- 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：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：
360doc.com/content...
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：
ibm.com/develope...
ibm.com/develope...
ibm.com/develope... - 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。