[[434476]]

雖然崗位title里都有數據這兩個字，但這是兩條不同的發展路線，數據分析走的是業務和管理路線，數據挖掘走的是技術路線，二者有高下之分嗎?

我認識一位年薪10萬刀的數據分析師，只會Excel，不存在別的技能，但人家就是有能力把技術問題轉變成業務問題，不需要會算法和模型。

因為“SQL+Excel+BI工具+PPT”這套組合拳，就能滿足工作中的絕大部分需求了，如果你再能用PPT把故事講漂亮，領導就覺得你很厲害了，你大搞機器學習，神經網絡，數據算法，如果超出了領導的認知范圍并且沒有什么好效果的話，你的背景和你的技術也就沒什么價值了。

扯遠了，先來看看數據分析和數據挖掘這兩塊分別會涉及到什么。

數據分析

數據分析是比較大的概念，因為它的流程是由很多個部分組成的，包含了數據獲取、數據清洗、數據處理、數據分析、數據可視化等。

相比于那些長篇大論的言論，基本上就是這六大塊可以完整地概括出一整個數據分析的流程，這也是數據分析概念的體現。

那就我個人而言，平時的數據分析工作都是在做什么?

• 從0到1搭建數據分析體系
• 數據分析工具化，產品化
• 支撐領導、部門決策的專題分析及業務方向探索
• 數據規范制定及提升數據質量等基礎工作

可以看出，數據分析師比較看重分析策略和業務知識，而這些東西，都是需要在平時的工作中，依靠項目經驗去積累，比較吃資歷、經驗和對業務的認知深度。

數據挖掘

什么是數據挖掘?

專業來說，數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的、但有潛在的有用信息和知識的過程。

可以看出，數據挖掘是一個過程結果的稱謂，即主要目標是從數據中挖取隱藏的信息。它是一個交叉科學領域，受多個學科影響，包括數據庫系統、統計、機器學習、可視化和信息科學。

通俗點解釋，數據挖掘就是透過數據的表象發現隱藏在背后的蛛絲馬跡，從而找到潛伏的規律以及看似無關事物之間背后的聯系，用此來洞察或預測未知事項，輸入的是數據，輸出的是知識。

都說數據挖掘，那從哪挖掘出來?基于以下4點：

(圖源網絡)

數據挖掘能做到什么?我覺得舉例子更容易理解。

工廠或者制造業，可以預測以后一段時間的產品銷量，然后來調節生產計劃或采購計劃。

頭條和抖音，預測用戶會對哪個內容感興趣，然后進行精準的推薦，這也是和算法有關。

電商，可以根據用戶購買商品，個性化推薦其他。

券商，關聯分析用戶的數據，認定用戶的能力等級。

……

兩個崗位的對比

1、入行門檻

數據分析<數據挖掘，很多年前數據分析的門檻是很低的，但是現在不同了，不過比起數據挖掘所需要的背景，還是要差不少。

舉個例子，數據分析師的學歷背景：需要985211學校，有互聯網公司的實習，最好能參與一個項目全程;

數據挖掘的背景：985碩士優先，要有知名互聯網公司項目經歷，最好有從0-1的經驗

2、職業發展

都差不多，上面也說了，走的是不同的路線，你在清華，我在北大，我們都有光明的未來

3、薪酬

總體上來說，數據分析<數據挖掘，畢竟對數據挖掘的技術背景要求高，當然這只是平均薪酬，做的好的數據分析師薪酬的天花板也是高的，后續往戰略、管理崗發展，薪資水漲船高也是完全沒問題。

4、跳槽含金量

看人，看項目。如果你只在大廠當螺絲釘，沒業務經驗積累/技術沉淀，兩三年后想跳出來，其實是不好跳的，因為想要你的公司，你看不上給開的薪資，你想去的公司，會覺得你在大廠沒參與完整項目，給你的錢和你能帶來的經濟效益不成正比，最后哪都去不了。

總結

數據分析不比數據挖掘的含金量低，職業前景也不比數據挖掘差。而數據挖掘走技術路線，競爭激烈程度沒數據分析大，保住飯碗是沒問題的。但是這些都在一個前提中：你處于數據部門，而不是業務部門，并且你的公司要重視數據，你的領導能給團隊帶來好的資源。