- 数据分析。专注于中小网站分析优化，网站地图、结构优化，SEO。多使用第三方工具如：开源分析模块（BIRT），CNZZ，Google Analytics（以下简称GA）。通过对网站属性数据（如pv, uv, 新用户占比，搜索词，跳出率，蹦失率，访问时长，忠诚度等）的分析，对网站结构、内容进行优化。此方向更偏产品一些，极大的依赖分析经验和对数据的敏感度。
代表人物Justin Cutroni，网站分析领军人物，精通GA/GWO，作有博客Analytics Talk：http://cutroni.com/blog/
国内代表人物宋星，经营网站分析在中国：http://www.chinawebanalytics.cn/，蓝鲸，经营蓝鲸的网站分析笔记：http://bluewhale.cc/，Joegh，经营网站数据分析：http://webdataanalysis.net/
- 数据挖掘。数据挖掘主要是面向决策，从海量数据中挖掘不为人知、无法直观得出的结论。例如内容推荐、相关度计算等。此工作更注重数据内在联系，数据仓库组建，分析系统开发，挖掘算法设计，甚至很多时候要亲力而为的从ETL开始处理原始数据，因此对计算机水平有较高要求。一般广度上不及数据分析，但深度上更为深入。使用工具除海量数据库如Oracle，分布式计算Hadoop，C++，Java，Python等编程语言外，也有可能会用到第三方挖掘工具如Weka。
此方向更偏技术一些，代表人物Jeff Hammerbacher，曾经的Facebook首席科学家，曾参与编写《数据之美》，部分内容如下：
http://www.360doc.com/content/11/0222/10/2459_95014883.shtml
延伸阅读《探索推荐引擎内部的秘密》，可以体验一下数据挖掘的魅力：
http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html
http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html
http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy3/index.html
- 数据统计。专注于建模及统计分析，通过概率、统计、离散等数学知识建立合理模型，充分发掘数据内容。例如用回归分析，充分利用网站历史数据，进行评估、预测、反向预测、发掘因素。利用贝叶斯方法建立模型来进行机器学习、聚类、垃圾邮件过滤等。常用工具如：SAS，R，SPSS。
此方向更偏重数学，尤其是统计学。像哈佛数学毕业的Hammerbacher在这方面也很强。数据统计不局限于互联网，像传统行业尤其是医疗、金融等领域中，用处也是极大。
而OLAP其实是一个建立数据系统的方法，核心思想就是建立多维度的数据立方体，以维度（Dimension）和度量（Measure）为基本概念，辅以元数据，实现可以钻取、切片、切块、旋转等灵活、系统、直观的数据展现。这种思想可以被以上三种方向借用，像GA就带有这种风格，数据仓库也经常用到此种模式。
但由于互联网的数据量较大、维度众多，会导致数据爆炸。因此一般会灵活变通，综合使用。严格使用OLAP的一般都是些制造业、零售业等相对传统的行业，作为BI的延伸，对公司决策提供有力支撑。
---------------------------------------------------------------------------------
由于此问题回答的比较早，当时就只考虑了互联网的定义，现在看来很片面。感谢@吕高明 的补充：
数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析，以求最大化地开发数据资料的功能，发挥数据的作用。是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
广义的数据分析，应当是包含数据挖掘和统计的。数据挖掘是面对海量数据时的有效工具，而数据统计是为分析过程提供可靠模型和结果检验的 有效工具。这两个工具可以用在数据分析中，但不只用在数据分析中。数据分析就是数据到有效信息的过程。
本文作者:孙文亮 来源:知乎
CIO之家 www.ciozj.com 微信公众号:imciow 免责声明:本站转载此文章旨在分享信息，不代表对其内容的完全认同。文章来源已尽可能注明，若涉及版权问题，请及时与我们联系，我们将积极配合处理。同时，我们无法对文章内容的真实性、准确性及完整性进行完全保证，对于因文章内容而产生的任何后果，本账号不承担法律责任。转载仅出于传播目的，读者应自行对内容进行核实与判断。请谨慎参考文章信息，一切责任由读者自行承担。