什么是商业分析 (BA) ？

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。

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，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，或是了解人口统计数据或消费心态的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：

• 数据管理：数据管理是指采集、处理、保护和存储组织数据的实践。然后，会将其用于战略决策以改善业务成果。随着数据存储量的不断扩大，数据孤岛、安全风险和一般决策瓶颈等重大挑战便会接踵而至；因此，数据管理学科已成为一个日益重要的优先事项。
  
  
• 数据挖掘或 KDD：数据挖掘（也称为“数据中的知识发现 (KDD)”）是指从大型数据集中发现模式和其他有价值信息的流程，同时它也是大数据分析的重要组成部分。通过协助企业将其原始数据转化为有用的知识，大数据的重要性与日俱增，从而使数据挖掘成为所有现代业务的关键组成部分。
  
  
• 数据仓库：数据仓库或企业数据仓库 (EDW) 是一种系统，它可将来自不同来源（包括应用程序、物联网 (IoT) 设备、社交媒体和电子表格）的数据汇聚到单个、集中且一致的数据存储中，以便支持数据分析、数据挖掘、人工智能 (AI) 和机器学习 (ML)。借助数据仓库系统，组织能以标准数据库无法企及的方式对大量数据（TB 级和 PB 级）运行强大的分析。

• 数据可视化：使用图表、绘图、信息图表和动画等图形来表示数据。这些可视化信息显示效果能以更易于理解的方式传达复杂的数据关系和数据驱动式洞察。同时，它们还尤其有助于非技术人员理解分析概念，并可帮助揭示多个数据点中存在的模式。数据可视化还有助于产生想法、说明想法或视觉发现。
  
  
• 预测：该工具可利用历史数据和当前市场条件，然后预测组织在未来几个月或几年内可实现多少收入。出现新信息时，预测会进行调整。当企业将数据和分析与完善的规划和预测最佳实践相结合时，便可提升战略决策，并获得更准确的计划和更及时的预测。
  
  
• 机器学习算法：机器学习算法是 AI 系统用于执行任务的一套规则或流程；而其最常见的用途则是发现新的数据洞察或模式，或是通过一组给定的输入变量来预测输出值。机器学习算法有助于机器学习功能进行学习，从而提供用于分析数据、识别趋势和预测问题的能力。
  
  
• 报告：业务分析依靠数据来帮助组织做出明智的决策。企业级报告软件可从企业所用的各种应用程序中提取信息、分析这些数据并生成报表。
  
  
• 统计分析：统计分析有助于组织从数据中提取可操作的洞察。先进的统计分析程序有助于确保高准确度和高质量的决策。分析生命周期包括数据准备和管理，再到分析和报告。
  
  
• 文本分析：利用机器学习、统计学和语言学来识别非结构化数据中的文本模式和趋势。通过文本挖掘和文本分析将数据转换为更趋结构化的格式，可发现更多定量洞察信息。

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：

• 数据字段不正确：由于手动输入或不正确的数据传输，组织可能会将不良数据与准确数据混在一起。如果系统中存在不良数据，则有可能使整个数据集变得毫无意义。
  
  
• 数据值已过时：由于客户离开、产品线停产或其他不再相关的历史数据，客户信息等某些数据集可能需进行编辑。
  
  
• 数据缺失：企业可能已更改数据收集方式或已收集的数据，这意味着历史条目可能会缺少对未来业务分析至关重要的数据。在此情况下，企业可能需投资进行手动数据输入，或是确定使用算法或机器学习来预测正确数据的方法。
  
  
• 数据孤岛：如果组织的现有数据存在于多个电子表格或其他类型的数据库中，则可能需要合并这些数据，以便将其集中在一个地方。虽然所有业务分析方法的基础均为第一方数据（企业从利益相关者收集并拥有的数据），但它们却可能希望附加第三方数据（从其他组织购买或收集的数据），以将自己的数据与外部洞察信息相匹配。

现在，企业可利用更多的云计算来快速查询和分析数 GB 或 TB 的数据。数据科学家可使用机器学习、算法、人工智能 (AI) 和其他技术更有效地分析数据。此举可根据组织的关键绩效指标 (KPI) 生成可操作的洞察。

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。

• 财务与运营规划：业务分析可提供有价值的洞察，从而帮助组织更顺畅地调整其财务规划和运营。它会通过设置供应链管理规则、跨不同职能集成数据以及改进供应链分析和需求预测来实现此目标。
  
  
• 规划分析：它是一个整合的业务计划方法；它可将电子表格与数据库技术相结合，并根据可靠的指标，就需求和开发潜在客户、运营成本优化以及技术要求等主题做出有效的业务决策。很多组织过去一直使用包括 Microsoft Excel 在内的工具进行业务规划，但有些组织正在过渡到 IBM Planning Analytics 等工具。
  
  
• 整合的销售与营销规划：大多数组织均拥有有关开发潜在客户、销售转化和客户留存成功率的历史数据。对于希望创建更准确的收入计划和预测，并更深入地了解其营销和销售数据的组织，它们正借助业务分析以根据绩效或不断变化的需求来轻松分配资源，从而达成业务目标。
  
  
• 整合的员工队伍绩效规划：随着组织经历数字化转型或是应对不断变化的环境，它们需确保自身拥有具备适当分析技能的合适员工队伍。在员工很可能会离职寻找新工作的领域中，则更是如此。员工队伍绩效规划可帮助组织了解其员工队伍需求，识别和解决技能差距，并更好地招聘和留住人才，以满足组织当前和未来的需求。