1.2 分析的实践状态

当前的商业问题为组织机构提供了很多机遇，使其更具分析能力和被数据驱动，如表1.2所示。

表1.2 高级分析的商业驱动因素

表1.2列出了组织机构需要应对的4种常见的商业问题，在这4种问题中，组织机构有机会使用高级分析技术来创造竞争优势。在这些领域中，组织除了可以执行标准的报告，还可以使用高级的分析技术来优化流程，并且从这些常用的任务中获取更多的价值。前面3个案例都不是新的问题。组织机构多年来都一直在努力避免客户的流失、增加销售业绩和追加销售客户。融合大数据和高级分析技术是一种新的机遇，这样可以为这些传统问题找到更有效的解决途经。最后一个案例描述了新兴的监管需求。大部分法律和法规都已经存在了几十年，但每年都会增加新的需求，这表明组织机构有额外的复杂度和数据需求。反洗钱（AML）和预防欺诈的相关法律需要高级分析技术来妥善处理和管理。

1.2.1 商业智能 VS 数据科学

表1.2中列出的4种商业驱动力（Business driver）需要不同的分析技术来正确地解决。虽然有关分析的文章很多，但是区分商业智能和数据科学非常重要。如图1.8所示，有几种方法可以比较这两种数据分析类型。

一种用来评估所执行的分析类型的方法是，检查时间范围以及正在使用的分析方法的类型。商业智能（Business Intelligence）主要提供关于现在和过去时期的商业问题的报表、仪表板（Dashboard）和查询。商业智能系统使得用户可以轻易获取季初到现在（quarter-to-date）的收入、季度目标的完成情况，以及某一产品在某一季度或者某一年的销量数据。这些问题往往都是预设或者可预期的，用于解释当前或者过去的行为，通常用来整合历史数据并以某种方式进行分组。商业智能主要是提供一些事后见解和观点，一般用于解释事件发生的“时间”和“地点”。

相比之下，数据科学（Data Science）主要是用更有前瞻性和探索性的方式来使用分类数据，着重分析当前的情况，为未来的决策提供数据参考。数据科学不是简单地汇集历史数据来看上季度销售了多少产品，而是团队利用数据科学技术（例如时间序列分析，第8章将深入讲解）来预测未来产品的销售和收入情况，而这种预测较之简单地依靠趋势线更为精准。此外，数据科学本质上往往更具有探索性，可以使用场景优化来处理更开放式的问题。这种方法可以通过深度地分析当前活动，来预测未来的事件，一般用来研究事件是“如何”以及“为什么”发生的。

另外，商业智能需要以行和列组织的高度结构化数据才能获得准确的报表，而数据科学项目可以使用多种类型的数据源，包括大型或者非常规的数据集。根据不同的目标，组织机构可以自行选择相应的分析手段。比如，如果要生成报表、创建仪表盘（dashboard）或者执行简单的可视化，可以选择商业智能项目。如果需要用分类或者不同的数据集进行更为复杂的分析，可以选择数据科学项目。

图1.8 数据科学与商业智能的对比