mentre gli statistici spesso lavorano con set di dati pi\u00f9 piccoli e pi\u00f9 ordinati.<\/span><\/p>\n I data scientist tendono inoltre a concentrarsi maggiormente sulla costruzione di modelli in grado di prevedere con precisione i risultati, mentre gli statistici tendono a costruire modelli in grado di spiegare con precisione la relazione tra le variabili.<\/span><\/p>\n Infine, i data scientist tendono a mettere in produzione modelli nelle aziende, mentre gli statistici spesso riassumono e riportano i loro risultati per fornire informazioni sui fenomeni del mondo reale.<\/span><\/p>\n I seguenti articoli spiegano l’importanza delle statistiche in vari campi:<\/span><\/p>\n Perch\u00e9 le statistiche sono importanti? (10 motivi per cui le statistiche sono importanti!)<\/a> Sia gli statistici che i data scientist lavorano molto con i dati, ma ci sono alcune differenze fondamentali tra le due professioni: Differenza n. 1 (tipi di dati) \u2013 I data scientist tendono a dedicare pi\u00f9 tempo alla raccolta e alla pulizia di dati imperfetti, mentre gli statistici generalmente hanno dati ordinati. Differenza n. 2 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Differenza n. 1: tipi di dati<\/strong><\/span><\/h2>\n
Differenza n. 2: obiettivi finali<\/strong><\/h2>\n
Differenza n. 3: produzione<\/strong><\/h2>\n
Conclusione<\/strong><\/span><\/h2>\n
Risorse addizionali<\/strong><\/span><\/h2>\n
L\u2019importanza della statistica nelle imprese<\/a>
L\u2019importanza della statistica nell\u2019istruzione<\/a>
L\u2019importanza della statistica in sanit\u00e0<\/a>
L’importanza della statistica in finanza<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"