BI和数据分析不是一回事！

在企业数字化建设过程中，经常混淆使用的两个术语“商业智能”（BI）和“数据分析”。它们不是一回事，但如果有人要求你解释不同之处，你会怎么说？

有些人说：商业智能是通过回顾历史数据来描述已经发生的事情，而数据分析使用数据科学技术来预测未来将会发生或应该发生的事情，这是两者的区别。我们认为这很接近，但还有更多。

商业智能涉及使用数据来帮助做出商业决策，或者正OLAP.com 所说，BI“是指用于收集、集成、分析和呈现商业信息的技术、应用程序和实践。商业智能的目的是支持更好的业务决策。”

但是，我们平时说的数据分析好像也是这样。

— 1 —
从有关分析的4中类型说起

为了在商业智能和数据分析之间划清界限，我们认为谈论我们想要完成的事情更有用。我们可以将分析分为四类：描述性分析、诊断性分析、预测性分析和规范性分析。
1、描述性分析
获取数据并将其转化为业务经理可以可视化、理解和解释的东西。它提供有关历史表现的情报并回答有关发生了什么的问题。描述性分析报告旨在定期运行和查看。示例包括客户、运营和销售报告。
在不同类型的分析方法中，描述性分析是从数据中得到见解的最简单、最直接的方法。通过使用指标报告、汇总统计、数据聚合、数据挖掘和聚类等技术，描述性分析可以用来回答“发生了什么”的问题。
描述性分析的例子可能包括定性或定量数据、数据查询、描述性统计、或数据图表的报告。这种方法经常用于不同的业务领域，尤其是销售、营销和财务部门。
比如一个电商店主，他想知道圣诞节期间，加州什么产品最不受欢迎。通过对历史数据进行描述性分析，该店主可以获得有关该时期人们最不愿意购买的商品的信息。描述性分析还可以提供销售的整体情况，还能显示商店的总体运营表现。
2、诊断性分析
描述性分析会向我们展示发生了什么，而诊断分析则是通过寻找因果关系来回答“为什么”会发生这样的问题。通过描述性分析获得见解后，诊断性分析可提供更为广阔的视角，供你分析这些见解。
通过诊断性分析，你可以快速识别数据的模式和异常值，以了解不同因素之间的关系。诊断性分析可能包括可能性、概率或分布式结果，包括如回归分析、主成分分析、和敏感性分析等技术。
3、预测性分析
提供有关可能的未来结果的见解——预测，基于描述性数据，但使用数据科学和通常利用多个数据集的算法进行附加预测。可用的数据越多，预测就越好。示例包括销售预测、消费者信用评分以及零售商对您接下来可能想要阅读、查看或购买的内容的建议。
与描述性和诊断性分析相比，预测性分析更复杂，因为它要求数据科学家具备专业知识。简而言之，这种方法会使用统计建模，进行可靠的预测。它可能包括以下内容：
预测建模： 使用数据的定量分析确定模式。通过将数据提供给预测模型，你可以得到某个决策反馈，例如，更改业务流程中的某些元素。
时间序列数据挖掘：随着时间的推移收集有组织的数据（例如，天气记录），以便找到和确定模式，并基于该模式进行预测。最简单的例子是：解释某公司的产品或服务在一年中的什么时段会出现需求高峰。
贝叶斯分析：一种统计模型，通过确定假设的概率（例如，利率的变化影响股票市场指数的概率），从而减少不确定性。
4、规范性分析
规范性分析是公司为了实现预期结果而采取的步骤，提供有关采取何种行动的建议。它检查不同可能的行动可能产生的结果，并建议哪些行动将产生最佳结果。该分析建立在预测分析的基础上，但却多了了对未来发展的建议。换句话说，这类分析回答了“如何让某事发生？”的问题，可以为决策者提供最佳操作规划。
最重要的是，规范性模型包含的机制通常会不断从用户反馈中学习，并根据新信息调整输出。创建规范性分析需要先进的建模技术和许多分析算法的知识——这些都是数据科学家工作的一部分。
大数据策略师 Mark van Rijmenam 写道：“如果我们将描述性分析视为商业智能的基础，并且将预测性分析视为大数据的基础，那么我们可以说说明性分析将是大数据的未来。”

— 2 —
BI和数据分析的区别

使用这三个类别，我们可以更好地区分 BI 和数据分析。
所有描述性分析都属于商业智能的范畴。一些预测分析也属于 BI。毕竟，如果您不打算使用分析来采取行动来增强未来的结果，为什么还要看分析呢？然而，规范性分析超越了 BI，进入了数据分析领域。
我们在哪里画线？商业智能依赖于业务经理使用的数据。如果他们接受过使用可视化工具（如 Tableau、Microsoft Power BI、Looker 或任何 其他选项）的培训，他们可以创建自己的 BI 报告。
数据分析需要更高水平的数学专业知识。数据科学家采用大数据集并应用算法对其进行组织和建模，以使数据可用于前瞻性、预测性报告。它依靠算法、模拟和定量分析来确定表面上不明显的数据之间的关系。BI不会发生这种情况。
数据分析不是回答有关 发生了什么的问题，而是试图了解事情发生的原因。我们同意这样的说法：“数据分析是关于迭代地提出问题。任何给定问题的答案通常只查看一次，并用于在我们回答基本业务问题或解决问题的过程中通知下一个问题。”

— 3 —
BI和数据分析的相同点

商业智能解决持续运营问题，帮助企业和部门实现业务和管理的目标。数据分析可以帮助那些希望改变其经营方式的公司。这两个学科都可以从少量数据准备中受益。
数据分析通常需要数据建模，其中收集、清理、分类、转换、聚合、验证和转换原始数据。
当然，干净的数据对 BI 也很有十分重要。
一旦数据干净，它就会以适合报告的结构和格式存储。这通常意味着数据存储在数据仓库中——一种柱状数据存储，如今，它通常在可扩展的云基础设施上运行。数据仓库中的数据代表了所有企业报告的单一真实版本，包括 BI 和数据分析。
BI 和数据分析都需要基于数据仓库的分析堆栈，数据通过 ETL 工具输入。
写在最后
你觉得这次讨论把商业智能（BI）和数据分析的概念讲清楚了吗？不见得。
无论我们如何定义它，人们仍然会使用他们喜欢的术语。那么如果有人说，“数据分析是你获得商业智能的方式”或“商业智能包含数据分析”怎么办？如果他们想谈论“业务分析”怎么办？
随它吧，总之能够解决业务问题，带来业务价值的分析就是好分析！这两个过程的重点是分析数据并创建报告以改进决策——在这一点上，我们都同意。