OLAP的核心是"维", 可以说是多维分析, 它是让分析人员从不同的角度, 不同的粒度查看数据仓库中的数据, 所以他的实质是查询数据, 但是这个查询也是有技巧的, 需要理解业务, 理解业务之后,提出相应的假设, 然后通过特定维度的数据来验证假设是否正确, 所以OLAP是分析思路是从假设到验证,方法是查询数据, OLAP里的模型是指多维数据模型, 通过哪些维度的数据来描述分析对象, OLAP的建模是指选择哪些维度。

而数据挖掘主要不是查询, 而是做更多的计算, 例如分类,回归是拟合计算, 找到标签与其他特征的规律, 形成模型, 数据挖掘算法会有很多迭代计算, 比OLAP的计算要复杂很多, 另外, 数据挖掘做的更多的是探索式的分析, 分析前是没有假设的. 所以数据挖掘往往能发现一些人为经验忽略的因素。

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。

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。

统计学专业与大数据专业会有一些不同，但总体上是有相同之处都跟网络有关系统计信息数据的。同济学就业前景比较广阔，从事的岗位也比较多，可以从事计算工作，也可以从事销售工作，也可以去银行工作，这些岗位都是能够提供的。

很多学生在填报志愿的时候会选择统计学专业，在近几年这个专业的发展比较好，主要的就业方向就有很多，可以当数据分析师可以去保险公司上班进入银行，这几个工作是非常常见的。通气学现在的就业前景是比较可观，而且专业领域的影响人物是比较多的，都得到了惊人的成绩，所以这方面的人才需求量变大。统计学主要的学习内容就是认识客观现象的总体数量，根据这些总体数量的特征以及数量关系，通过科学有效的方式进行收集整理，最后进行分析能够认识到客观现象的规律性，这是非常好的一种科学方式。

也会发现统计学研究具有客观性，而且可检验准确性比较高，这是因为有这些特点，所以对这方面的人才需求量越来越大。攻击方法也是实证研究中最重要的一种方法，不仅适用于自然，也适用于经济社会科学等各个技术领域，有着分析研究的作用。但专业毕业的学生工作非常好找。

因为市场的发展在不断完善，而且中国传统贸易化的发展越来越快，统计学工作的相关人员需求量越来越多，需要提供准确的消息，现在是大数据时代，如果统计学学的非常扎实。可以从事的工作也有很多，可以当数据分析师也可以从事银行金融类证券公司的工作人员。所以这个专业的毕业生需要有很强的技术能力才能有更好的发展，在校学习的知识也会增多。

统计学是大数据的三大基础学科之一，所以统计学与大数据之间的关系还是非常密切的。但在以下方面还是存在一定的不同。

一、知识体系不同

1、统计学注重的是方式方法；

2、大数据则更关注于整个数据价值化的过程，大数据不仅需要统计学知识，还需要具备数学知识和计算机知识。

二、技术体系结构不同

1、统计学知识主要应用在大数据分析领域，统计学方式是大数据分析的两种主要方式之一，另一种数据分析方式是机器学习。

2、大数据技术，不只是涉及到统计学，还有数学、计算机及各行业的学科内容。是学科交叉融合的一门新兴专业。

三、数据集不同

1、传统统计学由于可行性的原因，常常得到的只是一个样本，但是需要描述样本取自的那个大数据集。

2、大数据则常常可以得到数据总体，例如关于一个公司的所有职工数据，数据库中的所有客户资料等。在这种情形下，统计学的推断就没有价值了。

参考资料

百度百科-大数据

百度百科-统计学

大数据和传统的数据有什么区别？

数据分析与数据挖掘的目的不一样，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。

数据分析与数据挖掘的思考的方式不同，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

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。

大数据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。

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。