虽然岗位title里都有数据这两个字，但这是两条不同的发展路线，数据分析走的是管理路线，数据挖掘走的是技术路线。
我身边就有年薪10万刀的数据分析师，只会Excel，不存在别的技能，但人家就是有能力把技术问题转变成业务问题，不需要会算法和模型。
因为“SQL+Excel+BI工具+PPT”这套组合拳，就能满足工作中的绝大部分需求了，如果你再能用PPT把故事讲漂亮，领导就觉得你很厉害了，你大搞机器学习，神经网络，数据算法，如果超出了领导的认知范围并且没有什么好效果的话，你的背景和你的技术也就没什么价值了。
扯远了，先来看看数据分析和数据挖掘这2块分别会涉及到什么。
数据分析
数据分析是比较大的概念，因为它的流程是由很多个部分组成的，包含了数据获取、数据清洗、数据处理、数据分析、数据可视化等。
相比于那些长篇大论的言论，基本上就是这六大块可以完整地概括出一整个数据分析的流程，这也是数据分析概念的体现。
那就我个人而言，平时的数据分析工作都是在做什么？
从0到1搭建数据分析体系
数据分析工具化，产品化
支撑领导、部门决策的专题分析及业务方向探索
数据规范制定及提升数据质量等基础工作
可以看出，数据分析师比较看重分析策略和业务知识，而这些东西，都是需要在平时的工作中，依靠项目经验去积累，比较吃资历、经验和对业务的认知深度。
数据挖掘
什么是数据挖掘？我一直想以通俗的语言解释出来。
都说数据挖掘，那从哪挖掘出来？基于以下4点：
数据挖掘能做到什么？我觉得举例子更容易理解。
工厂或者制造业，可以预测以后一段时间的产品销量，然后来调节生产计划或采购计划。
头条和抖音，预测用户会对哪个内容感兴趣，然后进行精准的推荐，这也是和算法有关。
电商，可以根据用户购买商品，个性化推荐其他。
券商，关联分析用户的数据，认定用户的能力等级。
接下来说说这两个岗位的对比，不扯皮，直接说事实。
1、入行门槛
数据分析＜数据挖掘，很多年前数据分析的门槛是很低的，但是现在不同了，不过比起数据挖掘所需要的背景，还是要差不少。
举个例子，数据分析师的学历背景：需要985211学校，有互联网公司的实习，最好能参与一个项目全程。
数据挖掘的背景：985硕士优先，要有知名互联网公司项目经历，最好有从0-1的经验
2、职业发展
都差不多，上面也说了，走的是不同的路线，你在清华，我在北大，我们都有光明的未来
3、薪酬
总体上来说，数据分析＜数据挖掘，毕竟对数据挖掘的技术背景要求高，当然这只是平均薪酬，数据分析师薪酬的天花板也是高的。
4、跳槽含金量
看人，看项目。如果你只在大厂当螺丝钉，没业务经验积累/技术沉淀，两三年后想跳出来，其实是不好跳的，因为想要你的公司，你看不上给开的薪资，你想去的公司，会觉得你在大厂没参与完整项目，给你的钱和你能带来的经济效益不成正比，最后哪都去不了。
总结
数据分析不比数据挖掘的含金量低，职业前景也不比数据挖掘差。而数据挖掘走技术路线，竞争激烈程度没数据分析大，保住饭碗是没问题的。但是这些都在一个前提中：你处于数据部门，而不是业务部门，并且你的公司要重视数据，你的领导能给团队带来好的资源。
