一文读懂商业分析与商业智能的不同

商业智能和商业分析如此相似却又如此不同。这篇文章探讨了它们之间的区别以及如何互补 。 商业分析 (BA) 和商业智能 (BI) 之间有区别吗？有。否则，我根本不会花超过 3000 字写 这篇 文章，因为我可以毫不犹豫地说：没有！

说实话，有些人会把商业分析和商业智能混用。商业分析和商业智能在组织中服务于不同的目的。在本文中，我将探讨它们的区别以及它们各自的目标、组件和工具。最后，我将讨论这些差异如何相互补充，并共同实现相同的目标。

一 商业分析与商业智能：定义

业务分析师收集并分析历史和当前数据，以预测未来趋势。它植根于统计学，其目标是识别数据中的模式，预测未来趋势，并支持能够预测这些趋势的业务决策。

BI 分析师还会分析历史和当前数据，以帮助开展当前的业务运营。他们通过报告过去和当前的绩效指标来实现这一点。

商业分析与商业智能：目标

BA 和 BI 的目标概览如下图所示。

我现在将更详细地介绍每个目标。

1.商业分析目标

让我们首先概述 BA 目标，重点是预测未来趋势。

专注于预测未来趋势

商业分析主要具有前瞻性。它确实使用历史数据和实时数据，但其目的在于预测未来趋势和结果。这主要通过运用预测性数据分析，有时甚至是规范性数据分析来实现。

趋势可以指组织业务的任何部分。因此，可以利用业务分析来预测销售额、成本、库存、股价、利率和外汇汇率的变化、库存水平要求、新产品需求或现有产品改进、营销活动的成功以及人员配备需求；这些只是其中的一些示例。

简而言之，BA 将业务从被动变为主动。

识别机会

所有这些预测的未来趋势本身并非目的。其目标是发现公司增长的机会。这些机会可能包括尚未开发的市场和客户细分，也可能包括改进产品和服务、营销和定价策略、减少客户流失、优化供应链或销售渠道、识别季节性趋势以及创新。

通过数据分析优化业务流程

业务分析还能帮助提升业务流程的效率和效益。利用数据并进行分析可以发现效率低下和瓶颈所在。此外，分析还能提供改进内容和方法的建议。

优化业务流程是企业降低成本、增加销售额或两者兼顾的方法之一。例如，解决导致生产延误的问题意味着公司将提高产量，并更快地将更多产品交付给客户。

库存管理、优化交货计划和路线、劳动力、销售渠道、质量控制或任何其他业务流程也是如此。

优化甚至可以包括某些流程的完全自动化。

2.商业智能目标

三个主要的商业智能目标是历史数据分析、报告和可视化。

重视历史数据分析

BI 中使用的主要数据分析类型是描述性数据分析。这是因为 BI 旨在分析历史数据并描述公司在一段时间内的表现。通过从历史数据中提取趋势、模式和异常，公司可以从错误中吸取教训，并更加清楚地了解自己做对了什么或做错了什么。

与业务分析不同，商业智能不具备主动性，因此如果公司只参与 BI，那么他们就只能被动应对。

BI 数据分析的一些示例如下:

销售业绩分析——识别销售高峰、低谷及其模式

客户保留分析——计算客户保留率并发现影响客户忠诚度的因素

财务报告——创建财务报告来评估当前绩效指标并将其与前期进行比较

库存周转率分析——计算周转率并优化库存水平

营销活动有效性——分析营销活动指标以改进未来的营销活动

员工绩效评估——分析生产力指标以识别表现优异和表现不佳的员工

供应链效率——分析供应商的交货时间和成本

产品质量评估——计算产品缺陷率和常见问题，以提高产品质量

客户支持指标——分析客户支持数据以评估客户支持质量水平和需要改进的领域

网站流量分析——分析历史网站流量数据以了解用户行为并评估在线内容的成功

报告

BI 用于呈现其历史数据分析的主要工具是报告。BI 工具用于创建报告，以系统且易于理解的方式概述业务运营。决策者可以全面了解公司或其某个部门的业绩，并可以就所需的改进做出决策。

可视化提供对过去表现和当前趋势的洞察

报告 BI 洞察的最有效方法之一是数据可视化。复杂的数据集、大量的表格和数字，需要花费大量时间才能理解其中的含义。但有了可视化，一切就变得轻松多了！

例如，看一下这张图表。

无需解释！只需看一眼就能看出，5月和 12 月是销量最高的月份，而9月出了大问题。但是什么问题？有必要进一步调查吗？

CEO说不，一切都很清楚。他知道这张图表通常遵循公司销售额的季节性变化。唯一的例外就是那次下滑。但是，是的，CEO知道9月份是整个销售部门因工作过度而辞职的月份，所以销售额暴跌也就不足为奇了。

仅使用一张图表，您就解释了一切。

以这种方式可视化数据可以更容易地理解趋势、相关性和异常值，而这些通过表格报告很难揭示。

很多时候，我们会将多个图表组合在一起，创建一个仪表板。这样，我们不仅可以展示图表的一部分，还可以展示整体；例如，我们不仅可以显示销售图表，还可以显示关键绩效指标 (KPI)，以便全面洞察整体绩效或某些领域。

BI 报告可以进行交互，方便用户操作。例如，在实施决策之前，可以探索多个“假设”场景，模拟决策的影响。

二 商业分析与商业智能：关键组成部分

商业分析必须做一些不同寻常的事情 ， 利用历史数据来提取洞察并预测未来。这种“魔力”体现在商业分析的关键组件中。

A商业分析关键组件

BA 关键组件 #1：预测模型

预测模型是一种利用历史数据构建统计模型来预测未来趋势的技术。哇，预测未来，这不正是商业分析公司（BA）的目标吗？难怪预测模型是其基石。

通常，预测建模包括五个步骤。

1. 数据收集和准备

预测模型的质量取决于数据的质量和数量——数据越多、质量越高越好。数据来自各种来源，例如数据库、 CRM 系统 、 物联网设备 、社交媒体和公共数据集。

由于数据质量和一致性至关重要，因此必须对数据进行清理和准备，以备后续阶段之用。数据需要填充缺失值、标准化格式、更正数据并删除重复项。此外，还需要通过 数据规范化和缩放 、编码分类变量以及创建新的派生特征等方式进行数据转换。

2.特征选择

预测建模的第二步是 特征选择 。在此步骤中，您必须确定对模型预测结果能力影响最大的变量。拥有足够多的此类变量非常重要。然而，去除那些对模型没有任何贡献、只会降低其性能的变量也同样重要。

此外，在此阶段，你需要 进行特征工程 ，顾名思义，就是从现有数据创建新特征。这样做的目的是什么？提高模型的预测能力。

3.模型构建

此阶段涉及选择合适的算法并使用它们来训练模型。训练模型包含哪些内容？一般来说，就是让算法自由地处理数据，并让其学习模型特征与目标变量之间的模式和关系。

4.模型验证

模型验证的目的是评估其预测未来结果的能力。

通常，你会将数据拆分为训练数据集和验证数据集。然后，你将使用性能指标—— 平均绝对误差 (MAE) 和均方根误差 (RMSE) 、 准确率 (PR)、召回率 (RE)以及 曲线下面积 (AUC)——来评估模型的预测效果。

然后，您将进行交叉验证以确保模型能够很好地推广到不同的数据子集；您将在不同的数据分割上对模型进行多次训练和验证。

5.模型部署

最后阶段是将模型部署到生产中，即部署到公司业务流程的实际环境中。

通常，您不会只是将其留在那里；模型需要进行监控、微调，有时甚至需要更新和重新校准，以确保其高质量的性能。

BA 关键组件 #2：机器学习算法

机器学习是一个如此庞大而重要的领域，构成了预测模型的支柱，值得作为独立的 BA 组件进行讨论。

机器学习算法使模型能够从历史数据中学习。广义上讲，这些算法属于三种类型的机器学习。

1. 监督机器学习算法

简单来说，监督学习是指算法从标记数据中学习，这意味着每个训练示例都与一个输出标签匹配。目标是让模型从这些示例中学习，然后对新数据做出准确的预测。

以下是一些常见的监督学习算法的概述及其使用方法。

2.无监督机器学习算法

与监督学习不同，无监督机器学习算法基于未标记数据进行学习，试图发现数据中隐藏的模式。换句话说，其结果并非预先定义好的。

这里给出了最常见的此类算法。

3.强化机器学习算法

如果你把“强化”这个词和训狗联系起来，那你就对了。训练强化算法有点像训练你的狗。就像你的狗与世界互动，并根据它获得负面或正面的强化（例如，零食），算法也是如此。如果模型的预测被标记为期望结果，那么模型就会获得奖励。如果结果不理想，它就会受到惩罚。

您可以在下面找到算法的概述。

商业分析中的其他高级机器学习技术

除了这三种主要的机器学习类型之外，一些其他技术在 BA 中也相对常用。

1. 文本分析：使用 自然语言处理 (NLP) 从文本数据中提取信息，例如情感分析，从客户在社交媒体上的评论中得出客户对产品的看法。

2. 模拟建模：模拟建模 涉及创建公司系统的虚拟版本并测试不同的场景。它允许在受控环境中评估风险并测试不同决策的结果。

3. 规范分析：它通过使用优化和模拟技术建议实现预期结果所需的步骤。

BA 关键组件 #3：数据挖掘

数据挖掘 是一套深入挖掘大型数据集并发现有助于决策的模式、相关性和关系的方法。

数据挖掘中常用的一种技术是 关联规则学习 ，它可以识别数据集中变量之间的有趣关系。该技术常用于购物篮分析，其目标是了解哪些产品经常被一起购买。

分类和聚类也是数据挖掘中常用的技术；你应该在机器学习中了解它们。 分类 根据项目的属性将其归类。这种方法在垃圾邮件检测、图像识别和医学诊断中非常有用。另一方面， 聚类根据数据点的特征将其分组。聚类的典型用途是客户细分、图像分割和异常检测。

数据挖掘中值得一提的其他一些技术包括 回归分析 （预测连续变量的结果）、 文本挖掘 （使用 NLP 从文本中提取信息）和 降维 （通过获取主要变量来减少所考虑的变量数量）

B商业智能关键组件

由于 BI 的主要目标围绕性能的历史报告，因此三个主要 BI 组件支持这一目标也就不足为奇了。

BI 关键组件 #1：仪表板

仪表盘是静态或交互式可视化工具，提供关键绩效指标 (KPI) 和其他绩效指标的概览。其目的是让用户一目了然地了解公司（或其部门）的绩效信息。

简单来说，仪表板是整齐组织的图表、图形和其他视觉元素的集合。

仪表板可用于实时性能监控（例如实时库存水平），并且可以由用户自定义（例如过滤日期范围、地理位置和产品类别），以关注与他们最相关的数据，这也意味着这种可视化的交互性。

BI 关键组件 #2：记分卡

记分卡 是一种结构化的报告，用于衡量个人或部门在特定目标和目的方面的绩效。通常使用 平衡记分卡 方法，该方法从不同角度评估绩效，例如财务和非财务指标。

除了定期衡量绩效之外，记分卡还可以确保组织的各个部门共同努力实现总体战略和目标。

BI 关键组件 #3：数据仓库

数据仓库是将来自多个来源（例如，事务数据库、CRM 系统、 ERP 系统、外部数据源）的数据集成到一个称为数据仓库的 中心位置的概念和实践。

集中存储大量历史数据可以更轻松地访问数据，保证数据质量和一致性，这对于数据分析和报告至关重要。

三 商业分析与商业智能：技术和工具

商业分析和商业智能流程的两个阶段重叠：数据收集和集成以及数据清理和准备。

商业分析可以独立执行这些步骤，但它通常与商业智能已经收集和清理的数据一起工作。

这意味着这两个阶段使用相同的工具。让我们快速概述一下这些工具，然后讨论定义 BA 和 BI 目标的工具。

BA 和 BI 中常用的收集和集成数据的工具有：

SQL—— 用于查询和管理关系数据库

Talend——ETL工具

Informatica— 数据集成平台

Apache Hadoop—— 用于分布式存储和处理大型数据集

Apache Spark—— 大规模数据处理分析

在数据清理和准备方面，BA和BI经常使用：

Python— 使用 pandas 和 NumPy 库

R— 使用 dplyr 和 tidyr 库

SAS—— 数据管理和准备

Alteryx—— 数据混合和高级数据准备工具

在这里，BA 和 BI 有所不同，因为它们都进入了定义它们的阶段；BA 使用工具进行统计分析和预测建模，而 BI 使用 BI 工具来报告和可视化数据。

让我们详细了解一下这些工具。

用于统计分析和预测建模的商业分析工具

Python是一种用途广泛的编程语言，是数据分析、机器学习等应用的首选工具。它之所以如此强大，是因为它拥有丰富的库，可用于以下用途：

数据分析：

Pandas—— 数据处理和分析

NumPy— 数值计算

SciPy—— 科学计算

dask— 并行计算

PySpark—— 大规模数据处理

商业智能 ：

scikit-learn—— 通用机器学习

TensorFlow—— 深度学习和神经网络

Keras— 高级神经网络 API

PyTorch—— 深度学习和神经网络

XGBoost— 用于优化分布式梯度提升

LightGBM—— 梯度提升

另一个常用的工具是R编程语言。它是专为统计计算和图形处理而开发的。它内置了数据分析工具，例如线性和非线性建模、时间序列分析、分类和聚类。R 还以一系列扩展其功能的软件包而闻名，例如用于数据处理的 dplyr 和 tidyr 。

SAS（统计分析系统）是一款用于高级统计分析、预测建模和机器学习的软件。它包含用于数据分析的统计程序，包括描述性统计、推断性统计、回归分析和多元分析。在高级分析方面，您可以使用它进行时间序列分析、生存分析、分类数据分析和贝叶斯分析。它还提供用于分类、回归、聚类和关联的各种机器学习算法。

MATLAB（矩阵实验室）是一种擅长统计分析和算法开发的语言和环境。它提供了用于数据分析、假设检验和统计建模的工具箱。用户还可以通过编写自定义函数来调整分析以满足自身需求。在 MATLAB 中，您可以开发、测试和实现分类、回归、聚类和降维算法。

商业分析中还有一些其他工具值得一提：

IBM SPSS—— 统计分析和预测模型，尤其适用于社交沉默和市场研究

RapidMiner — 数据准备、机器学习和预测建模

KNIME （康斯坦茨信息挖掘器）——数据分析、报告和集成

Alteryx—— 数据混合和高级分析

H2O.ai—— 用于构建预测模型的机器学习平台

TIBCO Statistica — 高级分析、数据挖掘和机器学习

Minitab — 数据分析，尤其适用于质量改进和六西格玛项目

Orange ——数据挖掘和机器学习

JMP（John's Macintosh 项目） ——统计发现软件

Azure 机器学习 — 构建、训练和部署 ML 模型

用于数据可视化和报告的商业智能工具

毫不奇怪，BI 中使用的主要工具是 BI 工具，因为它们是为高质量数据可视化和报告而设计的。

Tableau之所以成为最受欢迎的 BI 工具之一，原因在于：用户可以使用其拖放界面创建和共享仪表板，因此无需任何编程知识。它还支持交互式仪表板。此外，Tableau 可以连接到各种数据源，例如数据库、电子表格、云服务和大数据平台。

Power BI在商业智能领域也非常常用。借助它，您还可以创建和共享（交互式）仪表板，并连接到各种数据源。与 Tableau 类似，Power BI 也具有拖放式界面。由于 Power BI 是微软的结晶，因此它可以与其他微软产品（例如 Excel 或 SQL Server）无缝集成。

QlikView以其关联模型而闻名，该模型允许用户从多个角度动态探索数据。它是一款自助式 BI 工具，旨在让用户无需依赖 IT 即可创建自己的报告。与所有其他 BI 工具一样，QlikView 可以连接到各种数据源。

IBM Cognos是一款 BI 工具，支持报表、分析、记分卡和性能监控。它的显著优势之一是专为处理大规模数据而设计，因此在企业级应用中最为常见。

值得一提的是：

MicroStrategy

Looker Studio

Sisense

Domo

TIBCO Spotfire

Zoho Analytics

Yellowfin BI

Oracle Business Intelligence (OBI)

Dundas BI

四 商业分析和商业智能如何相互补充

尽管重点关注 BA 和 BI 的不同工具特征，但上一节向您展示了它们也有一个共同点：数据收集和清理。

说到我们提到的差异，这并不意味着商业分析和商业智能会走向不同的方向。相反，这些差异是相辅相成的，通过改善组织的数据使用和决策，使商业分析和商业智能能够完美地协同工作。

当它们整合在一起时，这就是业务分析和商业智能如何使业务变得更好。

数据基础和可访问性

商业智能 (BI) 通过确保整个组织的数据质量和可用性奠定数据基础。在数据收集、集成和呈现之后，商业智能 (BA) 介入，在此基础上进一步深入研究数据，以发现预测未来结果所需的洞察。如果历史数据可靠，预测模型也同样可靠；没有历史数据，预测模型就毫无意义！

描述到预测分析

商业智能为组织提供描述性分析，使其能够理解发生了什么。商业分析则更进一步，运用预测性分析来告知决策者未来将会发生什么。它甚至可以进行规范性分析，为公司提供建议，指导他们如何才能最大限度地利用未来事件的收益或最大限度地减少负面影响。

借助商业智能 (BI)，公司可以揭示其优势领域和潜在问题。虽然这很好，但它仍然是一种被动、反应式的方法。将商业智能 (BA) 添加到组合中，您的组织就能变得主动。

运营效率和战略规划

借助 BI，您可以通过实时性能监控来提高运营效率。BA 以此为基础，通过洞察未来来优化长期战略规划。

性能测量与优化

商业智能是一种衡量绩效并将其与目标进行比较的工具。商业分析利用绩效来识别需要改进的领域。它还通过模拟和场景分析来测试不同的优化策略。

五 小结

商业分析和商业智能的主要区别在于视角。商业分析着眼于未来并进行预测，而商业智能则着眼于过去并进行描述。正是这一巨大差异使得商业分析和商业智能成为两个截然不同的领域。

因此，与 BI 不同，B A 经常采用机器学习技术。

然而，它们也有相似之处；SQL、Python 和 R 在商业分析和商业智能中都很常见。

BA 和 BI 之间的所有相似之处和差异之处结合在一起，效果非常好！只有同时运用商业分析和商业智能，公司才能掌握完整的信息，并做出明智的决策。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：数据驱动智能，36氪经授权发布。