大数据机器学习数据分析和业务分析四者间的关系

　　大数据。这是一门不断发展的学科。就在您确定要弄清楚大数据家是什么的时候，就有人走了，将地毯从您的下方拉出来!随着大量新术语和流行语的到来，甚至该领域的HR经理也感到困惑，那么您应该如何跟上业务和数据分析，大数据，商业智能，机器学习和AI的领域?
 

　　现在是时候有人创建了一个图表，显示这些相似但独特的区域如何交织了!好吧，请抓紧你的帽子，因为我们只是走了而已!
 

　　这里是!

 

　　一开始可能看起来有些复杂，但我向您保证，我们逐步完成后，一切都会变得清晰。
 

　　让我们从头开始。
 

　　商业分析
 

　　在讨论大数据之前，最好从一个更古老的概念开始- 业务。以下是业务领域的分支机构列表：
 

　　a.业务案例研究。

　　b.定性分析。

　　c.初步数据报告。

　　d.视觉效果报告。

　　e.创建仪表板。

　　f.销售预测。
 

　　如果您不知道它们的全部含义，请不要担心。
 

　　第二，考虑一下哪些与业务，数据或两者相关。
 

　　业务分析与数据分析
 

　　查看下面的图片，检查您的想法是否与我们的想法相符。请注意，蓝色矩形包含与业务相关的活动，粉红色与数据相关。如果某物位于重叠的区域中，则它与两个字段都相关。

 

　　如您所见，所有术语都是业务活动，但只有一些是数据驱动的，其余则是经验驱动的。
 

　　您将需要数据来创建：
 

　　a.初步报告

　　b.可视化表示您公司去年的业绩

　　c.业务仪表板

　　d.对公司未来销售的预测。
 

　　因此，这四个标签舒适地位于重叠区域。
 

　　那另外两个词呢?
 

　　a.商业案例研究

　　b.定性分析
 

　　商业案例研究是有关商人和公司如何成功或失败的真实经验。定性分析是关于使用您的直觉和知识来协助将来的计划。您不需要数据集就可以从中学习。因此，两者都保留在蓝色矩形中。
 

　　这些字段取决于时间吗?
 

　　现在将是引入时间表的最佳时机 。您看到的某些术语是指解释过去行为的活动，而另一些术语是指用于预测未来行为的活动。我们将在中间划一条线来代表现在。因此，该行右边的所有术语都将用于将来的计划和预测，而该行左边的所有术语将与对过去事件或数据的分析有关。
 

　　同样，花点时间来决定哪些方面是指哪个时间点。
 

　　好?
 

　　你好吗
 

　　让我解释一下为什么我们像以前那样将其隔离。
 

　　商业案例研究检查了已经发生的事件。例如，人们可以向他们学习，并尝试防止将来犯类似的错误，因此，此活动是指过去。
 

　　与另一个商业术语“定性分析”相对比，“定性分析”包括使用有助于预测未来行为的工具，您将意识到这必须放在正确的位置。
 

　　准备报告或仪表盘始终反映了过去的数据，这些术语将保留在左侧。不过，预测是面向未来的活动，我们已将其放在黑线的右边，但并不过分-它必须仍然属于业务领域，因此它必须位于业务分析和分析领域。数据相交。
 

　　好的!希望我们开始围绕这些术语中的许多术语以及它们相互适应的地方采取行动。
 

　　业务分析与数据分析与大数据
 

　　大数据是一门依赖于数据可用性的学科，与此同时，业务分析并不完全依赖数据。尽管如此，大数据融合了数据分析的一部分。通常是使用复杂的数学，统计和编程工具的部分。因此，这个绿色矩形，表示“大数据”我们的图上，不重叠“数据分析”完全。但这确实超出了业务分析领域的范围。
 

　　让我们为您展示另一张图片以使情况更清晰。
 

　　这是否意味着大数据家会对初步数据报告，可视化报告，创建仪表板和销售预测感兴趣?是的，一点没错。
 

　　您会注意到我们添加了一些以前没有的方面，很好的关注!“优化钻井作业 ”和“数字信号处理”是适合业务以外子区域的两个示例。我们现在将对其进行扩展。
 

　　考虑石油和天然气行业以及钻井作业的优化。这是需要大数据和数据分析而不需要业务的方面的完美示例。我们使用大数据，根据从典型的钻井效率活动中提取的数据来改进预测。那当然不是业务分析。
 

　　我们使用数字信号以离散值的形式表示数据。因此，我们可以将数据分析应用于数字信号以产生更高质量的信号，而无需深入大数据。
 

　　该图看起来更生动一些，但是我们还没有完成。
 

　　接下来，我们将添加“商业智能”。
 

　　什么是商业智能?它如何适合图片?
 

　　作者注意：如果您有兴趣从事大数据家职业，请继续下载我们的免费大数据职业指南。
 

　　业务分析vs数据分析vs大数据vs商业智能
 

　　商业智能(BI)是分析和报告历史业务数据的过程。有了这些信息，您可以想象BI部分将位于何处吗?
 

　　您要解释吗?让我们努力。
 

　　在准备好报告和仪表板之后，它们就会被诸如总经理之类的最终用户用来制定明智的战略和战术业务决策。简而言之，商业智能旨在使用商业数据来解释过去的事件。
 

　　它必须位于时间线的左侧，因为它仅处理过去的事件，并且必须作为子字段位于大数据矩形内。
 

　　商业智能非常适合大数据，因为它是预测分析的第一步。考虑到这一点很有意义–首先，您必须分析过去的数据并提取有用的见解。使用这些推论将使您能够创建适当的模型，以准确地预测业务的未来。
 

　　“初步数据报告”是任何数据分析的第一步。将其视为大数据;这个词保持原状。
 

　　与“报告和创建仪表板”一样，这些都是商业智能的全部内容。因此，我们将这两个放置在橙色矩形中。
 

　　这就是商业智能!(除非您想知道如何成为一名商业智能分析师，否则您可以在《开始从事大数据的职业：终极指南》中了解有关此职业道路以及通往大数据职业的其他途径的更多信息)
 

　　业务分析vs数据分析 vs商业智能 vs大数据vs机器学习vs人工智能
 

　　让我们深入研究“人工智能”(AI)及其子领域“ 机器学习”(ML)有争议但仍在扩展的领域。
 

　　机器无需经过明确编程即可预测结果的能力被认为是机器学习。对此进行扩展，机器学习是关于创建和实现算法，使机器可以接收数据，并使用这些数据来分析模式，做出预测并自行提出建议。
 

　　您能想象机器学习和AI部分将加入其中吗?

　　没有数据就无法实现机器学习。因此，它应该完全位于“数据分析” 之内。我们在这里走出去，因为这是否正确尚有争议。有人认为数据分析和机器学习是两个不相关的科学领域。为了便于讨论，我们将让机器学习和数据分析矩形重叠。
 

　　此外，ML应该稍微扩展到垂直线的左侧。其原因是将机器学习工具应用于商业智能环境的趋势日益增加。我们对机器学习中的工具如何帮助我们提高估计准确性感兴趣。
 

　　人工智能是关于用计算机模拟人类知识和决策。这是一个很笼统的术语，可以有一个哲学解释。
 

　　作为人类，我们只能通过机器学习来实现AI。
 

　　该领域之外的AI是一个详细的主题，尽管很有趣，但与我们在此要实现的目标无关。我们提到它只是为了避免相对于其他感兴趣领域的混乱之处。
 

　　是时候扩展您可以看到的方面，我们已经将它们移动并添加到图中。
 

　　对准确的实时仪表板的需求为更多的机器学习应用程序打开了空间。
 

　　机器学习软件可以从Facebook或Shopify等第三方公司获取数据，从其数据中检测新模式，从而向经理和其他决策者提供实时建议和见解。只要有机会，这就是一种改善业务绩效的绝妙方法。总体而言，该领域具有很大的发展潜力。
 

　　转向垂直线的另一端，在BI之外但仍在其他学科之内是机器学习在其中发挥重要作用的两个典型的业务活动。例如，客户保留和获取使用ML来帮助开发模型来预测客户的下一次购买是什么。
 

　　我们还将ML应用于预防欺诈的另一个例子。我们可以向机器提供先前的欺诈活动数据。它将找到人脑无法看到的模式。拥有可以实时检测此类交易或操作的模型，有助于金融系统防止大量欺诈活动。
 

　　这些例子并不是在谈论AI和ML时通常会想到的第一个例子。通常，语音和图像识别是最受欢迎的示例。由于它们已经在Siri，Cortana，Google的Assistant等产品中实现，而且更令人印象深刻的是自动驾驶汽车。
 

　　当然，这两个示例不在业务范围内。是否可以将它们置于大数据和/或数据分析的保护之下，还是两者都不存在，这是有争议的。由于这是当前讨论的热门话题，我们认为值得一提。
 

　　但是，为了避免进一步的混乱和纠纷，让我们从图像中去除语音和图像识别。
 

　　最后，人工智能而非机器学习的示例是“符号推理”。
 

　　它基于问题和逻辑的高级可读性表示。在过去，人们试图创造类似人类的情报时，这曾经是一种趋势。如今，机器学习是应用的通用人工智能的唯一形式，很少会遇到符号AI，更不用说实践了。
 

　　因此，除了语音和图像识别之外，我们还可以从等式中删除符号AI。这将只剩下我们感兴趣的内容!
 

　　真好!
 

　　现在，我们想提一个几乎侵入所有业务和大数据词汇表的术语…… “高级分析”。
 

　　商业分析，数据分析 ，商业智能 ，大数据，机器学习，高级分析
 

　　这是一个营销术语，来自那些想说他们正在处理的分析类型不易处理的人。
 

　　这是一种主观的观察方式。令人生畏的冠冕堂皇的词经常被用来劝阻学习和建立声望。但是，我们在这里试图阐明分析中的术语。从技术上讲，“高级分析”是一个存在的术语。因此，我们将所有分析领域归为“高级分析”。一开始就认为分析的任何部分似乎都是高级的。但是，没有一部分是排他性或永久性的。
 

　　请记住，所有领域都是交织在一起的，我们在这里展示的并不是对通常接受的含义和定义的严格表示。这完全是解释问题，此图是我们对大数据的愿景。其中某些组件的位置可能会引起争议;但是，我们认为这是对这些学科的含义以及它们如何重叠的非常全面的描述。
 

　　我们还要提及的是，矩形的位置和大小显示出概念上的相似之处和不同之处，而不是复杂性。
 

　　这是逐步的工作方式：
 

　　好吧，我希望这可以使学科混乱变得更加清晰，也希望您喜欢与我们一起构建此图。如果您想更多大数据分析的内容，请查看其它的文章!