京公网安备 11010802034615号
经营许可证编号:京B2-20210330
2016年商业智能十大趋势
商业智能一直是发展最快的企业领域之一。不只是技术本身发展迅速,人们用于推广普及并从数据中获取价值的方法也在成倍地增加。人们愈发重视通过更加高级的分析来解答更加深入的问题,以及为管控自助商业智能而生的全新方法便是这些趋势之一。创新的潜能远未耗竭,本文将重点介绍2016年商业智能的几大趋势。
1. 管控与自助式分析成为最佳搭档
很多人都认为管控与自助式分析之间是水火不容的天敌关系。或许正因为此,他们看到管控与自助式分析把酒言欢会颇感吃惊。其实它们已化干戈为玉帛,业务与技术之间的文化隔阂也日渐烟消云散。各种各样的组织已经认识到,数据管控若方法得当,反而有助于培养一种分析文化,从而满足业务需求。如果有集中、清晰且快速的数据源,并且知道在安全和性能方面有人(IT部门)操心,人们便更有可能对数据进行深入的分析。
2. 可视化分析成为一种通用语言
无论是在董事会会议室,还是在传媒中,抑或是在社交媒体上,交流方式无不因数据而改变。人们通过将数据可视化来探讨问题、揭示洞见,以及与数据专家及非专家等人士分享故事。随着数据使用量的增长,将有更多的人通过数据来寻求专业问题和个人问题的答案。用人单位将寻觅能够缜密思考数据的求职者。届时,可视化分析将发挥通用语言的作用,襄助人们快速洞悉真知灼见、富有成效地展开协作并围绕数据建立一个社区。
3. 数据产品链变得大众化
自助式分析工具已经改变了人们对商品的期望。2016年,在数据的各个处理环节人们都将需要获得支持,尤其是随着更多千禧一代进入劳动大军,这种现象将更为明显。业务用户要想不断通过迭代方法持续改进,就必须能够即时地将特定数据形象地表现出来。正因为此,自助式数据准备工具甚至是自助式数据仓库作为自助式分析的自然延伸,其需求势必出现增长。得益于这种大众化,人们将能够快速响应不断变化的优先事务。
4. 数据集成开始风生水起
在很多公司都希望实现敏捷分析。他们希望快速向合适的人员提供合适的数据。 这是一项不小的挑战,因为这些数据位于很多不同的位置。跨多个数据源进行处理可能枯燥乏味且/或不可行。2016年,我们将看到数据集成领域涌现很多新的从业者。随着各种先进工具不断问世以及新的数据源层出不穷,公司将不再尝试从同一个位置收集每一项数据。 数据浏览器将连接到其所在位置的每个数据集,然后合并或混合数据,或者与更多敏捷工具和方法一起协同处理数据。
5. 高级分析不再只是分析师的专利
整个组织范围内的非分析人员也变得愈发老道精干。基于他们的数据所生成的图表已不能满足他们的胃口。 他们希望获得更深入、更有成效的分析体验。 因此,组织将采用可使用户应用统计数据、提出一系列问题并自始至终参与分析流程的平台。举例来说,作为中国第二大航空运输公司,东方航空的普通员工便能轻松利用Tableau控制面板进行高级数据分析,可对营销数据、竞争对手、其他航空运输公司以及各路航线的营收情况等高级数据进行分析。在使用Tableau的一年时间内,东方航空的营业收入增加了2亿美元。由此可见,非专业分析人士在处理高级数据时,有了Tableau的帮助,便可轻松应对。
6. 云端数据和云分析开始崛起
2015 年,人们开始欣然接受云。他们意识到,将数据放在云端不仅轻松方便,而且高度可扩展。他们还认识到,云分析使他们具备灵活应变、机动敏捷的能力。2016年,将有更多人改用云,这在一定程度上要得益于可帮助他们使用Web数据的各种工具。早期采用者们已经开始从这些数据中收获新知,其他人正逐渐认识到自己也应如此。越来越多的公司将利用云分析来更快地分析更多数据。他们将像依赖任何其他关键企业系统一样,完全离不开云分析。
7. 分析卓越中心(COE)带来卓越成效
为了促进自助式分析的采用,越来越多的组织将成立卓越中心。这些中心在推行以数据推动的文化方面发挥着至关重要的作用。这些中心会推出诸如在线论坛和一对一培训等支持计划,在相关计划的帮助下,即使不是专家,也能将数据纳入决策过程。久而久之,这些中心就会在整个组织范围内建立起以数据为依据制定工作流程的机制。
8. 移动分析自成一体
移动分析已然成熟,独立为一个领域。它不再只是与旧式商业智能产品交互的接口。2015年,能够提供流畅“移动优先”体验的产品开始出现。处理现实世界中的各种数据已不再是烦琐不堪的苦差事,而成了分析过程中充满活力的一个环节。近日,Tableau更是推出新的全新移动应用程序Vizable,为更多人带来了有趣易用的数据分析。这款免费的iPad应用程序支持使用捏合、轻扫和拖动等手势来探索数据,从而使用户可在数秒内实现数据的可视化,完美地实现了移动分析自助化、趣味化。从带着Apple Watch的“跑马达人”(跑马拉松爱好者)到需要分析电子表格、马不停蹄的企业管理者,Tableau的分析软件能帮助更多人看见并了解数据。
9. 人们开始深入发掘物联网数据
2016 年物联网势必更加盛行。似乎一切事物都将有一个传感器,用于将信息发回处理中心。不妨想一想移动设备昼夜不停产生的所有数据,这只是冰山之一角。随着物联网数据量的增长,从中分析出真知灼见的可能性也相应增加。企业将寻找可帮助用户探索数据、然后以安全、受控、交互性的方式分享发现结果的工具。
10. 新技术的兴起将填补缺口
在商业智能生态系统中已有很多新技术问世。随着这些技术进入市场,我们将看到有一些需要填补的缺口。为填补这些缺口,一些新的企业将应运而生。Hadoop加速器、NoSQL数据集成、物联网数据集成、改进的社交媒体-所有这些都提供了创立新企业的机遇。2016年,我们将看到一批致力于填补缺口的企业崛起,进而带动市场整合。形形色色的组织也将继续摒弃一个个孤立的解决方案,改而采用包含这些新技术的开放、灵活的解决方案堆栈。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02