
商业智能(BI)努力的是企业与数据之间的“最后一公里”,而新一代商业智能云平台要做的,则是企业和数据之间的“额外一公里”,让你跟数据的关系从0距离变成负距离。深入,再深入一点。
传统BI:企业与数据的“最后一公里”
根据Tableau发布的《2017最需关注的十大云趋势看点》,由于各种设备与云技术的发展,大量数据都能够轻松存储在云端。企业的关注点从“如何获取数据”,变成了“如何分析数据”。企业需要能够无缝连接、集成不同云托管数据的分析工具,来弥合自己与数据之间“最后一公里”的距离。
以前,企业的选择是商业智能(Business Intelligence),它可以帮助企业收集、管理和分析数据,将这些数据转化为知识或洞察(insight),然后分发到企业各处。
但是,在Gartner发布的《2017BI和数据分析软件市场统计报告》中,发现了这样的趋势:
(1)传统的商业智能平台市场占有率正在逐年降低。从2013年的49%,降至2015年的41%。而与之相反的,是新一代商业智能平台,它的市场占有率从7%上升至14%,几乎“吃”掉了传统BI失掉的所有市场。
(2)根据预测,未来10年将有更多的分析工具/商业智能产品部署于云。
究竟新一代商业智能“新”在哪儿?为什么有能力蚕食传统BI的市场?Gartner2015年提出“Modern BI Platform”这一概念时,曾经从五个方面描述了传统BI与新一代BI之间的区别:
从上图中可以看出,新一代BI最大的变化,就是把商业分析全流程的中心从专家转向了业务人员,IT部门不再是数据采集、准备与内容创作的主力或灵魂,仅在分析的流程中提供一小部分的支持工作;以前业务人员跟数据之间隔着一个IT部门,像隔着一座大山;新一代商业智能,允许业务人员直接跟数据对话、直接创建分析内容、自由的用可视化进行数据探索,还可以彼此协作。
新一代BI赋予了业务人员与数据直接对话的能力,不要小瞧这个进步。这几乎是推翻了传统商业智能的产品框架,回到“让谁用”、“怎么用”的源头,把整个工具做了一个“民主化”的革新。
民主的好处,于社会不用多言;于数据,则是弥合了从信息到行动之间的距离。对于企业来说,这就是那“额外的一公里”——发生在企业内部的、全员与数据共舞的美妙。
“额外一公里”的before我们都经历过、或正在经历着;现在,让我们来具体解释展现一下“额外一公里”的after——
* 新一代商业智能中,因为全员可以访问数据,所以无论部门、职能、级别,每个人都可以得到自己需要的数据;
* 因为全员可以自己处理数据,所以每个人都能在最短时间内得到自己想要知道的答案,节省大量与IT部门或“第三者”解释需求、等待满足的时间;
* 因为全员可以自由地对数据进行可视化的交互分析,所以任何疑问答案都是“立等可取”的,而那些常规型的报告,也不用重复制作,打开界面就可以看到了,跟数据的亲密关系又进一层;
* 因为有了“数据协作”,全员基于唯一真实的数据展开工作,部门与部门之间不再是孤岛,从彼此扔锅到展开合作,不再是梦想。
以上所有的一切,都大大缩短了从信息到行动的距离。
新一代BI为“全员数据化”赋能,还有一个利好,就是让每一个“决策者”都有据可依,要知道,这可是一个企业人人都是“决策者”的时代。美国一家上市公司是这样形容的:“每个人都在做决策。每个小时,每一天。CXO们并不是影响运营和盈利的唯一因素:几乎所有的员工都可以通过他们的工作习惯、他们使用(或滥用)的技术、对突发事件及挑战的应对方式等,对运营产生影响。事实上,‘决策者’这个术语已经可以适用于任何人。”
1936年,查理-卓别林执导并主演的《摩登时代》里,曾经把工人比作城市大机器中的一个零件,在设定好的固定程序下每天重复。今天,工业社会已发展成为信息社会,我们的工作比过去需要更多的主动与创新,但企业依旧是一个环环相扣的生产线,每一个环节都影响着企业的最终盈利,每一个环节都不容出错。
因此,我们为什么不把最适合这个时代的利器,交到每一个环节的负责人手中呢?
这就是新一代BI存在的意义。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08