一、含义

1）数据分析(Data Analysis)

根据分析目的，用适当的统计分析方法及工具，对收集来的数据进行处理与分析，提取有价值的信息，发挥数据的作用。

数据分析是一个包含数据检验、数据清洗、数据重构，以及数据建模的过程，目的在于发现有用的信息，有建设性的结论，辅助决策的制定。

方法: 主要采用对比分析、分组分析、交叉分析、回归分析等常用分析方法。

2）数据挖掘（Data Mining）

数据挖掘是从大型数据库中提取隐藏的预测数据的过程。这项技术非常强大，有可能帮助公司集中精力处理其数据仓库中最重要的信息。数据挖掘工具有助于预测未来的行为和趋势，这使企业能够做出主动和知识驱动的决策。

数据挖掘提供了自动化和前瞻性的分析，这超出了由回顾性工具提供的对过去事件的分析。数据挖掘工具能够帮助企业快速获得结果和问题的答案。在过去，使用传统方法处理这些问题花费了很多时间。这些工具搜索隐藏模式的数据，这有助于企业获得专家们忽略的预测信息，因为它超出了他们的预期。

数据挖掘分析师，又称建模分析师。需要深入掌握高级多元统计方法，并且拓展时间学列分析和主要数据挖掘的理论知识和业界运用。能够熟练使用SPSS Modeler、SAS、R、Python等至少一个专业数据挖掘软件实现相关算法；具有按照数据挖掘标准流程进行项目需求分析、数据验证、建模与模型评估的能力。

方法：主要采用决策树、神经网络、关联规则、聚类分析等统计学、人工智能、机器学习等方法进行挖掘。

综合起来，数据分析(狭义)与数据挖掘的本质都是一样的，都是从数据里面发现关于业务的知识(有价值的信息)，从而帮助业务运营、改进产品以及帮助企业做更好的决策，所以数据分析(狭义)与数据挖掘构成广义的数据分析。

数据分析和数据挖掘，有时甚至是递归的。就是数据分析的结果是信息，这些信息作为数据，由数据去挖掘。而数据挖掘，又使用了数据分析的手段，周而复始。

二、数据分析与数据挖掘的区别

数据分析，是以输入的数据为基础，通过先验的约束，对数据进行处理，但是不以结论何如为调整。例如你需要图像识别，这个属于数据分析。你要分析人脸。数据通过你的先验的方法，就是出来个猫脸。你的数据分析也没有问题。你需要默默的承受结果，并且尊重事实。因此数据分析的重点在于数据的有效性、真实性和先验约束的正确性。

数据挖掘是对信息的价值化的获取。价值化自然不考虑数据本身，而是考虑数据是否有价值。由此，一批数据，你尝试对它做不同的价值挖掘。评估，则就是数据挖掘。此时对比数据分析，最大的特点就是，你需要调整你的不同的先验约束，再次对数据进行分析。而先验的约束已经不是针对数据来源自身的特点，例如信噪比处理算法。而是你期望得到的一个有价值的内容，做先验的约束。以观测，数据根据这个约束，是否有正确的反馈。

1）在应用工具上，数据挖掘一般要通过自己的编程来实现需要掌握编程语言；而数据分析更多的是借助现有的分析工具进行。

2）在行业知识方面，数据分析要求对所从事的行业有比较深的了解和理解，并且能够将数据与自身的业务紧密结合起来；而数据挖掘不需要有太多的行业的专业知识。

3）交叉学科方面，数据分析需要结合统计学、营销学、心理学以及金融、政治等方面进行综合分析；数据挖掘更多的是注重技术层面的结合以及数学和计算机的集合。