Innehåll
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Mer om "Användarsida?"
- Få teknisk med avancerad BI-analys
- Framtiden för BI-analys
Källa: Denisismagilov / Dreamstime.com
Hämtmat:
Business intelligence-analytiker har en bred roll, baserad på en mångfaldig kompetensuppsättning.
En analytiker för affärsintelligens har en nyckelroll i ett företag. Detta jobb är relaterat till integrerad programvara och datatillgångar som hjälper företag att kartlägga en kurs framåt och fatta beslut om verksamheten.
I den bredaste bemärkelsen är affärsintelligensanalytiker ansvarig för att arbeta med information om affärsinformation, skapa insikter och skapa sätt att använda dessa datatillgångar i företaget. (Vad är exakt affärsinformation? Läs mer om det i en introduktion till affärsintelligens.)
Denna övergripande jobbroll har olika komponenter. Business intelligence-analytiker kan arbeta med att samla in och dokumentera tekniska krav och visa hur rapporteringsteknologier och analysverktyg integrerar i affärsverksamheten.
De kommer vanligtvis att använda SQL-databasverktyg och annan teknik för att skapa rapporteringslösningar och aktivt forma olika slags data för att stödja insiktgenerering.
En annan nyckelkomponent är att stödja slutanvändaren - till exempel kan en affärsintelligensanalytiker hjälpa till att skapa eller förbättra en viss typ av visuell instrumentpanel eller kanske till och med utbilda användare på den efter att den har skapats.
För mer, låt oss titta på en genomsnittlig annons för denna professionella roll.
Att kalla BI-analytikern en "hands-on position", en annons från Procession Systems i Maryland innehåller följande punkter:
- Hjälp till att skapa och presentera utbildningsmaterial för BI-lösningar
- Rekommendera förbättringar och modifieringar för att optimera affärsinformationens processer
- Ta itu med frågor om affärsintelligens i rätt tid
- Skapa och köra projektplaner inom tilldelad budget och tidslinjer
Det här är bara fyra punkter i en lång lista, men de hjälper till att illustrera några av de sätt som BI-analytikarbete blandar teknisk kapacitet och förmåga kapacitet som tidshantering.
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Mer om "Användarsida?"
Ett sätt att försöka avgränsa vad en affärsintelligensanalytiker gör är att kontrastera rollen till andra som kan vara mer tekniskt till sin natur.
Här är vad Ganes Kesari, medgrundare och chef för Analytics på Gramener, har att säga:
BI-analytiker arbetar med att identifiera insikter från data och konvertera dem till visuella berättelser. De använder upptäcktsverktyg för självbetjäning av data som Tableau, Power BI. Många av dem har goda SQL-färdigheter och måttlig programmeringsbakgrund. Lita dock inte på dem för tung backend-utveckling, som är domänen för ML Engineers.
BI-analytiker är ofta i linje med IT-teamet, men arbetar nära med affärsanvändare. De förstår de funktionella behoven, har möjlighet att plumma upp data, sätta ihop frågor och skapa ad-hoc BI-instrumentpaneler.
Få teknisk med avancerad BI-analys
Även om plattformar som Tableau är populära i affärsintelligensvärlden, går vissa analytiker utöver dessa byggda plattformar för att använda rå kodning i Python och diverse språk, eller bygga numeriska program "från början."
"Jag använder Python-baserade verktyg som NumPy och Matplotlib när de mer praktiska men grundläggande verktygen inte har den funktion jag behöver," säger datavetare Bruce Kuo på Codementor, samtidigt som han medgav att Tableau och Looker vanligtvis är hans första stopp. ”BI-ingenjörer fokuserar också mer på databehandlingslogik. Målet är att tillhandahålla bättre kvalitet för affärsanalytiker. ”
Kuo talade om att använda NumPy, ett matrisbibliotek för Python, i BI-arbete.
"När jag bearbetar", säger han, "jag kan använda NumPy-operationer, men inte Matplotlib eftersom jag inte behöver skapa visualiseringar. I de flesta fall kan jag skapa insikter från enkla regler och antaganden om jag tänker på problemet noggrant. Det är i allmänhet onödigt att engagera sig i maskininlärningsprogram, utom för klusterfall som att märka grupper av användare efter användarbeteende, eftersom användarnas beteende är svårt att definiera enligt regler.
Kuo förklarar vidare att NumPy hjälper till att importera ingångar i ett visst format.
"Jag använder NumPy för BI när visualiseringsbiblioteket eller paketet behöver ingångar av typen NumPy", säger han. "Vi behöver till exempel en" USB-form "för att fungera med" USB-porten. "I detta fall är" USB-formen "NumPy och" USB-porten "är visualiseringspaketet. Data måste bearbetas till rätt format innan de importeras till visualiseringsverktyg ... För mig fungerar inte NumPy som lagring, snarare är det mer ett datakoncept.
Du kan till exempel utföra matrisoperationer med NumPy, vilket är grundläggande för maskininlärning. I teknik implementerar NumPy olika optimeringstrick för att förbättra prestandan. "
Sedan finns också kraften i maskininlärning, som Kuo säger kan hjälpa till att skapa mer sofistikerade modeller än vi kan "tänka på" på papper utan automatiserad analys.
”Innan maskininlärning försökte människor definiera och separera användare med regler,” säger Kuo. ”Vi vet till exempel att 30-40 år gamla användare tenderar att köpa öl. Ibland räcker dock enkla 1-5 faktorer för att beskriva användare korrekt. Antalet regelkombinationer är helt enkelt för stort för den mänskliga hjärnan att beräkna. Så hur löser vi det? Så här började maskininlärning. ML kan överväga många faktorer effektivt. Som datavetare blir mitt jobb då att definiera problem, mätvärden eller experiment noggrant. ”
Framtiden för BI-analys
Accepterar affärsintelligensvärlden maskininlärning som en framtida innovativ störning? Ja, enligt Dave Mariani, strategichef på AtScale.
"Med tanke på användarvänlighetsförbättringarna för maskininlärningsplattformar och införandet av datawranglingverktyg finns det en ny kategori av BI-analytiker som dyker upp, ibland kallad medborgardataforskaren," säger Mariani. "Dessa avancerade BI-analytiker blir mer datakyndiga och börjar använda några av maskininlärningsplattformarna för att generera förutsägelser och skapa funktioner." (För mer, kolla in rollen för Citizen Data Scientists i Big Data World.)
Marianis bedömning passar med det som ofta kallas ”självbetjäningsmodellen” - idén, med molntjänster till och med maskininlärningsplattformar - är att slutanvändare som blir mer tekniskt kompetenta börjar använda dessa plattformar på egen hand snarare än förlita sig på "IT-personer" för att göra frågor, bygga tabeller eller generera insikter.
Denna idé kombinerar också allt vad BI-analytikerrollen handlar om. Det hämtar data, arbetar med uppgifterna och levererar värde som kommer att utgöra ”business intelligence” i all sin prakt och mångfald. Hur förnyar ett företag sin produktuppställning? Vilka specifika kategorier av kunder representerar trattaktivitet? Varför byta märke eller logotyp?
BI-analytiker hjälper till att svara på alla dessa övertygande frågor med mera genom datavetenskapligt arbete.