业务分析是指用于处理、挖掘和可视化数据的统计方法和计算技术,它们旨在发现模式、关系和洞察,从而实现更好的业务决策。
业务分析涉及企业使用其运营部门所创建的数据或公开提供的数据来解决业务问题、监控其业务基本面、发现新的增长机会并更好地服务客户。
业务分析利用了数据探索、数据可视化、集成仪表板等技术,以便用户访问可操作的数据和业务洞察信息。
本 IBM 电子书揭示了集成业务分析解决方案以将洞察转化为行动的价值所在。
阅读数据领导者指南
商业智能 (BI) 可在业务数据的基础上实现更好的业务决策。业务分析 (BA) 是商业智能的一个子集;商业分析可提供分析,而综合商业智能基础设施则包括识别和存储决策所用数据的工具。
商业智能既收集、管理和使用原始输入数据,也收集、管理和使用业务分析所生成的知识和可操作洞察信息。业务分析的目的始终为形成新的知识和洞察,以提高企业的整体商业智能。
业务分析可用于解答有关过去所发生事件的问题、进行预测以及预测业务成果。1组织可更全面地了解其业务,从而更有效地理解用户行为。
数据科学家和高级数据分析师使用业务分析来提供高级统计分析。统计分析的部分示例包括:回归分析(使用历史销售数据来估计客户生命周期价值)和聚类分析(分析和细分特定区域中的高使用率用户和低使用率用户)。
业务分析解决方案可为所有部门带来益处,其中包括财务、人力资源、供应链、营销、销售或信息技术。同时,它还可为所有行业带来益处,其中包括医疗保健、金融服务和消费品。
分析是指从数据中获得洞察的行为,而业务分析便利用它来推动业务绩效的提高。通常使用的有价值分析方法共有 4 种:
顾名思义,此类分析可描述它所包含的数据。例如,饼图可细分企业客户的人口统计学数据。
诊断分析有助于查明事件的根本原因。它可帮助解答以下问题:影响业务成果的一系列事件有哪些?在给定的历史时间范围内,真正的相关性和因果关系体现在哪些方面?这些发现背后的驱动因素是什么?例如,制造商可分析装配线上的故障组件,并确定导致其故障的原因。
预测分析可挖掘现有数据、识别模式并帮助公司根据这些数据预测未来可能发生的情况。它使用多种预测模型,而这些模型可对未来行为或结果做出假设。例如,如果预计即将到来的冬季气温会升高,组织则可预测外套销量的变化。
预测性建模2也可帮助组织避免问题发生,例如了解车辆或工具何时会发生故障并在发生问题之前进行干预,或是了解人口统计学数据或心理变化何时会对其产品线产生积极或消极影响。
这些分析有助于组织根据现有信息和资源对未来做出决策。每个企业均可通过审视其现有数据来预测后续情况,从而用上规范性分析。例如,营销与销售组织可分析最近所售商品/服务的潜在客户成功率,以确定它们今后应优先考虑哪些类型的商品/服务。金融服务公司可通过分析现有数据来使用规范性分析进行欺诈检测,从而实时判断任一购买是否可能存在欺诈行为。
业务分析实践涉及多种工具,它们旨在帮助企业了解其正在收集的数据,并将这些数据转化为洞察信息。部分最常见的工具、学科和方法如下:
现代组织需能快速做出决策,以便在快速变化的世界中进行竞争;而在此环境中,新的竞争对手每年都会涌现,而客户的习惯也总在变化。较之未优先考虑业务分析的竞争对手,优先考虑业务分析的组织拥有若干优势。
更快、更明智的决策:通过灵活、广泛地查看企业拥有的所有数据,可消除不确定性、促使企业更快采取行动并改进业务流程。如果组织的数据表明特定产品线的销售额急剧下降,组织则可能会决定将该产品线停产。如果气候风险会影响其他组织所依赖的原材料的收获,该组织便可能需要从其他地方采购新材料。这一点在考虑定价策略时特别有用。
企业如何为其商品或服务定价基于数千个数据点,而其中很多数据点会随着时间推移而变化。无论企业采用固定定价策略还是动态定价策略,能够访问实时数据以创建更智能的短期及长期定价数据都至关重要。对于想要纳入动态定价的组织,业务分析有助于它们利用数千个数据点来对外部事件和趋势做出反应,以便根据需要频繁地确定可实现最高盈利的价格点。
单窗口信息视图:通过加强部门与业务线用户之间的协作,每个人均可拥有相同的数据,并且讨论的是同一个运行手册。拥有一站式界面可显示更多看不见的模式,以便不同部门理解企业的整体方法,并提高组织应对市场变化的能力。
增强客户服务:通过了解客户的需求、何时需要以及有多需要,组织可提升客户的满意度并建立起更高的忠诚度。除改善客户体验外,由于还能在资源分配或制造方面做出更明智的决策,组织很可能能以更实惠的价格提供这些商品或服务。
希望利用业务数据的企业可能需要提高现有员工的技能或雇佣新员工,因此可能需要创建新的职位描述。数据驱动型组织需要具备出色分析与沟通技能的员工。
要充分利用强大的业务分析战略的潜力,这些组织需要如下员工:
数据科学家:此类人员负责管理为业务分析程序提供支持的算法和模型。为分析数据,组织数据科学家要么使用开源库(例如,用于算法的自然语言工具包 (NTLK)),要么会构建自己的库。他们擅长解决问题且常需了解几种编程语言(如 Python),从而有助于访问现成可用的机器学习算法和结构化查询语言 (SQL)(有助于从数据库中提取数据以馈送至模型)。
近年来,越来越多院校设置了数据科学理学硕士或学士学位,而学生可就读相关学位课程,以便学习计算机科学、统计建模和其他数学应用。
数据工程师:此类人员负责创建和维护信息系统,而这些系统可用于从不同位置收集数据,然后对数据进行清理和分类,并将其放入一个主数据库中。他们通常负责帮助确保利益相关者可轻松收集和访问数据,以便为组织提供其数据运营情况的统一视图。
数据分析师:此类人员在向外部和内部利益相关者传达洞察信息方面发挥着关键作用。根据组织的规模,他们可能会收集并分析数据集并构建数据可视化效果,或是可能会接管其他数据科学家所创建的工作,并专注于为关键要点构建出色的叙事。
为了最大限度地发挥组织业务分析的优点,组织需清理和连接数据、创建数据可视化效果并提供有关当前业务状况的洞察,同时帮助预测后续会出现的情况。此操作通常涉及以下步骤:
首先,组织必须确定其全部现有数据及其想要合并的外部数据,以了解自身拥有哪些业务分析机会。
不幸的是,企业的大部分数据仍未清理,因此在此问题得到解决之前,无法将这些数据用于准确的分析。
可能需清理组织数据的部分原因如下:
业务分析程序现在可快速获取大量已分析数据来创建仪表板、可视化效果和面板,而在其中可以存储、查看、排序、操作数据并将其发送给利益相关者。
数据可视化最佳实践包括:了解哪些可视化效果最适合组织正在使用的数据以及它希望表达的关键点,尽可能保持可视化效果干净简洁,以及提供正确的解释和内容,从而帮助确保受众理解其正在观看的内容。
持续数据管理会与先前提及的内容同时进行。开展业务分析的组织必须制定全面的战略来维护其已清理的数据,尤其是在整合新数据源时。
业务分析对于每种类型的业务部门都十分有用,并可作为一种方法,用于理解特定部门所拥有的数据,并帮助该部门生成特定的洞察信息以推动实现更明智的决策。
1 商业智能与业务分析(ibm.com 外部链接),哈佛商学院。
2 预测分析如何促进产品开发(ibm.com 外部链接),McKinsey,2018 年 8 月 16 日。