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
【核心关键词】贷款、报表、课程、专业、建模、缺失值、营销、互联网、银行、办公自动化、数据分析、数据预处理、特征工程、贷 ...
2026-06-05在数据库数据查询、业务报表统计、多表关联分析中,LEFT JOIN左连接是使用率最高的SQL关联查询语句。其核心特性是保留左表全部数 ...
2026-06-05 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-06-05任何一款产品从诞生、普及到最终退出市场,都会遵循一套固定的发展规律,这就是产品生命周期理论。在市场竞争日益激烈、产品迭代 ...
2026-06-04在Excel数据分析、办公统计、业务报表制作场景中,数据透视表是数据汇总、分类统计、快速复盘的核心工具,能够高效完成海量原始 ...
2026-06-04 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-06-04在问卷调查与社会科学数据分析中,卡方检验是最常用、最基础的非参数检验方法,广泛应用于市场调研、用户分析、行为统计、满意度 ...
2026-06-03【核心关键词】贷款、报表、课程、专业、建模、缺失值、营销、互联网、银行、办公自动化、数据分析、数据预处理、特征工程、贷 ...
2026-06-03 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-06-03逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28