Quina diferència hi ha entre analítica empresarial i ciències de dades?


Resposta 1:

Tant Business Analytics com Data Science consisteixen en reproduir dades com l'adquisició de dades, el modelatge de dades i la recopilació d'informació.

La diferència clau entre ambdós és que:

Com el seu nom indica, Business Analytics és específic per a problemes relacionats amb el negoci, com ara el benefici, etc. mentre que Data Science respon a preguntes com la influència del comportament dels clients en el negoci.

Data Science combina el poder de les dades amb la creació d’algoritmes i la tecnologia per respondre a diverses preguntes. Recentment, l'Aprenentatge Automàtic i la Intel·ligència Artificial estan fent les seves voltes i preparen la Ciència de Dades al següent nivell. Business Analytics, d’altra banda, és l’anàlisi de dades de l’empresa amb conceptes estadístics per obtenir solucions i coneixements.

Voleu ser un científic de dades?

Vegem alguna diferència bàsica entre tots dos:

Les millors indústries en ciències de dades: -

  • TecnologiaFinançament E-commerceAcadèmic

Les millors indústries en anàlisis empresarials: -

  • FinancesTecnologiaMercat en venda al detall

El camp de la ciència de dades inclou la combinació de pràctiques tradicionals d’analítica amb coneixements de programació sonora, mentre que Business Analytics no implica gaire codificació.

Més important encara, parlem també de la varietat de reptes en cada àmbit:

Ciències de dades:

De vegades, és molt difícil que un científic científic de dades obtingui les dades adequades per obtenir les dades empresarials correctes, fins i tot si obtenen dades, aleshores la neteja de dades ocupa el 80% del procés per a un científic científic, modelant les dades que triga un 20% la resta. .

Per tant, la indisponibilitat o l’accés difícil a les dades és el gran repte a què s’enfronta un científic de dades !!

Aleshores, la comprensió del domini és un criteri molt important per fer preguntes correctes. Quan un científic es presenta amb un problema de negoci, només podrà obtenir informació útil només quan faci les preguntes adequades als usuaris del negoci i després treballarà sobre aquestes. Tanmateix, no ho podrà fer si no comprèn el domini correctament.

De la mateixa manera, a les analítiques empresarials hi ha un repte important la manca d’entrada d’experts de domini. En aquests camps, el treball és més suau i ràpid si hi ha disponibilitat i accessibilitat a les dades.

Diferències claus entre les dades de Ciència de dades i anàlisis comercials

· La ciència de dades utilitza dades estructurades i no estructurades, mentre que Business Analytics utilitza principalment dades estructurades.

· El cost de la inversió en Data Science és elevat, mentre que el de Business Analytics és baix.

· Data Science és la ciència d’estudi de dades mitjançant estadístiques, algoritmes i tecnologia, mentre que Business Analytics és l’estudi estadístic de dades empresarials.

Tot i això, tant Data Data com Business Analytics ofereixen als empleats molts àmbits per aprendre i millorar-se.

T'interessa aprendre ciències de dades?

Mira els vídeos següents per comprendre i començar a aprendre:

  1. Ciències de dades amb Python:

2. Ciències de dades amb R:

Per obtenir més informació sobre l'aprenentatge automàtic i obtenir experiència en aquest tema, consulteu el nostre entrenament de certificació d'aprenentatge automàtic de Simplilearn


Resposta 2:

La ciència de dades intenta fonamentalment mirar dades i intentar entendre el millor sobre quin tipus de propietats podem treure de les dades que es donen i com es pot reagrupar. Tenint en compte un objectiu determinat, quina és la millor manera d’arribar-hi? Així, en ciències de dades, l'enfocament seria agnòstic-problema. Probablement, es pot intentar dividir una gran quantitat de dades en grups o preveure alguna cosa, totes aquestes caurien dins el cub de ciències de dades.

Business Analytics [1] converteix tot aquest algoritme en una regla de decisió, eventualment l’analítica empresarial implica prendre una decisió [2] i el paràmetre de decisió s’ha de basar en coses molt senzilles. No podem fer que el paràmetre de decisió sigui molt complex.

Per exemple, la ciència de dades tindria un milió de registres d’un client per a targetes de crèdit i podríeu estar intentant desenvolupar un model que permeti esbrinar els bons clients del dolent d’un préstec de crèdit. Business Analytics tracta d’afegir-hi una regla de decisió. Un analista empresarial analitzarà totes aquestes dades i arribarà a la senzilla regla que el client és bo si la seva puntuació de crèdit està per sobre d’un percentatge determinat (diguem-ne un 95%) o si els seus ingressos se situen per sobre dels 10 LAcs i el nombre de dependents d’ell és menor. de 3. En cas contrari, un client no té problemes per préstecs de crèdit. Per tant, Business Analytics s’aplica tenint en compte un objectiu molt específic. En ciències de dades, només us orienteu a la precisió, però l’analítica empresarial no es refereix a la precisió. Es tracta d’allò que es pot implementar o què pot ser útil per al client. Així, les analítiques empresarials sovint comprometen la precisió d'una mica il·luminat, sempre que el model doni informació sobre què es pot actuar. L’analítica empresarial requerirà molta aportació i intuïció per comprendre quins són els resultats.

Si un candidat vol realitzar anàlisis perquè hi ha moltes coses interessants que es poden fer i com entendre les dades i fer-ho bé, hauria d’anar a la ciència de dades, però si el candidat està intentant resoldre un món real problema (pot ser que es tracti d’una qüestió que es planteja en anglès) mitjançant l’ús de dades, aleshores les coses en l’analítica empresarial serien molt més fàcils. Per això, tenim programes PGP-BABI i PGP-BDML que atenen els dos grups.

Notes a peu de pàgina

[1] Què és Business Analytics? - Gran Aprenentatge

[2] Què és l'aprenentatge profund? - Gran Aprenentatge


Resposta 3:

Analista empresarial: les tasques assignades als analistes empresarials inclouen la valoració dels requisits de l'organització pel que fa a les seves operacions i funcions. Reuneixen tota la informació que s'ha de controlar i, per tant, demanen que es desenvolupin. Això també inclou criteris d’acceptació.

Exemple: Prenem Microsoft PowerPoint com el nostre producte i els responsables de productes volen afegir una nova funció en la qual vol incloure emoji. Aleshores, BA escriurà una notícia on explicarà què cal fer exactament com en quin menú hauria de ser, on hauria de ser el botó de drecera, etc. I els mateixos implementadors necessiten el mateix.

Analista de dades: les tasques principals dels analistes de dades són recollir, manipular i analitzar dades. Preparen informes, que poden presentar-se en forma de visualitzacions com a gràfics, gràfics i taulers de taula, detallant els resultats significatius que van deduir.

Exemple: prenem un exemple d'EBay, i el requisit de l'organització és com si volen conèixer la gent que hi acudeix directament a través de publicitat, específicament per regió. Així, doncs, un analista de dades farà algunes tasques de cava i donarà un informe dient que aquestes moltes persones estan colpejant directament, és a dir, no hi ha persones que arribin al lloc web a través de publicitat. Així doncs, l'organització prendrà la decisió i farà el que sigui necessari. Com en quina regió necessiten concentrar-se més i etc.

Data scientist: un Data Scientist és un professional que entén les dades des del punt de vista empresarial. És l’encarregat de fer prediccions per ajudar les empreses a prendre decisions precises. Es tracta d’un pas per davant de l’analista de dades.

Edició 1: diferència entre Data Scientist i Data Analyst