bt学院前传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 。

　　很多学习数据的同学很容易弄混数据分析和商业智能，以为都是数据分析，都是做分析报表，只是一个是代码或者excel得出来的，另一个是通过商业智能软件自动化配置出来的，其实并不是这样，两者还是有很明确的定义范围的。

　　数据分析更多的指的是数据分析的过程，数据分析必然将经历数据分析目标确认、信息收集、数据探索、数据分析、数据展现、数据问题发现和解决等环节。商业智能更多的指的是将数据分析的结果自动化、商业化、信息化、产品化，最终会体现明确的商业价值。整体上来说数据分析可能包含的内容范围可以更广泛，但是商业智能则更聚焦于实现商业价值。

　　数据分析重点是从毫无头绪的业务数据中挖掘数据价值，这个价值一般是发现问题，找到解决问题的关键点，也可以称为洞察关键点。在这个过程中，会需要了解业务，掌握常用的分析方法，具备相应的代码能力，在分析和建模过程中不断地进行假设和数据验证，来确认分析目标是否正确。

　　对于数据分析基础的技能不可或缺，常见的如：excel、sql、python、算法、PPT等，这些都是近几年必备的技能，也许再早几年会写sql就可以很容易的买入数据分析的门槛，但是现在不行了，因此，excel技能可以帮助快速分析数据，sql可以通过数据库大批量的取数分析，python可以开始支持常规分析和可视化，同时支持一般的算法进行建模，ppt可以很好的展示分析成果，这些都是需要必备的技能。

　　常见的分析方法基本可以满足日常的分析，因此，这些也是必然需要了解的，主要会涉及到三种分析方法。● 描述性统计：一般常见的有平均值、标准差、同比、环比、中位数、百分数等；● 统计分析方法：回归分析、因子分析、方差分析等● 数据挖掘方法：聚类分析、分类分析、关联规则、文本挖掘等；当然算法用到的分类算法会比较常见，如果能对分类算法熟悉，也是可以解决很多分析问题的。

　　对于数据分析经常会碰到各种业务问题，往往不知道通过那个思维角度来下手，但是如果整理过去的分析案例不难发现，大部分的分析思路不外乎如下几种：● 业务时间角度：对不同的业务顺着业务发展的时间角度去分析，一般很容易发现常见的问题；● 业务流程角度：如果在时间维度不够清晰，也可以按照业务的流程进行切分，分析每个环节可能出现的问题，进行数据对比和分析；● 行业变化角度：如果对内无法感知到问题，往往要站在行业的角度去了解行业变化和竞对变化，这样可以很好的看出业务发展是否不像想象中那样好；其实不同的分析思维可以带来不同的分析角度，需要不断的积累和总结，分析角度往往是成功的分析结论的关键。这些思维可以通过自学，也可以通过尝试一些课程通过老师的案例实践指导从而获得快速成长，老师指导可以更清晰的了解学习路劲，事半功倍，如知乎知学堂里面有推荐相关的课程，里面有很多专业的内容，包含sql和python技能学习，也包含业务分析实践和数据分析思维相关学习，不妨了解一下这个课程，链接放这里了：

　　商业智能往往是作为一种产品和服务体现在商业的环境中，通过智能化的产品服务来体现自动化的高效分析和分析结果的价值，帮到企业做决策。

　　商业智能建设的过程中，最大的痛点在于企业之间不同的部门都有不同的数据，同时不同的部门相同的指标还存在不同的统计口径，因此在数据分析和做决策的沟通过程中，无法统一标准进行沟通决策，因此必须打破各业务之间的数据壁垒。比如：营收这个口径，业务有自己的统计方式，财务有财务的统计方式，财务可能存在税前和税后，业务可能存在合同收入和回款收入等等，必须统一出处，然后保障业务和财务统一都承认这个收入的口径，这个指标可以分合同收入、回款税前收入、回款税后收入等。数据治理是最耗费时间和精力，也最重要的一个环节，一般要花费整体商业智能建设60%甚至以上的时间，务必重视。

　　当数据治理好以后，往往可以整合数据和软件功能，实现链路一体化自动化分析报表展现，实时和T+1立刻实现报表的自动化分析。比如：要看全国连锁门店的销售情况，可以马上看到全国不同区域，不同类型的门店的各种交叉分析报表，立刻知晓哪里的门店经营较好，哪里不好，不好的原因可以从不同门店的流量、地域、人员等维度进行分析，了解门店经营不足的原因。当商业智能建设达到了自动化报表分析等阶段，就可以大大的提高数据分析效率，原来需要一周才能做好的分析报表，现在每天随时可以看到，甚至实时数据也可以随时看到。这就是商业智能建设过程中的效率价值。

　　商业智能建设只是数据治理和实现自动化报表肯定是不够的，无法完全体现商业化的价值，因为报表的分析仍需要人来落地，因此，业务经验的积累后，需要完全的融入到商业智能平台上，输出专业的解决方案才能直接产生营收价值。比如：对于节日需要错促销的业务，可以实现功能和经验的结合，输出一套促销方案，首先通过自动化报表对用户分群，然后对于不同的客户群体，如优质客群和一般客群分别推荐不同的金额优惠卷来促进客户购买，同时系统可以实时关注客户下单情况，随时可以调整方案，这就是专业方案的落地。如果想要学习更全面的数据分析思维和业务解决方案案例，通过全面的课程指导必然是更方便快捷的，同时也会有很多行业案例进行学习，如上面说到的知乎知学堂里面就有推荐相关的课程，链接放这里了：

　　数据分析和商业智能一个重视的是分析问题的过程本身，另一个是通过数据分析手段实现商业价值的过程体现。在数据领域，既要能有数据敏感度，通过数据分析发现并解决问题，也要能知晓如何治理数据，通过实现平台工具来高效的解决实际的企业问题。达到用数据解决问题的价值的最大化实现。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　商务智能是IT和数据分析的完美结合，它使得不懂编程但具备数据分析能力和商业直觉的分析人员能够便捷而快速地提取，清理，整合各种数据源（mysql，Salesforce, Hive等等），并创建复杂动态图形和仪表。在各种商务智能平台出现之前，这些都只能借助于复杂SQL脚本或者SAS这类专业数据分析工具才能实现。

　　数据分析是指用适当的统计学方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

　　商业智能(BusinessIntelligence)则是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

　　不管定义如何不同，数据分析与传统BI是社会发展到不同阶段的产物，数据分析对于传统BI，既有继承，也有发展，从道的角度讲，BI与数据分析区别在于前者更倾向于决策，对事实描述更多是基于群体共性，帮助决策者掌握宏观统计趋势，适合经营运营指标支撑类问题，大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。

　　当然纯粹从思想的角度讲，两者在概念上是可以实现统一的，都遵循数据-信息-知识-智慧这个脉络，甚至在更高的层次，两者也是可以统一的，比如这个定义：“世界上万事万物都在被数据化，形成一个与现实世界相关联的数据世界，人类可以利用数据化的方式，应对和解决生存和发展问题。”

　　传统BI就目前来讲，其功能都可以被对应的大数据组件所替代，但大多数企业缺乏大数据业务的驱动，也缺乏相关的高技术人才。

　　不过新型BI被赋予了更多“大数据分析”潜能。正如图右侧架构所示，BI架设在大数据分析应用层，抽取etl后或者Hive来的数据又可作通用类的业务分析，既满足了海量实时数据分析，也满足了决策型的业务分析。

　　在技术领域，虽然传统BI的ETL、数据仓库、OLAP、可视化报表技术都似乎处于落后边缘，因为它解决不了海量数据的处理问题，但也并不能全盘否定或替代成大数据。企业采用SAP HANA，BI工具FineBI直连大数据平台引擎都是基于这个问题优化的方案。BI的那套也将长期存在，毕竟企业对BI方案还是很青睐，大数据分析的普及和应用也是个漫长的过程。

　　企业应该选择数据分析还是商业智能。数据分析不是绣花枕头，它的第一要务就是解决业务问题，大数据一定程度上讲就是用全新的数据技术手段来拓展和优化业务，传统企业需要聚集一拨人来研究这个问题，需要有人专门研究和探索。如果对外，想清楚新的商业模式，如果对内，想清楚在哪个场景，可以用大数据的手段来提升效率。

　　当前数据分析可以产生价值的地方，从行业的角度看，互联网、制造业、公共服务、医疗保健、金融服务都有广阔前景。从领域的角度看，广告、营销、风控、供应链都是大数据发挥价值的地方，对于特定企业，比如电信运营商，数据分析也可以在网络优化等方面提供新的方法。

　　也并不是每个企业都需要打造自己的大数据平台，量力而行吧，可以自研 ，比如BAT，也可以采购，比如传统大企业，也可以租用，比如用阿里云和AWS。