對于很多人來講，這幾個概念經常分不清，我當初入門的時候也一樣，只不過那時候沒有大數據的概念，作為一個數據分析從業者，其實并不需要關注這些名字直接的本質區別，只要明白一件事，數據最終是為了決策服務。

鑒于大家對此還是有些好奇，這里我大概說說我的理解，希望和各位有所交流，不足之處還望大家指正。

先看看數據分析與數據挖掘的區別：

首先要搞懂，什么是數據，什么是信息，這兩者本質的區別就是數據是存在的，不用人腦，而信息是需要人腦進行處理，上面意思呢？

比如你裝修完了房子，打算開始買家具，那么第一件事就是用尺子量房屋各處的長度和寬度，這些都是可以主觀的看到的，客觀存在的，這就是數據，而信息則不同，例如你要去買沙發，你會說，我們放5米的沙發剛好，4米的有些短，看著不大氣，6米的太大了，看著不美觀，那這種就屬于信息，是需要人們經過大腦去判斷的，屬于主觀，判斷的依據就是數據（客觀存在）。

其次，數據分析是對客觀存在的已知的數據，通過各類維度的分析，得出一個結論，例如我們發現用戶注冊量下降：

可以從:

區域上看，某區域的注冊量下降了x%

渠道方面，搜索引擎帶來的注冊了下降了X%

年齡來看，20歲~30歲的注冊量下降了X%

等等，這樣不同的業務類型去看過去一段時間發展的趨勢來做結論判斷。

數據挖掘則更注重洞察數據本身的關系，從而獲得一些非顯型的結論，這是我們從數據分析中無法得到了，例如關聯分析可以知道啤酒與尿布的關系、決策樹可以知道你購買的概率、聚類分析可以知道你和誰類似，等等，重在從各個維度去發現數據之間的內在聯系

因此兩者的目的不一樣，數據分析是有明確的分析群體，就是對群體進行各個維度的拆、分、組合，來找到問題的所在，而數據發挖掘的目標群體是不確定的，需要我們更多是是從數據的內在聯系上去分析，從而結合業務、用戶、數據進行更多的洞察解讀。
舉個例子來理解一下：

比如一個分析師一直單身，想去找一個女朋友，他可以很迅速的知道這個女孩的身高、收入、學歷等，但無法從這些數據中獲知這個女孩是不是適合自己、她的性格如何，這時我們就需要從一些日常行為的數據進行推斷，一種是主觀的推斷，我覺得、我估計、我認為，不可能在一起

另一種是客觀+主觀的推斷，比如整合微博數據（可以知道微博的內容、發送行為、關注的領域等），和自己的行為進行數據挖掘，來看看數據內在的匹配度有多高，這時候，你會說，我們在一起的概率有90%，從而建立信心，開始行動.....

當然統計學上講，100%的概率都未必發生，0%的概率都未必不發生，這只是小概率事件，不要讓這個成為你脫單的絆腳石。

最后，思考的方式不同，一般來講，數據分析是根據客觀的數據進行不斷的驗證和假設，而數據挖掘是沒有假設的，但你也要根據模型的輸出給出你評判的標準。

我們經常做分析的時候，數據分析需要的思維性更強一些，更多是運用結構化、MECE的思考方式，類似程序中的IFelse

分析框架（假設）+客觀問題（數據分析）=結論（主觀判斷）

而數據挖掘大多數是大而全，多而精，數據越多模型越可能精確，變量越多，數據之間的關系越明確

什么變量都要，先從模型的意義上選變量（大而全，多而精），之后根據變量的相關系程度、替代關系、重要性等幾個方面去篩選，最后全扔到模型里面，最后從模型的參數和解讀的意義來判斷這種方式合不合理。

以上就是我認為的三個區別，其實不論數據分析還是數據挖掘，能抓住老鼠的就是好貓，真的沒必要糾結他們之前的區別，難道你給領導匯報時，第一部分是數據分析得出，第二部分是數據挖掘得出？他們只關注你分析的邏輯、呈現的方式。

下來說說我理解的大數據，常常有人問我，感覺現在的大數據分析培訓和講解，都是把之前的各類數據分析資料，前面加了了“大”，然后變成了大數據分析培訓....,其實想一想這位兄弟說的真TM對。

大數據對我的感覺并不是數據量大，也不是數據復雜，這些都可以用工具和技術去處理，而是它可以做到千人千面，而且是實時判斷規則

例如定向廣告的推送，就是大數據，它根據你以往的瀏覽行為，可以準確的給你推相關的信息，基本做到了你一個人就是一個數據庫，而不是一條數據。但我們所作的數據分析更多是針對群體的，而非針對每個個人。

要做到千人前面，侵犯你隱私數據是避免不了的，或多或少都有知道一些，而做到千人千面的大數據不就是要更多的了解你，引導你、殺你、留住你嗎？為了達到這類手段，就要不斷的去完善自家數據，甚至要購買數據來360度的讓你在數據下裸奔，從而解決數據孤島的問題

所以大數據時代也顯露出了各類問題，數據的隱私、數據殺熟、數據孤島等，這也許就是我們目前看到大數據分析更看重的是技術、手段的原因，它其實是一門純技術，但有時候確實可能需要藝術。

文源自：小鄧種草