最近提醒我商业智能和预测分析之间的重叠。当然，这个博客（或至少是博客标题）的任何读者都知道我生活在数据预测分析 的世界中，而不是商业智能的世界。总的来说，我不会对 发表评论，因为我是一个局外人。不过，我将 视为 的兄弟姐妹，因为我们有很多共同点：我们使用相同的数据，经常使用相似的指标，甚至有时在我们的分析中使用相同的工具。 年 1 月，我接受了的采访，主题是预测模型的测试准确性（我想我第一次联系是在 的采访）。我不知道的是，这个领域的两位好朋友和同事 也接受了采访。由此产生的文章“测试预测模型准确性的 3 种方法” 发布在他们的客上 ，写得很好，发布后在 上引起了不小的轰动。 在面试之前，我对所知，在看了他们的博客之后，我明白了原因：他们显然是一个 博客。但在阅读了十几篇文章后，很明显我们是兄弟姐妹，尤其是在大数据、数据科学、人员配置和人才招聘方面分享概念和方法。我很高兴回到博客。
的相似之处是我在
和绩效管理会议上的演讲中试图提出的要点。在对术语进行适当的翻译后，这两个领域可以很好地相互理解。此处描述了两个术语差异示例。 首先，人们很少在 会议上听到 一词，但会在 会议上经常听到它。如果我们使用 作为 一词的流行度指标， ‘“预测分析”’ 在谷歌上只产生了 次点击，而 ‘商业智 最新邮件数据库 能”产生了0次点击。 在 中，人们更有可能听到这些想法被描述为指标甚至特征或派生变量，它们可以用作模型的输入作为目标变量。 作为第二个示例，“用例”经常出现在 BI 会议中以解释创建特定 或分析的原因。会议中很少描述“用例”；在 中，我们说“案例研究”。回到，我们发现 ‘ “商业智能” “用例” ‘ – 在谷歌上有 次点击 ‘ “预测分析” “用例” ‘ – 在谷歌上有 次点击 ‘ “预测分析“案例研究”’ – 在谷歌上有 次点击 有趣的是，搜索中“预测分析”“用例”的前两个链接甚至都不是预测分析用例或案例研究。两个链接中的第二个链接实际上描述了预测分析如何成为云计算的一个用例。
然BI 社区似乎拥
抱 甚至将其视为 的一部分（我认为这让 社区非常懊恼）。根据维基百科关于 的条目，下表显示了属于 的主题： 有趣的是都被认为是 的一部分。我必须承认，在我参加过的所有会议上，我从未听过与会者将自己描述为 从业者。我在其他包括 BI 特定材料的会议上听到 BW 列表 了更多 交叉品牌，例如绩效管理和 分析会议。 将此与 维基百科页面进行对比。这种与 相关的领域分类是典型的。我个人会将虚线包括在文本挖掘中，甚至可能包括链接分析或社交网络，因为它们是相关的，但不直接属于。有趣的是，统计在这里属于 ，我肯定会让统计学家懊恼！而且，我猜想在统计会议上，与会者不会称自己为预测建模者。但也许他们会认为自己是数据科学家那完全是另一个话题。但这就是这些列表的方式；它们很难完善，并且通常会引发关于分界线出现位置的讨论。