Data science versus business intelligence

Leestijd 6 minuten

Data science versus business intelligence

Met alle IT-initiatieven in alle organisaties over de hele wereld, is het geen wonder dat sommige IT-termen door elkaar gebruikt of verward worden. Data science, data-analyse, datamining - het is een mengelmoes van termen en concepten die elkaar overlappen en met elkaar verweven zijn, maar die toch behoorlijk verschillend zijn.

Om de termen echt te begrijpen, is het noodzakelijk om het doel en de waarde van elk concept te begrijpen, aangezien ze allemaal een rol spelen in de wereld van big data.


Wat is data science?

Laten we beginnen met data science, grotendeels gezien als de overkoepelende term die een aantal andere disciplines omvat. Data science, meestal gekoppeld aan de big data-explosie, is de samensmelting van tal van overkoepelende disciplines, waaronder software-engineering, data-engineering, business intelligence, informatica en statistiek.


Data science omvat een aantal processen die draaien om het ophalen, verzamelen, verwerken en transformeren van grote hoeveelheden gegevens, big data genoemd.


Data science ontstond in de nasleep van big data. Er wordt vaak gezegd dat data science de volgende eigenschappen heeft:

  • De allure van big data
  • De fascinatie van ongestructureerde data
  • De precisie van geavanceerde wiskunde en statistiek
  • De innovatie van sociale media
  • De creativiteit van verhalen vertellen
  • Het onderzoek en uitpluizen van forensisch onderzoek

De data science paraplu: big data, machine learning, datamining en data-analyse

Data science omvat het aanbrengen van structuur in big data, het vinden van terugkerende patronen daarin en het adviseren over de mogelijkheden en implicaties om acties in gang te zetten aan besluitvormers. 

Onder de paraplu van data science vallen ​​een aantal tools en processen:

Big data zijn enorme hoeveelheden ongeorganiseerde gegevens, vaak afkomstig uit verschillende bronnen, die niet verwerkt kunnen worden met traditionele applicaties. Big data vormt de basis voor data science.

Machine Learning omvat kunstmatige intelligentietechnieken die worden gebruikt in datamining.

Machine learning is een combinatie van statistiek, informatica en wiskunde. Het is een verzamelnaam voor het proces waarmee een algoritme leert van en voorspellingen doet op basis van de gegevens die het tegenkomt. De programmeertaal Python is een tool die veel wordt gebruikt voor de ontwikkeling van machine learning.

Machine learning-concepten hebben interactie met bestaande systemen zoals productiedatabases, gegevensopschoning en data-acquisitie, met als uiteindelijk doel voorspellende modellen/machine learning-algoritmen te ontwikkelen. Deze modellen veranderen (leren) naarmate de inferentiële statistieken van de machine learning-concepten nieuwe gegevens leren.

Datamining omvat het bouwen van modellen die waarden van doelvariabelen kunnen voorspellen door machine learning-algoritmen toe te passen op big data.


Datamining is het proces van het verzamelen van gegevens en het zoeken naar patronen binnen die gegevens. Datamining omvat het ontwerpen van algoritmen die worden gebruikt om inzichten te halen uit grote, ongestructureerde datasets. 

Dat doen ze door patronen te identificeren en toe te passen. Enkele van de activiteiten binnen datamining zijn:

  • Gecontroleerde classificatie
  • Patroonherkenning
  • Clustering
  • Statistische technieken

Data science is afhankelijk van datamining. Het is meestal de eerste stap van data science, omdat het een data scientist in staat stelt onderscheid te maken tussen significante bevindingen en willekeurige ruis.

Data analyse maakt gebruik van datamining technieken en tools om patronen in de geanalyseerde dataset te ontdekken.

Data analyse voorspelt de relatie tussen datasets of andere bekende variabelen. De bedoeling is te leren hoe een bepaalde gebeurtenis in de toekomst mogelijk gaat plaatsvinden. Data science maakt gebruik van data analyse om strategische en bruikbare inzichten te bieden.

Data science versus business intelligence: hoe ze op elkaar lijken, hoe ze verschillen

Velen zijn data science gaan zien als het nieuwe business intelligence. In wezen zijn data science en business intelligence echter twee heel verschillende disciplines. De een kan de ander ook niet vervangen. In feite werken zowel data scientists als business analisten samen in verschillende, maar gerelateerde rollen binnen big data, waardoor onbewerkte gegevens worden omgezet in bruikbare en relevante informatie.

De overeenkomst is dat zowel data science als business intelligence organisaties in staat stellen om in ruwe data informatie te ontdekken die commercieel of sociaal nuttig kan zijn. Veel organisaties hebben de expertise van zowel data scientists als business analisten nodig om gebruik van big data te optimaliseren.

Business intelligence

Het business intelligence-proces omvat het verstrekken van retrospectieve rapporten om bedrijven te helpen de huidige status van hun bedrijf te volgen en vragen te beantwoorden over historische bedrijfsprestaties. Met andere woorden, business intelligence is gericht op het interpreteren van gegevens uit het verleden. Business analisten voeren nauwgezet, planmatig werk uit, waaronder het samenstellen van stukjes van de big data-puzzel om tot concrete antwoorden te komen.

Business intelligence heeft de neiging zich te concentreren op rapportages, dashboards en waarschuwingen, die in de meeste gevallen gevisualiseerd zijn.  Resultaten die eenvoudig te behappen zijn: taartdiagrammen, staafdiagrammen en dergelijke. Deze zijn met name kenmerkend voor business intelligence.

De waarde van business intelligence ligt in de toegankelijkheid ervan. Hoewel organisaties business intelligence gebruiken bij strategische besluitvorming, kent het echter ook zijn beperkingen. 

Het belangrijkste is dat business intelligence-tools werken met variabelen die al bestaan. Met andere woorden, we moeten vooraf al weten waarnaar we op zoek zijn, om business intelligence-tools te gebruiken.

Hoe verschilt data science van business intelligence?

Data science verschilt van business intelligence doordat het gebruik maakt van gegevens uit het verleden om toekomstige voorspellingen te doen. Vaak helpen data scientists bedrijven om de onzekerheid van de toekomst te verminderen door voorspellingen te doen van toekomstige prestaties op basis van gegevens uit het verleden.

Terwijl business intelligence vooral gestructureerd is, neigt data science meer naar het ongestructureerde. 

Met andere woorden, data science houdt zich bezig met onvolledige, rommelige, ongeorganiseerde gegevens, die niet onmiddellijk bruikbaar zijn zonder enige mate van opschonen en voorbereiden.

Data science en business intelligence bevinden zich in hetzelfde spectrum, zij het aan tegenovergestelde kanten.

Business intelligence richt zich op het beheren en rapporteren van bestaande bedrijfsgegevens om aandachtsgebieden of interessegebieden te bewaken, terwijl data science voorspellende inzichten en nieuwe productinnovaties genereert door toepassing van geavanceerde analytische tools en algoritmen.

De data science-toolkit is technisch geavanceerder dan de business intelligence-toolkit, waarbij data science tools gebruiken zoals geavanceerde statistische pakketten, SQL, Hadoop en open source-tools zoals Python en Perl.

Deze blog is geschreven door:

Jorn Diephuis

Head of Sales

Informatie koppelen aan mensen en met informatie mensen bij elkaar brengen, dat is waar het uiteindelijk om gaat.

Interesse?

Of je nu al een hele datastrategie hebt staan, of dat je nog moet starten, wij denken graag met je mee in het realiseren van een datagedreven organisatie. Laat je naam en telefoonnummer achter en wij nemen snel contact met je op.
Bedankt voor het invullen! We bellen je zo spoedig mogelijk terug.
Oops! Something went wrong while submitting the form.

Alle online trainingen en opleidingen

Data Science opleidingen in Python en R voor beginners tot aan expert, data engineering met Azure en Spark en data visualisatie in PowerBI.