當用戶在處理大數據時，往往也會談論他們對于商業智能工具所需的功能，通常最終會根據與高級分析技術或分析模式相關的兩個主題來描述他們的需求。這些可以概括如下：

發現模式：探索和實驗－詢問關于未知數據的新業務問題。

生產模式：監控和調整－從被理解的數據中提供可信的答案。

在此討論這兩種分析模式，它們之間的差異，以及它們如何協同工作，以便企業更好地進行決策和創新業務。在為大數據環境評估新的和現有的商業智能工具時，也可以使用這些準則。

在詳細分析這些分析模式的不同之處之前，人們應該注意到它們是高度互補的，并且總是協同工作。在通常情況下，在發現模式下的努力產生的新見解在生產模式下開始運行。例如，在發現模式中，在線零售商開發了一種根據其社交媒體偏好對潛在客戶進行細分和評分的新方法。而在生產模式下，對新客戶群體內的采購行為進行監控，以了解有效性，從而可以相應調整細分策略。

相反，人們在生產模式中學到的東西會產生新的問題，需要在操作之前首先需要在發現模式下進行原型設計的新數據。在上面的例子中，商家決定的細分市場需要增加一些最近可用的數據。在這種情況下，需要重新進入發現模式，以決定如何最好地將這些數據合并到分割模型中。

考慮到這些分析模式的定義以及它們是如何協同工作的，人們有必要關注它們之間的差異，因為這驅使商業智能工具需要不同的產品功能集。

為了幫助解釋這些差異，將從四個不同的角度來看待分析模式。這些是：

推動分析需求的組織因素

正在開發的應用程序和功能的類型

對于數據的要求

所需的技術環境

以下是分析模式在這些類別中的不同之處：

商業智能工具應該提供產品功能來實現這兩種分析模式。現代商業智能工具非常重視分析生命周期的全部范圍，這通常是從發現模式開始，然后再進入生產模式（隨著時間的推移，將反復回到發現模式），特別是當組織旨在通過對大數據進行分析來提供全新的創新時。這些類型的項目通常很少或根本不了解需求，而不需要事先了解數據源和結構。

組織在發現模式和生產模式之間切換時，不必采用商業智能工具。在數據和用戶數量之間不應該有任何人為的權衡，例如，現代商業智能工具應該具備處理這兩種分析場景的基本能力。