問答專欄Q & A COLUMN
數據分析是干什么的？
在企業里收集數據、計算數據、提供數據給其他部門使用的。
數據分析有什么用?
從工作流程的角度看，至少有5類分析經常做：
那數據分析是什么的？
數據分析大體上分3步：
1：獲取數據。通過埋點獲取用戶行為數據，通過數據同步，打通內部各系統數據。以及做數倉建設，存儲數據。
2：計算數據。根據分析要求，提取所需要的數據，計算數據，做表。
3：解釋數據。解讀數據含義，推導出一些對業務有用的結論。
那么數據分析師主要做以上三點的工作嗎？
并不全是，這個在不同企業，情況不一樣。如果公司規模大的話，獲取數據經常是數據開發組完成的，他們的職位一般是“數據開發工程師”或者“大數據工程師”。解釋數據則是運營自己寫ppt做解讀，留給“數據分析師”的，其實就是中間的計算數據的一步。
有些公司（一般是做電商的），數據是直接從淘寶、天貓、亞馬遜等平臺導出的，然后基于這些數據做分析。有些公司（一般是傳統企業），數據是直接用的大型的BI產品，然后所有人基于BI產品導出數據分析有些公司規模很小，就直接一個小組從數據埋點到數倉到提數全干了。
總之情況五花八門。
評論0
加載中...
第一，在分析方法上，兩者并沒有本質不同。
數據分析的核心工作是人對數據指標的分析、思考和解讀，人腦所能承載的數據量是極其有限的。所以，無論是“傳統數據分析”，還是“大數據分析”，均需要將原始數據按照分析思路進行統計處理，得到概要性的統計結果供人分析。兩者在這個過程中是類似的，區別只是原始數據量大小所導致處理方式的不同。
第二，在對統計學知識的使用重心上，兩者存在較大的不同。
“傳統數據分析”使用的知識主要圍繞“能否通過少量的抽樣數據來推測真實世界”的主題展開。“大數據分析”主要是利用各種類型的全量數據（不是抽樣數據），設計統計方案，得到兼具細致和置信的統計結論。
第三，與機器學習模型的關系上，兩者有著本質差別。
“傳統數據分析”在大部分時候，知識將機器學習模型當黑盒工具來輔助分析數據。而“大數據分析”，更多時候是兩者的緊密結合，大數據分析產出的不僅是一份分析效果測評，后續基于此來升級產品。在大數據分析的場景中，數據分析往往是數據加墨的前奏，數據建模是數據分析的成果。
第一，在分析方法上，兩者并沒有本質不同。
數據分析的核心工作是人對數據指標的分析、思考和解讀，人腦所能承載的數據量是極其有限的。所以，無論是“傳統數據分析”，還是“大數據分析”，均需要將原始數據按照分析思路進行統計處理，得到概要性的統計結果供人分析。兩者在這個過程中是類似的，區別只是原始數據量大小所導致處理方式的不同。
第二，在對統計學知識的使用重心上，兩者存在較大的不同。
“傳統數據分析”使用的知識主要圍繞“能否通過少量的抽樣數據來推測真實世界”的主題展開。“大數據分析”主要是利用各種類型的全量數據（不是抽樣數據），設計統計方案，得到兼具細致和置信的統計結論。
第三，與機器學習模型的關系上，兩者有著本質差別。
“傳統數據分析”在大部分時候，知識將機器學習模型當黑盒工具來輔助分析數據。而“大數據分析”，更多時候是兩者的緊密結合，大數據分析產出的不僅是一份分析效果測評，后續基于此來升級產品。在大數據分析的場景中，數據分析往往是數據加墨的前奏，數據建模是數據分析的成果。
第一，在分析方法上，兩者并沒有本質不同。
數據分析的核心工作是人對數據指標的分析、思考和解讀，人腦所能承載的數據量是極其有限的。所以，無論是“傳統數據分析”，還是“大數據分析”，均需要將原始數據按照分析思路進行統計處理，得到概要性的統計結果供人分析。兩者在這個過程中是類似的，區別只是原始數據量大小所導致處理方式的不同。
第二，在對統計學知識的使用重心上，兩者存在較大的不同。
“傳統數據分析”使用的知識主要圍繞“能否通過少量的抽樣數據來推測真實世界”的主題展開。“大數據分析”主要是利用各種類型的全量數據（不是抽樣數據），設計統計方案，得到兼具細致和置信的統計結論。
第三，與機器學習模型的關系上，兩者有著本質差別。
“傳統數據分析”在大部分時候，知識將機器學習模型當黑盒工具來輔助分析數據。而“大數據分析”，更多時候是兩者的緊密結合，大數據分析產出的不僅是一份分析效果測評，后續基于此來升級產品。在大數據分析的場景中，數據分析往往是數據加墨的前奏，數據建模是數據分析的成果。
第一，在分析方法上，兩者并沒有本質不同。
數據分析的核心工作是人對數據指標的分析、思考和解讀，人腦所能承載的數據量是極其有限的。所以，無論是“傳統數據分析”，還是“大數據分析”，均需要將原始數據按照分析思路進行統計處理，得到概要性的統計結果供人分析。兩者在這個過程中是類似的，區別只是原始數據量大小所導致處理方式的不同。
第二，在對統計學知識的使用重心上，兩者存在較大的不同。
“傳統數據分析”使用的知識主要圍繞“能否通過少量的抽樣數據來推測真實世界”的主題展開。“大數據分析”主要是利用各種類型的全量數據（不是抽樣數據），設計統計方案，得到兼具細致和置信的統計結論。
第三，與機器學習模型的關系上，兩者有著本質差別。
“傳統數據分析”在大部分時候，知識將機器學習模型當黑盒工具來輔助分析數據。而“大數據分析”，更多時候是兩者的緊密結合，大數據分析產出的不僅是一份分析效果測評，后續基于此來升級產品。在大數據分析的場景中，數據分析往往是數據加墨的前奏，數據建模是數據分析的成果。
兩者需要具備的技術技能也是相差很大的。
（1）大數據分析一般需要具備：爬蟲、ETL、分析、大數據 4個方面的技能。
（2）數據分析師一般更加注重的是產品，運營，營銷，SQL和SPSS等僅僅是實現我們分析的工具而已。
B站全網最全大數據學習路線：
https://www.bilibili.com/read/cv5213600?spm_id_from=333.788.b_636f6d6d656e74.7
評論0
加載中...
首先，大數據分析師是大數據時代背景下產生的一種新型技術崗位，與傳統數據分析師的區別主要體現在三個方面，其一是技術體系結構不同；其二是崗位任務目的存在一定的區別；其三是工作場景具有一定的區別。
對于大數據分析師來說，要具備更加全面的知識結構，涉及到大數據平臺知識、算法設計知識、程序設計知識和具體的行業知識等，所以相對于傳統的數據分析師來說，大數據分析師的從業門檻有了一定程度的提升。從目前行業領域的人才招聘情況來看，大數據分析崗位往往需要具有較高的學歷要求，研究生往往更愿意從事相關崗位。
大數據分析的目的與傳統的數據分析目的也存在一定的區別，主要體現在兩個方面，其一是大數據分析比較注重數據的價值化，簡單的說，大數據分析的結果會提升數據的價值，而傳統數據分析的目的往往是以應用為導向的。另一個區別在于，大數據分析的結果往往是為了提供給智能體使用，比如人工智能領域的算法訓練、驗證等過程都需要大數據分析的參與。
在工作場景上，大數據分析與傳統的數據分析也存在一定的區別，大數據分析往往需要借助于大數據平臺進行，比如Hadoop、Spark，以及各種商用的大數據平臺等，但是傳統的數據分析往往會基于Excel或者是傳統數據庫進行。相對于傳統數據分析工具來說，大數據分析的工具往往更加豐富，復雜程度也有明顯的提升。
評論0
加載中...
大數據分析師和數據分析師完全是2個不同的方向：
數據分析師，偏業務。需要理解很多經濟管理類的 比如 市場營銷，管理學，財務會計。
對于專業的適配度比較低，很多領域都需要這崗位。
需要使用 spss，excel，sas等軟件，看到數據，找到原因，得出結論。主要就是分析解讀數據背后的商業運用和因果分析，用戶行為 ，數據分析的目的是市場營銷
大數據分析師，把大數據做成小數據，再用高性能服務器 提高運算速度。
大數據分析師，偏技術方向，適合程序員轉型去做。
在技術層面要做數據庫優化，分表，緩存，新的數據查詢和遍歷方法。如果你的數據量很大，那么只有部分數據時用來分析的，或者需要做變換計算等，那么你需要在20G數據中 找出10G數據用于分析，這個時候就需要做技術。
數據倉庫，數據庫等，做數據表等這個時候就需要ETL工程師。假設分析服務器，這個時候就需要 大數據云計算工程師。就是做技術了，開始學習 數據庫，服務器，編程等，那么大數據分析師就變成工程師了，變成程序員了。
大家不要看大數據很熱，你們公司是否有這么多數據？你學習的話時候有深厚編程基礎？
你所在的城市時候 崗位很多？每個公司都是需要數據分析人員，而不是每家公司都需要大數據人員。很多公司的數據量并不是很大，不需要大數據人員。你時候愿意做一個程序員？
評論0
加載中...
大數據是互聯網上海量的數據挖掘，而數據挖掘更多的是針對企業內部的小數據挖掘，數據分析是進行有針對性的分析和診斷，大數據需要分析的是趨勢和發展趨勢，數據挖掘主要是發現問題和診斷。 數據分析更多采用統計學的知識，對原數據進行描述性和探索性分析，從結果中發現價值信息來評估和修正現狀。數據挖掘不僅僅用到統計學的知識，還要用到機器學習的知識，這里會涉及到模型的概念。數據挖掘具有更深的層次，來發現未知的規律和價值。 數據分析是將數據轉化為信息的工具，而數據挖掘是將信息轉化為認知的工具。如果我們想從數據(即認知)中提取某些規律，我們往往需要將數據分析與數據挖掘相結合使用。
評論0
加載中...
近幾年，隨著科技的日新月異，許多之前沒有聽過的名詞接踵而出。比如云計算，比如大數據，可以說云計算的誕生催生了大數據。所謂大數據，Gartner研究機構給出的定義是這樣的：一種需要具有更強決策力、洞察發現力以及流程優化能力的全新處理模式，以此來適應海量多樣化的信息資產。筆者認為，大數據并非簡單的一種概念，而是一種方法，簡而言之，就是通過分析和挖掘數據，從而輔助進行決策的方法。
隨著近幾年大數據的越來越火熱，相關的大數據職業也成為了熱門，在諸多的大數據相關職位中，數據分析師和大數據工程師儼然已經成為當下最熱門的職位之二。那么數據工程師和數據分析師有什么區別呢？
首先來說數據分析師，所謂數據分析師，簡單來說就是從不同的行業中獲取數據，然后對獲取到的數據進行分析，并對相關問題進行解答，一般來說，數據分析師的主要任務就是對數據進行梳理、分析以及可視化，從而幫助企業做出決策。而根據行業的不同，數據分析師的頭銜也不同，如：業務分析師、運營分析師等，但無論頭銜是什么，數據分析師的崗位職責是相同的。
而對于數據分析師來說，需要掌握的技能也是比較多的，例如編程、統計學、數學、數據可視化、通信技術等等，這些都說明了數據分析師是一個通才，對人們的全面性要求也比較高。
說完數據分析師，接下來就說一下數據工程師。在大數據行業中，數據工程師扮演的角色舉足輕重，甚至可以說是不可或缺的。所謂數據工程師，其實本質上還是軟件工程師，也就是我們常說的程序員，他們是整個大數據系統的構建者和優化者，數據工程師的職責就是保證數據接收、轉移的準確性，維護系統的安全與穩定。和數據分析師不同的是，數據工程師一般不需要注意統計、分析和建模，他們的工作重點在于數據的架構、運算以及存儲等方面，而數據工程師所需要具備的能力技能一般也就是超強的編程能力以及編寫數據查詢程序的能力。
最后，相信大家對于數據分析師和數據工程師的區別一定有所了解了。總的來說，這兩個職位都是當前非常熱門的工作崗位，但職責有所不同，對于技術的要求和側重點也不盡相同，數據工程師更偏向于技術，而數據分析師則更加注重統計分析，但這兩個職位的未來發展前景都是非常不錯的，大家可以根據自己的喜好興趣和個人能力來決定應聘或者轉行哪個職位。
評論0
加載中...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
