数据分析：一般指对数据进行研究的方法和过程。
商业智能：是指将数据分析商业化、信息化，实现商业价值的企业信息化建设过程。
所以数据分析包含的内容可以很宽泛，而商业智能则更聚焦于实现商业价值。
1.数据分析的概念：
通俗意义上来讲，“数据分析”并没有特定的应用场景，人们更喜欢将数据分析作为一种行为过程去讨论，或在其后加上诸如方法论这类的具体名词来定义。
作为对数据进行研究的过程而言，数据分析将经历明确目标、收集、处理、探索、展现、发现问题这几个步骤。
在这个过程中我们更加注重过程劳动和成果价值，而这个过程小到凝视身边人一眼，大到制定国家发展五年计划，它发生在生活的方方面面。
举个生活中的小例子，比如我们想买一款适合自己的手机，在对手机市场不熟悉的情况下，可以在各大论坛搜集参数信息，结合自己的预算、喜好，选出要购买的手机品牌、价格、性能等需求细节，进而确定我们的最终选择。
这样的行为也可以是属于数据分析，属于个人行为，也并不需要专业的工具，更不会对个人产生直接的商业价值。
这意味着广义上的数据分析代表的仅是一种行为的过程，没有特定的应用对象和场景，和商业智能并没有很明确的对比意义。
1.1数据分析方法：
对于具体的数据分析方法，在各行各业的应用也是多如繁星、数之不尽，下面的一些方法作为例子，为大家抛砖引玉。
2.商业智能的概念：
商业智能是指将数据分析商业化、信息化，实现商业价值的企业信息化建设过程。
“商业智能”（或商务智能）这个词其实诞生于上世纪90年代，经过几十年的发展演变，许多人会将商业智能看成一种解决方案，最终目标是为管理者提供决策支持。
究其实际情况而言，解决方案是一种运用合理的方法、合理的工具手段，以合理的成本投入去解决企业一段时间范围内可预见难题的行动方案，是有保质期的。
而商业智能是经过阶段性递进、持续优化的信息化建设过程，追求的是持续收益、长期决策支持，而不是短期见效。
2.1商业智能建设的难点：
而且在商业智能建设过程中，我们会遇到以下几大难题：
平台挑战：数据分析链条很长，从采集、治理、整合、存储、计算、建模到展现，涉及工具和技术太多，成本高昂，架构复杂，需求实现效率太低，难以满足企业业务的洞察需要。
应用挑战：IT部门辛苦做出的数据报告，业务部门觉得没用，问业务部门有什么需求，又难以提出。
服务挑战：无论是自建服务团队还是找第三方供应商，缺乏贴身的精细化专业服务能力导致解决问题效率低下，带来负面用户反馈。
运营挑战：用的都是国际大牌产品，但系统就是不稳定，问题频出，本质是因为缺少运营的系统化方法。
解决商业智能建设过程中的难题，使商业智能建设过程能在企业内取得长远收益，为管理者做持之以恒、稳健发展的决策支持，发挥数据价值，进而驱动商业价值体现，我们需要的是数据驱动业务增长能力模型——PASO能力模型。
请点击输入图片描述
PASO能力模型
通过PASO能力模型，稳健的完成企业商业智能建设过 程，获得长期受益，才是真正意义上诠释和体现数据的商业价值，实现长期决策支持。
举个例子：
这是我们根据某企业国际物流业务的实际情况，进行调研和分析之后，建立的一套营销体系模型。
请点击输入图片描述
通过营销体系模型，分析出每一步的销售过程的数据，从而不断改进销售技巧以及优化服务流程，最终实现了广告投放上的价值最大化，以及销售流程环节标准化。
这是一个企业应用商业智能的实例，也显示出我刚才提到的，商业智能不是短期解决问题的方案，而是一个追求持续收益的长期建设过程。
数据分析只是一种利用数学方法处理数据的工具，讲究的是对数据的统计分析、探索假设以及验证的过程。数据分析只是商业智能运用里的一部分。
在使用方面，FineBI一类的商务智能系统应用性和使用感都要更强。本回答被提问者采纳