自從大數據成為業界熱詞后，中國企業的大數據建設就開啟了井噴時代。近年來，企業對大數據的需求也在不斷升級演化，整體呈現更深入、更落地的特點。本文基于對數百個企業大數據項目的一線實踐經驗進行提煉總結，揭示最新的中國企業大數據需求五大演進趨勢。

趨勢一AI（人工智能）逐漸成為BI（商業智能）的重要組成部分

　　1.單純的BI已不能滿足處于領導者地位企業的全部需求。從本質上來講，數據分析的目標是幫助客戶從數據當中獲取洞察力，創造價值。而AI作為BI中的關鍵技術，它圍繞的目標并沒有發生變化，關鍵是看怎么樣幫助到客戶。通過AI幫助他們從數據當中獲取洞察、實現更精準的趨勢預測和輔助決策，提高企業營業額以及提升企業的運營效率。BI滿足了企業在結果監控、問題診斷、決策支持上的需求，AI則滿足了業務預測、問題預警、探究數據背后的關聯關系等深層次需求。如客戶流失預測、客戶購買預測、銷量預測、設備故障預警等。

　　2.AI不能獨立存在，應站在BI的肩膀上，與BI無縫集成。BI和AI同屬大數據和智能分析的范疇，在技術上有相當多的重疊性。相比AI，BI的發展已經經歷了幾十個年頭，各層技術路線和資源都十分成熟豐富，尤其是BI的可視化能力、敏捷易用性、數據準備能力、高性能處理能力都可讓AI借力。

　　可視化能力：AI模型處理出的結果，很多時候也需要供人來查看解讀。豐富的圖表類型和展現形式，是BI的擅長點，也是很多AI平臺薄弱的環節。缺少好的可視化輸出會降低數據的“易讀懂性”。值得注意的是，有部分AI算法適合用特殊的非常規圖表類型來展示，也需要BI平臺做好擴展支持。

　　敏捷易用性：在談論AI的時候，非數據科學家類人群都會把它當成非常神秘和高大上的東西，莫測不可知。實際上雖然算法的理論基礎專業性要求很強，但算法的應用并不復雜，也不應該復雜，應該降低算法應用的使用門檻，讓大量需要應用的業務用戶也能夠上手使用，以此來最大化AI的商業價值。敏捷BI在易用性上已經做了很多創新，AI的應用可以借力其用戶體驗。

　　數據準備能力：和BI一樣，數據治理的水平、數據的質量也會影響AI模型輸出結果的精準度。數據準備能力，如數據治理、數據清洗、數據整合等，AI可以共用、共享其結果。在高質量的數據基礎上，進行模型的訓練和探索。

　　高性能處理能力：性能強大的平臺，可以壓縮數倍AI模型訓練的時間，讓企業更快地應用AI的價值成果�？蓪�AI的算法改造為可支持分布式計算的形式，以適配MPP的計算引擎。

　　由此可以看出，在BI平臺中集成AI能力，對比獨立開發新的AI平臺，會具備極大的完備性優勢。

趨勢二早期嘗試自服務分析的企業未達目標，真正的企業級自服務分析被探索落地

　　1.早期企業簡單地認為，只要系統操作簡便，就能讓業務人員自己完成分析過程。然而業務人員并不懂數據庫、數據表和數據結構，也缺乏數據分析的方法論知識，并不能實現目標。如果分析需求并不很多，業務人員也缺乏自己動手的動力。業務人員經常用不符合IT最佳實踐的方式操作系統，導致系統崩潰。這些都是在實踐中會遇到的非常現實的問題。在國外，有很好的可視化工具，易用性很好，操作很簡便易學。但是自服務分析的內涵并不僅僅這么簡單，幾乎所有自服務分析項目的失敗，都是上述問題導致的。

　　2.真正的企業級自服務分析，需要合理分工、全面指導、性能強大。一是合理分工。IT用戶負責數據的準備，業務用戶負責在準備好的數據基礎上，通過簡便的操作做靈活的多維分析或AI預測分析。二是全面指導。經常聽到可視化工具廠商告訴客戶“你通過拖拽就可以完成分析操作”，但客戶經常還是懵，“我拖什么呢？”對于很多業務用戶，數據分析不是他們的專業，基本的分析方法和思路還是需要通過培訓傳遞給客戶，且不能冗長，要非常簡練易學。三是性能強大。性能保障不光要靠計算引擎本身的強大，相關的系統管理機制也要十分完備。業務用戶在自服務分析時比較容易出現拖拽的維度過多過細導致笛卡爾積很大的情況，系統資源一下就被占滿了，變得十分卡頓甚至宕機。事實上，隨著技術的發展，市場中已經有一些領先的數據分析平臺，在系統管理機制上做了很多考慮和設計，如系統資源隔離，讓自服務分析的用戶操作不會影響到看日常固定報告的用戶；如可對用戶設置資源使用的額度和優先級；再如多級緩存保障計算資源不被浪費，等等。

趨勢三越來越多企業能夠清晰區分報表與數據分析的差異

　　1.報表工具只能滿足“看到數據”的基礎需求。報表工具只能做結果監控，而不能回答發現的問題，更不能帶來直觀的決策指導。企業需要數據分析平臺來做數據應用的基礎。

　　2.交互式分析成為企業數據平臺標配功能。在今天，企業更加注重“看到數據”——“發現問題”——“找到答案”——“采取行動”的閉環實現。這個閉環實現需要平臺功能和服務能力的雙重支撐。在平臺功能上，需要支持好下鉆、全局聯動、動態計算等。使用戶看到的不是靜態的固定報表，而是可交互、可對話的動態報告。在報告中發現的問題可通過交互式操作直接找到答案，而不是再去做一個新的固定報表。在服務能力上，服務方不光要負責分析需求在數據分析平臺上的實施和實現，更需要具備數據咨詢能力，通過對業務和數據的系統化梳理，設計具備深度業務價值的分析體系，而非僅僅被動響應業務用戶提出的常規報表需求。

趨勢四越來越多企業將數據分析嵌入到從高層到一線人員的日常決策中

　　1.一線人員的決策普遍呈現效率低、水平低的狀況。其實我并不喜歡“決策”這個詞，容易讓人誤解，總覺得很重，只有大事才需要決策。我更喜歡用“判斷”這個詞，即我的日常工作中，有哪些事需要做思考判斷？今天我需要致電哪些客戶、哪些商品需要下生產訂單了、下月的新品該如何設計等，都是需要做思考判斷的事項。思考判斷是如何做的呢？通常情況下，用戶都會到各個系統查看需要的信息，也經常需要再打一圈電話做確認，用半個小時完成判斷的過程，效率不高。且新人和老人的判斷水平也參差不齊，判斷的失誤則會直接影響到業務的發展。

　　2.并不是做個駕駛艙就算實現了“決策支持”。在過去，有很多項目都以“決策支持系統”為名稱，但交付的僅是一個駕駛艙，實際仍然只是結果監控，并沒有做到真正的決策支持。在我們和企業的溝通中，有時會問“您有哪些需要決策/判斷的問題”，結果通常是一時反應不過來。如果這個問題都尚未明確，駕駛艙支持了哪些決策呢？

　　3.以“決策支持”為目的的數據分析能極大改進這一問題。數據咨詢的能力，在做好真正的決策支持時至關重要。需要對業務對象的日常工作有細致的梳理，找出其中需要做思考判斷的事項，將判斷的依據和規則用數據分析平臺整合呈現出來，用戶就不用到處看系統打電話來收集信息了，在一個統一的頁面上就能集中看到做判斷所需的全部信息，這些信息都以數據可視化的形式呈現出來，而判斷規則轉化為了公式和模型。這樣，原來半小時做的判斷，現在一分鐘就能完成了，還保障了判斷水平的高質量。

趨勢五超半數大中型企業需要一個數據分析的“全能專家”作為企業發展的戰略伙伴

　　1.昂貴的實施、集成、維護、學習成本，使企業迫切需要具備全方位能力的合作伙伴來提供服務。和數據打交道得越深，企業越感到其專業范圍之廣，從而迫切需要一個數據分析的“全能專家”來幫助自己做好數據價值的挖掘。在任何一方面瘸腿兒，都會導致流程阻塞，折損價值的輸出。所謂“全能”，不光是數據分析平臺的功能要完整全面，數據咨詢、數據治理、數據化運營最佳實踐等相關的服務型能力也要完整全面，綜合起來才能把事情做好。

　　2.全能專家需要具備4方面能力：平臺、應用、服務、運營。目前業界已有具備數據分析“全能專家”能力的企業產生，基于對企業需求的洞察，逐步構建各方面能力。

　　時至今日，企業對數據價值的利用仍處于早期階段，未來數據使用的方式、形態、場景，可能很多在今天都還沒有被想到。這是一件令人興奮的事情，探索未知總是很有樂趣，在這個過程中保持好奇和空杯的心態，才能在每一個需求演進的階段中作引領者，否則就會被市場淘汰。

（文章來源：金融電子化雜志）

掃碼即可手機
閱讀轉發此文