大資料工程師和資料分析師有什麼區別

1樓：就是那個小白呀

雖然兩者上都會用到程式設計的技術但是工程師的工作方式在接到乙個專案之後是有標準化的流程，標準化的流程更像是乙個工程。

我們在實施工程的時候要將工程細化到每乙個點應該怎麼做，要百分之百地完成這些設計的要求。

資料分析師的工作性質和工程師的就不一樣，雖然他接到的專案和工程師差不多的，但是在實戰中，更加關注的是資料分析師的隨機應變的能力。因為在完成這個目標當中，由於資料分析師會看到不一樣的資料，會發生不同的情況，所以要對決策進行不斷地調整優化，才能更好的達到目標。

工作的目標

通常在工程當中我們有乙個明確的很具象的目標，而在資料分析的專案中，很多專案是沒有乙個明確具象的目標。

在工作當中，工程師更多的是要學習軟體的程式設計技能或者是一些新工具的一些技能，他通過學習掌握這些新的技能來提高工程設施的質量效果。而資料分析師不僅僅要去學習這些工具當然他還需要學習業務，學習與如何與人溝通。

2樓：九道門聊資料

當前，資料科學領域中有三個頂級角色，分別是資料分析師，機器學習工程師和資料工程師。

這些角色中最著名的是資料分析師。資料分析師的角色具有學術淵源；因此，許多資料分析師具有紮實的數學和統計學技能，並且許多人將具有高階學位。他們具有商業頭腦和分析能力，以及挖掘，清理和顯示資料的能力。

但是，它們通常在許多現實世界的技能（例如資料來源和程式設計）中較弱。我相信這種弱點將導致應用領域中資料科學的角色急劇縮減。

第二個角色是機器學習工程師。資料分析師使用程式語言來完成機器學習過程。在應用空間中處理資料的預設語言是sql，它通常是公司在其機器學習工程師中尋求的最重要技能之一。

機器學習工程師建立可以做出**的模型。在應用領域中經常使用的兩種程式語言是python和r。機器學習工程師通常將負責效能，優化和協助將最終模型部署到生產中。

機器學習工程師的弱點通常是統計和數學。

第三個角色是資料工程師。資料工程師以各種格式管理大量變化的資料。大多數公司都有結構化資料，例如關聯式資料庫中的資料和非結構化資料，例如位於檔案系統上的文字檔案。

資料工程師專注於資料管道和基礎架構的開發，部署，管理和優化。資料工程師關注資料及其附帶的所有內容的生產就緒性：格式，可伸縮性，彈性和安全性。

從技能的角度來看，資料工程師將熟悉作業系統，sql，大資料技術，儲存系統和資料提取工具。他們通常是公司的資料管理員。

資料分析師經常將其中乙個角色與混淆，即資料分析師的角色。

在應用空間中，資料分析師是使用sql或其他第三方工具建立報告的人員。通常，此角色位於資訊科技之外。

成為資料分析師所需的技術技能範圍與資料科學，機器學習或資料工程所需的技能範圍不同。但是，資料分析師角色為您提供了開始資訊科技之旅所需的sql技能。對於許多機器學習新手來說，最難的部分將是確保他們的第乙個it角色。

機器學習工程師和資料工程師是技術含量很高的角色，需要大量的知識和技能。

3樓：粟福崇卉

資料工程師的重心在「後端」，他們需要持續的優化資料通道，才能保證企業資料的準確性與可用性。同時還需確保在需要的時候能夠順暢地將資料提供給使用者。

資料分析師則是通過使用資料工程師所構建的自定義api來提取新的資料集，並對其中的資料趨勢進行識別，同時對異常資料進行分析。分析師們將會對結果進行總結，並以一種清晰直觀的方式來展示這些結果，以便於其它非技術團隊能夠更好地了解他們目前的工作效果。

資料分析師與大資料分析師有什麼區別

4樓：蔡思真掌媛

大資料分析師與傳統的資料分析師之間有什麼區別呢？資料分析可謂由來已久，舉例說明一下。帳房先生在某種意義上講也可以稱之為資料分析師，分析著往來帳務、應收、支出等，傳統的資料分析師只是基於自身資料的統計而已。

所以相較於傳統的資料分析師來說，大資料分析師首先要學會的就是打破資訊孤島利用各種資料來源，在海量資料中尋找資料規律，在海量資料中發現資料異常。根據專案設計開發資料模型、資料探勘和處理演算法；通過資料探索和模型的輸出進行分析，給出分析結果。