智慧城市网

　　【智慧城市网 企业关注】近日，Gartner召开线上研讨会上，以“从 BI 到 AI，业务价值驱动的数据分析架构路径”为主题，围绕“交付有影响力的分析能力需要哪些组件和结构、如何优化分析和业务之间的交互、如何搭建可演进的分析架构推动数字业务”三个议题展开，并列举了一些搭建业务分析能力的示例。
 

　　从BI到AI 创建业务分析能力
 

　　Gartner将数据分析能力划分为四大类别：
 

　　一是信息门户，包括报表平台、仪表盘、OLAP以及移动BI等能力;
 

　　二是自助式的分析工作台，包括互动可视化、数据准备、数据预测以及图谱分析等等，可通过低代码或无代码能力让业务以自助式服务的形式进行更多数据探索;
 

　　三是数据科学实验室，包括预测建模、高级分析、文本分析、流数据分析、仿真与优化能力等等，用于帮助数据科学家完成更深层次的调研;
 

　　四是时下最流行的AI平台，涉及聊天机器人、视频分析、图像分析、音频分析等更加复杂的分析技术。
 

　　构建模块化的数据分析能力
 

　　Gartner研究总监Julian Sun在会上提到：强大的数据分析能力，可以通过类似搭积木的方式构建，这些积木包括数据管理能力、分析能力、数据治理相关的流程和条款等等。Gartner将这些积木称之为分析模块，而这些分析模块由其部署和操作所需的N个组件组成。
 

　　很多企业不知道这些组件该如何使用，如何组合，而这些组件的误用、缺乏对齐等问题，通常会导致分析模块的失效，或未能充分发挥使用价值。
 

　　Gartner给出了相应的参考数据架构，建议企业从最底层的数据开始，向上搭建不同的能力，包括人的能力、数据管理能力、分析能力和分析的输出等等。在这些领域，Gartner有着深入研究，可以帮助企业梳理业务最需要的分析能力。
 

　　如今，很多企业正在经历数据仓库、数据湖甚至是湖仓一体的数据分析能力的建设过程，但是企业重金打造的数据能力，对于业务而言可能收效甚微，或者业务的参与度不高。
 

　　Gartner强调：数据分析架构的建立，应该最大程度地让业务涉入，梳理业务流程以及业务价值链，为业务成果服务。Julian 建议企业基于一个价值链自上而下地进行顶层设计，建立抽象化的业务分析能力，结合业务属性和人的能力，让数据分析能力更贴近企业自身的业务场景，并真正为企业所用。
 

　　数据分析能力业务化
 

　　如今，很多企业都在提数据业务化的概念，Gartner认为企业首先应该把数据分析的能力业务化。
 

　　例如：信息门户里的仪表盘、报告、移动BI等等，代表着业务指标、KPI等关键词;分析工作台中的互动可视化、图表分析、数据准备等能力，其关键词是业务用户、画像、可视化等;而数据科学实验室也有相关的业务关键词，可以通过已有的数据分析投资，与想要的业务能力进行业务关键词的匹配。
 

　　Gartner强调:数据分析能力的业务化，有助于提升IT人员的数据素养，便于他们基于数据的语言更好地进行业务式的交流。
 

　　例如，业务的需求是降低客户流失率或提高营收水平：
 

　　首先，IT需要监控市场活动的销售情况，然后将涉及到的监控能力放到信息门户中，那么所需要的技术能力就是仪表盘;
 

　　其次，要分析产品、产品线以及区域的销售情况，此时需要一些分析和理解的能力，在分析工作台上需要用到互动可视化和地理维度，进行自动化分析;
 

　　第三，需要跨数据源的分析能力，此时IT要评估是否需要数据准备的能力。
 

　　Julian强调：这些能力如果可以被高度复用，那么当下一个场景出现，例如做客户画像，将不再需要加入新的能力，只需在现有的能力上进行微调即可。自上而下的梳理业务分析能力，能让业务与IT更顺畅地沟通，这比单纯地建立大数据平台更易见到成效。当这些分析能力被复用，数据中台的建设也将水到渠成。
 

　　数据分析技术的四大类型
 

　　第一类是描述性分析，例如查看不同维度的销量。
 

　　第二类是诊断性分析，通过一些变量了解事件发生的原因。
 

　　第三类是预测性分析，通过机器学习与模拟进行事件预测。
 

　　第四类是规范性分析，运用一定规则和算法提供决策支持和决策自动化。
 

　　Gartner高级研究总监Mike Fang提到：随着人工智能技术的突飞猛进，AI在数据分析架构中发挥的作用越来越广泛，逐渐被融入到预测性分析和规范性分析中，有效支持业务决策。
 

　　例如，医院通过分析病人的历史病例，基于预测分析能力了解病情的风险程度，并通过一定规则给出相应的诊断;物流行业通过对历史仓库的进出货量等数据进行预测分析，用于进行仓库选址和设计，从而提高运输效率，降低成本;金融行业通过预测性分析中的模拟算法与用户实际画像相结合，进行预判，有效降低违约率。
 

　　近几年，Gartner在研究中发现，企业对AI算法和数据模型的投入越来越多，但是真正用于生产环境的比例不足30%，因此产生了一些AI信任危机。那么，企业该如何优化数据和分析投资，使其能够逐渐应用于业务或生产环境，获得更好的ROI呢?
 

　　Gartner在ROAR投资组合优化模型中给出了一些指导建议，可助力企业优化数据分析架构，通过相应模型帮助企业评估现有的数据分析投入和业务价值，并在具体的数据分析项目中帮助企业建立数据分析能力评估体系，为企业的数据分析投资提供一系列指导建议和相关服务。
 

　　搭建高效数据分析架构的三条技巧
 

　　随后，Julian列举了搭建高效数据分析架构的三条技巧：
 

　　1)找到数据分析能力架构中可被复用的部分功能组件，提升架构中组件的复用能力;
 

　　2)优先考虑能够为业务带来速赢的数据分析能力，例如互动可视化能力、报表能力等，从而降低投资风险;
 

　　3)思考现有的技术能力和技巧是否足以支撑企业搭建数据分析能力，要充分考虑人的因素，并让业务参与其中。例如，可以开展一些循序渐进的培训项目，使数据分析能力能够物尽其用，最大化地发挥其价值。
 

　　基于促销活动的数据分析能力架构搭建示例

 

　　1)为了监控销售额，在人员配置方面需要数据建模人员、BI开发人员以及信息消费者，所需的分析能力是仪表盘，为了接入数据源还需要相应的数据仓库;
 

　　2)为实现分析销售的业务能力，业务角色需要增加业务分析师、公民数据科学家、数据分析的支持人员、数据工程师等等;此时需要的分析能力包括互动可视化能力、数据准备能力、位置分析能力，而数据底层还需要一个探索性的沙盒，以及Excel等临时文件;
 

　　3)接下来需要理解销售行为的数据分析能力，而这项能力所需要的人员配置和基础能力，是建立在现有能力之上的，无需增加更多人员、工具和数据，此时已经体现出了整个分析体系的复用性;
 

　　4)为了预测购买量，需要做一些数据科学项目，引入数据科学家，以及数据分析系统的集成人员，将算法嵌入到应用中，这时需要预测建模的分析能力，并且需要建立数据湖以及相应的外部数据。
 

　　5)为实现面向潜在消费群体进行优惠推荐的能力，在复用原有能力的基础之上，只需加入规范建模的能力，以及一些流数据。
 

　　6)最后，为了进一步了解客户满意度，需在数据分析架构中增加音频分析模块，而这一模块只是在原有架构中添砖加瓦，而不会对整体架构增加任何负担。
 

　　Gartner更推荐这类以业务视角从左向右进行业务价值链疏导，从而搭建数据分析架构和分析体系的方式，这种方式能大幅提升业务参与的积极性，并实现价值速赢。
 

　　增强性分析能力将影响更多人群
 

　　实际上，Gartner在本次研讨会中并没有提及太多AI技术，而是强调增强性分析将是企业进行AI投入，实现数据分析能力提升的最佳切入点。
 

　　AI正以增强的形式打破传统分析平台之间的边界，实现增强型分析、增强型数据科学、增强性机器学习能力等等。当平台边界被打破，可有效帮助企业将数据分析能力向业务侧用户赋能，降低业务的分析门槛，使更多人群具备自助式分析的能力。
 

　　据悉，Gartner即将发布新的商业智能魔力四象限，进一步帮助企业实现低门槛、高价值的数据分析能力。