Data Analyst vs Marketing Analyst vs Data Scientist: kit vegyél fel, mikor és miért?

Röviden:

A Data Analyst üzleti kérdésekre ad gyors, megbízható adatválaszokat: lekérdez, tisztít, vizualizál, és működő döntéstámogató riportot ad.
A Marketing Analyst ugyanezt teszi, de kifejezetten a marketingtölcsérre optimalizál, érti az attribúciót, a csatorna-mixet, és az LTV/CAC valós mérését.
A Data Scientist ennél tovább megy: predikál, modellez, kísérletez, és képes ok-okozati következtetéseket tenni (uplift, MMM, causal inference).

A helyes sorrend a legtöbb cégnél: Marketing Analyst → Data Analyst (vagy fordítva, mérettől függően) → Data Scientist, amikor a volumen, a komplexitás és a személyre szabás szintje eléri azt a küszöböt, ahol a gépi tanulás már tényleg pénzt termel.

Definíciók és fókusz

Data Analyst

Mandátum: üzleti területek (sales, marketing, pénzügy, operations) kérdéseinek adat-alapú megválaszolása.
Tipikus output: dashboard (Looker, Power BI), ad hoc elemzés, adattisztítás, adatminőség-ellenőrzés.
Fókusz: mi történik és hol? – deskriptív analitika.
Nyelv: SQL, táblaműveletek, alap statisztika, ETL-ismeret.

Marketing Analyst

Mandátum: teljes marketing-funnel és csatorna-mix üzleti mérhetősége.
Tipikus output: akvizíciós riport (MER, ROAS, CAC), kohorsz/LTV elemzés, attribúciós validáció (GA4 vs. ad platform), inkrementalitás-becslés, kísérleti terv.
Fókusz: mi működik az akvizíció–aktiváció–retenció tengelyen és mennyibe kerül?
Nyelv: GA4/MMP (Adjust/Appsflyer), attribúciós modellek, marketing kísérletek, cohort- és funnel-elemzés.

Data Scientist

Mandátum: előrejelzés és optimalizáció – személyre szabás, ajánlórendszer, MMM (Marketing Mix Modeling), CLV/LTV predikció, churn-előrejelzés, causal hatásbecslés.
Tipikus output: prediktív modellek (Python/R), uplift modellek, MMM, kísérleti dizájn (geo-lift, diff-in-diff), automatizált döntési szabályok.
Fókusz: mi fog történni és miért? – prediktív + oksági analitika.
Nyelv: Python/R, statisztika, ML, kísérletezés, MLOps-alapok.

Feladatkörök és kimenetek összevetése

Dimenzió	Data Analyst	Marketing Analyst	Data Scientist
Üzleti kérdések	Széles, több terület	Marketing-specifikus	Stratégiai, nagy hatás
Időhorizont	Múlt/jelen	Múlt/jelen, gyors taktika	Jövő/okság
Output	Dashboard, riport	Funnel, LTV/CAC mérés	Modellek, ajánlók, MMM
Eszközök	SQL, BI, ETL	GA4, MMP, BI, kísérletek	Python/R, ML, causal, MLOps
Hatás	Döntéstámogatás	Költség–bevétel optimalizáció	Skálázható automatizált növekedés

Stack és eszközök – kinek mi a terepe?

Data Analyst:
- Adatforrások: DWH (BigQuery/Snowflake), ERP, CRM, webshop.
- Eszközök: SQL, dbt/ETL, Looker/Power BI, Excel/Sheets.
- Feladat: adatmodell, egységes definíciók (mi a „rendelés”, „bevétel”), megbízható dashboard.
Marketing Analyst:
- Adatforrások: GA4, MMP, hirdetési platformok (Google/Meta/TikTok), CRM/MA (HubSpot, Braze, Klaviyo).
- Eszközök: GA4 explorations, attribúciós riportok, kísérleti keretek (holdout, geo-lift), BI.
- Feladat: valós CAC/LTV, csatorna-hatás, kísérletek (pl. kreatív variáns, landing teszt), remarketing/retenció mérés.
Data Scientist:
- Adatforrások: DWH + event stream (Segment), terméklogok, külső jelek.
- Eszközök: Python/R (pandas, scikit-learn), causal toolok, prophet/ARIMA, MLflow, Airflow.
- Feladat: előrejelzés, optimalizáció, oksági hatás, MMM-keret, ajánló, churn- és CLV-modellek.

KPI és üzleti hatás

Data Analyst: mérési fegyelem → kevesebb döntési hiba, gyorsabb riporting, jobb forecast-alapok.
Marketing Analyst: pontosabb CAC, rövidebb payback, jobb MER; csatornaköltés hatékony újraelosztása; kísérletek, amelyek ténylegesen +bevételt hoznak.
Data Scientist: nagyobb LTV (személyre szabás), hatékonyabb költés (MMM), csökkenő churn, prediktív készlet/kereslet → profitmaximalizálás.

Kit vegyél fel az érettség alapján?

Korai fázis (0–5M Ft havi költés / 0–5k rendelés havonta)

Első hire:Marketing AnalystvagyData Analyst – attól függ, hol fáj jobban.
- Ha káosz van a számokban és dashboard sincs → Data Analyst először.
- Ha a marketingköltés nő és nem világos a valós CAC/LTV → Marketing Analyst.

Skálázás (5–20M Ft költés / 5–50k rendelés)

Mindkettő kell: Data Analyst a megbízható adatplatformért, Marketing Analyst a mix- és kísérleti fegyelemért.
Egységes definíciók, cohort/LTV standardizálás, szerver oldali mérés, remarketing/retenció mérések.

Growth stage (20M+ Ft költés / 50k+ rendelés, több ország)

Data Scientist ideje: MMM, prediktív LTV, ajánlórendszer, uplift modellek.
A modell csak akkor térül meg, ha az adatinfrastruktúra és a kísérletezés már fegyelmezett.

Gyakori félreértések és buktatók

“A Data Scientist majd mindent megold.” – Alapadatok nélkül (tisztaság, egységes definíciók) a legjobb modell is szemétből dolgozik.
“A Marketing Analyst = GA4 power user.” – Nem elég. Tudnia kell attribúciót validálni, inkrementális hatást mérni, és üzleti döntést segíteni.
“Egy ember vigye az egészet.” – Rövid távon csábító, skálán drága: kontextusváltás és prioritás-harc.
“A ROAS jó, minden rendben.” – ROAS nem egyenlő profit. MER, CAC, LTV, payback nélkül félrevisz.
“Modellezünk MMM-et Excelben.” – Könnyű túlmagyarázni a múltat. MMM értéke a stabil döntési szabály és a folyamatos backtesting.

Példák a gyakorlatból

E-comm (D2C) – 15M Ft/hó költés

Kiindulás: platform ROAS-ok szépek, mégis romlik a margin.
Marketing Analyst átváltott MER-re, validálta az attribúciót (server-side, kohorsz). Kiderült: a retenció stagnál, a remarketing túlértékelt.
Data Analyst egységesített definíciókat, dashboardot épített (nettó/árkedvezmény korrekcióval).
Eredmény: költés 10%-a átkerült lifecycle-re, payback 75→55 nap.

SaaS – 40 fős sales, 10 fős marketing

Marketing Analyst: kísérleti keret, inbound vs outbound inkrementalitás, trial-aktivációs funnel, cohort LTV.
Data Scientist: churn-előrejelzés + ajánlott akciók CSM-nek, pricing-érzékenységi modell.
Eredmény: NRR +6 pp, churn –3 pp, pipeline minőség +18%.

Együttműködés a szervezetben

Marketing Analyst ↔ Performance/Brand: közös funnel, kreatív és landing tesztek, incrementality guardrail-ek.
Data Analyst ↔ RevOps/Pénzügy: egységes metaadatok, forecast és vezetői riportok.
Data Scientist ↔ Termék/CRM: eseménymodell, személyre szabás, ML bevezetés a lifecycle-ben.

A kulcs: egy tulajdonos a definíciókra, és közös „adat-szótár”, hogy a board és az operáció ugyanazt értse „bevétel”, „CAC”, „LTV” alatt.

Interjúkérdés-minták (gyors szűréshez)

Data Analyst

Mesélj el egy projektet, ahol 3 forrásból (CRM, webshop, pénzügy) hoztál össze egyező bevételszámot!
Mik a kedvenc SQL mintáid nagy táblák gyorsítására?
Mutass egy dashboardot, ahol a definíciókat is dokumentáltad!

Marketing Analyst

Hogyan validálnád a GA4 és a hirdetési platform eltérő konverzióit?
Írj fel egy 8 hetes kísérleti tervet: hipotézis → metrika → MDE → döntési szabály!
Hogyan mérnéd az LTV-t és a paybacket kohorsz-alapon?

Data Scientist

Milyen causal módszert választasz, ha kizárt a randomizált kísérlet?
Hogyan tennél gyártásba egy churn-prediktort (adatfrissülés, monitoring, drift)?
Mutass példát uplift modellre és az üzleti implementációjára!

30–60–90 napos elvárás minták