我们在上一篇文章中给大家介绍了数据挖掘和数据分析的区别，主要就是数据挖掘在统计分析形成了比较明显的差异。在这种明显的差异中我们能够分清楚数据分析以及数据挖掘的区别，我们在这篇文章中给大家介绍更多的知识。

在上一篇文章中我们给大家介绍了数据挖掘的特点，就是数据挖掘可以使用在海量的数据中，所以相对于海量、杂乱的数据，数据挖掘技术有明显的应用优势。而统计分析在预测中的应用常表现为一个或一组函数关系式，而数据挖掘在预测应用中的重点在于预测的结果，很多时候并不会从结果中产生明确的函数关系式，有时候甚至不知道到底是哪些变量在起作用，又是如何起作用的。这就需要我们举例说明了。

典型的例子就是比较神奇的神经网络挖掘技术，这个技术里面有一个隐蔽层，这个隐蔽层的存在的意义就是没有人能在所有的情况下读懂里面的非线性函数是如何对自变量进行组合的。在实践应用中，这种情况常会让习惯统计分析公式的分析师或者业务人员感到困惑，这也确实影响了模型在实践应用中的可理解性和可接受度。

如果我们换种思维方式从实战的角度考虑的话，那么我们只要模型能正确预测客户行为，这样就能为精细化运营提供准确的细分人群和目标客户，业务部门、运营部门不了解模型的技术细节。而在实践应用中，统计分析常需要分析人员先做假设或判断，然后利用数据分析技术来验证该假设是否成立。而在数据挖掘中，分析人员并不需要对数据的内在关系做任何假设或判断，而是会让挖掘工具中的算法自动去寻找数据中隐藏的关系或规律。由此可见，数据挖掘和数据分析两者的思维方式并不相同，这给数据挖掘带来了更灵活、更宽广的思路和舞台。

所以我们在进行数据挖掘工作或者数据分析中针对具体的业务分析需求，先确定分析思路，然后根据这个分析思路去挑选和匹配合适的分析算法、分析技术、而且一个具体的分析需求一般都会有两种以上不同的思路和算法可以去探索，从而决定最终的思路、算法和解决方案。

在这篇文章中我们给大家讲述完了数据挖掘以及数据分析的区别了，数据挖掘以及数据分析的另一个明显区别就是思维方式以及实战的角度，只有了解了这些，我们才能够做好任何一项工作。