從BI到AI 創建業務分析能力
Gartner將數據分析能力劃分為四大類別：
一是信息門戶，包括報表平臺、儀表盤、OLAP以及移動BI等能力;
二是自助式的分析工作臺，包括互動可視化、數據準備、數據預測以及圖譜分析等等，可通過低代碼或無代碼能力讓業務以自助式服務的形式進行更多數據探索;
三是數據科學實驗室，包括預測建模、高級分析、文本分析、流數據分析、仿真與優化能力等等，用于幫助數據科學家完成更深層次的調研;
四是時下最流行的AI平臺，涉及聊天機器人、視頻分析、圖像分析、音頻分析等更加復雜的分析技術。
構建模塊化的數據分析能力
Gartner研究總監Julian Sun在會上提到：強大的數據分析能力，可以通過類似搭積木的方式構建，這些積木包括數據管理能力、分析能力、數據治理相關的流程和條款等等。Gartner將這些積木稱之為分析模塊，而這些分析模塊由其部署和操作所需的N個組件組成。
很多企業不知道這些組件該如何使用，如何組合，而這些組件的誤用、缺乏對齊等問題，通常會導致分析模塊的失效，或未能充分發揮使用價值。
Gartner給出了相應的參考數據架構，建議企業從最底層的數據開始，向上搭建不同的能力，包括人的能力、數據管理能力、分析能力和分析的輸出等等。在這些領域，Gartner有著深入研究，可以幫助企業梳理業務最需要的分析能力。
如今，很多企業正在經歷數據倉庫、數據湖甚至是湖倉一體的數據分析能力的建設過程，但是企業重金打造的數據能力，對于業務而言可能收效甚微，或者業務的參與度不高。
Gartner強調：數據分析架構的建立，應該最大程度地讓業務涉入，梳理業務流程以及業務價值鏈，為業務成果服務。Julian 建議企業基于一個價值鏈自上而下地進行頂層設計，建立抽象化的業務分析能力，結合業務屬性和人的能力，讓數據分析能力更貼近企業自身的業務場景，并真正為企業所用。
數據分析能力業務化
如今，很多企業都在提數據業務化的概念，Gartner認為企業首先應該把數據分析的能力業務化。
例如：信息門戶里的儀表盤、報告、移動BI等等，代表著業務指標、KPI等關鍵詞;分析工作臺中的互動可視化、圖表分析、數據準備等能力，其關鍵詞是業務用戶、畫像、可視化等;而數據科學實驗室也有相關的業務關鍵詞，可以通過已有的數據分析投資，與想要的業務能力進行業務關鍵詞的匹配。
Gartner強調:數據分析能力的業務化，有助于提升IT人員的數據素養，便于他們基于數據的語言更好地進行業務式的交流。
例如，業務的需求是降低客戶流失率或提高營收水平：
首先，IT需要監控市場活動的銷售情況，然后將涉及到的監控能力放到信息門戶中，那么所需要的技術能力就是儀表盤;
其次，要分析產品、產品線以及區域的銷售情況，此時需要一些分析和理解的能力，在分析工作臺上需要用到互動可視化和地理維度，進行自動化分析;
第三，需要跨數據源的分析能力，此時IT要評估是否需要數據準備的能力。
Julian強調：這些能力如果可以被高度復用，那么當下一個場景出現，例如做客戶畫像，將不再需要加入新的能力，只需在現有的能力上進行微調即可。自上而下的梳理業務分析能力，能讓業務與IT更順暢地溝通，這比單純地建立大數據平臺更易見到成效。當這些分析能力被復用，數據中臺的建設也將水到渠成。
數據分析技術的四大類型
第一類是描述性分析，例如查看不同維度的銷量。
第二類是診斷性分析，通過一些變量了解事件發生的原因。
第三類是預測性分析，通過機器學習與模擬進行事件預測。
第四類是規范性分析，運用一定規則和算法提供決策支持和決策自動化。
Gartner高級研究總監Mike Fang提到：隨著人工智能技術的突飛猛進，AI在數據分析架構中發揮的作用越來越廣泛，逐漸被融入到預測性分析和規范性分析中，有效支持業務決策。
例如，醫院通過分析病人的歷史病例，基于預測分析能力了解病情的風險程度，并通過一定規則給出相應的診斷;物流行業通過對歷史倉庫的進出貨量等數據進行預測分析，用于進行倉庫選址和設計，從而提高運輸效率，降低成本;金融行業通過預測性分析中的模擬算法與用戶實際畫像相結合，進行預判，有效降低違約率。
近幾年，Gartner在研究中發現，企業對AI算法和數據模型的投入越來越多，但是真正用于生產環境的比例不足30%，因此產生了一些AI信任危機。那么，企業該如何優化數據和分析投資，使其能夠逐漸應用于業務或生產環境，獲得更好的ROI呢?
Gartner在ROAR投資組合優化模型中給出了一些指導建議，可助力企業優化數據分析架構，通過相應模型幫助企業評估現有的數據分析投入和業務價值，并在具體的數據分析項目中幫助企業建立數據分析能力評估體系，為企業的數據分析投資提供一系列指導建議和相關服務。
搭建高效數據分析架構的三條技巧
隨后，Julian列舉了搭建高效數據分析架構的三條技巧：
1)找到數據分析能力架構中可被復用的部分功能組件，提升架構中組件的復用能力;
2)優先考慮能夠為業務帶來速贏的數據分析能力，例如互動可視化能力、報表能力等，從而降低投資風險;
3)思考現有的技術能力和技巧是否足以支撐企業搭建數據分析能力，要充分考慮人的因素，并讓業務參與其中。例如，可以開展一些循序漸進的培訓項目，使數據分析能力能夠物盡其用，最大化地發揮其價值。
基于促銷活動的數據分析能力架構搭建示例
以促銷活動為例，搭建數據分析能力架構可以分為以下幾個步驟：
1)為了監控銷售額，在人員配置方面需要數據建模人員、BI開發人員以及信息消費者，所需的分析能力是儀表盤，為了接入數據源還需要相應的數據倉庫;
2)為實現分析銷售的業務能力，業務角色需要增加業務分析師、公民數據科學家、數據分析的支持人員、數據工程師等等;此時需要的分析能力包括互動可視化能力、數據準備能力、位置分析能力，而數據底層還需要一個探索性的沙盒，以及Excel等臨時文件;
3)接下來需要理解銷售行為的數據分析能力，而這項能力所需要的人員配置和基礎能力，是建立在現有能力之上的，無需增加更多人員、工具和數據，此時已經體現出了整個分析體系的復用性;
4)為了預測購買量，需要做一些數據科學項目，引入數據科學家，以及數據分析系統的集成人員，將算法嵌入到應用中，這時需要預測建模的分析能力，并且需要建立數據湖以及相應的外部數據。
5)為實現面向潛在消費群體進行優惠推薦的能力，在復用原有能力的基礎之上，只需加入規范建模的能力，以及一些流數據。
6)最后，為了進一步了解客戶滿意度，需在數據分析架構中增加音頻分析模塊，而這一模塊只是在原有架構中添磚加瓦，而不會對整體架構增加任何負擔。
Gartner更推薦這類以業務視角從左向右進行業務價值鏈疏導，從而搭建數據分析架構和分析體系的方式，這種方式能大幅提升業務參與的積極性，并實現價值速贏。
增強性分析能力將影響更多人群
實際上，Gartner在本次研討會中并沒有提及太多AI技術，而是強調增強性分析將是企業進行AI投入，實現數據分析能力提升的最佳切入點。
AI正以增強的形式打破傳統分析平臺之間的邊界，實現增強型分析、增強型數據科學、增強性機器學習能力等等。當平臺邊界被打破，可有效幫助企業將數據分析能力向業務側用戶賦能，降低業務的分析門檻，使更多人群具備自助式分析的能力。
據悉，Gartner即將發布新的商業智能魔力四象限，進一步幫助企業實現低門檻、高價值的數據分析能力。
京公網安備 11010502049343號