大數(shù)據(jù)機器學習數(shù)據(jù)分析和業(yè)務分析四者間的關系

　　大數(shù)據(jù)。這是一門不斷發(fā)展的學科。就在您確定要弄清楚大數(shù)據(jù)家是什么的時候，就有人走了，將地毯從您的下方拉出來!隨著大量新術語和流行語的到來，甚至該領域的HR經(jīng)理也感到困惑，那么您應該如何跟上業(yè)務和數(shù)據(jù)分析，大數(shù)據(jù)，商業(yè)智能，機器學習和AI的領域?
 

　　現(xiàn)在是時候有人創(chuàng)建了一個圖表，顯示這些相似但獨特的區(qū)域如何交織了!好吧，請抓緊你的帽子，因為我們只是走了而已!
 

　　這里是!

 

　　一開始可能看起來有些復雜，但我向您保證，我們逐步完成后，一切都會變得清晰。
 

　　讓我們從頭開始。
 

　　商業(yè)分析
 

　　在討論大數(shù)據(jù)之前，最好從一個更古老的概念開始- 業(yè)務。以下是業(yè)務領域的分支機構列表：
 

　　a.業(yè)務案例研究。

　　b.定性分析。

　　c.初步數(shù)據(jù)報告。

　　d.視覺效果報告。

　　e.創(chuàng)建儀表板。

　　f.銷售預測。
 

　　如果您不知道它們的全部含義，請不要擔心。
 

　　第二，考慮一下哪些與業(yè)務，數(shù)據(jù)或兩者相關。
 

　　業(yè)務分析與數(shù)據(jù)分析
 

　　查看下面的圖片，檢查您的想法是否與我們的想法相符。請注意，藍色矩形包含與業(yè)務相關的活動，粉紅色與數(shù)據(jù)相關。如果某物位于重疊的區(qū)域中，則它與兩個字段都相關。

 

　　如您所見，所有術語都是業(yè)務活動，但只有一些是數(shù)據(jù)驅動的，其余則是經(jīng)驗驅動的。
 

　　您將需要數(shù)據(jù)來創(chuàng)建：
 

　　a.初步報告

　　b.可視化表示您公司去年的業(yè)績

　　c.業(yè)務儀表板

　　d.對公司未來銷售的預測。
 

　　因此，這四個標簽舒適地位于重疊區(qū)域。
 

　　那另外兩個詞呢?
 

　　a.商業(yè)案例研究

　　b.定性分析
 

　　商業(yè)案例研究是有關商人和公司如何成功或失敗的真實經(jīng)驗。定性分析是關于使用您的直覺和知識來協(xié)助將來的計劃。您不需要數(shù)據(jù)集就可以從中學習。因此，兩者都保留在藍色矩形中。
 

　　這些字段取決于時間嗎?
 

　　現(xiàn)在將是引入時間表的最佳時機 。您看到的某些術語是指解釋過去行為的活動，而另一些術語是指用于預測未來行為的活動。我們將在中間劃一條線來代表現(xiàn)在。因此，該行右邊的所有術語都將用于將來的計劃和預測，而該行左邊的所有術語將與對過去事件或數(shù)據(jù)的分析有關。
 

　　同樣，花點時間來決定哪些方面是指哪個時間點。
 

　　好?
 

　　你好嗎
 

　　讓我解釋一下為什么我們像以前那樣將其隔離。
 

　　商業(yè)案例研究檢查了已經(jīng)發(fā)生的事件。例如，人們可以向他們學習，并嘗試防止將來犯類似的錯誤，因此，此活動是指過去。
 

　　與另一個商業(yè)術語“定性分析”相對比，“定性分析”包括使用有助于預測未來行為的工具，您將意識到這必須放在正確的位置。
 

　　準備報告或儀表盤始終反映了過去的數(shù)據(jù)，這些術語將保留在左側。不過，預測是面向未來的活動，我們已將其放在黑線的右邊，但并不過分-它必須仍然屬于業(yè)務領域，因此它必須位于業(yè)務分析和分析領域。數(shù)據(jù)相交。
 

　　好的!希望我們開始圍繞這些術語中的許多術語以及它們相互適應的地方采取行動。
 

　　業(yè)務分析與數(shù)據(jù)分析與大數(shù)據(jù)
 

　　大數(shù)據(jù)是一門依賴于數(shù)據(jù)可用性的學科，與此同時，業(yè)務分析并不完全依賴數(shù)據(jù)。盡管如此，大數(shù)據(jù)融合了數(shù)據(jù)分析的一部分。通常是使用復雜的數(shù)學，統(tǒng)計和編程工具的部分。因此，這個綠色矩形，表示“大數(shù)據(jù)”我們的圖上，不重疊“數(shù)據(jù)分析”完全。但這確實超出了業(yè)務分析領域的范圍。
 

　　讓我們?yōu)槟故玖硪粡垐D片以使情況更清晰。
 

　　這是否意味著大數(shù)據(jù)家會對初步數(shù)據(jù)報告，可視化報告，創(chuàng)建儀表板和銷售預測感興趣?是的，一點沒錯。
 

　　您會注意到我們添加了一些以前沒有的方面，很好的關注!“優(yōu)化鉆井作業(yè) ”和“數(shù)字信號處理”是適合業(yè)務以外子區(qū)域的兩個示例。我們現(xiàn)在將對其進行擴展。
 

　　考慮石油和天然氣行業(yè)以及鉆井作業(yè)的優(yōu)化。這是需要大數(shù)據(jù)和數(shù)據(jù)分析而不需要業(yè)務的方面的完美示例。我們使用大數(shù)據(jù)，根據(jù)從典型的鉆井效率活動中提取的數(shù)據(jù)來改進預測。那當然不是業(yè)務分析。
 

　　我們使用數(shù)字信號以離散值的形式表示數(shù)據(jù)。因此，我們可以將數(shù)據(jù)分析應用于數(shù)字信號以產(chǎn)生更高質量的信號，而無需深入大數(shù)據(jù)。
 

　　該圖看起來更生動一些，但是我們還沒有完成。
 

　　接下來，我們將添加“商業(yè)智能”。
 

　　什么是商業(yè)智能?它如何適合圖片?
 

　　作者注意：如果您有興趣從事大數(shù)據(jù)家職業(yè)，請繼續(xù)下載我們的免費大數(shù)據(jù)職業(yè)指南。
 

　　業(yè)務分析vs數(shù)據(jù)分析vs大數(shù)據(jù)vs商業(yè)智能
 

　　商業(yè)智能(BI)是分析和報告歷史業(yè)務數(shù)據(jù)的過程。有了這些信息，您可以想象BI部分將位于何處嗎?
 

　　您要解釋嗎?讓我們努力。
 

　　在準備好報告和儀表板之后，它們就會被諸如總經(jīng)理之類的最終用戶用來制定明智的戰(zhàn)略和戰(zhàn)術業(yè)務決策。簡而言之，商業(yè)智能旨在使用商業(yè)數(shù)據(jù)來解釋過去的事件。
 

　　它必須位于時間線的左側，因為它僅處理過去的事件，并且必須作為子字段位于大數(shù)據(jù)矩形內。
 

　　商業(yè)智能非常適合大數(shù)據(jù)，因為它是預測分析的第一步?？紤]到這一點很有意義–首先，您必須分析過去的數(shù)據(jù)并提取有用的見解。使用這些推論將使您能夠創(chuàng)建適當?shù)哪Ｐ?，以準確地預測業(yè)務的未來。
 

　　“初步數(shù)據(jù)報告”是任何數(shù)據(jù)分析的第一步。將其視為大數(shù)據(jù);這個詞保持原狀。
 

　　與“報告和創(chuàng)建儀表板”一樣，這些都是商業(yè)智能的全部內容。因此，我們將這兩個放置在橙色矩形中。
 

　　這就是商業(yè)智能!(除非您想知道如何成為一名商業(yè)智能分析師，否則您可以在《開始從事大數(shù)據(jù)的職業(yè)：終極指南》中了解有關此職業(yè)道路以及通往大數(shù)據(jù)職業(yè)的其他途徑的更多信息)
 

　　業(yè)務分析vs數(shù)據(jù)分析 vs商業(yè)智能 vs大數(shù)據(jù)vs機器學習vs人工智能
 

　　讓我們深入研究“人工智能”(AI)及其子領域“ 機器學習”(ML)有爭議但仍在擴展的領域。
 

　　機器無需經(jīng)過明確編程即可預測結果的能力被認為是機器學習。對此進行擴展，機器學習是關于創(chuàng)建和實現(xiàn)算法，使機器可以接收數(shù)據(jù)，并使用這些數(shù)據(jù)來分析模式，做出預測并自行提出建議。
 

　　您能想象機器學習和AI部分將加入其中嗎?

　　沒有數(shù)據(jù)就無法實現(xiàn)機器學習。因此，它應該完全位于“數(shù)據(jù)分析” 之內。我們在這里走出去，因為這是否正確尚有爭議。有人認為數(shù)據(jù)分析和機器學習是兩個不相關的科學領域。為了便于討論，我們將讓機器學習和數(shù)據(jù)分析矩形重疊。
 

　　此外，ML應該稍微擴展到垂直線的左側。其原因是將機器學習工具應用于商業(yè)智能環(huán)境的趨勢日益增加。我們對機器學習中的工具如何幫助我們提高估計準確性感興趣。
 

　　人工智能是關于用計算機模擬人類知識和決策。這是一個很籠統(tǒng)的術語，可以有一個哲學解釋。
 

　　作為人類，我們只能通過機器學習來實現(xiàn)AI。
 

　　該領域之外的AI是一個詳細的主題，盡管很有趣，但與我們在此要實現(xiàn)的目標無關。我們提到它只是為了避免相對于其他感興趣領域的混亂之處。
 

　　是時候擴展您可以看到的方面，我們已經(jīng)將它們移動并添加到圖中。
 

　　對準確的實時儀表板的需求為更多的機器學習應用程序打開了空間。
 

　　機器學習軟件可以從Facebook或Shopify等第三方公司獲取數(shù)據(jù)，從其數(shù)據(jù)中檢測新模式，從而向經(jīng)理和其他決策者提供實時建議和見解。只要有機會，這就是一種改善業(yè)務績效的絕妙方法。總體而言，該領域具有很大的發(fā)展?jié)摿Α?br />  

　　轉向垂直線的另一端，在BI之外但仍在其他學科之內是機器學習在其中發(fā)揮重要作用的兩個典型的業(yè)務活動。例如，客戶保留和獲取使用ML來幫助開發(fā)模型來預測客戶的下一次購買是什么。
 

　　我們還將ML應用于預防欺詐的另一個例子。我們可以向機器提供先前的欺詐活動數(shù)據(jù)。它將找到人腦無法看到的模式。擁有可以實時檢測此類交易或操作的模型，有助于金融系統(tǒng)防止大量欺詐活動。
 

　　這些例子并不是在談論AI和ML時通常會想到的第一個例子。通常，語音和圖像識別是最受歡迎的示例。由于它們已經(jīng)在Siri，Cortana，Google的Assistant等產(chǎn)品中實現(xiàn)，而且更令人印象深刻的是自動駕駛汽車。
 

　　當然，這兩個示例不在業(yè)務范圍內。是否可以將它們置于大數(shù)據(jù)和/或數(shù)據(jù)分析的保護之下，還是兩者都不存在，這是有爭議的。由于這是當前討論的熱門話題，我們認為值得一提。
 

　　但是，為了避免進一步的混亂和糾紛，讓我們從圖像中去除語音和圖像識別。
 

　　最后，人工智能而非機器學習的示例是“符號推理”。
 

　　它基于問題和邏輯的高級可讀性表示。在過去，人們試圖創(chuàng)造類似人類的情報時，這曾經(jīng)是一種趨勢。如今，機器學習是應用的通用人工智能的唯一形式，很少會遇到符號AI，更不用說實踐了。
 

　　因此，除了語音和圖像識別之外，我們還可以從等式中刪除符號AI。這將只剩下我們感興趣的內容!
 

　　真好!
 

　　現(xiàn)在，我們想提一個幾乎侵入所有業(yè)務和大數(shù)據(jù)詞匯表的術語…… “高級分析”。
 

　　商業(yè)分析，數(shù)據(jù)分析 ，商業(yè)智能 ，大數(shù)據(jù)，機器學習，高級分析
 

　　這是一個營銷術語，來自那些想說他們正在處理的分析類型不易處理的人。
 

　　這是一種主觀的觀察方式。令人生畏的冠冕堂皇的詞經(jīng)常被用來勸阻學習和建立聲望。但是，我們在這里試圖闡明分析中的術語。從技術上講，“高級分析”是一個存在的術語。因此，我們將所有分析領域歸為“高級分析”。一開始就認為分析的任何部分似乎都是高級的。但是，沒有一部分是排他性或永久性的。
 

　　請記住，所有領域都是交織在一起的，我們在這里展示的并不是對通常接受的含義和定義的嚴格表示。這完全是解釋問題，此圖是我們對大數(shù)據(jù)的愿景。其中某些組件的位置可能會引起爭議;但是，我們認為這是對這些學科的含義以及它們如何重疊的非常全面的描述。
 

　　我們還要提及的是，矩形的位置和大小顯示出概念上的相似之處和不同之處，而不是復雜性。
 

　　這是逐步的工作方式：
 

　　好吧，我希望這可以使學科混亂變得更加清晰，也希望您喜歡與我們一起構建此圖。如果您想更多大數(shù)據(jù)分析的內容，請查看其它的文章!