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。
全部0条评论
快来发表一下你的评论吧 !