我们在实施工程的时候要将工程细化到每一个点应该怎么做，要百分之百地完成这些设计的要求。
数据分析师的工作性质和工程师的就不一样，虽然他接到的项目和工程师差不多的，但是在实战中，更加关注的是数据分析师的随机应变的能力。因为在完成这个目标当中，由于数据分析师会看到不一样的数据，会发生不同的情况，所以要对决策进行不断地调整优化，才能更好的达到目标。
工作的目标
通常在工程当中我们有一个明确的很具象的目标，而在数据分析的项目中，很多项目是没有一个明确具象的目标。
在工作当中，工程师更多的是要学习软件的编程技能或者是一些新工具的一些技能， 他通过学习掌握这些新的技能来提高工程设施的质量效果。而数据分析师不仅仅要去学习这些工具当然他还需要学习业务，学习与如何与人沟通。本回答被网友采纳
当前，数据科学领域中有三个顶级角色，分别是数据分析师，机器学习工程师和数据工程师。
这些角色中最著名的是数据分析师。数据分析师的角色具有学术渊源；因此，许多数据分析师具有扎实的数学和统计学技能，并且许多人将具有高级学位。他们具有商业头脑和分析能力，以及挖掘，清理和显示数据的能力。
但是，它们通常在许多现实世界的技能（例如数据源和编程）中较弱。我相信这种弱点将导致应用领域中数据科学的角色急剧缩减。
第二个角色是机器学习工程师。数据分析师使用编程语言来完成机器学习过程。在应用空间中处理数据的默认语言是SQL，它通常是公司在其机器学习工程师中寻求的最重要技能之一。机器学习工程师建立可以做出预测的模型。在应用领域中经常使用的两种编程语言是Python和R。机器学习工程师通常将负责性能，优化和协助将最终模型部署到生产中。机器学习工程师的弱点通常是统计和数学。
第三个角色是数据工程师。数据工程师以各种格式管理大量变化的数据。大多数公司都有结构化数据，例如关系数据库中的数据和非结构化数据，例如位于文件系统上的文本文件。数据工程师专注于数据管道和基础架构的开发，部署，管理和优化。数据工程师关注数据及其附带的所有内容的生产就绪性：格式，可伸缩性，弹性和安全性。从技能的角度来看，数据工程师将熟悉操作系统，SQL，大数据技术，存储系统和数据提取工具。他们通常是公司的数据管理员。
数据分析师经常将其中一个角色与混淆，即数据分析师的角色。
在应用空间中，数据分析师是使用SQL或其他第三方工具创建报告的人员。通常，此角色位于信息技术之外。
成为数据分析师所需的技术技能范围与数据科学，机器学习或数据工程所需的技能范围不同。但是，数据分析师角色为您提供了开始信息技术之旅所需的SQL技能。对于许多机器学习新手来说，最难的部分将是确保他们的第一个IT角色。机器学习工程师和数据工程师是技术含量很高的角色，需要大量的知识和技能。
本回答被网友采纳数据分析师则是通过使用数据工程师所构建的自定义API来提取新的数据集，并对其中的数据趋势进行识别，同时对异常数据进行分析。分析师们将会对结果进行总结，并以一种清晰直观的方式来展示这些结果，以便于其它非技术团队能够更好地了解他们目前的工作效果。