0x00 前言

問題

數據分析和數據挖掘的區別是什么？是否只能選一個方向深耕？

話題整理者：橘子，本科學的是金融和商業分析，目前是數據和運籌優化方向研究生，定位有點迷茫，日常在業務和技術的邊緣反復橫跳，希望能和大家共同學習和進步，一起用數據創造更多的價值。

問題描述

數據分析和數據挖掘是數據從業者非常關注的兩個崗位。這兩個崗位到底有哪些區別？常聽人說數據分析偏業務、偏前臺，而數據挖掘偏技術，偏后臺。所以要早點選定一個方向進行深耕才行？

希望大家從這崗位設定的目的、高端人才的核心競爭力、技能樹、職業發展路徑和天花板、未來的趨勢等角度談一談這兩個崗位的區別。

0x01 討論內容

討論1

我覺得偏業務方向的數據分析師最好，數據挖掘做出來的成果期望不會很高的，在職業晉升方面懂業務的優勢更大。

討論2

其實都是大數據的分析工作，我們這邊數據分析偏運營或者數據庫的搭建清洗和業務分析，挖掘偏向于數據倉儲 架構，長期業務分析，不知道和各位老哥的理解有什么不一樣的。

討論3

廣義的數據分析本身就是包涵數據挖掘。

數據分析：注重分析過程，

數據挖掘：關注挖掘結果。

兩者目標不一致，前者是基礎，后者是升華。

討論4

我以前以為數據分析只是業務excel sql boy，但是現在看在北京上海等地從事數分的，他們的工作也需要應用數據挖掘里面的模型，也會涉及特征提取，機器學習的內容；總之感覺從事數挖的偏技術更靠譜，數分這個崗位魚龍混雜 感覺現在培訓班把數分炒火了啥崗位都往數分轉，但是這個崗位后面的深坑誰都說不準。

0x02 居士的解答

首先整體說一下兩個崗位的現狀，在大部分公司里面，數據挖掘和數據分析并沒有特別明顯的差別，甚至很多公司壓根就沒有數據挖掘這個通道。一般大家討論數據挖掘和數據分析的區別的時候，更傾向于將數據挖掘定位為會用很多機器學習算法的崗位，數據分析定位為大部分時候都在寫sql和玩excel，最多了解一些統計學的崗位，因此很多小伙伴在聊這個問題的時候也會認為：數據挖掘的技術含量更高，更有錢途。

然后，在各個廠子里面是怎么劃分數據分析和數據挖掘呢，舉幾個例子給大家做參考：

廠A：數據挖掘和數據分析做同樣的事情，沒什么區別，寫Sql，開發報表，跑數據～

廠B：數據挖掘做推薦、廣告這類偏算法相關的崗位，數據分析做報表、數據周報、數據清洗的工作

廠C：沒有數據挖掘崗位，只有數據分析崗和算法工程師崗，算法工程師偏向于算法的工程實現，比如推薦算法和廣告算法的線上工程化。其他不管用不用得到機器學習算法，都是數據分析。

最后，居士從幾個角度分享一下對這個問題的理解：

從技能要求的角度

數據分析：一般這些技能就夠完成工作：Excel、Sql、Python。

數據挖掘：在數據分析的基礎上，可能會要求Java or C++這類語言來做線上工程化化的工作

從知識要求的角度

數據分析：統計學+少量的機器學習

數據分析：統計學+大量的機器學習

從實際工作的角度

再次說明一點，大部分公司的數據挖掘挖掘崗和數據分析崗可能沒什么區別，下面只是一種劃分方式。簡單來講，如果是理想一些的情況，數據挖掘是不需要做報表之類的工作的，然后會做更多線上工程化的工作。

數據分析：

初級：報表、提數、周報月報

中級：描述現象類數據分析報告

高級：解釋現象類、預測類數據分析報告

再高一些：上限很高

數據挖掘：

初級：數據分析報告 or 線上數據流的開發

中級：線上算法工程化

高級：感覺方向稍微有點廣，有的是深度學習領域做的很深，有的是廣告或者推薦方向做的很深。

0xFF 附一組統計數據對比

上面的內容從道與術上分析了數據分析與數據挖掘的區別，現在我們通過近日北京地區兩個崗位的招聘信息統計做一個驗證。

數據來源：國內知名互聯網招聘網站，分別搜索北京地區“數據分析”、“數據挖掘”所得的招聘信息結果，得到數據分析與數據挖掘招聘信息各400+條。

崗位名稱

1

搜索“數據分析“相關崗位，絕大部分都是叫做“數據分析師”，38.16%直接叫做數據分析師，20%左右的“高級數據分析師”（或“資深數據分析師”、“數據分析專家“），其余還有大數據分析師、BI數據工程師、金融數據分析師等頭銜。

而搜索“數據挖掘”相關崗位，絕大部分是”算法工程師“，21.41%直接叫做算法工程師，其余絕大部分也都是各個領域的算法工程師，數量排名靠前的有：4.47%機器學習算法工程師，3.29%NLP算法工程師，2.82%深度學習算法工程師，以及圖像、推薦、計算機視覺等類別等?！睌祿诰蚬こ處煛邦^銜只占2.12%

公司規模

2

比較兩個崗位所在公司的公司規模，發現兩個崗位當前在中型公司中的需求量無明顯差異，但在小型和大型公司中的需求有較大的差異。

數據分析崗當前在大公司的招聘需求較大，有42.75%的招聘信息來自2000人以上的大型公司；只有約13%等招聘信息來自于50人以下的小公司。

而數據挖掘相關崗位相反，在招的崗位中，來自于2000人以上大型公司的只有26.12%，而來自50人以下小型公司的卻占了33%。

崗位技能要求

3

比較兩個崗位的技能要求，可以發現兩者所需的能力有比較大的區別：

數據分析相關崗位：業務、SQL、統計學、用戶理解、數學、R、溝通、行業、Python、數據處理、增長思維等；

數據挖掘相關崗位：算法、機器學習、推薦、計算機、數學、模型、自然語言、開發、技術、數據挖掘等。

學歷要求

4

85.51%的崗位對于數據分析的學歷要求是本科，而數據挖掘的相關崗位中，55.04%的崗位要求本科，近40%要求碩士學歷。數據挖掘比數據分析的學歷要求更高。

不同工作年限的薪資下限

5

最后我們來比較一下兩個崗位的薪資水平。為減少招聘信息中可能存在的薪資注水的影響，我們采用薪酬預估的下限進行計算，并用中位數表示各個工作年限月薪的平均水平。

可以看出，隨著工作年限的積累，兩個崗位的薪資都穩步提升，但數據挖掘相關崗位的薪酬普遍還是高于數據分析。

這個差距在不同年限也有區別，總體上數挖相關崗比數分薪酬高35%左右，但在應屆畢業生和3-5年工作經驗兩個年限上拉開了56%的差距；在要求5-10年工作經驗資深員工的崗位上，兩崗薪資差距又明顯縮小，體現了高端人才的價值。

10年以上工作年限的由于樣本中缺乏數挖在這個年限下的招聘數據，暫時無法比較，但從數據分析最后一飛沖天的數據來看，數分崗位的上限真的很高。