datadrevne organisationer bruger ofte udtrykkene “business intelligence” (BI) og “data analytics” om hverandre. De er ikke det samme, men hvis nogen bad dig om at forklare forskellen, hvad ville du sige?

Nogle mennesker skelner mellem de to ved at sige, at business intelligence ser bagud på Historiske data for at beskrive ting, der er sket, mens dataanalyse bruger datavidenskabsteknikker til at forudsige, hvad der vil eller skal ske i fremtiden. Vi tror, det er tæt på, men der er mere til det.

Business intelligence involverer brug af data til at hjælpe med at træffe forretningsbeslutninger, eller som OLAP.com sætter det, BI ” henviser til teknologier, applikationer og praksis til indsamling, integration, analyse og præsentation af forretningsoplysninger. Formålet med business intelligence er at understøtte bedre beslutningstagning i erhvervslivet.”Man kan dog sige det samme om dataanalyse.

for at trække grænsen mellem business intelligence og dataanalyse synes vi, det er mere nyttigt at tale om, hvad vi vil opnå. Vi kan opdele analyser i tre kategorier: beskrivende, prædiktiv og præskriptiv.beskrivende analyse tager data og forvandler dem til noget, som virksomhedsledere kan visualisere, forstå og fortolke. Det giver intelligens til historisk præstation og besvarer spørgsmål om, hvad der skete. Beskrivende analyserapporter er designet til at blive kørt og vist regelmæssigt. Eksempler inkluderer kunde -, drifts-og salgsrapporter.Predictive analytics giver indsigt i sandsynlige fremtidige resultater-prognoser, baseret på beskrivende data, men med tilføjede forudsigelser ved hjælp af datalogi og ofte algoritmer, der gør brug af flere datasæt. Jo flere tilgængelige data, jo bedre er forudsigelserne. Eksempler inkluderer salgsprognoser, forbrugerkreditresultater og detailhandleres forslag til, hvad du måske vil læse, se eller købe næste.

Prescriptive analytics giver råd om, hvilke handlinger der skal tages. Den undersøger mulige resultater, der skyldes forskellige mulige handlinger, og foreslår, hvilke handlinger der vil have optimale resultater. Oprettelse af receptpligtig analyse kræver avancerede modelleringsteknikker og viden om mange analytiske algoritmer — alt sammen en del af dataforskernes job.Big data strateg Mark van Rijmenam skriver: “Hvis vi ser beskrivende analyse som grundlaget for business intelligence, og vi ser forudsigelig analyse som grundlaget for big data, end vi kan sige, at receptpligtig analyse vil være fremtiden for big data.”

så hvad er forskellen mellem BI og dataanalyse?

ved hjælp af disse tre kategorier kan vi skelne bedre mellem BI og dataanalyse.

alle beskrivende analyser falder ind under kategorien business intelligence. Nogle forudsigelige analyser udgør også BI. Når alt kommer til alt, hvorfor se på analyser, hvis du ikke har til hensigt at bruge dem til at gribe ind for at forbedre fremtidige resultater? Prescriptive analytics, imidlertid, stiger over BI i realm af data analytics.

hvor trækker vi linjen? Business intelligence er baseret på data, som virksomhedsledere arbejder med. Hvis de er uddannet i at bruge visualiseringsværktøjer, såsom Tableau, Microsoft BI, Looker eller en af en række andre muligheder, kan de oprette deres egne BI-rapporter.

dataanalyse kræver et højere niveau af matematisk ekspertise. Dataforskere tager store datasæt og anvender algoritmer til at organisere og modellere dem til det punkt, hvor dataene kan bruges til fremadrettede, forudsigelige rapporter. Den er afhængig af algoritmer, simuleringer og kvantitativ analyse for at bestemme forholdet mellem data, der ikke er indlysende på overfladen. Det sker ikke med BI.

i stedet for at besvare spørgsmål om, hvad der skete, forsøger data analytics at lære, hvorfor tingene skete. Stitch medstifter og Talend SVP Jake Stein siger, ” Data analytics handler om iterativt stille spørgsmål. Svaret på et givet spørgsmål ses ofte kun en gang og bruges til at informere det næste spørgsmål på vores måde at besvare et grundlæggende forretningsspørgsmål eller løse et problem.”

Common ground for business intelligence and analytics

Business intelligence adresserer løbende operationer og hjælper virksomheder og afdelinger med at nå organisatoriske mål. Dataanalyse kan hjælpe virksomheder, der ønsker at ændre den måde, de driver forretning på. Begge discipliner kan drage fordel af lidt dataforberedelse.

dataanalyse kræver generelt datamodellering, hvor rådata indsamles, renses, kategoriseres, konverteres, aggregeres, valideres og på anden måde transformeres. Rene data er også nyttige for BI.

når dataene er rene, gemmes de i en struktur og et format, der egner sig til rapportering. Ofte betyder det, at dataene gemmes i et datalager — en søjleformet datalager, der i dag ofte kører på skalerbar skyinfrastruktur. Dataene i datalageret repræsenterer en enkelt version af truth for al organisatorisk rapportering, for både BI og dataanalyse.

både BI og data analytics kræver en analytics-stak baseret på et datalager med data, der ledes ind via et ETL-værktøj. Stitch gør det nemt at udfylde dit datalager.

sag lukket?

løser denne diskussion spørgsmålet? Ikke sandsynligt. Uanset hvordan vi definerer det, vil folk stadig bruge udtryk, som de vil. Så hvad hvis nogen siger, “dataanalyse er, hvordan du kommer til business intelligence” eller “Business intelligence omfatter dataanalyse”? Hvad hvis de vil tale om”business analytics”? Så må det være sådan. Pointen med begge processer er at analysere data og oprette rapporter for at forbedre beslutningstagningen-på det punkt er alle enige.

Billedkredit: Jeff Dahl