发帖
雷达卡
在 2022 年和未来，这一转变将转向“数据科学和 BI”，而不是其中之一。由于企业需要像预测未来事件一样需要分析过去和当前事件，因此数据科学和 BI 在商业世界中都扮演着永久的角色。
定义术语：数据科学与商业智能 (BI)
重要的是从这两个术语的一些基本定义开始，深入研究数据分析中两个不同（尽管密切相关）的领域。商业中使用的数据科学本质上是数据驱动的，其中许多跨学科科学被一起应用以从可用的商业数据中提取意义和见解，这些数据通常是庞大而复杂的。另一方面，商业智能或 BI 有助于监控业务数据的当前状态，以了解业务的历史业绩。
因此，简而言之，虽然 BI 有助于解释过去的数据，但数据科学可以分析过去的数据（趋势或模式）以做出未来的预测。BI主要用于报告或描述性分析; 而数据科学更多用于预测分析或者规范性分析.
数据科学和商业智能之间的主要相似之处
数据科学和 BI 都使业务用户能够利用数据做出明智的决策。数据科学和 BI 都专注于“数据”，旨在提供有利的结果，在业务方面可能是利润率、客户保留、新市场捕获等。这两个领域都具有“解释数据”的能力，并且通常聘请技术专家将数据丰富的结果翻译或转换为友好的见解或竞争情报。
在典型的商业环境中，无论是高级管理人员还是管理人员，通常都没有时间或意愿去了解隐藏在背后的技术细节数据分析或 BI，但他们需要快速准确的决策支持系统，以便在需要的数小时内做出关键决策。
BI 经常处理可以用可用数据回答的查询类型，例如为什么一个季度的销售与其他三个季度相比较差，目前哪种产品带来了最大的投资回报率，或者谁是我的主要客户？在 BI 中，最终目标是检测趋势和模式以开发可操作的见解。在数据科学中，查询通常处理未来（未知）事件，例如员工辞职的可能性有多大，下个季度哪种产品的销售额最高，或者明年的收入增长多少？此处分析的预测性和规定性有助于通过实验（统计模型）检验假设。
BI 和数据科学都为忙碌的高管、经理甚至一线操作员提供可靠的决策支持系统，他们是各自工作领域的专家，并期望数据专家为做出数据驱动的决策提供可靠的帮助和支持。数据科学与商业智能之间的主要区别在于，虽然 BI 旨在处理静态和高度结构化的数据，但数据科学可以处理来自各种不同领域的高速、大容量和复杂的多结构化数据。数据源。BI 只能理解以某些格式“预先格式化”的数据，而大数据、物联网和云等先进的数据科学技术可以一起收集、清理、准备、分析和报告从广泛分布的操作接触中收集的多种类型的自由格式数据点。
文章标题为商业智能与数据科学有何不同声称多年前，处理数据的业务人员被称为数据分析师。然后，为了保持竞争力，企业开始从仅仅报告过去的表现转向“预测”未来趋势并为成功提供“处方”。这就是数据科学的用武之地。
拥有大量技术和工具的数据科学开始研究过去的数据，以发现趋势、发现模式并预测未来的商业行为。突然之间，企业拥有了非常强大的洞察力和智慧，有可能改变他们的未来！
数据科学与商业智能之间的主要区别
福布斯邮报数据科学：变得真实表明自从大数据进入主流商业领域以来，企业别无选择，只能依靠数据科学家的智慧和专业知识从源源不断的输入源中涌入的海量数据中提取意义。
随着企业越来越依赖数据，数据科学作为最终决策技术的重要性只会飙升。借助数据科学自动化的承诺，日常业务用户将可以访问集中式数据存储库和自动化工具，以便在他们需要的时间和地点提取见解和情报。
在过去，BI 虽然对业务决策很重要，但仍然是 IT 人员的活动；数据科学打破了这一障碍，并承诺将核心分析和 BI 活动带入主流业务走廊。
未来的数据科学家将是那些将被引入来操作数据的“少数”专家，一旦完成，然后仅在需要时提供支持。同时查看帖子商业智能与数据科学有何不同更好地了解数据科学家和 BI 专家如何协同工作，为企业提供最佳数据解决方案。随着企业的竞争力越来越强，BI 专家将需要与数据科学家合作，帮助构建那些出色的“模型”以获得即时洞察力。还记得不久的将来的算法经济吗？
在数据科学和 BI 之间的 10 个区别，作者观察到，虽然数据变得越来越大，越来越复杂，但传统的 BI 平台已经不足以处理这些数据。虽然 BI 为企业配备了“追溯性”智慧，但数据科学首次提供了更先进的反应性甚至主动性洞察力。
数据科学在当前十年被视为“游戏规则改变者”，因为它通过提供处理复杂数据、数据治理和清理、深入数据分析和自定义报告的技术实现了跨越式发展。正如文章标题大数据对企业信息管理的影响讨论，今天的企业不能仅靠静态报告生存；他们必须拥有更多，尤其是在快速决策方面。
数据科学与商业智能的对比
高级 BI 和高级数据科学之间的主要区别在于内置机器学习 (ML) 库的范围和规模，这些库使普通业务用户可以进行自动化或半自动化数据分析。因此，数据科学在某种程度上正朝着更加民主化的方向发展。商业分析” 世界，有朝一日，任何数据用户都可以在桌面上执行高级分析和商业智能，只需点击几下鼠标。
数据科学或支持人工智能的数据科学有望让普通业务用户摆脱繁重的技术，使他们可以更多地专注于分析任务的目标和结果，而不是分析过程本身。
在传统的 BI 中，普通业务用户被迫依靠常驻分析团队的专业知识从他们的数据中提取有意义的见解，但基于 ML 的 Data Science 现在推出了自助式 BI 平台，普通用户可以在其中轻松查看、分析，并从企业数据中提取见解，而无需技术团队的任何帮助。
在 DATAVERSITY® 文章中自助式商业智能很大，但它适合所有人吗？, 读者被要求评估 Research and Markets 发表的一份报告的有效性，该报告指出，到 2021 年，自助服务 BI 市场将增长到 73 亿美元的市场。现场专家现在正在思考是否公民数据科学家在企业环境中，无需技术专家的任何支持，就可以真正使用自助服务功能。
数据科学通常由专家定义为 BI 的演变。虽然 BI 团队为当前提供了解决方案，但通过支持核心决策制定，数据科学家旨在通过不断完善他们的算法来提供未来的解决方案。原则上，BI 和数据科学都致力于实现平稳、准确和快速的决策，但方法不同。阅读标题为数据科学？商业智能？有什么不同？很好地理解这个概念。
在可交付成果领域，BI 结果总是通过可视化报告——仪表板或高级可视化平台来表达。BI 报告经常包含“叙述”，以说服受众接受洞察力和业务建议。另一方面，数据科学的可交付成果通常是统计模型（回归模型或决策树）或预测，它们已经过精确优化以回答一组关于数据的查询。
虽然商业智能严重依赖一组核心分析工具，但数据科学通过提供数据治理、数据分析、商业智能和高级数据可视化的整体框架，采用更全面的数据管理方法。分析需求数量有限的中小型企业可能会受益于市场上可用的普通 BI 解决方案，而需要高度自动化流程的大型企业将从 ML 驱动的 BI 系统中受益，这同样需要合格数据科学家的存在和参与。
文章数据科学家与 BI 分析师：有什么区别？认为这两个领域都旨在帮助从可用数据中获得业务洞察力。
数据科学如何加强商业智能
数据科学项目通常需要不同专家之间的合作，如业务专家、数据工程师、统计学家和软件开发人员。数据科学家可能对统计有深入的了解，但他们不了解问题的软件开发或业务方面。这就是 BI 专家可以介入的地方，他们利用他们的历史智慧（分析过去的数据）帮助数据科学家预测未来。由于 BI 专家处理简单假设和固定数据点– 他们可以轻松地得出可以与其他数据团队成员共享的“指标”，以发现业务的未来。
数据科学家和 BI 专家都热爱数据分析。两者都在不同程度上使用算法，现在都使用先进的可视化工具来捕捉智慧的金块，这可以很好地成就或破坏业务。
数据科学在三个主要领域确实不同于传统的商业智能：数据的种类和数量、预测能力和可视化平台。文章商业智能与数据科学：相同但不同提供了两种分析方法之间的有趣对比。在高级 BI 系统中，用户遇到过“数据发现工具”，但这些工具通常受到它们处理的数据质量和数量的限制。数据科学打破了“数据”的玻璃天花板，允许收集、清理和准备任何类型的结构化、非结构化或半结构化数据以供分析。
虽然 BI 团队一直为高管或经理提供决策支持，但数据科学使这些经理和高管成为自我授权的分析专家。在理想的业务环境中，BI 团队应该管理Operational Analytics，而数据科学家（如果有的话）应该花更多的时间来完善现有的 Analytics 和 BI 足迹并尽可能地自动化系统，以便日常业务用户可以获得他们的工作迅速而准确地完成。
事实上，如果 BI 专家和数据科学家一起工作，那么 BI 分析师可以为数据科学家准备数据，以输入他们的算法模型。BI 专家可以提供他们当前对业务分析需求的理解和知识，并帮助数据科学家构建强大的模型来预测未来的趋势和模式。
BI 专家和数据科学家在企业分析团队中都有自己的位置——BI 收集数据以了解过去的事件；而 DS 生成数据以对尚未发生的事件进行建模。BI 专家和数据科学家可以一起逐步构建强大的内部分析平台，普通业务用户无需任何技术帮助即可学习和使用。
数据科学和商业智能：未来有什么？
考虑全球零售业务，了解传统 BI 如何向数据科学发展，从而将即时洞察转化为可盈利的业务成果。在标题为零售思维：从商业智能到数据科学，作者观察到，尽管大多数企业都在收获这种转变的回报，但一些知识或人才有限的企业仍在数据科学方面苦苦挣扎。对于那些落后的人，本文为实施成功的数据科学框架以获得可盈利的结果提供了一些建议。
在博文中麦肯锡 2016 年分析研究如何定义机器学习的未来，作者表明麦肯锡得出了关于机器学习对至少 12 个行业的影响的结论。根据作者的说法，麦肯锡有令人信服的数据证明，数据科学凭借其丰富的数据（大数据）和先进的分析能力（机器学习），肯定优于传统的 BI，因为静态或历史数据无法为用户提供足够的理由用于“预测”或“规定”未来的业务事件。数据科学和机器学习极大地受益于企业 IT 团队，并提供了工具来根据现有数据模式进行快速准确的预测。
根据麦肯锡的说法，要使企业分析平台发挥作用，需要为企业分析活动提供有效的支持结构、良好的架构和高级管理人员的参与——这三者都是必需的。麦肯锡还观察到，有效投资于分析和 BI 基础设施的企业在五年内的利润率提高了 19%。
数据科学与商业智能：最终想法
拥有技术能力的企业面临的最大绊脚石之一是相关技术的快速增长，这些技术结合使用，可以实现业务转型以赢得市场。如今，企业经常不知如何跟上技术变革的步伐，如何将更新更好的能力与现有能力相结合。例如，大数据、物联网、机器学习等先进技术无服务器计算可以共同改变业务格局，但有多少企业真正知道如何整合这些解决方案来构建强大的分析平台？
如果您从这篇文章中只有两件事，它们是：
数据科学和商业智能是同一团队中两个同等重要的参与者。他们各自的角色是不同的，但他们共同服务于更广泛的业务分析世界。
虽然数据科学和 BI 处理目标、工具、数据和可交付成果的方式存在差异，但最终目标是相同的——以数据取胜。
技术、工具、流程和人才——这些需要协同工作，以获得数据和分析的最大优势。在这个麦肯锡报告，强烈主张支持更新的数据类型和集成的数据管理系统。该报告的作者认为，完全集成的分析和 BI 平台将有助于打破孤立孤岛之间的障碍，并实现业务数据和洞察力的统一视图，以便在未来更快地做出决策。
| 相关帖子DA内容精选 |
京公网安备 11010802022788号
