
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
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03