雖然崗位title裏都有數據這兩個字,但這是兩條不同的發展路線,數據分析走的是管理路線,數據挖掘走的是技術路線。
我身邊就有年薪10萬刀的數據分析師,只會Excel,不存在別的技能,但人家就是有能力把技術問題轉變成業務問題,不需要會算法和模型。
因爲“SQL+Excel+BI工具+PPT”這套組合拳,就能滿足工作中的絕大部分需求了,如果你再能用PPT把故事講漂亮,領導就覺得你很厲害了,你大搞機器學習,神經網絡,數據算法,如果超出了領導的認知範圍並且沒有什麼好效果的話,你的背景和你的技術也就沒什麼價值了。
扯遠了,先來看看數據分析和數據挖掘這2塊分別會涉及到什麼。
數據分析
數據分析是比較大的概念,因爲它的流程是由很多個部分組成的,包含了數據獲取、數據清洗、數據處理、數據分析、數據可視化等。
相比於那些長篇大論的言論,基本上就是這六大塊可以完整地概括出一整個數據分析的流程,這也是數據分析概念的體現。
那就我個人而言,平時的數據分析工作都是在做什麼?
從0到1搭建數據分析體系
數據分析工具化,產品化
支撐領導、部門決策的專題分析及業務方向探索
數據規範制定及提升數據質量等基礎工作
可以看出,數據分析師比較看重分析策略和業務知識,而這些東西,都是需要在平時的工作中,依靠項目經驗去積累,比較喫資歷、經驗和對業務的認知深度。
數據挖掘
什麼是數據挖掘?我一直想以通俗的語言解釋出來。
都說數據挖掘,那從哪挖掘出來?基於以下4點:
數據挖掘能做到什麼?我覺得舉例子更容易理解。
工廠或者製造業,可以預測以後一段時間的產品銷量,然後來調節生產計劃或採購計劃。
頭條和抖音,預測用戶會對哪個內容感興趣,然後進行精準的推薦,這也是和算法有關。
電商,可以根據用戶購買商品,個性化推薦其他。
券商,關聯分析用戶的數據,認定用戶的能力等級。
接下來說說這兩個崗位的對比,不扯皮,直接說事實。
1、入行門檻
數據分析<數據挖掘,很多年前數據分析的門檻是很低的,但是現在不同了,不過比起數據挖掘所需要的背景,還是要差不少。
舉個例子,數據分析師的學歷背景:需要985211學校,有互聯網公司的實習,最好能參與一個項目全程。
數據挖掘的背景:985碩士優先,要有知名互聯網公司項目經歷,最好有從0-1的經驗
2、職業發展
都差不多,上面也說了,走的是不同的路線,你在清華,我在北大,我們都有光明的未來
3、薪酬
總體上來說,數據分析<數據挖掘,畢竟對數據挖掘的技術背景要求高,當然這只是平均薪酬,數據分析師薪酬的天花板也是高的。
4、跳槽含金量
看人,看項目。如果你只在大廠當螺絲釘,沒業務經驗積累/技術沉澱,兩三年後想跳出來,其實是不好跳的,因爲想要你的公司,你看不上給開的薪資,你想去的公司,會覺得你在大廠沒參與完整項目,給你的錢和你能帶來的經濟效益不成正比,最後哪都去不了。
總結
數據分析不比數據挖掘的含金量低,職業前景也不比數據挖掘差。而數據挖掘走技術路線,競爭激烈程度沒數據分析大,保住飯碗是沒問題的。但是這些都在一個前提中:你處於數據部門,而不是業務部門,並且你的公司要重視數據,你的領導能給團隊帶來好的資源。