京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17