Para ser sincero … ninguno!
En mi humilde opinión, debes comprender la intuición detrás de ambos desde el principio. Eso proporcionará una base para comenzar a agregar valor. El resto depende en gran medida de lo que quieras lograr. Piénselo de esta manera: ¿cuál es el producto final con el que agrega valor?
Informes: si realiza muchos informes, la visualización es extremadamente importante, pero aun así la técnica de visualización es un poco exagerada. Debe poder crear mensajes claros.
- ¿Cuántas vacaciones tiene un empleado en Nueva Zelanda?
- ¿Qué habilidades y experiencias debo buscar para convertirme en un profesional de inteligencia empresarial?
- ¿Qué programa de posgrado debería elegir para ser un buen científico de datos, sin embargo, mi promedio de calificaciones es inferior a 3.0?
- ¿Qué debe contener el blog de un científico de datos?
- ¿Qué tan bien el salario de un científico de datos rastrea el impacto social?
Análisis complejo, pruebas AB y material exploratorio: este es probablemente el más equilibrado de todos. Es casi el camino de no especialización, pero no es más fácil que cualquiera de los otros, todo lo contrario en mi humilde opinión. Por un lado, debe poder crear visualizaciones complejas para comprender mejor los datos y los resultados. Por otro lado, las estadísticas por sí solas no serán suficientes para una producción de alto nivel. El diseño de experimentos, el aprendizaje estadístico, etc., son parte del conjunto de habilidades.
Aprendizaje automático: si haces aprendizaje automático, las tramas básicas son más que suficientes. La matemática y la codificación serán mucho más importantes ya que ajustar el rendimiento de los modelos es clave.
Yendo un poco por la tangente … Infografía (visualización para audiencias más amplias): si hace infografías para una audiencia más amplia, se centrará en la técnica de visualización por el bien del diseño.
Espero que esto ayude.