数据分析是不是比数据挖掘含金量低不少，并且职业前景和钱景远远不如数据挖掘？ 第1页

我的看法反而是相反的，数据挖掘在我看来更容易遇到职业天花板，这也是大部分中后台岗位的特性。

在大部分公司，所谓的挖掘和分析没有那么严格的区分。就算只从字面意思上去理解，“挖掘”是“分析”的前置作业，或者说是分析的一种手段。所以简单来说，数据分析需要的编程和机器学习的成分比较低，但更需要对于业务、商务的理解。而数据挖掘就像其他答主的说的那样，属于中台工作。往后台走就不需要操心业务上的内容，只要按照要就处理数据建模即可。

在机器学习、Python、R、各种可视化工具等概念火起来前，其实大部分数据分析都是用Excel做的。只不过随着这些技术和工具的发展与普及，数据分析的工具栈也发生了变化。同样的，岗位细分或者说新岗位也被造出来了。我觉得区分数据挖掘和数据分析岗的标准是，你的工作是否需要参与商业决策，或者提供商业决策的支持。如果有，那就是分析性质更重。

而从远景上看，数据分析的价值在于提供有意义的商业决策，而数据挖掘的重点是熟悉的使用最新的统计、机器学习方法正确的建模。这俩岗位从某种意义上说走的分别是业务线和技术线，存在互补。前者可能更容易转向决策管理，后者会因为技术浓度高而有比较大的岗位安全。

举个简单的例子，我在 如何对用户进行聚类分析？里面讲了这么一个例子。

我们曾经对某国外彩票公司的销售数据进行分析，并针对不同购买风格的用户制定不同的销售策略。在过程中，我们对数据进行清理，并使用无监督聚类的方法把客户分为了4个群体。

之后我们对4个群体进行了进一步的数据分析，并验证是否符合商业逻辑，并得到：

• “高购买力忠实客户”：花了很多钱的忠实客户，他们可能常年购买且花费不菲
• “普通忠实客户”：常年购买，但每次的购买额度都不大
• “刺激性消费单次购买者”：只购买了几次，但是一掷千金
• “谨慎的单次购买者”：只购买了一次，只买了很少的彩票

在这个过程中，数据挖掘主要负责的部分就是怎么把客户用聚类的方法分成多个族群，保证建模的正确性（合理性）。而数据分析的作用是在得到合理的群体分类后，给他们打上“行为标签”，并考虑如何制定相应的促销策略。两者必须搭配着来--你的聚类结果需要回归到现实的商业逻辑上去，这样才有意义。

再微观一点的话，我觉得「数据分析」和「数据挖掘」：

• 从工作内容上来看，二者都需要和数据打交道，因此必备的基本功（数据清理、可视化、SQL等）都是必要的。不同之处在于，数据分析是向商业决策方向走，而数据挖掘则像是模型方向走。换句话说，前者的工作重心是更好的把数据中价值整理呈现出来，使得管理层可以使用。而后者的工作重点是从模型的角度继续深入，挖掘那些不易获得的有用信息。它们的关系更像是：数据挖掘<->数据分析<->商业决策，数据分析可以被认为是商科里面的工科，工科里面的商科，处于桥梁位置。
• 从就业难度上来说，前者明显低于后者，因此可预期的是薪资水平会显著低于后者，这点需要特别注意。另一个趋势是很多海内外学校都在开办一年制的商业分析硕士，因此单纯是数据分析的职业护城河比较低，可能有被替代的风险。
• 从职业发展上来看，数据挖掘走的是技术路线，一定程度上更容易遇到职业天花板。而数据分析因为和商业决策走得比较近，因此在合适的时候更容易向管理和决策岗位发展，更加灵活。
• 事实上很多公司对于二者的分工不是非常清楚，基本上是什么都做。同时不少公司的数据岗位的技术水准其实是非常肤浅的，并不需要过硬的技术，甚至无需编程只用Excel就可以。

在2021年的背景下看，我认为做技术岗的人也要培养和理解商业逻辑和价值，光懂模型是远远不够的。技术岗正在趋于饱和的强竞争。只有理解模型想要达成的商业价值，才有可能获得更大的个人价值。