datadrivna organisationer använder ofta termerna ” business intelligence ”(BI) och” data analytics ” omväxlande. De är inte samma sak, men om någon bad dig förklara skillnaden, vad skulle du säga?vissa människor skiljer mellan de två genom att säga att business intelligence ser bakåt på historiska data för att beskriva saker som har hänt, medan data analytics använder datavetenskapstekniker för att förutsäga vad som kommer eller borde hända i framtiden. Vi tror att det är nära, men det finns mer att göra.

Business intelligence innebär användning av data för att hjälpa till att fatta affärsbeslut, eller som OLAP.com uttrycker det, BI ” avser teknik, applikationer och praxis för insamling, integration, analys och presentation av affärsinformation. Syftet med business intelligence är att stödja bättre affärsbeslut.”Man kan dock säga detsamma om dataanalys.

för att dra gränsen mellan business intelligence och dataanalys tycker vi att det är mer användbart att prata om vad vi vill åstadkomma. Vi kan dela analytics i tre kategorier: beskrivande, prediktiv och preskriptiv.

beskrivande analys tar data och förvandlar det till något företagsledare kan visualisera, förstå och tolka. Det ger intelligens till historisk prestanda och svarar på frågor om vad som hände. Beskrivande analysrapporter är utformade för att köras och visas regelbundet. Exempel är kund -, drift-och försäljningsrapporter.

prediktiv analys ger insikter om sannolika framtida utfall-prognoser, baserade på beskrivande data men med tillagda förutsägelser med hjälp av datavetenskap och ofta algoritmer som använder sig av flera datamängder. Ju mer data som finns, desto bättre förutsägelser. Exempel är försäljningsprognoser, konsumentkreditpoäng och återförsäljares förslag på vad du kanske vill läsa, visa eller köpa nästa.

Prescriptive analytics ger råd om vilka åtgärder som ska vidtas. Den undersöker möjliga resultat som härrör från olika möjliga åtgärder och föreslår vilka åtgärder som kommer att ha optimala resultat. Att skapa normativ analys kräver avancerade modelleringstekniker och kunskap om många analytiska algoritmer — allt en del av jobbet för datavetare.

Big data strateg Mark van Rijmenam skriver, ” om vi ser beskrivande analys som grunden för Business intelligence och vi ser prediktiv analys som grunden för big data, än vi kan konstatera att normativa analyser kommer att vara framtiden för big data.”

så vad är skillnaden mellan BI och dataanalys?

med hjälp av dessa tre kategorier kan vi göra en bättre skillnad mellan BI och dataanalys.

all beskrivande analys faller i kategorin business intelligence. Vissa prediktiva analyser utgör också BI. När allt kommer omkring, varför titta på analytics om du inte tänker använda dem för att vidta åtgärder för att förbättra framtida resultat? Prescriptive analytics, dock, stiger över BI i sfären av dataanalys.

Var drar vi linjen? Business intelligence bygger på data som företagsledare arbetar med. Om de är utbildade i att använda visualiseringsverktyg, till exempel Tableau, Microsoft Power BI, Looker eller något av en mängd andra alternativ, kan de skapa sina egna BI-rapporter.

dataanalys kräver en högre nivå av matematisk expertis. Dataforskare tar stora datamängder och tillämpar algoritmer för att organisera och modellera dem till den punkt där data kan användas för framåtblickande, prediktiva rapporter. Det bygger på algoritmer, simuleringar och kvantitativ analys för att bestämma relationer mellan data som inte är uppenbara på ytan. Det händer inte med BI.

i stället för att svara på frågor om vad som hände försöker data analytics att lära sig varför saker hände. Stitch grundare och Talend SVP Jake Stein säger, ” Data analytics handlar om iterativt ställa frågor. Svaret på en viss fråga ses ofta bara en gång och används för att informera nästa fråga på väg att svara på en grundläggande affärsfråga eller lösa ett problem.”

Common ground for business intelligence and analytics

Business intelligence adresserar pågående verksamhet och hjälper företag och avdelningar att uppfylla organisatoriska mål. Dataanalys kan hjälpa företag som vill förändra hur de gör affärer. Båda disciplinerna kan dra nytta av lite dataförberedelse.

dataanalys kräver i allmänhet datamodellering, där rådata samlas in, rensas, kategoriseras, konverteras, aggregeras, valideras och på annat sätt transformeras. Ren data är också till hjälp för BI.

När data är rena lagras de i en struktur och ett format som lämpar sig för rapportering. Ofta betyder det att data lagras i ett datalager — ett kolumnerat datalager som numera ofta körs på skalbar molninfrastruktur. Data i data warehouse representerar en enda version av sanning för all organisatorisk rapportering, för både BI-och dataanalys.

både BI och data analytics kräver en analysstack grundad på ett datalager, med data som leds in via ett ETL-verktyg. Stitch gör det enkelt att fylla i ditt datalager.

fallet stängt?

löser denna diskussion frågan? Inte troligt. Oavsett hur vi definierar det, människor kommer fortfarande att använda termer hur de vill. Så vad händer om någon säger, ”dataanalys är hur du kommer till business intelligence” eller ”Business intelligence omfattar dataanalys”? Vad händer om de vill prata om”business analytics”? Så var det. Poängen med båda processerna är att analysera data och skapa rapporter för att förbättra beslutsfattandet-på den punkten är alla överens.

bildkredit: Jeff Dahl