Wat is het verschil tussen Data Science en de traditionele ‘Business Intelligence’? Data Science of Business Intelligence: wat is het verschil?
Er is op dit moment veel aandacht voor Data Science binnen bedrijven. Er worden ‘data labs’ en ‘data science-teams’ opgericht en voor de bemensing hiervan wordt gezocht naar schaarse medewerkers. Deze labs en/of teams worden veelal opgezet naast bestaande afdelingen die zich al jaren bezig houden met Business Intelligence en de opzet van Data Warehouses. Maar wat is nu eigenlijk het verschil tussen Data Science en de traditionele ‘Business Intelligence’, zoals we dat al jaren kennen? In dit artikel een korte kenschets en een tabel met de kenmerkende verschillen tussen beiden.
Data Science
Data Science (data wetenschap) is in feite het werkgebied waarin informatie en kennis uit gegevens worden gehaald met behulp van verschillende wetenschappelijke methoden, algoritmen en processen. Het kan dus worden gedefinieerd als een combinatie van verschillende wiskundige hulpmiddelen, algoritmen, statistieken en machine learning-technieken die worden gebruikt om de verborgen patronen en inzichten in de gegevens te vinden die kunnen helpen bij het besluitvormingsproces.
Data Science houdt zich bezig met zowel gestructureerde als ongestructureerde data. Het heeft te maken met begrippen als datamining en big data. Daarnaast behelst het ook het bestuderen van historische trends en het gebruik van de conclusies om huidige trends te herdefiniëren en toekomstige trends te voorspellen.
Business Intelligence
Business Intelligence (BI) is een reeks technologieën, toepassingen en processen die door ondernemingen worden gebruikt voor de analyse van bedrijfsgegevens. Het wordt gebruikt voor de omzetting van ruwe gegevens in zinvolle informatie, die wordt gebruikt voor zakelijke besluitvorming en verbetering van processen.
BI betreft de analyse van gestructureerde en soms ongestructureerde gegevens die kunnen leiden tot nieuwe en winstgevende zakelijke mogelijkheden. Het ondersteunt besluitvorming op basis van feiten in plaats van op aannames. Het gebruik van BI heeft dus een directe impact op de zakelijke beslissingen van een onderneming. BI-tools kunnen bovendien ingezet worden om de kansen van een onderneming om succesvol nieuwe markten te betreden te vergroten en om te helpen bij het bestuderen van de impact van marketinginspanningen.
Kenmerkende verschillen tussen Data Science en Business Intelligence
Hieronder geven we in tabelvorm de belangrijkste verschillen tussen Data Science en Business Intelligence weer:
| Nr | Factor | Data Science | Business Intelligence |
|---|---|---|---|
| 1 | Concept | Het is een vakgebied dat gebruik maakt van wiskunde, statistiek en diverse andere tools om de verborgen patronen in de data te ontdekken. | Het is in feite een reeks technologieën, toepassingen en processen die door ondernemingen worden gebruikt voor de analyse van bedrijfsgegevens. |
| 2 | Focus | Het richt zich op de toekomst. | Het richt zich op het verleden en het heden. |
| 3 | Gegevens | Het behandelt zowel gestructureerde als ongestructureerde data. | Het behandelt voornamelijk/alleen gestructureerde gegevens. |
| 4 | Flexibiliteit | Data Science is flexibeler omdat databronnen naar behoefte kunnen worden toegevoegd. | Minder flexibel omdat vooraf nagedacht moet worden over welke databronnen van belang zijn, alvorens deze met elkaar te kunnen integreren. |
| 5 | Methode | Het maakt gebruik van wetenschappelijke/statistische methoden. | Het maakt gebruik van de analytische methoden. |
| 6 | Complexiteit | Het heeft een hogere complexiteit in vergelijking met business intelligence. | Het is veel eenvoudiger in vergelijking met data science. |
| 7 | Expertise | Kennis van Data Science (wiskunde, statistiek). | Kennis van BI (ontwikkelaar, zakelijke gebruiker). |
| 8 | Vragen | Het gaat over de vragen wat er gaat gebeuren: wat als …? | Het gaat over de vraag wat er is gebeurd. |
| 9 | Opslag | De te gebruiken data wordt verspreid in realtime clusters. | Datawarehouse wordt gebruikt om gegevens te bewaren. |
| 10 | Integratie van gegevens | Het ELT-proces (Extract-Load-Transform) wordt over het algemeen gebruikt voor de integratie van gegevens voor Data Science toepassingen. | Het ETL-proces (Extract-Transform-Load) wordt over het algemeen gebruikt voor de integratie van gegevens voor business intelligence-toepassingen. |
| 11 | Hulpmiddelen | De tools zijn bijvoorbeeld: Python, R, SAS, BigML, MATLAB, Excel, etc. | De tools zijn Microsoft BI, Oracle BI, Tibco BI, Qlikview en Tableau. |
| 12 | Gebruik | Bedrijven kunnen hun potentieel benutten door te anticiperen op toekomstige scenario’s met behulp van Data Science om risico’s te verminderen en inkomsten te verhogen. | Business Intelligence helpt bij het uitvoeren van root cause analyses bij een storing of bij het begrijpen van de huidige status. |
| 13 | Bedrijfswaarde | Er wordt meer toegevoegde waarde bereikt met Data Science in vergelijking met business intelligence omdat het anticipeert op toekomstige gebeurtenissen. | Business Intelligence heeft minder bedrijfswaarde omdat het verkrijgen van meerwaarde statisch verloopt door interpretatie van rapportage’s, grafieken en KPI’s (Key Performance Indicator). |
| 14 | Omgaan met datasets | Nieuwe technologieën zijn beschikbaar c.q. ontwikkelen zich snel voor het verwerken van (zeer grote) datasets voor het begrijpen van de data en het trekken van conclusies/nemen van beslissingen. | Veel technologie die voor BI-toepassingen wordt gebruikt bestaat al lang en wordt nog steeds gebruikt. Voorbeelden zijn databases (Oracle, Microsoft, IBM) en datawarehouses die op deze databases zijn gebaseerd. |
Incore Solutions heeft ruime ervaring met het implementeren van zowel Data Science als Business Intelligence-oplossingen. Neem dus gerust contact op als er nog vragen zijn of als ondersteuning nodig is bij de opzet en implementatie van een dergelijke oplossing.