数据分析师和数据挖掘工程师有什么区别？

计算机思维和数学思维都包括抽象和逻辑

数据分析师和数据挖掘工程师虽然都是数据领域的洞察者，但他们的工作内容却大相径庭。对于一个数据分析师来说，最重要的不是编程能力，而是逻辑分析能力、业务理解能力、报表呈现能力等。

数据分析师

数据分析师使用的主要工具可以是编程，但不是必须的。

因为有大量强大易用的数据分析工具，如Excel、Tableau、SPSS、SAS等，即使你没有编程能力，仍然可以胜任大部分数据分析工作。

但相比数据挖掘工程师，你还需要一些额外的能力，比如数据可视化、编写数据报告、在领导甚至很多人面前做报告、演讲等能力。

同时，因为现在互联网公司都在讲大数据，而数据基本都存储在各种大数据平台和数据库中，所以你需要掌握Hive、HDFS、MySQL等的使用方法，并且熟练掌握SQL是不可避免的。

数据分析师一般有两种，一种是业务导向的，主要为各业务线、产品经理、运营、各部门领导的需求提供支持，帮助他们分析理解业务，发现业务问题和提供他们。解决方案; 二是宏观分析。一般没有需求端。主要是自发探索，积极发现公司业务中存在的问题，摸清公司发展趋势，指导公司发展方向。

数据挖掘工程师

虽然不能做数据挖掘工作就不能编程，但好的编程技能会成为你工作中的得力助手。

很多时候，数据挖掘工程师都会为数据分析师做一些支持性的工作，比如为他们构建数据库、清理数据、搭建报表平台等。

有时数据分析师也会直接向数据挖掘工程师提出要求。某些数据存储方法和格式超出了数据分析师的技能范围。这时候需要数据挖掘工程师为他们做一些前期工作。

另外，数据挖掘工程师经常需要做一些机器学习的工作，所以需要对各种机器学习算法的理论和代码实践有足够的了解。

在数据挖掘工程师中，也有很多不同的类型，如特征工程、数据仓库、数据平台支持、算法工程师、数据科学家等，他们的工作职责不同，专业技能也不同。

对于大多数的数据挖掘工程师来讲，编程技能是必须掌握的，但是根据不同的挖掘工程师的性质，需要掌握不同的编程技能。一般来讲，Python、Java、Scala是常用的大数据挖掘语言，部分数据科学家喜欢使用R；最常用的大数据平台是Hadoop平台和Spark平台，常用的结构化数据库有MySQL或其他关系型数据库，MongoDB更常用于非结构化数据库。

对于数据挖掘工程师来说，必要的 Linux 知识也是必不可少的。由于数据挖掘工程师的大部分工作都是在远程服务器上完成的，无法在命令中去操作各种Linux系统（常用的CentOS、Ubuntu等），工作效率会大打折扣。另外，Shell在数据处理方面也很强大，sed+awk简直就是数据处理的神器。

以上不是很系统的比较，但是是我工作中最实际的体会。我不是码农。在这个转型的过程中，我遇到了很多挑战，但是它们之间并没有什么区别，很多东西都是共通的。

如果你编程基础不好，可以从数据分析师入手，然后考虑转型数据挖掘；如果你的编程基础好，可以考虑数据挖掘，但是数据挖掘工程师一般不会接触太多业务。两个领域的职业道路截然不同。数据分析师之后可以做业务、产品转移和管理；而数据挖掘工程师一般可以在技术领域进行纵向深入的探索，后面可能做技术管理，也有搞一辈子的技术的。