Datengesteuerte Organisationen verwenden die Begriffe „Business Intelligence“ (BI) und „Datenanalyse“ häufig synonym. Sie sind nicht dasselbe, aber wenn dich jemand bitten würde, den Unterschied zu erklären, was würdest du sagen?Einige Leute unterscheiden zwischen den beiden, indem sie sagen, dass Business Intelligence historische Daten rückwärts betrachtet, um Dinge zu beschreiben, die passiert sind, während Data Analytics Data Science-Techniken verwendet, um vorherzusagen, was in Zukunft passieren wird oder sollte. Wir denken, das ist nah dran, aber es steckt noch mehr dahinter.

Business Intelligence beinhaltet die Verwendung von Daten, um Geschäftsentscheidungen zu treffen, oder als OLAP.com mit anderen Worten, BI „bezieht sich auf Technologien, Anwendungen und Praktiken für die Sammlung, Integration, Analyse und Präsentation von Geschäftsinformationen. Der Zweck von Business Intelligence ist es, bessere Geschäftsentscheidungen zu unterstützen.“ Man könnte jedoch dasselbe über Datenanalyse sagen.

Um die Grenze zwischen Business Intelligence und Datenanalyse zu ziehen, halten wir es für nützlicher, darüber zu sprechen, was wir erreichen wollen. Wir können Analytics in drei Kategorien unterteilen: deskriptiv, prädiktiv und präskriptiv.

Descriptive Analytics nimmt Daten und verwandelt sie in etwas, das Manager visualisieren, verstehen und interpretieren können. Es liefert Informationen über die historische Leistung und beantwortet Fragen darüber, was passiert ist. Deskriptive Analyseberichte sind so konzipiert, dass sie regelmäßig ausgeführt und angezeigt werden können. Beispiele hierfür sind Kunden-, Betriebs- und Verkaufsberichte.

Predictive Analytics liefert Einblicke in wahrscheinliche zukünftige Ergebnisse – Prognosen, die auf beschreibenden Daten basieren, aber mit zusätzlichen Vorhersagen unter Verwendung von Data Science und häufig Algorithmen, die mehrere Datensätze verwenden. Je mehr Daten verfügbar sind, desto besser sind die Vorhersagen. Beispiele hierfür sind Umsatzprognosen, Verbraucherkredit-Scores und Vorschläge von Einzelhändlern für das, was Sie als nächstes lesen, anzeigen oder kaufen möchten.

Prescriptive Analytics gibt Ratschläge, welche Maßnahmen zu ergreifen sind. Es untersucht mögliche Ergebnisse, die sich aus verschiedenen möglichen Aktionen ergeben, und schlägt vor, welche Aktionen optimale Ergebnisse erzielen. Die Erstellung präskriptiver Analysen erfordert fortgeschrittene Modellierungstechniken und Kenntnisse vieler analytischer Algorithmen — alles Teil der Aufgabe von Data Scientists.Der Big-Data-Stratege Mark van Rijmenam schreibt: „Wenn wir Descriptive Analytics als Grundlage für Business Intelligence und Predictive Analytics als Grundlage für Big Data sehen, können wir sagen, dass Prescriptive Analytics die Zukunft von Big Data sein wird.“

Was ist also der Unterschied zwischen BI und Datenanalyse?

Mit diesen drei Kategorien können wir besser zwischen BI und Datenanalyse unterscheiden.

Alle deskriptiven Analysen fallen in die Kategorie Business Intelligence. Einige Predictive Analytics bilden auch BI. Warum sollten Sie sich Analysen ansehen, wenn Sie nicht beabsichtigen, Maßnahmen zur Verbesserung zukünftiger Ergebnisse zu ergreifen? Prescriptive Analytics steigt jedoch über BI in den Bereich der Datenanalyse auf.

Wo ziehen wir die Grenze? Business Intelligence basiert auf Daten, mit denen Business Manager arbeiten. Wenn sie in der Verwendung von Visualisierungstools wie Tableau, Microsoft Power BI, Looker oder einer Vielzahl anderer Optionen geschult sind, können sie ihre eigenen BI-Berichte erstellen.

Datenanalyse erfordert ein höheres Maß an mathematischen Kenntnissen. Data Scientists nehmen große Datensätze und wenden Algorithmen an, um sie so zu organisieren und zu modellieren, dass die Daten für vorausschauende, prädiktive Berichte verwendet werden können. Es stützt sich auf Algorithmen, Simulationen und quantitative Analysen, um Beziehungen zwischen Daten zu bestimmen, die an der Oberfläche nicht offensichtlich sind. Das passiert bei BI nicht.

Anstatt Fragen zu beantworten, was passiert ist, versucht Data Analytics herauszufinden, warum Dinge passiert sind. Stitch-Mitbegründer und Talend SVP Jake Stein sagt: „Bei der Datenanalyse geht es darum, iterativ Fragen zu stellen. Die Antwort auf eine bestimmte Frage wird oft nur einmal angesehen und verwendet, um die nächste Frage auf unserem Weg zu beantworten, eine grundlegende Geschäftsfrage zu beantworten oder ein Problem zu lösen.“

Common Ground for Business Intelligence and analytics

Business Intelligence befasst sich mit laufenden Abläufen und hilft Unternehmen und Abteilungen, organisatorische Ziele zu erreichen. Datenanalysen können Unternehmen dabei helfen, ihre Geschäftsabläufe zu transformieren. Beide Disziplinen können von einer kleinen Datenaufbereitung profitieren.Datenanalyse erfordert im Allgemeinen eine Datenmodellierung, bei der Rohdaten gesammelt, bereinigt, kategorisiert, konvertiert, aggregiert, validiert und anderweitig transformiert werden. Saubere Daten sind auch für BI hilfreich.

Sobald die Daten sauber sind, werden sie in einer Struktur und einem Format gespeichert, die sich für die Berichterstellung eignen. Oft bedeutet dies, dass die Daten in einem Data Warehouse gespeichert werden — einem spaltenartigen Datenspeicher, der heutzutage häufig auf einer skalierbaren Cloud-Infrastruktur ausgeführt wird. Die Daten im Data Warehouse stellen eine einzige Version der Wahrheit für alle organisatorischen Berichte dar, sowohl für BI als auch für Datenanalysen.

Sowohl BI als auch Datenanalyse erfordern einen Analyse-Stack, der auf einem Data Warehouse basiert und Daten über ein ETL-Tool weiterleitet. Stitch macht das Auffüllen Ihres Data Warehouses einfach.

Fall abgeschlossen?

Löst diese Diskussion die Frage? Wahrscheinlich nicht. Egal wie wir es definieren, Die Leute werden immer noch Begriffe verwenden, wie sie wollen. Was also, wenn jemand sagt: „Datenanalyse ist der Weg zu Business Intelligence“ oder „Business Intelligence umfasst Datenanalyse“? Was ist, wenn sie über „Business Analytics“ sprechen wollen? So sei es. Bei beiden Prozessen geht es darum, Daten zu analysieren und Berichte zu erstellen, um die Entscheidungsfindung zu verbessern – in diesem Punkt sind sich alle einig.

Bildnachweis: Jeff Dahl