其次，数据分析是对客观存在的已知的数据，通过各类维度的分析，得出一个结论，例如我们发现用户注册量下降：可以从:区域上看，某区域的注册量下降了x%渠道方面，搜索引擎带来的注册了下降了X%年龄来看，20岁~30岁的注册量下降了X%等等，这样不同的业务类型去看过去一段时间发展的趋势来做结论判断。数据挖掘则更注重洞察数据本身的关系，从而获得一些非显型的结论，这是我们从数据分析中无法得到了，例如关联分析可以知道啤酒与尿布的关系、决策树可以知道你购买的概率、聚类分析可以知道你和谁类似，等等，重在从各个维度去发现数据之间的内在联系因此两者的目的不一样，数据分析是有明确的分析群体，就是对群体进行各个维度的拆、分、组合，来找到问题的所在，而数据发挖掘的目标群体是不确定的，需要我们更多是是从数据的内在联系上去分析，从而结合业务、用户、数据进行更多的洞察解读。
举个例子来理解一下：比如一个分析师一直单身，想去找一个女朋友，他可以很迅速的知道这个女孩的身高、收入、学历等，但无法从这些数据中获知这个女孩是不是适合自己、她的性格如何，这时我们就需要从一些日常行为的数据进行推断，一种是主观的推断，我觉得、我估计、我认为，不可能在一起另一种是客观 主观的推断，比如整合微博数据（可以知道微博的内容、发送行为、关注的领域等），和自己的行为进行数据挖掘，来看看数据内在的匹配度有多高，这时候，你会说，我们在一起的概率有90%，从而建立信心，开始行动.....当然统计学上讲，100%的概率都未必发生，0%的概率都未必不发生，这只是小概率事件，不要让这个成为你脱单的绊脚石。
最后，思考的方式不同，一般来讲，数据分析是根据客观的数据进行不断的验证和假设，而数据挖掘是没有假设的，但你也要根据模型的输出给出你评判的标准。我们经常做分析的时候，数据分析需要的思维性更强一些，更多是运用结构化、MECE的思考方式，类似程序中的IF else分析框架（假设） 客观问题（数据分析）=结论（主观判断）而数据挖掘大多数是大而全，多而精，数据越多模型越可能精确，变量越多，数据之间的关系越明确什么变量都要，先从模型的意义上选变量（大而全，多而精），之后根据变量的相关系程度、替代关系、重要性等几个方面去筛选，最后全扔到模型里面，最后从模型的参数和解读的意义来判断这种方式合不合理。
以上就是我认为的三个区别，其实不论数据分析还是数据挖掘，能抓住老鼠的就是好猫，真的没必要纠结他们之前的区别，难道你给领导汇报时，第一部分是数据分析得出，第二部分是数据挖掘得出？他们只关注你分析的逻辑、呈现的方式。下来说说我理解的大数据，常常有人问我，感觉现在的大数据分析培训和讲解，都是把之前的各类数据分析资料，前面加了了“大”，然后变成了大数据分析培训....,其实想一想这位兄弟说的真TM对。
大数据对我的感觉并不是数据量大，也不是数据复杂，这些都可以用工具和技术去处理，而是它可以做到千人千面，而且是实时判断规则例如定向广告的推送，就是大数据，它根据你以往的浏览行为，可以准确的给你推相关的信息，基本做到了你一个人就是一个数据库，而不是一条数据。但我们所作的数据分析更多是针对群体的，而非针对每个个人。
要做到千人前面，侵犯你隐私数据是避免不了的，或多或少都有知道一些，而做到千人千面的大数据不就是要更多的了解你，引导你、杀你、留住你吗？为了达到这类手段，就要不断的去完善自家数据，甚至要购买数据来360度的让你在数据下裸奔，从而解决数据孤岛的问题所以大数据时代也显露出了各类问题，数据的隐私、数据杀熟、数据孤岛等，这也许就是我们目前看到大数据分析更看重的是技术、手段的原因，它其实是一门纯技术，但有时候确实可能需要艺术。
数据分析包含哪几个步骤，主要内容是什么？
数据分析主要包含五个步骤：明确目的：明确数据分析的目的，确保数据分析有效进行并为数据的采集、处理提供方向；数据收集：在DAP产品中会通过应用系统定义模块实现对多个应用系统数据的采集工作；清洗加工：在DAP产品中会通过ODS和数仓实现对业务系统数据的层层加工过滤，得到最终需要的业务数据；数据展示：在配置好数据模型之后，可以通过绑定echarts组件的方式实现业务数据的可视化展现；报告撰写：主要用于描述对业务数据分析的过程和分析之后得到的结果。
数通畅联的DAP数据分析平台主要有以下三个优点： 在多层的数据加工过滤之中，通过聚合计算和横向合并可以得到多指标信息的数据，更加拓宽了数据的业务性和可分析性；业务数据的可视化展现让用户可以更直观地对各个业务数据进行处理和分析；在ESB等数据调度工具的辅助之下，更加快速地实现了数据跟进，让用户可以实时跟进数据状况，有助于企业做出相应的决策。
