El análisis es el proceso de dividir una porción compleja de datos en partes más pequeñas para obtener una mejor comprensión de la misma. El análisis se realiza sobre cosas que ya sucedieron en el pasado. Por otro lado, Analytics generalmente se refiere al futuro. En lugar de explicar eventos pasados, explora los posibles eventos futuros. Analytics es el análisis computacional de datos de manera sistemática que se utiliza para el descubrimiento e interpretación de nuevas tendencias y la comunicación de patrones significativos en los datos. También incluye aplicar esos patrones de datos para la toma de decisiones efectiva para el futuro.
Hay varias categorías de análisis avanzado que son las siguientes:
- Análisis de negocio
- Inteligencia de negocios
- Análisis de datos
- Ciencia de los datos
- Aprendizaje automático
- Inteligencia artificial
Analytics se ramifica aún más en 2 áreas:
- Analítica cualitativa : Se trata de utilizar la intuición y la experiencia además de planificar la siguiente decisión.
- Analítica Cuantitativa : Se refiere a la aplicación de fórmulas y algoritmos a los datos recogidos del análisis.
Hoy en día, muchos profesionales consideran a Analytics como Análisis y Análisis combinados.
El diagrama anterior muestra las disciplinas más populares de los campos relacionados con la ciencia de datos y los negocios y cómo se relacionan entre sí.
La parte de la izquierda de la línea punteada se refiere a las actividades sobre datos pasados y la de la derecha se refiere a la toma de decisiones para la planificación y previsión futuras.
Análisis empresarial: en el ámbito empresarial, existen términos operativos como estudios de casos comerciales, análisis cualitativo, informe de datos preliminares, creación de paneles y pronóstico de ventas. Entre estos, actividades como Business Case Studies son parte de Business Analysis, mientras que el análisis cualitativo es parte de Business Analytics. Estas dos son actividades puramente relacionadas con el negocio, mientras que la creación de informes y paneles de datos preliminares y la previsión de ventas son actividades comerciales basadas en datos. Por lo tanto, ambas actividades estarán en el segmento de color azul del diagrama.
Análisis de datos: con actividades comerciales basadas en datos, como la creación de informes y paneles de datos preliminares y pronósticos de ventas, el análisis de datos entra en escena. Ahora, la creación de informes y paneles de datos preliminares es un reflejo de los datos anteriores, por lo tanto, se ubicarán en el área común de Business and Data Analytics, pero se ubicarán en el lado izquierdo de la línea punteada que se encuentra entre «Análisis de datos» y el pronóstico de ventas será en el lado derecho, ya que la previsión en sí misma es una actividad orientada al futuro.
Ciencia de datos: es un campo interdisciplinario en el que se utilizan métodos científicos, procesos computacionales y algoritmos matemáticos y estadísticos para extraer conocimiento y obtener información futura a partir de datos estructurados y no estructurados. La ciencia de datos es una disciplina que depende en gran medida de la disponibilidad de datos, mientras que el análisis empresarial no se basa en datos, aunque incorpora parte del análisis de datos que utiliza herramientas matemáticas, estadísticas y de programación complejas. Las actividades como la creación de informes y paneles de datos preliminares y la previsión de ventas son comunes en Business Analytics, Data Analytics y Data Science.
Business Intelligence: Se refiere al proceso de analizar y reportar datos comerciales históricos. El objetivo de la inteligencia comercial es explicar eventos pasados después de evaluar los datos comerciales. Debe ir a la izquierda de la línea de tiempo, ya que solo se ocupa de eventos pasados y debe ubicarse dentro de la parte de ciencia de datos como un subcampo porque es el paso preliminar del análisis predictivo.
Inteligencia Artificial : Se refiere a la simulación de la mente humana y su inteligencia en máquinas para pensar como humanos e imitar sus acciones.
Aprendizaje automático : es un subconjunto de la inteligencia artificial (IA) que brinda a los sistemas la capacidad de aprender por sí mismos y mejorar a partir de la experiencia sin ser programados explícitamente. El rectángulo de aprendizaje automático es un poco controvertido para colocarlo, ya que el aprendizaje automático supervisado toma datos etiquetados como entrada, mientras que los algoritmos de aprendizaje automático no supervisados no toman datos etiquetados.
Diferencia entre Business Analytics y Business Intelligence:
|
Residencia en |
Análisis de negocio |
Inteligencia de negocios |
|---|---|---|
| Definición | Business Analytics es la exploración e investigación repetidas de los rendimientos comerciales anteriores para obtener información y tendencias. | Business Intelligence (BI) se refiere al proceso de analizar e informar datos comerciales históricos y actuales. |
| Necesitar | Necesario para futuras operaciones comerciales e inversiones. | Necesario para la operación comercial actual. |
| Instrumentos | SAP Business Objects, QlikSense, PowerBI, etc. | Procesamiento de textos, Google docs, MS Visio, MS Office Tools, etc. |
| Ejemplo | Estudiar casos de negocios de otras empresas y personalidades empresariales y aprender de sus errores e ideas. | Informes de datos con imágenes y creación de paneles. |
Diferencia entre análisis de datos y ciencia de datos:
|
Residencia en |
Análisis de datos |
Ciencia de los datos |
|---|---|---|
| Definición | El análisis de datos se refiere a la limpieza, estructuración, transformación y modelado de datos para obtener información útil y llegar a una conclusión que pueda ayudar en la toma de decisiones. | La ciencia de datos es un campo interdisciplinario en el que se utilizan métodos científicos, procesos computacionales y algoritmos matemáticos y estadísticos para extraer conocimiento y obtener perspectivas futuras a partir de datos estructurados y no estructurados. |
| Confiabilidad en los datos | Confíe completamente en los datos. | Confiar parcialmente en los datos. |
| Alcance | Micro | Macro |
| Tipo de datos | Trata con datos estructurados | Trata con datos no estructurados |
| Habilidad | Las habilidades estadísticas y de programación no son muy necesarias. | Se necesitan conocimientos de estadística y programación. |
| Ejemplo | El procesamiento de señales digitales utiliza análisis de datos para producir una señal de mayor calidad. | Optimización de la precisión de las predicciones basadas en datos extraídos de varias actividades típicas de las operaciones de perforación en la industria del petróleo y el gas. |
Diferencia entre inteligencia artificial y aprendizaje automático:
|
Residencia en |
Inteligencia artificial |
Aprendizaje automático |
| Definición | La inteligencia artificial (IA) se refiere a la simulación de la mente humana y su inteligencia en máquinas para pensar como humanos e imitar sus acciones. | El aprendizaje automático es un subconjunto de la inteligencia artificial (IA) que brinda a los sistemas la capacidad de aprender por sí mismos y mejorar a partir de la experiencia sin ser programados explícitamente. |
| Solucion optima | Encuentra la solución óptima. | Encuentra una solución sea óptima o no. |
| Confiabilidad en los datos | Se trata de datos estructurados, semiestructurados y no estructurados. | Se ocupa solo de datos estructurados y semiestructurados |
| Ejemplo | Siri, atención al cliente mediante catboats, sistema experto, juegos en línea, robot humanoide inteligente | Sistema de recomendación en línea, algoritmos de búsqueda de Google, sugerencias de etiquetado automático de amigos de Facebook |