业务分析（BA）
商业分析(BA)是迭代，对组织数据的有条理探索，重点是统计分析。使用数据驱动决策的公司使用业务分析。
数据驱动的公司将其数据视为公司资产，积极寻找将其转化为竞争优势的方法。成功的业务分析取决于数据质量，了解技术和业务的熟练分析师以及使用数据来获得通知业务决策的见解的组织承诺。
商业分析方式如何运作
一旦确定了分析的业务目标，选择了分析方法，并获取业务数据以支持分析。数据采集往往涉及从多个业务系统和数据源提取，然后将数据清理和集成到单个存储库中，例如数据仓库或者数据库。
初始分析通常在较小的数据样本集上执行。分析工具范围从具有统计功能的电子表格到复杂的数据挖掘和预测建模应用程序。作为原始数据中的模式和关系被发现，被问到新的问题，并且分析过程迭代，直到满足业务目标。
预测模型的部署包括对通常位于数据库中的数据记录进行评分。然后，这些分数用于优化应用程序和业务流程中的实时决策。英航还支持战术决策，以应对不可预见的事件。而且，在很多情况下，决策是通过人工智能实现的，以支持实时响应。
业务分析类型
特定类型的业务分析包括：
业务分析与商业智能
虽然条款商业智慧业务分析通常可以互换使用，有一些关键的区别。
在实施业务分析之前，公司通常从商业智能（BI）开始。BI有助于分析业务运营，以弄清楚到目前为止有什么工作，需要改进什么。BI使用描述性分析。
相比之下，业务分析更多地关注预测分析，并为决策者产生可操作的见解。BA也旨在预测趋势而不是概述过去的数据点。使用商业智能收集的数据为业务分析奠定了基础;从该数据来看，公司可以选择使用业务分析进一步分析特定区域。
业务分析与数据分析
数据分析就是对数据集进行简单的分析，从而得出关于它们所包含信息的结论。数据分析并不一定要用于追求业务目标或见解。它是一个比商业分析更通用的术语。数据分析的定义包括业务分析——业务分析是数据分析的一种类型。业务分析是使用数据分析工具来追求业务洞察力。
但是，因为它是一般的术语，数据分析可以与业务分析互换使用。
业务分析vs.数据科学
商业分析的更先进的区域可以开始类似于数据科学，但这两个术语之间也有区别。即使先进的统计算法被应用到数据集上，也并不一定意味着数据科学涉及其中。这是因为真正的数据科学涉及更多的自定义编码和探索开放式问题的答案。
数据科学家通常没有出发以解决特定问题，因为大多数商业分析师都这样做。相反，它们将使用高级统计方法探索数据，并允许数据中的功能引导分析。
业务分析示例和工具
有许多商业分析工具可以自动执行这些高级数据分析功能，而不需要数据科学所需的特殊分析技能或编程语言的深入知识。
这些工具有助于企业组织并利用现代企业云应用程序生产的大量数据。这些应用程序可能包括供应链管理（SCM.)、企业资源规划(ERP.）和客户关系管理（CRM.） 工具。
以下是一些流行的商业分析工具:
- Qlik，具有数据可视化和自动数据关联功能。
- Splunk，这对于中小型企业特别受欢迎，因为其直观的用户界面和数据可视化功能。
- SISENSENDS，它以其动态文本分析功能和数据仓库而闻名
- KNIME，以其高性能数据流水线和机器学习而闻名
- Dundas BI，由于其自动趋势预测和用户友好的拖放界面特性而广受欢迎。
- TIBCO Spotfire被认为是更先进的BA工具之一，提供强大的自动化统计和非结构化文本分析。
- Tableau Big Data Analytics也因其先进的非结构化文本分析和自然语言处理(NLP）能力。
一个示例用例是使用DataKitchen这样的DataOps分析平台从各种企业应用程序中聚合数据，然后使用Tableau在内部向员工展示这些数据。例如，这些数据可能用于指示哪些客户可能取消对该公司提供的服务的订阅。BA工具提供的洞见让员工能够识别有取消风险的客户，并采取措施让他们继续订阅。
什么时候选择业务分析工具，组织应该考虑他们将获取数据的来源，他们将分析的数据的性质，以及可用性。一个好的业务分析工具对于普通业务用户来说非常简单，但是也可以让更高级的用户利用它的特性。
