Связь между интеллектуальным анализом данных и бизнесаналитикой можно рассматривать как причинноследственную связь. Интеллектуальный анализ данных ищет «что» (соответствующие наборы данных), а процессы бизнесаналитики раскрывают «как» и «почему» (понимание). Аналитики используют ИАД для поиска необходимой информации [3]. В то время как для бизнесаналитиков ИАД необходим для того, чтобы определить, чем эти данные важны. Рассмотрим, какие методы и модели ИАД, а также рыночные решения могут быть использованы потенциальными потребителями, а также разработчиками при создании программных продуктов либо отдельных приложений.

Результаты. Методы и модели интеллектуального анализа данных. Существует 5 типов закономерностей, которые также называются задачами Data Mining, которые необходимо учитывать при разработке программного продукта в области ИАД [11]:

1. Ассоциация поиск решения проблемы обнаруживает закономерности между связанными событиями в наборе данных. Особенность задачи ассоциации заключается в том, что поиск паттернов выполняется между несколькими событиями, происходящими одновременно.

2. Последовательность последовательность похожа на ассоциацию, но ее основная цель установить закономерности не между одновременными событиями, а между событиями, связанными с временем, или событиями, происходящими с определенным временным интервалом. Ассоциацию можно рассматривать как частный случай последовательности с нулевой временной задержкой. Правило последовательности: после события A событие B происходит через определенное время.

3. Классификация эта задача разбивает группу объектов на определенные группы, называемые классами, каждый из которых считается похожим друг на друга и обладает примерно одинаковыми свойствами и атрибутами. Решение получается на основе анализа значений атрибутов. Для классификации используется много разных моделей. Такие как деревья решений, алгоритмы покрытия, нейронные сети, машины опорных векторов и другие.

4. Кластеризация является продолжением классификации, но это более сложная задача. Ее особенность заключается в том, что классы объектов изначально не предопределены. В конечном итоге результатом кластеризации является разбиение объектов на группы.

5. Прогнозирование или регрессия. Метод прогнозирования решает проблемы на основе характеристик исторических данных и оценивает недостающие или будущие значения числовых показателей. Прогнозирование используется в математической статистике, нейронных сетях и других областях.

Технологический стек начинается с:
интеграции с информационными системами;
создания моделей данных;
создания кубов;
презентации, информационных панелей (дашбордов), ключевых показателей (KPI);
принятия решений руководством [4].

Современные решения для BI и аналитики поддерживают все этапы процесса интеллектуального анализа данных, от исследования и очистки данных до распознавания образов и визуализации данных [3]. Они облегчают бизнесаналитикам и нетехническим бизнеспользователям загрузку и объединение данных из нескольких источников, устранение ошибок и несоответствий, а также применение алгоритмов машинного обучения и других передовых статистических методов. Инструменты BI и анализа также могут использоваться для создания убедительных визуализаций и отчетов, иллюстрирующих обнаруженные идеи.

Передовые инструменты бизнес-аналитики на основе искусственного интеллекта (ИИ) автоматизируют более банальные и трудоемкие аспекты интеллектуального анализа данных [6], ускоряют обработку данных и сокращают время понимания. С новым поколением решений BI бизнеспользователям больше не нужно полагаться на специалистов по ИТданным для понимания данных. Интуитивно понятные, но действительно мощные инструменты позволяют сотрудникам компании, делать открытия в данных и получать знания из них, что приводит к лучшим бизнесрешениям, которые добавляют реальную ценность информационным ресурсам компании.