datadrevne organisasjoner bruker ofte begrepene «business intelligence» (BI) og «data analytics» om hverandre. De er ikke det samme, men hvis noen ba deg om å forklare forskjellen, hva ville du si?noen skiller mellom de to ved å si at business intelligence ser bakover på historiske data for å beskrive ting som har skjedd, mens dataanalyse bruker datavitenskapsteknikker for å forutsi hva som vil eller skal skje i fremtiden. Vi tror det er nært, men det er mer til det.
Business intelligence innebærer bruk av data for å bidra til å ta forretningsbeslutninger, eller som OLAP.com » bi » refererer til teknologier ,applikasjoner og praksis for innsamling, integrasjon, analyse og presentasjon av forretningsinformasjon. Formålet med business intelligence er å støtte bedre forretningsbeslutninger.»Men man kan si det samme om dataanalyse.
For å trekke linjen mellom business intelligence og data analytics, synes vi det er mer nyttig å snakke om hva vi ønsker å oppnå. Vi kan dele analyser i tre kategorier: beskrivende, prediktiv og prescriptiv.
Deskriptiv analyse tar data og gjør det til noe bedriftsledere kan visualisere, forstå og tolke. Det gir intelligens til historisk ytelse, og svarer på spørsmål om hva som skjedde. Beskrivende analytics-rapporter er utformet for å kjøres og vises regelmessig. Eksempler er kunde -, drift-og salgsrapporter.Prediktiv analyse gir innsikt om sannsynlige fremtidige utfall-prognoser, basert på beskrivende data, men med ekstra spådommer ved hjelp av datavitenskap og ofte algoritmer som bruker flere datasett. Jo mer data tilgjengelig, jo bedre spådommer. Eksempler er salgsprognoser, forbrukerkredittpoeng og forhandlernes forslag til hva du kanskje vil lese, vise eller kjøpe neste gang.
Prescriptive analytics gir råd om hvilke handlinger som skal utføres. Den undersøker mulige utfall som skyldes ulike mulige handlinger og foreslår hvilke handlinger som vil ha optimale resultater. Å lage prescriptive analyser krever avanserte modelleringsteknikker og kunnskap om mange analytiske algoritmer — alle en del av jobben til datavitenskapere.Mark Van Rijmenam skriver: «hvis vi ser beskrivende analyser som grunnlaget for forretningsintelligens og vi ser prediktiv analyse som grunnlag for store data, enn vi kan si at normative analyser vil være fremtiden for store data.»
så hva er forskjellen MELLOM BI og dataanalyse?
ved å Bruke disse tre kategoriene kan VI gjøre et bedre skille MELLOM BI og dataanalyse.
alle beskrivende analyser faller inn under kategorien business intelligence. Noen prediktive analyser utgjør OGSÅ BI. Tross alt, hvorfor se på analytics hvis du ikke har tenkt å bruke dem til å iverksette tiltak for å forbedre fremtidige resultater? Prescriptive analytics, derimot, stiger over BI inn i riket av dataanalyse.
Hvor går grensen? Business intelligence er avhengig av data som bedriftsledere jobber med. Hvis de er opplært i å bruke visualiseringsverktøy, For eksempel Tableau, Microsoft Power BI, Looker eller noen av en rekke andre alternativer, kan de lage SINE EGNE BI-rapporter.
dataanalyse krever et høyere nivå av matematisk kompetanse. Dataforskere tar store datasett og bruker algoritmer for å organisere og modellere dem til det punktet hvor dataene kan brukes til fremtidsrettede, prediktive rapporter. Den er avhengig av algoritmer, simuleringer og kvantitativ analyse for å bestemme forhold mellom data som ikke er åpenbare på overflaten. Det skjer ikke MED BI.I Stedet for å svare på spørsmål om hva som skjedde, prøver dataanalyse å lære hvorfor ting skjedde. Stitch medstifter Og Talend SVP Jake Stein sier, » Dataanalyse handler om iterativt å stille spørsmål . Svaret på et gitt spørsmål blir ofte bare sett en gang og brukes til å informere det neste spørsmålet på vei til å svare på et grunnleggende forretningsspørsmål eller løse et problem.»
Felles grunnlag for business intelligence og analytics
Business intelligence adresserer pågående operasjoner, og hjelper bedrifter og avdelinger med å oppfylle organisatoriske mål. Dataanalyse kan hjelpe bedrifter som ønsker å endre måten de gjør forretninger på. Begge disipliner kan dra nytte av litt dataforberedelse.
dataanalyse krever generelt datamodellering, der rådata samles inn, renses, kategoriseres, konverteres, aggregeres, valideres og på annen måte transformeres. Rene data er også nyttig FOR BI.
når dataene er rene, lagres de i en struktur og et format som gir seg til rapportering. Ofte betyr det at dataene lagres i et datalager — et kolonneformet datalager som i dag ofte kjører på skalerbar skyinfrastruktur. Dataene i datalageret representerer en enkelt versjon av truth for all organisasjonsrapportering, både FOR BI og dataanalyse.
BÅDE BI og dataanalyse krever en analytics-stabel basert på et datalager, med data som sendes inn via et ETL-verktøy. Stitch gjør fylle din data warehouse enkelt.
Prøv Stitch gratis
E-Postadresse Registrer deg
tilfelle lukket?
løser denne diskusjonen spørsmålet? Ikke sannsynlig. Uansett hvordan vi definerer det, kommer folk fortsatt til å bruke vilkår, men de liker. Så hva om noen sier, «Dataanalyse er hvordan du kommer til business intelligence «eller» Business intelligence omfatter dataanalyse»? Hva om de vil snakke om «business analytics»? Sånn skal det være. Poenget med begge prosessene er å analysere data og lage rapporter for å forbedre beslutningsprosessen — på det punktet er alle enige.