BI petit génère un rapport détaillé (liste des ventes d'aujourd'hui). Très peu de maths impliqués, peut-être compter les lignes et additionner les ventes. C'est ici que vous voyez les outils de reporting appelés "BI".
Le média BI génère une métrique (marge bénéficiaire pour le trimestre). C'est juste de l'algèbre simple, mais la produire fréquemment est un défi en raison de la quantité de données. C'est le monde des cubes et olap.
BI grand fait la modélisation mathématique. Cela peut être n'importe quoi de la régression linéaire aux modèles statistiques, vous l'appelez. La clé ici est que les modèles utilisent de grandes quantités de données. Les statisticiens réels utilisent l'expression «fouille de données» dans un sens péjoratif parce que les personnes non formées dans l'utilisation des statistiques sont susceptibles d'exploiter les données jusqu'à ce qu'elles trouvent une fausse corrélation. Plus votre ensemble de données est grand, plus vous avez de chances de trouver des relations par hasard plutôt que d'avoir réellement une telle relation dans la réalité. Parce que les clients de BI sont des directeurs de secteur d'activité, et non des étudiants au doctorat, des fournisseurs comme Microsoft et al. Nous l'avons réduit à néant en nous fournissant des outils de «Data Mining» en boîte noire, beaucoup sont les mêmes que ceux que l'on trouve dans SAS et autres. La seule chose que je vois relier toutes ces applications de la phrase BI est qu'elles utilisent toutes de grandes quantités de données pour prendre une décision d'affaires.
Qu'en est-ETL, qualité des données, ... ? Probablement les éléments les plus importants de tout système BI –