Datalähtöiset organisaatiot käyttävät usein termejä ”business intelligence” (BI) ja ”data analytics” vaihdellen. Ne eivät ole sama asia, mutta jos joku pyytäisi selittämään eron, mitä sanoisit?

jotkut erottavat nämä kaksi toisistaan sanomalla, että business intelligence katsoo taaksepäin historiallista dataa kuvatakseen tapahtuneita asioita, kun taas data-analytiikka käyttää datatieteen tekniikoita ennustaakseen, mitä tulevaisuudessa tapahtuu tai pitäisi tapahtua. Luulemme, että se on lähellä, mutta siinä on muutakin.

Business intelligence tarkoittaa datan käyttöä liiketoimintapäätösten tekemiseen tai OLAP.com tuo se, BI ” viittaa teknologioita, sovelluksia, ja käytäntöjä keräämiseen, integrointi, analyysi, ja esittäminen liiketoiminnan tiedot. Business intelligencen tarkoituksena on tukea parempaa liiketoimintaa koskevaa päätöksentekoa.”Samaa voisi kuitenkin sanoa data-analytiikasta.

vetääksemme rajan business intelligencen ja data-analytiikan välille, mielestämme on hyödyllisempää puhua siitä, mitä haluamme saavuttaa. Voimme jakaa analytiikan kolmeen kategoriaan: kuvaileva, ennakoiva ja määräävä.

deskriptiivinen analytiikka vie dataa ja muuttaa sen sellaiseksi, mitä yritysjohtajat voivat visualisoida, ymmärtää ja tulkita. Se tarjoaa älykkyyttä historialliseen suoritukseen ja vastaa kysymyksiin tapahtuneesta. Kuvailevat analytiikkaraportit on suunniteltu ajettaviksi ja katseltaviksi säännöllisesti. Esimerkkejä ovat asiakas -, toiminta-ja myyntiraportit.

ennustava analytiikka tarjoaa tietoa todennäköisistä tulevaisuudentuloksista — ennusteista, jotka perustuvat kuvailevaan aineistoon, mutta joihin on lisätty ennusteita datatieteen ja usein useita tietokokonaisuuksia hyödyntävien algoritmien avulla. Mitä enemmän tietoa on saatavilla, sitä paremmat ennusteet. Esimerkkejä ovat myynnin ennustaminen, kulutusluottojen tulokset ja jälleenmyyjien ehdotuksia siitä, mitä haluat ehkä lukea, katsella tai ostaa seuraavaksi.

Prescriptive analytics antaa neuvoja siitä, mihin toimenpiteisiin kannattaa ryhtyä. Siinä tarkastellaan mahdollisia tuloksia, jotka johtuvat erilaisista mahdollisista toimista, ja ehdotetaan, millä toimilla on optimaaliset tulokset. Määräävän analytiikan luominen vaatii kehittyneitä mallinnustekniikoita ja monien analyyttisten algoritmien tuntemusta — kaikki osa datatutkijoiden työtä.

Big datan strategi Mark van rijmenam kirjoittaa: ”jos näemme kuvailevan analytiikan liikeälyn perustana ja ennakoivan analytiikan big datan perustana, voimme todeta, että määräävä analytiikka on big datan tulevaisuus.”

joten mitä eroa on BI: llä ja data-analytiikalla?

näiden kolmen kategorian avulla voimme tehdä paremman eron BI-ja data-analytiikan välille.

kaikki kuvaileva analytiikka kuuluu business intelligence-luokkaan. Osa ennustavasta analytiikasta muodostaa myös BI: n. Loppujen lopuksi miksi tarkastella Analytiikkaa, jos et aio käyttää niitä ryhtyä toimiin parantaa tulevia tuloksia? Määräävä analytiikka nousee kuitenkin BI: n yläpuolelle data-analytiikan maailmaan.

mihin vedetään raja? Business intelligence nojaa dataan, jonka parissa yritysjohtajat työskentelevät. Jos he ovat koulutettuja käyttämään visualisointi työkaluja, kuten Tableau, Microsoft Power BI, Looker, tai jokin joukko muita vaihtoehtoja, he voisivat luoda omia BI raportit.

Data-analytiikka edellyttää korkeampaa matemaattista osaamista. Datatutkijat ottavat isoja tietokokonaisuuksia ja soveltavat algoritmeja organisoidakseen ja mallintaakseen ne siihen pisteeseen, jossa dataa voidaan käyttää tulevaisuuteen suuntautuviin, ennakoiviin raportteihin. Se perustuu algoritmeihin, simulaatioihin ja kvantitatiiviseen analyysiin määrittääkseen datan väliset suhteet, jotka eivät ole ilmeisiä pinnalla. Niin ei käy BI: n kanssa.

sen sijaan, että vastaisi kysymyksiin tapahtuneesta, data-analytiikka yrittää selvittää, miksi asiat tapahtuivat. Stitch co-perustaja ja Talend SVP Jake Stein sanoo, ” Data analytics on noin iteratiivisesti kysymyksiä. Vastaus johonkin kysymykseen on usein katsottu vain kerran ja käytetään ilmoittamaan seuraavan kysymyksen matkalla vastaamalla perustavanlaatuinen liiketoiminnan kysymys tai ratkaista ongelma.”

Common ground for business intelligence and analytics

Business intelligence käsittelee käynnissä olevia toimintoja auttaen yrityksiä ja osastoja saavuttamaan organisaation tavoitteet. Data-analytiikka voi auttaa yrityksiä, jotka haluavat muuttaa liiketoimintatapaansa. Molemmat tieteenalat voivat hyötyä hieman tietojen valmistelua.

Data-analytiikka edellyttää yleensä tietomallinnusta, jossa raakadataa kerätään, puhdistetaan, luokitellaan, muunnetaan, kootaan, validoidaan ja muulla tavoin muunnetaan. Puhdas data on myös hyödyllistä BI.

kun tiedot ovat puhtaita, ne tallennetaan raportointiin soveltuvaan rakenteeseen ja muotoon. Usein tämä tarkoittaa, että tiedot tallennetaan tietovarastoon-columnar data store, joka, nykyään, usein toimii skaalautuva pilvi infrastruktuuri. Tietovaraston tiedot edustavat yhtä totuutta kaikessa organisaation raportoinnissa, sekä BI-että data-analytiikassa.

sekä BI-että data-analytiikka vaativat tietovarastoon perustuvaa analytiikkapinoa, johon data johdetaan ETL-työkalun kautta. Stitch tekee tietovaraston kansoittamisesta helppoa.

Case closed?

ratkaiseeko tämä keskustelu kysymyksen? Tuskinpa. Riippumatta siitä, miten määrittelemme sen, ihmiset käyttävät termejä miten haluavat. Joten mitä jos joku sanoo, ”Data analytics on miten pääset business intelligence” tai ”Business intelligence kattaa data analytics”? Entä jos he haluavat puhua ”bisnesanalytiikasta”? Olkoon niin. Molempien prosessien tarkoituksena on analysoida tietoja ja luoda raportteja päätöksenteon parantamiseksi-siitä kaikki ovat samaa mieltä.

Kuvasaldo: Jeff Dahl