淺談數據分析與數據挖掘

從分析的目的來看，數據分析一般是對歷史數據進行統計學上的一些分析，數據挖掘更側重于機器對未來的預測，一般應用于分類、聚類、推薦、關聯規則等。

從分析的過程來看，數據分析更側重于統計學上面的一些方法，經過人的推理演譯得到結論；數據挖掘更側重由機器進行自學習，直接到得到結論。

從分析的結果看，數據分析的結果是準確的統計量，而數據挖掘得到的一般是模糊的結果。

“數據分析”的重點是觀察數據，“數據挖掘”的重點是從數據中發現“知識規則”KDD（Knowledge Discover in Database）。

“數據分析、數據統計”得出的結論是人的智力活動結果，“數據挖掘”得出的結論是機器從學習集（或訓練集、樣本集）發現的知識規則。

“數據分析”需要人工建模，“數據挖掘”自動完成數學建模。

數據挖掘與數據分析的主要區別是什么

1計算機編程能力的要求

作為數據分析很多情況下需要用到成型的分析工具，比如EXCEL、SPSS，或者SAS、R。一個完全不懂編程，不會敲代碼的人完全可以是一名能好的數據分析師，因為一般情況下OFFICE包含的幾個工具已經可以滿足大多數數據分析的要求了。很多的數據分析人員做的工作都是從原始數據到各種拆分匯總，再經過分析，最后形成完整的分析報告。當然原始數據可以是別人提供，也可以自己提?。ㄗ鳛橐幻细竦臄祿治鰩?，懂點SQL知識是很有好處的）。

而數據挖掘則需要有編程基礎。為什么這樣說呢？舉兩個理由：第一個，目前的數據挖掘方面及相關的研究生方面絕大多數是隸屬于計算機系；第二點，在招聘崗位上，國內比較大的公司掛的崗位名稱大多數為“數據挖掘工程師”。從這兩點就可以明確看出數據挖掘跟計算機跟編程有很大的聯系。

2在對行業的理解的能力

要想成為一名優秀的數據分析師，對于所從事的行業有比較深的了解和理解是必須要具備的，并且能夠將數據與自身的業務緊密結合起來。簡單舉個例子來 說，給你一份業務經營報表，你就能在腦海中勾畫出目前經營狀況圖，能夠看出哪里出現了問題。但是，從事數據挖掘不一定要求對行業有這么高的要求。

3專業知識面的要求

數據分析師出對行業要了解外，還要懂得一些統計學、營銷、經濟、心理學、社會學等方面的知識，當然能了解數據挖掘的一些知識會更好。數據挖掘工程師則要求要比較熟悉數據庫技術、熟悉數據挖掘的各種算法，能夠根據業務需求建立數據模型并將模型應用于實際，甚至需要對已有的模型和算法進行優化或者開發新的算法模型。想要成為優秀的數據挖掘工程師，良好的數學、統計學、數據庫、編程能力是必不可少的。

總之一句話來概括的話，數據分析師更關注于業務層面，數據挖掘工程師更關注于技術層面。

數據分析師與數據挖掘工程師的相似點：

1都跟數據打交道

他們玩的都是數據，如果沒有數據或者搜集不到數據，他們都要丟飯碗。

2知識技能有很多交叉點

他們都需要懂統計學，懂數據分析一些常用的方法，對數據的敏感度比較好。

3在職業上他們沒有很明顯的界限

很多時候數據分析師也在做挖掘方面的工作，而數據挖掘工程師也會做數據分析的工作，數據分析也有很多時候用到數據挖掘的工具和模型，很多數據分析從 業者使用SAS、R就是一個很好的例子。而在做數據挖掘項目時同樣需要有人懂業務懂數據，能夠根據業務需要提出正確的數據挖掘需求和方案能夠提出備選的算 法模型，實際上這樣的人一腳在數據分析上另一只腳已經在數據挖掘上了。

事實上沒有必要將數據分析和數據挖掘分的特別清，但是我們需要看到兩者的區別和聯系，作為一名數據行業的從業者，要根據自身的特長和愛好規劃自己的職業生涯，以尋求自身價值的最大化。

數據分析與數據挖掘的區別

數據分析可以分為廣義的數據分析和狹義的數據分析，廣義的數據分析就包括狹義的數據分析和數據挖掘，我們常說的數據分析就是指狹義的數據分析。

（1）定義：簡單來說，數據分析就是對數據進行分析。專業的說法，數據分析是指根據分析目的，用適當的統計分析方法及工具，對收集來的數據進行處理與分析，提取有價值的信息，發揮數據的作用。

（2）作用：它主要實現三大作用：現狀分析、原因分析、預測分析（定量）。數據分析的目標明確，先做假設，然后通過數據分析來驗證假設是否正確，從而得到相應的結論。

（3）方法：主要采用對比分析、分組分析、交叉分析、回歸分析等常用分析方法；

（4）結果：數據分析一般都是得到一個指標統計量結果，如總和、平均值等，這些指標數據都需要與業務結合進行解讀，才能發揮出數據的價值與作用；

（1）定義：數據挖掘是指從大量的數據中，通過統計學、人工智能、機器學習等方法，挖掘出未知的、且有價值的信息和知識的過程。

（2）作用：數據挖掘主要側重解決四類問題：分類、聚類、關聯和預測（定量、定性），數據挖掘的重點在尋找未知的模式與規律；如我們常說的數據挖掘案例：啤酒與尿布、安全套與巧克力等，這就是事先未知的，但又是非常有價值的信息；

（3）方法：主要采用決策樹、神經網絡、關聯規則、聚類分析等統計學、人工智能、機器學習等方法進行挖掘；

（4）結果：輸出模型或規則，并且可相應得到模型得分或標簽，模型得分如流失概率值、總和得分、相似度、預測值等，標簽如高中低價值用戶、流失與非流失、信用優良中差等；

綜合起來

數據分析與數據挖掘的本質都是一樣的，都是從數據里面發現關于業務的知識（有價值的信息），從而幫助業務運營、改進產品以及幫助企業做更好的決策。所以數據分析與數據挖掘構成廣義的數據分析。