大数据需求五大演进趋势

自从大数据成为业界热词后，中国企业的大数据建设就开启了井喷时代。近年来，企业对大数据的需求也在不断升级演化，整体呈现更深入、更落地的特点。本文基于对数百个企业大数据项目的一线实践经验进行提炼总结，揭示最新的中国企业大数据需求五大演进趋势。

趋势一AI（人工智能）逐渐成为BI（商业智能）的重要组成部分

　　1.单纯的BI已不能满足处于领导者地位企业的全部需求。从本质上来讲，数据分析的目标是帮助客户从数据当中获取洞察力，创造价值。而AI作为BI中的关键技术，它围绕的目标并没有发生变化，关键是看怎么样帮助到客户。通过AI帮助他们从数据当中获取洞察、实现更精准的趋势预测和辅助决策，提高企业营业额以及提升企业的运营效率。BI满足了企业在结果监控、问题诊断、决策支持上的需求，AI则满足了业务预测、问题预警、探究数据背后的关联关系等深层次需求。如客户流失预测、客户购买预测、销量预测、设备故障预警等。

　　2.AI不能独立存在，应站在BI的肩膀上，与BI无缝集成。BI和AI同属大数据和智能分析的范畴，在技术上有相当多的重叠性。相比AI，BI的发展已经经历了几十个年头，各层技术路线和资源都十分成熟丰富，尤其是BI的可视化能力、敏捷易用性、数据准备能力、高性能处理能力都可让AI借力。

　　可视化能力：AI模型处理出的结果，很多时候也需要供人来查看解读。丰富的图表类型和展现形式，是BI的擅长点，也是很多AI平台薄弱的环节。缺少好的可视化输出会降低数据的“易读懂性”。值得注意的是，有部分AI算法适合用特殊的非常规图表类型来展示，也需要BI平台做好扩展支持。

　　敏捷易用性：在谈论AI的时候，非数据科学家类人群都会把它当成非常神秘和高大上的东西，莫测不可知。实际上虽然算法的理论基础专业性要求很强，但算法的应用并不复杂，也不应该复杂，应该降低算法应用的使用门槛，让大量需要应用的业务用户也能够上手使用，以此来最大化AI的商业价值。敏捷BI在易用性上已经做了很多创新，AI的应用可以借力其用户体验。

　　数据准备能力：和BI一样，数据治理的水平、数据的质量也会影响AI模型输出结果的精准度。数据准备能力，如数据治理、数据清洗、数据整合等，AI可以共用、共享其结果。在高质量的数据基础上，进行模型的训练和探索。

　　高性能处理能力：性能强大的平台，可以压缩数倍AI模型训练的时间，让企业更快地应用AI的价值成果。可将AI的算法改造为可支持分布式计算的形式，以适配MPP的计算引擎。

　　由此可以看出，在BI平台中集成AI能力，对比独立开发新的AI平台，会具备极大的完备性优势。

趋势二早期尝试自服务分析的企业未达目标，真正的企业级自服务分析被探索落地

　　1.早期企业简单地认为，只要系统操作简便，就能让业务人员自己完成分析过程。然而业务人员并不懂数据库、数据表和数据结构，也缺乏数据分析的方法论知识，并不能实现目标。如果分析需求并不很多，业务人员也缺乏自己动手的动力。业务人员经常用不符合IT最佳实践的方式操作系统，导致系统崩溃。这些都是在实践中会遇到的非常现实的问题。在国外，有很好的可视化工具，易用性很好，操作很简便易学。但是自服务分析的内涵并不仅仅这么简单，几乎所有自服务分析项目的失败，都是上述问题导致的。

　　2.真正的企业级自服务分析，需要合理分工、全面指导、性能强大。一是合理分工。IT用户负责数据的准备，业务用户负责在准备好的数据基础上，通过简便的操作做灵活的多维分析或AI预测分析。二是全面指导。经常听到可视化工具厂商告诉客户“你通过拖拽就可以完成分析操作”，但客户经常还是懵，“我拖什么呢？”对于很多业务用户，数据分析不是他们的专业，基本的分析方法和思路还是需要通过培训传递给客户，且不能冗长，要非常简练易学。三是性能强大。性能保障不光要靠计算引擎本身的强大，相关的系统管理机制也要十分完备。业务用户在自服务分析时比较容易出现拖拽的维度过多过细导致笛卡尔积很大的情况，系统资源一下就被占满了，变得十分卡顿甚至宕机。事实上，随着技术的发展，市场中已经有一些领先的数据分析平台，在系统管理机制上做了很多考虑和设计，如系统资源隔离，让自服务分析的用户操作不会影响到看日常固定报告的用户；如可对用户设置资源使用的额度和优先级；再如多级缓存保障计算资源不被浪费，等等。

趋势三越来越多企业能够清晰区分报表与数据分析的差异

　　1.报表工具只能满足“看到数据”的基础需求。报表工具只能做结果监控，而不能回答发现的问题，更不能带来直观的决策指导。企业需要数据分析平台来做数据应用的基础。

　　2.交互式分析成为企业数据平台标配功能。在今天，企业更加注重“看到数据”——“发现问题”——“找到答案”——“采取行动”的闭环实现。这个闭环实现需要平台功能和服务能力的双重支撑。在平台功能上，需要支持好下钻、全局联动、动态计算等。使用户看到的不是静态的固定报表，而是可交互、可对话的动态报告。在报告中发现的问题可通过交互式操作直接找到答案，而不是再去做一个新的固定报表。在服务能力上，服务方不光要负责分析需求在数据分析平台上的实施和实现，更需要具备数据咨询能力，通过对业务和数据的系统化梳理，设计具备深度业务价值的分析体系，而非仅仅被动响应业务用户提出的常规报表需求。

趋势四越来越多企业将数据分析嵌入到从高层到一线人员的日常决策中

　　1.一线人员的决策普遍呈现效率低、水平低的状况。其实我并不喜欢“决策”这个词，容易让人误解，总觉得很重，只有大事才需要决策。我更喜欢用“判断”这个词，即我的日常工作中，有哪些事需要做思考判断？今天我需要致电哪些客户、哪些商品需要下生产订单了、下月的新品该如何设计等，都是需要做思考判断的事项。思考判断是如何做的呢？通常情况下，用户都会到各个系统查看需要的信息，也经常需要再打一圈电话做确认，用半个小时完成判断的过程，效率不高。且新人和老人的判断水平也参差不齐，判断的失误则会直接影响到业务的发展。

　　2.并不是做个驾驶舱就算实现了“决策支持”。在过去，有很多项目都以“决策支持系统”为名称，但交付的仅是一个驾驶舱，实际仍然只是结果监控，并没有做到真正的决策支持。在我们和企业的沟通中，有时会问“您有哪些需要决策/判断的问题”，结果通常是一时反应不过来。如果这个问题都尚未明确，驾驶舱支持了哪些决策呢？

　　3.以“决策支持”为目的的数据分析能极大改进这一问题。数据咨询的能力，在做好真正的决策支持时至关重要。需要对业务对象的日常工作有细致的梳理，找出其中需要做思考判断的事项，将判断的依据和规则用数据分析平台整合呈现出来，用户就不用到处看系统打电话来收集信息了，在一个统一的页面上就能集中看到做判断所需的全部信息，这些信息都以数据可视化的形式呈现出来，而判断规则转化为了公式和模型。这样，原来半小时做的判断，现在一分钟就能完成了，还保障了判断水平的高质量。

趋势五超半数大中型企业需要一个数据分析的“全能专家”作为企业发展的战略伙伴

　　1.昂贵的实施、集成、维护、学习成本，使企业迫切需要具备全方位能力的合作伙伴来提供服务。和数据打交道得越深，企业越感到其专业范围之广，从而迫切需要一个数据分析的“全能专家”来帮助自己做好数据价值的挖掘。在任何一方面瘸腿儿，都会导致流程阻塞，折损价值的输出。所谓“全能”，不光是数据分析平台的功能要完整全面，数据咨询、数据治理、数据化运营最佳实践等相关的服务型能力也要完整全面，综合起来才能把事情做好。

　　2.全能专家需要具备4方面能力：平台、应用、服务、运营。目前业界已有具备数据分析“全能专家”能力的企业产生，基于对企业需求的洞察，逐步构建各方面能力。

　　时至今日，企业对数据价值的利用仍处于早期阶段，未来数据使用的方式、形态、场景，可能很多在今天都还没有被想到。这是一件令人兴奋的事情，探索未知总是很有乐趣，在这个过程中保持好奇和空杯的心态，才能在每一个需求演进的阶段中作引领者，否则就会被市场淘汰。

（文章来源：金融电子化杂志）

扫码即可手机
阅读转发此文