数据挖掘更在乎成本与收益

统计分析一般都是验证性分析

数据分析中，不管是数据挖掘领域还是统计分析领域，都较为侧重验证性，验证性分析占据非常重要的主导地位。不同的是，99%的统计分析都是验证性分析，而数据挖掘领域中验证性分析的比例略低，能达到80%-90%左右。

实际业务中用什么去主导分析？

实际工作中，当面临一个庞大的数据库时，用什么方法去主导自己的分析呢？如果仅仅针对业务痛点进行分析，这样的思路没错，但是很快会发现，这样会导致整个分析进入死胡同，并且一段时间后，大部分的数据分析工作都在做重复的分析内容，因此对商业的支撑便会出问题。此时需要反思数据分析是否有框架的指导，如果有框架的指导，还需要结合4P理论、4C理论以及客户关系理论等。

如果不了解验证分析背后框架或理论，则可以参考同行业中的相似框架。

数据挖掘不强调精度

不同的数据分析领域量化的方式不同，传统分析中更为关注精确性，如果指标做不到精确，则业务人员会对模型的分析结果产生质疑，尤其是问卷行业，对精度的要求更高。

然而，数据挖掘领域，精度似乎没有那么重要，我更加关注指标的可解释性以及模型与业务之间的契合性。

不同场景下数据挖掘的含义不同

计算机模型、统计模型与数据挖掘模型处理问题的出发点完全不同，例如什么是大数据这个问题，不同场景下的含义是不同的：

• 实验室场景中，由于场景样本量较小，样本获取不易，因此对数据精确度要求较高，30个左右样本量即为大数据。；
• 市场分析中，样本量200左右即为大数据；
• 数据挖掘领域中，通常以100万为界进行大数据的区分。

因此，提到大数据时首先要清楚场景，否则很难将数据精确度、数据以及商业价值更好的契合起来。

数据挖掘不太关心因果

通常，统计分析侧重于模型的因果，然而，商业价值中，因果关系并不是那么重要，探究结果只会带来成本的上升，因此数据挖掘模型不太关注因果，数据挖掘领域更为关注成本与收益。