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。