数据分析（数据挖掘）有什么用？
数据分析和数据挖掘在本质上是有一定区别的数据分析：是指运用合适的统计分析方法对采集来的规模巨大的数据进行分析，是一个为提取有用信息和形成结论而对数据加以详细研究和概括的过程；数据挖掘：是指用相关算法从大量的数据中探索隐藏在其中的信息的过程。我们可以简单的理解为，一个是从广度上对数据的处理过程，一个是从深度上对数据的处理过程。
数据分析和数据挖掘两者是相辅相成的一个可以通过大量数据的整理和解读来对企业的现状进行分析，并通过数据来反映目前企业管理的问题，并可将相应的问题原因进行深入追踪，最后确认相关的责任人，保证了数据的可追溯性，来辅助企业的整体管理和运营；而数据挖掘通过对企业隐藏价值数据的深耕，可以对企业未来发展导向，做出预判，为企业高层提供相应的参考支持；一个企业想要发展的更好，处理好当下企业发展中的问题是必要的，着眼于未来企业的发展是重要的，而数据分析和数据挖掘在企业中的实际运用，可以更好的支撑企业的运营管理，提供决策分析，帮助企业走的更高、更远。
大数据、数据分析和数据挖掘的区别是什么？
对于很多人来讲，这几个概念经常分不清，我当初入门的时候也一样，只不过那时候没有大数据的概念，作为一个数据分析从业者，其实并不需要关注这些名字直接的本质区别，只要明白一件事，数据最终是为了决策服务。鉴于大家对此还是有些好奇，这里我大概说说我的理解，希望和各位有所交流，不足之处还望大家指正。先看看数据分析与数据挖掘的区别：首先要搞懂，什么是数据，什么是信息，这两者本质的区别就是数据是存在的，不用人脑，而信息是需要人脑进行处理，上面意思呢？比如你装修完了房子，打算开始买家具，那么第一件事就是用尺子量房屋各处的长度和宽度，这些都是可以主观的看到的，客观存在的，这就是数据，而信息则不同，例如你要去买沙发，你会说，我们放5米的沙发刚好，4米的有些短，看着不大气，6米的太大了，看着不美观，那这种就属于信息，是需要人们经过大脑去判断的，属于主观，判断的依据就是数据（客观存在）。
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，数据挖掘，大数据，机器学习，深度学习，统计分析的区别是什么？
这个问题最近刷到很多次，看来是要回答一下了。因实际工作中会接触数据分析、挖掘、大数据、机器学习及深度学习，这里分享一下自己对这些概念的认知。 数据分析 主要是面向结论。通常是通过人依赖自身的分析经验和对数据的敏感度（人智活动），对收集来的数据进行处理与分析，按照明确目标或维度进行分析（目标导向），获取有价值的信息。
比如利用对比分析、分组分析、交叉分析等方法，完成现状分析、原因分析、预测分析，提取有用信息和形成结论。数据挖掘 主要是面向决策。通常是指从海量（巨量）的数据中，挖掘出未知的且有价值的信息或知识的过程（探索性），更好地发挥或利用数据潜在价值。比如利用规则、决策树、聚类、神经网络等概率论、统计学、人工智能等方法，得出规则或者模型，进而利用该规则或模型获取相似度、预测值等数据实现海量数据的分类、聚类、关联和预测，提供决策依据。
需要注意，较传统数据挖掘主要针对相对少量、高质量的样本数据，机器学习的发展应用使得数据挖掘可以面向海量、不完整 、有噪声、模糊的数据。数据统计 同样是面向结论，只不过是是把模糊估计的结论变得精确而定量。比如。得出具体的总和、平均值、比率的统计值。从广义上讲，广义的数据分析分为如上介绍的数据分析、数据挖掘、数据统计三个方向。
机器学习 是一门专门研究计算机怎样模拟或实现人类的学习行为，能够赋予机器学习的能力以让它完成通过编程无法完成的功能，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科，但机器学习不会让机器产生“意识和思考”，它是概率论与统计学的范畴，是实现人工智能的途径之一。深度学习 是机器学习的一个子领域，受大脑神经网络的结构和功能启发而创造的算法，能够从大数据中自动学习特征，以解决任何需要思考的问题。
