“分析报告给你后见之明 (hindsight)；统计分析给你先机 (foresight)；数据挖掘给你洞察力 (insight)”。
举个例子说。
你看到孙悟空跟二郎神打仗，然后写了个分析报告，说孙悟空在柔韧性上优势明显，二郎神在力气上出类拔萃，所以刚开始不相上下；结果两个人跑到竹林里，在竹子上面打，孙悟空的优势发挥出来，所以孙悟空赢了。这叫分析报告。
孙悟空要跟二郎神打架了，有个赌徒找你预测。你做了个统计，发现两人斗争4567次，其中孙悟空赢3456次。另外，孙悟空斗牛魔王，胜率是89%，二郎神斗牛魔王胜率是71%。你得出趋势是孙悟空赢。因为你假设了这次胜利跟历史的关系，根据经验作了一个假设。这叫统计分析。
你什么都没做，让计算机自己做关联分析，自动找到了出身、教育、经验、单身四个因素。得出结论是孙悟空赢。计算机通过分析发现贫苦出身的孩子一般比皇亲国戚功夫练得刻苦；打架经验丰富的人因为擅长利用环境而机会更多；在都遇得到明师的情况下，贫苦出身的孩子功夫可能会高些；单身的人功夫总比同样环境非单身的高。孙悟空遇到的名师不亚于二郎神，而打架经验绝对丰富，并且单身，所以这次打头，孙悟空赢。这叫数据挖掘。
数据挖掘跟OLAP的区别在于它没有假设，让计算机找出这种背后的关系，而这种关系可能是你所想得到的，也可能是所想不到的。比如数据挖掘找出的结果发现在2亿条打斗记录中，姓孙的跟姓杨的打，总是姓孙的胜利，孙悟空姓孙，所以，悟空胜利。用在现实中，我们举个例子来说，做OLAP分析，我们找找哪些人总是不及时向电信运营商缴钱，一般会分析收入低的人往往会缴费不及时。通过分析，发现不及时缴钱的穷人占71%。而数据挖掘则不同，它自己去分析原因。原因可能是，家住在五环以外的人，不及时缴钱。这些结论对推进工作有很深的价值，比如在五环外作市场调研，发现需要建立更多的合作渠道以方便缴费。这是数据挖掘的价值。
数据挖掘确实很好，能带来洞察力，但是不是一定可以给客户带来洞察力呢？洞察力的来源是哪里呢？
用上面的实例，“姓”这个维度指标和“出身、教育、经验”这个维度分析得出的结果精确度肯定会有不同，而用“穷富”和“地域分布”这两个维度分析得到的结果就截然不同，孰优孰劣一目了然。但是是不是维度指标建的越多越好呢？
记得前段时间我们做了5个业务分析模型,每个cube都做了非常多的维度，每个维度又有很多的指标，在内部展示上胡涛和我都提出了意见，我们的看法是，分析指标一定要根据应用而来，每建立一个分析指标一定要知道它能做什么用，什么样的指标组合能得出什么样的分析结果，不是简单的从我们的数据库结构中的某个字段就拿出来做一个指标。我们现在要做的是“未到深处先尝浅”，先对自己的东西吃透了，摸懂了再去深挖。
