Business Intelligence VS Data Science: hoe verschillen ze van elkaar en waarom is dit relevant?

De termen Business Intelligence (BI) en Data Science worden regelmatig door elkaar gehaald. Zowel bij BI als bij Data Science is het uiteindelijke doel om waardevolle inzichten te verkrijgen uit data. Echter zijn er duidelijke verschillen tussen de twee. Het is belangrijk dat organisaties die (meer) datagedreven willen gaan werken op de hoogte zijn van de verschillen zodat zij de juiste stappen kunnen nemen.

Wat is Business Intelligence?
Business Intelligence is een technologie gedreven proces voor het analyseren van gegevens en het leveren van bruikbare informatie die een organisatie helpt om betere data gestuurde beslissingen te nemen (Linden-IT, 2022). Bij BI draait het met name om de historische data van een organisatie. Aan de hand van deze historische data kan het verleden en heden in kaart worden gebracht. Er wordt bijvoorbeeld gemonitord wat de resultaten waren en in hoeverre de doelstellingen behaald worden (Van der Vaart, 2019). Het monitoren en analyseren van deze data gebeurt vaak met rapportages en dashboards. Daarnaast wordt bij BI voornamelijk gewerkt met gestructureerde data (Minnema, 2022). Gestructureerde data betekent dat de data is opgeslagen in een tabelvorm met rijen en kolommen.

Wat is Data Science?
Data Science houdt zich bezig met dataverwerking, -analyse, -programmering en het bouwen van voorspellingsmodellen. Het doel is om inzicht te krijgen in grote hoeveelheden data, relaties tussen variabelen zichtbaar te maken en voorspellingen te doen die betekenisvol kunnen zijn voor organisaties (Wilson, z.d.). Waar BI zich beperkt tot het heden en verleden, wordt er bij Data Science ook naar de toekomst gekeken middels voorspellende modellen (Blue frog, z.d.). De vraag is nu niet meer: “Wat waren de resultaten en in hoeverre worden de doelstellingen behaald?”, maar: “Wat zijn de onderliggende patronen en wat lijkt het meest waarschijnlijk om in de toekomst te gebeuren?”. Om deze vragen te beantwoorden wordt er met zowel gestructureerde data als ongestructureerde data gewerkt door data scientists (Minnema, 2022). Een voorbeeld van ongestructureerde data is social media data. Er kan dan gedacht worden aan berichten op Twitter of Facebook. Ook foto’s en video’s zijn voorbeelden van ongestructureerde data.

Het verschil uitgelegd aan de hand van een voorbeeld
Om het verschil tussen BI en Data Science verder te verduidelijken is het volgende scenario geschetst; Een tijdschrift verliest gedurende een langere periode steeds meer abonnees. Het feit dat het aantal abonnees verminderd, wordt geconstateerd door een BI-specialist met behulp van een dashboard. Een Data Scientist duikt dieper in op deze constatering door te analyseren wat de onderliggende redenen zijn waarom abonnees opzeggen en door bijvoorbeeld te voorspellen wie de volgende abonnees zijn die gaan opzeggen (Van der Wardt, 2022). Zoals uit het voorbeeld blijkt is Data Science vaak het vervolg op BI.

Welke is het meest waardevol?
Zowel BI als Data Science kan veel waarde toevoegen voor organisaties. Wanneer organisaties datagedreven werken nog in de kinderschoenen hebben staan, ligt het starten met BI het meest voor de hand. Met BI kan er een basis gecreëerd worden voor zowel het op orde krijgen van de data als voor het nemen van datagedreven beslissingen. Wanneer een organisatie haar BI al op orde heeft kan er worden gekeken naar het toepassen van Data Science. Door het toepassen van Data Science kunnen organisaties meer diepgang creëren in hun data analyses en wordt het mogelijk om niet alleen naar het verleden en heden te kijken, maar ook naar de toekomst. Kortom, voordat een organisatie besluit om te investeren in BI of Data Science is het van belang om eerst vast te stellen hoe ver de organisatie is in het werken met data en waar de behoefte precies ligt. Op die manier kunnen organisaties de juiste stappen nemen en gericht investeren in de juiste tools en het werven van geschikte BI-specialisten of Data Scientists.

Bronnen:

;