数据分析和数据挖掘的区别是什么？

0x00 前言

问题

数据分析和数据挖掘的区别是什么？是否只能选一个方向深耕？

话题整理者：橘子，本科学的是金融和商业分析，目前是数据和运筹优化方向研究生，定位有点迷茫，日常在业务和技术的边缘反复横跳，希望能和大家共同学习和进步，一起用数据创造更多的价值。

问题描述

数据分析和数据挖掘是数据从业者非常关注的两个岗位。这两个岗位到底有哪些区别？常听人说数据分析偏业务、偏前台，而数据挖掘偏技术，偏后台。所以要早点选定一个方向进行深耕才行？

希望大家从这岗位设定的目的、高端人才的核心竞争力、技能树、职业发展路径和天花板、未来的趋势等角度谈一谈这两个岗位的区别。

0x01 讨论内容

讨论1

我觉得偏业务方向的数据分析师最好，数据挖掘做出来的成果期望不会很高的，在职业晋升方面懂业务的优势更大。

讨论2

其实都是大数据的分析工作，我们这边数据分析偏运营或者数据库的搭建清洗和业务分析，挖掘偏向于数据仓储 架构，长期业务分析，不知道和各位老哥的理解有什么不一样的。

讨论3

广义的数据分析本身就是包涵数据挖掘。

数据分析：注重分析过程，

数据挖掘：关注挖掘结果。

两者目标不一致，前者是基础，后者是升华。

讨论4

我以前以为数据分析只是业务excel sql boy，但是现在看在北京上海等地从事数分的，他们的工作也需要应用数据挖掘里面的模型，也会涉及特征提取，机器学习的内容；总之感觉从事数挖的偏技术更靠谱，数分这个岗位鱼龙混杂 感觉现在培训班把数分炒火了啥岗位都往数分转，但是这个岗位后面的深坑谁都说不准。

0x02 居士的解答

首先整体说一下两个岗位的现状，在大部分公司里面，数据挖掘和数据分析并没有特别明显的差别，甚至很多公司压根就没有数据挖掘这个通道 。一般大家讨论数据挖掘和数据分析的区别的时候，更倾向于将数据挖掘定位为会用很多机器学习算法的岗位，数据分析定位为大部分时候都在写sql和玩excel，最多了解一些统计学的岗位，因此很多小伙伴在聊这个问题的时候也会认为：数据挖掘的技术含量更高，更有钱途。

然后，在各个厂子里面是怎么划分数据分析和数据挖掘呢，举几个例子给大家做参考：

厂A：数据挖掘和数据分析做同样的事情，没什么区别，写Sql，开发报表，跑数据～

厂B：数据挖掘做推荐、广告这类偏算法相关的岗位，数据分析做报表、数据周报、数据清洗的工作

厂C：没有数据挖掘岗位，只有数据分析岗和算法工程师岗，算法工程师偏向于算法的工程实现，比如推荐算法和广告算法的线上工程化。其他不管用不用得到机器学习算法，都是数据分析。

最后，居士从几个角度分享一下对这个问题的理解：

从技能要求的角度

数据分析：一般这些技能就够完成工作：Excel、Sql、Python。

数据挖掘：在数据分析的基础上，可能会要求Java or C++这类语言来做线上工程化化的工作

从知识要求的角度

数据分析：统计学+少量的机器学习

数据分析：统计学+大量的机器学习

从实际工作的角度

再次说明一点，大部分公司的数据挖掘挖掘岗和数据分析岗可能没什么区别，下面只是一种划分方式。简单来讲，如果是理想一些的情况，数据挖掘是不需要做报表之类的工作的，然后会做更多线上工程化的工作。

数据分析：

初级：报表、提数、周报月报

中级：描述现象类数据分析报告

高级：解释现象类、预测类数据分析报告

再高一些：上限很高

数据挖掘：

初级：数据分析报告 or 线上数据流的开发

中级：线上算法工程化

高级：感觉方向稍微有点广，有的是深度学习领域做的很深，有的是广告或者推荐方向做的很深。

0xFF 附一组统计数据对比

上面的内容从道与术上分析了数据分析与数据挖掘的区别，现在我们通过近日北京地区两个岗位的招聘信息统计做一个验证。

数据来源：国内知名互联网招聘网站，分别搜索北京地区“数据分析”、“数据挖掘”所得的招聘信息结果，得到数据分析与数据挖掘招聘信息各400+条。

岗位名称

1

搜索“数据分析“相关岗位，绝大部分都是叫做“数据分析师”，38.16%直接叫做数据分析师，20%左右的“高级数据分析师”（或“资深数据分析师”、“数据分析专家“），其余还有大数据分析师、BI数据工程师、金融数据分析师等头衔。

而搜索“数据挖掘”相关岗位，绝大部分是”算法工程师“，21.41%直接叫做算法工程师，其余绝大部分也都是各个领域的算法工程师，数量排名靠前的有：4.47%机器学习算法工程师，3.29%NLP算法工程师，2.82%深度学习算法工程师，以及图像、推荐、计算机视觉等类别等。”数据挖掘工程师“头衔只占2.12%

公司规模

2

比较两个岗位所在公司的公司规模，发现两个岗位当前在中型公司中的需求量无明显差异，但在小型和大型公司中的需求有较大的差异。

数据分析岗当前在大公司的招聘需求较大，有42.75%的招聘信息来自2000人以上的大型公司；只有约13%等招聘信息来自于50人以下的小公司。

而数据挖掘相关岗位相反，在招的岗位中，来自于2000人以上大型公司的只有26.12%，而来自50人以下小型公司的却占了33%。

岗位技能要求

3

比较两个岗位的技能要求，可以发现两者所需的能力有比较大的区别：

数据分析相关岗位：业务、SQL、统计学、用户理解、数学、R、沟通、行业、Python、数据处理、增长思维等；

数据挖掘相关岗位：算法、机器学习、推荐、计算机、数学、模型、自然语言、开发、技术、数据挖掘等。

学历要求

4

85.51%的岗位对于数据分析的学历要求是本科，而数据挖掘的相关岗位中，55.04%的岗位要求本科，近40%要求硕士学历。数据挖掘比数据分析的学历要求更高。

不同工作年限的薪资下限

5

最后我们来比较一下两个岗位的薪资水平。为减少招聘信息中可能存在的薪资注水的影响，我们采用薪酬预估的下限进行计算，并用中位数表示各个工作年限月薪的平均水平。

可以看出，随着工作年限的积累，两个岗位的薪资都稳步提升，但数据挖掘相关岗位的薪酬普遍还是高于数据分析。

这个差距在不同年限也有区别，总体上数挖相关岗比数分薪酬高35%左右，但在应届毕业生和3-5年工作经验两个年限上拉开了56%的差距；在要求5-10年工作经验资深员工的岗位上，两岗薪资差距又明显缩小，体现了高端人才的价值。

10年以上工作年限的由于样本中缺乏数挖在这个年限下的招聘数据，暂时无法比较，但从数据分析最后一飞冲天的数据来看，数分岗位的上限真的很高。