数据分析是干什么的？
在企业里收集数据、计算数据、提供数据给其他部门使用的。
数据分析有什么用?
从工作流程的角度看，至少有5类分析经常做：
那数据分析是什么的？
数据分析大体上分3步：
1：获取数据。通过埋点获取用户行为数据，通过数据同步，打通内部各系统数据。以及做数仓建设，存储数据。
2：计算数据。根据分析要求，提取所需要的数据，计算数据，做表。
3：解释数据。解读数据含义，推导出一些对业务有用的结论。
那么数据分析师主要做以上三点的工作吗？
并不全是，这个在不同企业，情况不一样。如果公司规模大的话，获取数据经常是数据开发组完成的，他们的职位一般是“数据开发工程师”或者“大数据工程师”。解释数据则是运营自己写ppt做解读，留给“数据分析师”的，其实就是中间的计算数据的一步。
有些公司（一般是做电商的），数据是直接从淘宝、天猫、亚马逊等平台导出的，然后基于这些数据做分析。有些公司（一般是传统企业），数据是直接用的大型的BI产品，然后所有人基于BI产品导出数据分析有些公司规模很小，就直接一个小组从数据埋点到数仓到提数全干了。
总之情况五花八门。
评论0
加载中...
第一，在分析方法上，两者并没有本质不同。
数据分析的核心工作是人对数据指标的分析、思考和解读，人脑所能承载的数据量是极其有限的。所以，无论是“传统数据分析”，还是“大数据分析”，均需要将原始数据按照分析思路进行统计处理，得到概要性的统计结果供人分析。两者在这个过程中是类似的，区别只是原始数据量大小所导致处理方式的不同。
第二，在对统计学知识的使用重心上，两者存在较大的不同。
“传统数据分析”使用的知识主要围绕“能否通过少量的抽样数据来推测真实世界”的主题展开。“大数据分析”主要是利用各种类型的全量数据（不是抽样数据），设计统计方案，得到兼具细致和置信的统计结论。
第三，与机器学习模型的关系上，两者有着本质差别。
“传统数据分析”在大部分时候，知识将机器学习模型当黑盒工具来辅助分析数据。而“大数据分析”，更多时候是两者的紧密结合，大数据分析产出的不仅是一份分析效果测评，后续基于此来升级产品。在大数据分析的场景中，数据分析往往是数据加墨的前奏，数据建模是数据分析的成果。
第一，在分析方法上，两者并没有本质不同。
数据分析的核心工作是人对数据指标的分析、思考和解读，人脑所能承载的数据量是极其有限的。所以，无论是“传统数据分析”，还是“大数据分析”，均需要将原始数据按照分析思路进行统计处理，得到概要性的统计结果供人分析。两者在这个过程中是类似的，区别只是原始数据量大小所导致处理方式的不同。
第二，在对统计学知识的使用重心上，两者存在较大的不同。
“传统数据分析”使用的知识主要围绕“能否通过少量的抽样数据来推测真实世界”的主题展开。“大数据分析”主要是利用各种类型的全量数据（不是抽样数据），设计统计方案，得到兼具细致和置信的统计结论。
第三，与机器学习模型的关系上，两者有着本质差别。
“传统数据分析”在大部分时候，知识将机器学习模型当黑盒工具来辅助分析数据。而“大数据分析”，更多时候是两者的紧密结合，大数据分析产出的不仅是一份分析效果测评，后续基于此来升级产品。在大数据分析的场景中，数据分析往往是数据加墨的前奏，数据建模是数据分析的成果。
第一，在分析方法上，两者并没有本质不同。
数据分析的核心工作是人对数据指标的分析、思考和解读，人脑所能承载的数据量是极其有限的。所以，无论是“传统数据分析”，还是“大数据分析”，均需要将原始数据按照分析思路进行统计处理，得到概要性的统计结果供人分析。两者在这个过程中是类似的，区别只是原始数据量大小所导致处理方式的不同。
第二，在对统计学知识的使用重心上，两者存在较大的不同。
“传统数据分析”使用的知识主要围绕“能否通过少量的抽样数据来推测真实世界”的主题展开。“大数据分析”主要是利用各种类型的全量数据（不是抽样数据），设计统计方案，得到兼具细致和置信的统计结论。
第三，与机器学习模型的关系上，两者有着本质差别。
“传统数据分析”在大部分时候，知识将机器学习模型当黑盒工具来辅助分析数据。而“大数据分析”，更多时候是两者的紧密结合，大数据分析产出的不仅是一份分析效果测评，后续基于此来升级产品。在大数据分析的场景中，数据分析往往是数据加墨的前奏，数据建模是数据分析的成果。
第一，在分析方法上，两者并没有本质不同。
数据分析的核心工作是人对数据指标的分析、思考和解读，人脑所能承载的数据量是极其有限的。所以，无论是“传统数据分析”，还是“大数据分析”，均需要将原始数据按照分析思路进行统计处理，得到概要性的统计结果供人分析。两者在这个过程中是类似的，区别只是原始数据量大小所导致处理方式的不同。
第二，在对统计学知识的使用重心上，两者存在较大的不同。
“传统数据分析”使用的知识主要围绕“能否通过少量的抽样数据来推测真实世界”的主题展开。“大数据分析”主要是利用各种类型的全量数据（不是抽样数据），设计统计方案，得到兼具细致和置信的统计结论。
第三，与机器学习模型的关系上，两者有着本质差别。
“传统数据分析”在大部分时候，知识将机器学习模型当黑盒工具来辅助分析数据。而“大数据分析”，更多时候是两者的紧密结合，大数据分析产出的不仅是一份分析效果测评，后续基于此来升级产品。在大数据分析的场景中，数据分析往往是数据加墨的前奏，数据建模是数据分析的成果。
两者需要具备的技术技能也是相差很大的。
（1）大数据分析一般需要具备：爬虫、ETL、分析、大数据 4个方面的技能。
（2）数据分析师一般更加注重的是产品，运营，营销，SQL和SPSS等仅仅是实现我们分析的工具而已。
B站全网最全大数据学习路线：
https://www.bilibili.com/read/cv5213600?spm_id_from=333.788.b_636f6d6d656e74.7
评论0
加载中...
首先，大数据分析师是大数据时代背景下产生的一种新型技术岗位，与传统数据分析师的区别主要体现在三个方面，其一是技术体系结构不同；其二是岗位任务目的存在一定的区别；其三是工作场景具有一定的区别。
对于大数据分析师来说，要具备更加全面的知识结构，涉及到大数据平台知识、算法设计知识、程序设计知识和具体的行业知识等，所以相对于传统的数据分析师来说，大数据分析师的从业门槛有了一定程度的提升。从目前行业领域的人才招聘情况来看，大数据分析岗位往往需要具有较高的学历要求，研究生往往更愿意从事相关岗位。
大数据分析的目的与传统的数据分析目的也存在一定的区别，主要体现在两个方面，其一是大数据分析比较注重数据的价值化，简单的说，大数据分析的结果会提升数据的价值，而传统数据分析的目的往往是以应用为导向的。另一个区别在于，大数据分析的结果往往是为了提供给智能体使用，比如人工智能领域的算法训练、验证等过程都需要大数据分析的参与。
在工作场景上，大数据分析与传统的数据分析也存在一定的区别，大数据分析往往需要借助于大数据平台进行，比如Hadoop、Spark，以及各种商用的大数据平台等，但是传统的数据分析往往会基于Excel或者是传统数据库进行。相对于传统数据分析工具来说，大数据分析的工具往往更加丰富，复杂程度也有明显的提升。
评论0
加载中...
大数据分析师和数据分析师完全是2个不同的方向：
数据分析师，偏业务。需要理解很多经济管理类的 比如 市场营销，管理学，财务会计。
对于专业的适配度比较低，很多领域都需要这岗位。
需要使用 spss，excel，sas等软件，看到数据，找到原因，得出结论。主要就是分析解读数据背后的商业运用和因果分析，用户行为 ，数据分析的目的是市场营销
大数据分析师，把大数据做成小数据，再用高性能服务器 提高运算速度。
大数据分析师，偏技术方向，适合程序员转型去做。
在技术层面要做数据库优化，分表，缓存，新的数据查询和遍历方法。如果你的数据量很大，那么只有部分数据时用来分析的，或者需要做变换计算等，那么你需要在20G数据中 找出10G数据用于分析，这个时候就需要做技术。
数据仓库，数据库等，做数据表等这个时候就需要ETL工程师。假设分析服务器，这个时候就需要 大数据云计算工程师。就是做技术了，开始学习 数据库，服务器，编程等，那么大数据分析师就变成工程师了，变成程序员了。
大家不要看大数据很热，你们公司是否有这么多数据？你学习的话时候有深厚编程基础？
你所在的城市时候 岗位很多？每个公司都是需要数据分析人员，而不是每家公司都需要大数据人员。很多公司的数据量并不是很大，不需要大数据人员。你时候愿意做一个程序员？
评论0
加载中...
大数据是互联网上海量的数据挖掘，而数据挖掘更多的是针对企业内部的小数据挖掘，数据分析是进行有针对性的分析和诊断，大数据需要分析的是趋势和发展趋势，数据挖掘主要是发现问题和诊断。 数据分析更多采用统计学的知识，对原数据进行描述性和探索性分析，从结果中发现价值信息来评估和修正现状。数据挖掘不仅仅用到统计学的知识，还要用到机器学习的知识，这里会涉及到模型的概念。数据挖掘具有更深的层次，来发现未知的规律和价值。 数据分析是将数据转化为信息的工具，而数据挖掘是将信息转化为认知的工具。如果我们想从数据(即认知)中提取某些规律，我们往往需要将数据分析与数据挖掘相结合使用。
评论0
加载中...
近几年，随着科技的日新月异，许多之前没有听过的名词接踵而出。比如云计算，比如大数据，可以说云计算的诞生催生了大数据。所谓大数据，Gartner研究机构给出的定义是这样的：一种需要具有更强决策力、洞察发现力以及流程优化能力的全新处理模式，以此来适应海量多样化的信息资产。笔者认为，大数据并非简单的一种概念，而是一种方法，简而言之，就是通过分析和挖掘数据，从而辅助进行决策的方法。
随着近几年大数据的越来越火热，相关的大数据职业也成为了热门，在诸多的大数据相关职位中，数据分析师和大数据工程师俨然已经成为当下最热门的职位之二。那么数据工程师和数据分析师有什么区别呢？
首先来说数据分析师，所谓数据分析师，简单来说就是从不同的行业中获取数据，然后对获取到的数据进行分析，并对相关问题进行解答，一般来说，数据分析师的主要任务就是对数据进行梳理、分析以及可视化，从而帮助企业做出决策。而根据行业的不同，数据分析师的头衔也不同，如：业务分析师、运营分析师等，但无论头衔是什么，数据分析师的岗位职责是相同的。
而对于数据分析师来说，需要掌握的技能也是比较多的，例如编程、统计学、数学、数据可视化、通信技术等等，这些都说明了数据分析师是一个通才，对人们的全面性要求也比较高。
说完数据分析师，接下来就说一下数据工程师。在大数据行业中，数据工程师扮演的角色举足轻重，甚至可以说是不可或缺的。所谓数据工程师，其实本质上还是软件工程师，也就是我们常说的程序员，他们是整个大数据系统的构建者和优化者，数据工程师的职责就是保证数据接收、转移的准确性，维护系统的安全与稳定。和数据分析师不同的是，数据工程师一般不需要注意统计、分析和建模，他们的工作重点在于数据的架构、运算以及存储等方面，而数据工程师所需要具备的能力技能一般也就是超强的编程能力以及编写数据查询程序的能力。
最后，相信大家对于数据分析师和数据工程师的区别一定有所了解了。总的来说，这两个职位都是当前非常热门的工作岗位，但职责有所不同，对于技术的要求和侧重点也不尽相同，数据工程师更偏向于技术，而数据分析师则更加注重统计分析，但这两个职位的未来发展前景都是非常不错的，大家可以根据自己的喜好兴趣和个人能力来决定应聘或者转行哪个职位。
评论0
加载中...0
回答0
回答0
回答0
回答0
回答0
回答0
回答0
回答1
回答0
回答
