数据分析和商业智能的区别
数据分析：一般指对数据进行研究的方法和过程。
商业智能：是指将数据分析商业化、信息化，实现商业价值的企业信息化建设过程。
所以数据分析包含的内容可以很宽泛，而商业智能则更聚焦于实现商业价值。
1.数据分析的概念：
通俗意义上来讲，“数据分析”并没有特定的应用场景，人们更喜欢将数据分析作为一种行为过程去讨论，或在其后加上诸如方法论这类的具体名词来定义。
作为对数据进行研究的过程而言，数据分析将经历明确目标、收集、处理、探索、展现、发现问题这几个步骤。
在这个过程中我们更加注重过程劳动和成果价值，而这个过程小到凝视身边人一眼，大到制定国家发展五年计划，它发生在生活的方方面面。
举个生活中的小例子，比如我们想买一款适合自己的手机，在对手机市场不熟悉的情况下，可以在各大论坛搜集参数信息，结合自己的预算、喜好，选出要购买的手机品牌、价格、性能等需求细节，进而确定我们的最终选择。
这样的行为也可以是属于数据分析，属于个人行为，也并不需要专业的工具，更不会对个人产生直接的商业价值。
这意味着广义上的数据分析代表的仅是一种行为的过程，没有特定的应用对象和场景，和商业智能并没有很明确的对比意义。
1.1数据分析方法：
对于具体的数据分析方法，在各行各业的应用也是多如繁星、数之不尽，下面的一些方法作为例子，为大家抛砖引玉。
2.商业智能的概念：
商业智能是指将数据分析商业化、信息化，实现商业价值的企业信息化建设过程。
“商业智能”（或商务智能）这个词其实诞生于上世纪90年代，经过几十年的发展演变，许多人会将商业智能看成一种解决方案，最终目标是为管理者提供决策支持。
究其实际情况而言，解决方案是一种运用合理的方法、合理的工具手段，以合理的成本投入去解决企业一段时间范围内可预见难题的行动方案，是有保质期的。
而商业智能是经过阶段性递进、持续优化的信息化建设过程，追求的是持续收益、长期决策支持，而不是短期见效。
2.1商业智能建设的难点：
而且在商业智能建设过程中，我们会遇到以下几大难题（敲黑板，划重点）：
平台挑战：数据分析链条很长，从采集、治理、整合、存储、计算、建模到展现，涉及工具和技术太多，成本高昂，架构复杂，需求实现效率太低，难以满足企业业务的洞察需要。
应用挑战：IT部门辛苦做出的数据报告，业务部门觉得没用，问业务部门有什么需求，又难以提出。
服务挑战：无论是自建服务团队还是找第三方供应商，缺乏贴身的精细化专业服务能力导致解决问题效率低下，带来负面用户反馈。
运营挑战：用的都是国际大牌产品，但系统就是不稳定，问题频出，本质是因为缺少运营的系统化方法。
解决商业智能建设过程中的难题，使商业智能建设过程能在企业内取得长远收益，为管理者做持之以恒、稳健发展的决策支持，发挥数据价值，进而驱动商业价值体现，我们需要的是数据驱动业务增长能力模型——PASO能力模型。
请点击输入图片描述
通过PASO能力模型，稳健的完成企业商业智能建设过 程，获得长期受益，才是真正意义上诠释和体现数据的商业价值，实现长期决策支持。
举个例子：
这是我们根据某企业国际物流业务的实际情况，进行调研和分析之后，建立的一套营销体系模型。
请点击输入图片描述
通过营销体系模型，分析出每一步的销售过程的数据，从而不断改进销售技巧以及优化服务流程，最终实现了广告投放上的价值最大化，以及销售流程环节标准化。
这是一个企业应用商业智能的实例，也显示出我刚才提到的，商业智能不是短期解决问题的方案，而是一个追求持续收益的长期建设过程。
数据分析是一种数据处理的手段或工具，商业智能是数据分析在辅助企业决策领域的一个应用场景。
如果你是针对科学研究领域做数据分析，比如分析对比实验数据，SPSS甚至Excel都是不错的选择。数据分析的结果往往是静态的表格甚至只有一系列数字。比如临床医学常见的对比统计分析，X2、P值就是数据分析的结果。
如果你想要基于业务数据做商业智能来辅助决策，使用常规的数据分析工具，比如Excel的话，效率就会低很多。这个时候，你需要的是Wyn Enterprise这种商业智能软件。这些软件可以连接到业务系统的数据库或Excel文件等数据源，使用者通过拖拖拽拽的方式快速制作报表和仪表板，并且可以使用这些仪表板提供的钻取、联动等交互手段，自助探索数据。
描述性分析
描述性分析是指描述和总结数据，主要聚焦历史信息，通过描述过去，帮助用户了解以前的行为如何影响现在。描述性分析能用来解释企业如何运作，描述业务的不同方面。在最理想的情况下，描述性分析能讲述一件具有相关主题的事情，并提供有用的信息。
预测性分析
预测性分析能预测未来，它利用统计数据，为企业提供关于未来变化的有用信息，比如判断销售趋势和购买模式、预测消费者行为。其商业用途通常包括，预测销售增长速度、消费者可能购买哪些产品，以及预测库存总量。信用评分是这类分析的一个用例，金融服务机构利用信用评分来评估客户按时还款的可能性。
规定性分析
规定性分析是一个相对较新的领域，应用难度还比较大。它会“规定”几个不同的可能行为，引导人们找到解决方案。这类分析的核心在于提供建议。从本质上说，规定性分析会预测今后可能出现的多种情况，并让企业根据他们的行为，对可能出现的多种结果进行评估。在最理想的情况下，规定性分析可以预测将来会发生什么、为什么会发生，并提供建议。一些大公司已经利用规定性分析，成功优化了日程安排、收入流和库存，从而改善了客户体验。
流分析
流分析是一个实时过程，不断计算、监测和管理基于数据的统计信息，并根据这些信息，“先于竞争对手”采取行动。这个过程中，你可以在任何特定时间，了解市场上发生的事件，并根据这些事件采取行动。作为一种新的工具，流分析大幅改善了提供给决策者的有用信息流。
用于流分析的数据可以有多种来源，包括手机、物联网、市场数据、交易和移动设备（平板电脑和笔记本电脑）。它能迅速有效地将管理人员和外部数据源联系起来，让应用程序把数据并入一个应用流，或者用处理后的信息更新外部数据库。流分析支持：
1、最大限度地减少社交媒体危机、安全漏洞、飞机失事、制造缺陷、股市暴跌、客户流失等事件造成的损失。
2、实时分析企业日常经营。
3、利用大数据寻找错过的机遇。
4、创建新的商业模式、收入流和产品创新。
简单点的例子：通过分析购买我产品的人大多数来自北京，则北京是我的主要消费者居住的城市。
复杂点的例子: 通过利用统计方法建立数学模型。我想从100000人中找出100个购买我产品概率比较大的客户，则可以通过利用logistic regression来数学建模找到这群人。
无论你的商业模式是什么样子，你用数学方法，用数据证明你的假设都可以称为 数据分析。所以数据分析师这个职业，形容的是一个会利用数学方法，用数据证明假设的人。
而商业智能则是一种产品/服务，这个产品/服务可能包含报表，分析，管理等等利用计算机和编程技术自动化一些商业过程的行为。举例子：水果店老板利用商业智能工具FineBI做出来的报表或dashboard观测自己商店的人流量，购买量，购买时间，及时调整自己的库存和销售节奏。
之前的人做生意，依靠的是直觉和经验。现在在计算机的帮助下，可以利用数据分析减少试错，减少错误决策带来的成本，明白生意好的因由。而商业智能将这一切，尽可能的自动化和简化 。
|
广告 您可能关注的内容 |
