从多个数据源抽离数据，然后建立多维度的数据分析模型。目前也有将关系型数据库转换为图数据库的分析方式。算法工程师面对的数据量一般都会比数据分析师面对的多几个数量级，日常工作中数据处理和建模及验证占据大部分工作，这仅仅依赖Excel是不可能完成的，所以算法工程师都要求一定的代码功底，尤其是处理数据的代码要会写，另外，不仅仅是对过往数据的处理，要根据算法建立模型来预测未知的数据。
数据分析方法有哪些？
要看什么数据格式化数据、近似的非格式化数据、完全碎片化的非格式化数据。第一种，格式化数通常是直接数据库中提取出来的。从多个数据源抽离数据，然后建立多维度的数据分析模型。之后通过大数据加载的架构进行数据打卡，然后批量进行处理。在数据了较大都时候会多线程，数据处理进度和过程处理数据的保存就显得格外重要。目前也有将关系型数据库转换为图数据库的分析方式。
处理过的数据通常会经过最后的数据呈现，图表，以方便最后行程报告。第二种，近似的格式化数据通常来自互联网爬虫。这种数据操作方式基本与第一种类似，只是在进行第一种的数据分析前，需要洗数据。删除重读和无效数据，梳理后形成格式化数据。第三种，完全碎片化的非格式化数据。这种数据的形式很多，可能是纸质的资料等一大堆需预先处理的资料。
这个部分如果数据量很大的情况下，就需要使用考虑使用人工智能领域。现在的人工智能通常是简历基础算法，然后通过大量的真实数据进行训练，训练到了一定的准确率就进行实际应用。这个时候的数据可能包含大量都图像信息，也许是人脸，也许是物体移动，也许是文字OCR……然后建立数学模型，最后完成数据分析（与第一种类似），再行程最后的报告。
算法工程师与数据分析工程师有什么区别？
差别就在于算法模型的使用，数据分析师一般都是偏业务的，首先要非常精通业务，数据分析师一般不需要很高深的算法基础，甚至都不需要计算机功底，日常用到的可能更多的统计分析，Excel都能满足绝大部分的工作，而且数据量级不大，是对已经发生的运营数据的处理和规整。算法工程师面对的数据量一般都会比数据分析师面对的多几个数量级，日常工作中数据处理和建模及验证占据大部分工作，这仅仅依赖Excel是不可能完成的，所以算法工程师都要求一定的代码功底，尤其是处理数据的代码要会写，另外，不仅仅是对过往数据的处理，还要根据算法建立模型来预测未知的数据。
