在技术迅速发展的过程中，传统的数据分析方法受到越来越多的怀疑。这可以用商业智能的各种“神话”来解释，这些“神话”如今正作为有效的真理传播开来。例如，数据仓库已经达到了它的目标。数据质量似乎也正在失去其相关性，这是由于有意放弃数据建模和一个事实点。然而，一个项目日常生活的具体愿景揭示了一个不同的形象。
人工智能(AI)、机器学习、实时、自助服务——这些只是目前数据分析中讨论的一些术语。对新技术和新流程的大肆宣传常常给人留下这样的印象：“过时的”现在是多余的。因此，商业智能在很大程度上已经从关于趋势和重要话题的讨论中消失了。当我们讨论这种经典的数据分析形式时，我们通常谈论的是缓慢和昂贵的。
但这与事实相符吗？偏见从何而来？公司的现状如何？BI实际上是一个被抛弃的模型，与未来的数据分析无关吗？基于具体的项目经验，有必要更仔细地研究并质疑一些常见的断言。然而首先，重要的是要简要说明一些关键点，以便形成共识。
商业智能与商业智能探索性分析
首先，让我们简要解释一下经典BI的含义。这些基本上是基于历史数据的评估，其结果在报告和仪表板中可视化。为此目的，来自不同数据源的数据质量在一个中心位置(数据仓库(DWH))得到保证，该位置集成并提供数据。
毫无疑问：考虑到数据量和数据源的增长，以及新的技术可能性，DWH非常具有竞争力。它将被现代分析平台所取代，这些平台通常由云服务支持构建。这些平台还可以在所有级别集成非结构化数据。它们可以根据需要进行扩展，并将不同的主题或技术组合在一个屋檐下。然而，事实证明，典型的BI组件仍然是分析平台不可或缺的一部分。目前的商业数字化举措证实了这一点。同样，BARC在更新后的图表中强调了“旧的”和“新的”数据世界之间不可分割的联系。
现代分析平台的典型任务：来自各种来源的异构数据通过探索性分析提供新信息，最终在BI背景下进行操作。
现代分析平台的典型任务：来自不同数据源的异构数据通过探索性分析提供新的信息，并最终在BI环境下运行。
用户可能常常没有意识到这一点，但是如果没有保证质量的历史数据，自助服务或AI应用程序不会提供可靠的分析结果。同样，经典的业务报告系统也是必不可少的。与此同时，使用基于数据的结果的员工数量正在稳步增加。那么BI的坏名声从何而来？让我们来看看不同的神话。
误解1：不再需要数据建模
为什么我们仍然需要数据建模？在创建或现代化分析解决方案时，越来越多地询问关于BI的一个典型工作步骤的问题。在这背后，人们担心产生的体系结构对于新需求的敏捷实现来说过于复杂和不灵活。此外，建模和数据集成是一项需要时间和金钱的工艺活动。
然而，这种观点变得越来越普遍。模型能否在现代分析环境中工作取决于许多因素，即架构师和开发人员的专业知识。许多行动者并不知道他们满足于错误的方法。例如，Bill Inmon认为，第三种正常形式的努力通常不再与收益成正比。相比之下，金博尔的维度建模在现代分析环境中可能被证明是有用的，因为它简单、可重用和可扩展。同样重要的是，根据不同的需求，确定正确的建模时机——也就是说，如果数据存储前的建模、“写模式”或读取时的建模允许执行“读模式”。最后，技术错误可能导致正确的建模没有预期的效果。
同时，如果你想要可靠的信息，就不能避免对数据建模。一个好的模型是高质量数据的基本基础之一。这显示了无数项目的经验。没有这一步，分析平台将不会持续很长时间。在这方面，问题是哪种类型的建模适合于特定的应用程序，而不是是否应该对其建模。
误解2：如果你有一个数据湖，就不再需要DWH
大数据也将数据湖转变为现代分析环境。它是各种数据的储存库，因此是勘探分析的起点。为了让Data Lake在这些分析中为用户提供足够的指导，创建了类似DWH的预结构化区域。这种方法常常使公司相信数据湖可以完全取代DWH。
然而，DWH和Data Lake是两个基本不同的概念，每个概念都针对不同的用户需求。DWH强调高处理效率，为用户相对准确地处理信息。因此，结构化数据(例如来自ERP和CRM的数据)进入分层体系结构。然而，大数据的异构性很难用这种方法建模。这就是数据湖概念的由来：来自非常不同来源的数据直接以原始形式存储。与此同时，为了从研究数据的价值开始并能够测试标准报告之外的新的、灵活的需求，故意省略了复杂的数据集成过程。从这个意义上说，数据湖的目的不能代替DWH。然而，DWH和数据湖可以成为现代分析平台的两个重要和互补的组成部分。
误解3：自助服务的成本总是低于BI
自助服务工具无疑是企业级别数据分析的福音。用户友好的界面允许业务用户独立集成数据、创建报告和仪表板，甚至配置自己的分析解决方案。这常常导致这样的结论：企业的自助服务方法总是最便宜的选择。毕竟，不再需要将数据引入更高级别的结构。首先，消除了与IT或业务智能之间冗长的沟通和协调过程。
然而，这种做法描绘了一幅不同的图景。没有任何计划或战略来解决这一问题的公司，将在不迟于一至两年内抱怨报告和指示板、相互矛盾的数据和不一致的声明。这意味着，要使自助服务方法在中长期发挥作用，将继续需要标准结构和一组规则(称为自助服务治理)。不断地合并数据和监视或调整解决方案也很重要。
因此，一个有效的自助服务方法会产生超出软件许可之外的相当大的成本，因此不存在更便宜的替代方案的问题。它还表明，典型的BI组件和过程继续对成功做出重要贡献。
误解4：我们不再需要一个事实
独特的事实点(SPOT)是传统BI的一个真正优势——BI是进入企业的一个中心点，在这里，用户无论来自哪里，都可以完美地集成数据，并且始终保持高质量。这样，SPOT就有可能在公司层面获得一致的分析结果。但是，这种好处现在基本上受到了质疑，其原因与数据建模的方式类似：让SPOT保持最新是一项痛苦的工作。如果需要迁移源系统，或者需要将新的数据源集成为业务收购的一部分，那么SPOT需要进行持续的维护。因此，在许多涉众看来，这样的概念已经过时了。
值得注意的是，实践表明，如果那些负责任的人长期忽视这一方面，那么对制度真相的呼吁总是更强烈。在最新的情况下，当关于重要业务问题的声明发生冲突或数据不能反映整个业务时，就会认识到这种需求。因此，目前观察到，在现代分析平台中，单点真理性总是与探索性数据湖或数据流的实时处理一起找到自己的位置。目前没有其他选择。
误解5：BI基本上很老、很慢而且很贵
BI被认为是老的、慢的和昂贵的，原因有很多。最重要的是与敏捷分析的新世界进行直接比较，敏捷分析允许专门部门通过云服务和自助服务工具快速响应最复杂的问题。当然，它不可能与为质量、稳定性和可重用性而设计的“企业BI”竞争。但这应该是目标吗？我们已经确定，可靠的中央系统对数据使用的现代方法至关重要，并最终对长期保存分析平台至关重要。在这方面，比较是不准确的。这不是其中之一。这两个世界都是合理的，以各自的速度。然而，它们必须有效地相互关联，例如在双模式BI的上下文中。
与此同时，很明显，许多公司都存在过时的商业智能系统。参与者经常意识到这一点。然而，缺乏推动现代化的资源、思想和最终的勇气。例如，在体系结构、使用的技术或底层流程和过程方面，有各种各样的起点。结果导致了或多或少的广泛需求的阻塞。难怪最终用户会觉得BI基本上很慢。
结论
来自不同公司和行业的项目的当前经验表明，BI在这个国家继续保持一贯的代表性，而不仅仅是在财务控制等“明显”的领域。它也是一个重要的工具，以获得360度的客户或分析零售业绩。
最后，所有的新趋势和时尚话题都是基于保证质量的BI数据。因此，参与者通过探索性分析获得了公司最大的关注。然而，BI对于现代分析平台的开发是必不可少的，例如作为全球数字化计划的一部分。然而，用户有时并不认为相应的组件是BIs。可能是所谓的绝唱的原因之一。
此外，BI组织的一些问题也不容否认。事实上，许多公司都有过时的制度和做法，往往在面对现代化时感到无助。这就是为什么在传统的BI环境中，不满是最大的——这是有道理的。再加上用户的期望。例如，任何需要像Amazon这样的用户体验的人都会对BI感到失望。BI需要遵从性——这需要时间。即使面向未来的数字化项目提供了新的敏捷性和原型的可能性，也很难避免BI被认为是“旧的”甚至“死的”。
BI不再是惟一的企业级数据分析中心。相反，相应的程序和技术越来越多地用于现代概念，使它们能够对传统分析和趋势确定主题作出重大贡献。这样做的先决条件是认识到商业智能的重要性，并作出必要的投资。在这方面，这个词本身可能已被目前的论述所取代。底层架构、技术和流程当然不是。
网友评论