这个问题，我们从小到大看三个链条。
第一是数据加工链条。
从逻辑上看，数据挖掘是包含数据开发的。在真正的挖掘过程中，数据开发占的比重非常大，经常是一边处理数据一边寻找规律。
更关键的是，挖掘是会指导数据开发的。你要用什么挖掘模型，就需要选择对应的数据加工方法。所以，如果做挖掘的人自己不处理数据，那等到要用的数据已经加工好了，那还差一个“挖掘”的人么？而且做数据挖掘的人，很可能会拿着更高的薪资做数据开发的工作。这对用人单位来说太不合算了。
第二是企业决策链条。
挖掘是干啥的？找规律，发现问题。那挖完了就要拍板开干呀！但目前有多少企业能“发自内心”地做数据驱动呢？真的不多，业务经验在决策中还是占主导地位的。看看Growth Hacking就好了。在原本的定义中，打破常规的Hacking过程很重要，但在各种宣传和培训中却很少被提及。大谈特谈的都是所谓的成熟方法论和经典案例，以及抓人眼球的Growth成果。
再看看公司里常用的所谓业务报表，那些指标体系是凭经验提出的，还是凭数据挖掘提出的？很可能90%以上是凭业务经验提出的。有没有“美化”就不好说了。
这种情况对数据挖掘的人就比较不利了。我们举个极端的例子：假设你挖掘的结果是自己所在的部门或业务应该被裁撤，把钱投给更有希望的业务，你会怎么做？你是选择换个模型，还是改数据呢？抱歉，根据上个链条的分析，不管选哪个，这都是“数据开发”的工作了。
第三是人才培养链条。
数据挖掘在人们心中是典型的知识密集型，而数据开发经常被当做劳动密集型。所以不管是学生时代的课堂，还是校外培训班，都是培养“数据挖掘人才”的，而很少有专门培养“数据开发人才”的。大家在工作中也都喜欢顶个更好的title。没什么好避讳的，我也不例外。
但是，根据链条一，数据开发非常重要啊！于是一个源于认知偏差、受到人才培养市场推动的供需不平衡就产生了。而根据链条二，对于企业里的决策者来说，挖掘岗在一些领域确实有特殊贡献，比如AB实验、广告投放、个性化推荐等，但也并不是总能发挥价值。比如在一些例行的、常规的业务场景中，如果做挖掘的同学本身不是特别懂，那很可能反而干不过经验主义。
于是，决策者凭着自己的经验，很可能会觉得“我已经具备决策的全部工具，只缺人往里填数据”。这个时候，会开发数据的人，显然比会用数据的人更重要呀！如果这个决策者还是个思维活跃的人，经常蹦出一些想法而又没有足够的人手帮他提取数据，那还得了？！“快去多找一些人呀！会写SQL的！” 抱歉，这还是数据开发的工作。 |
