人工智慧與BI 3.0如何融合？ - kdnuggets

banq發表於2020-11-20
人工智慧

公司組織使用各種BI工具來分析結構化資料。這些工具用於臨時分析，以及對於決策至關重要的儀表板和報告。隨著BI和資料管理工具的發展，分析師已經能夠在其工具箱中新增高階分析（甚至是機器學習）。在本文中，我們將描述延續這一趨勢的一組新的BI工具。
 

BI歷史回顧
 BI解決方案最早出現在1970年代，當時有SAP，Siebel和JD Edwards等公司的早期系統。1980年代資料倉儲的增長催生了一套新的解決方案，包括Microstrategy，Cognos和Business Objects。早期的BI解決方案組（“ BI 1.0”）歸IT部門所有，這意味著大多數使用者無法自行建立報告和儀表板。使用者必須接受廣泛的培訓才能熟練使用和管理這些解決方案。這一代工具主要專注於生成報告和儀表板。
2000年代初期，BI的開發速度提高了，並且BI集中在IBM，Microsoft，SAP，Microstrategy和Oracle手中。新一代的BI系統使使用者可以基於預生成的架構執行臨時分析。更準確地說，使用者可以建立儀表板，並且可以使用不同的維度和指標對資料進行“切片和切塊”。
中期情況是為資料分析師構建的新解決方案的興起。以Tableau和Qlik為例，這套新的“ BI 2.0”工具集中了視覺化，互動式分析和易用性。這些公司引入了一種與資料互動的新形式-視覺化透檢視-將透視表與圖表和視覺化圖相結合。使用者可能仍然依靠IT將其BI工具連線到資料倉儲或資料庫，但是他們也可以在他們控制的資料集（如電子表格或文字檔案）上使用這些工具。一旦它們連線到資料來源，這些工具將使分析人員能夠進行即席分析，建立和重新發布儀表板和複雜的視覺化檔案，而不會受到IT部門的干擾。這些工具使BI和互動式分析無處不在。
隨著BI在過去30年中的發展，資料分析師的核心職能基本保持不變。分析人員通常從假設或問題開始，然後詢問資料以完善其理解。這是一個反覆的過程，在確定一個合理的答案之前，可能需要花很多時間來假設一系列假設前提（使用指向高維資料集的BI工具）。如果該過程可以自動化怎麼辦？
BI 3.0工具試圖解決兩個重要問題：對IT的依賴和手動分析。為了解決第一個問題，資料分析人員需要能夠使用自動生成資料倉儲的解決方案（例如ThoughtSpot，Hypersonix）或使用抽象ETL流程的解決方案（例如Fivetran，Matillion）來建立自己的資料模型）。第二個問題是透過一套新的“ AutoBI”解決方案來解決的，例如Sisu，Anodot，YellowFin和Outlier。這些解決方案可自動生成見解和建議，從而減少了手動資料分析的需求。
 

BI 3.0棧
在這篇文章中，我們重點介紹了在產品和研究系統中開始出現的有希望的創新。為此，我們列出了一些正在改變BI的趨勢。首先，我們看到了透過自動化和大規模模式識別減少了手動分析需求的解決方案。其次，隨著新介面和新資料準備解決方案減少了召集IT團隊的需求，我們看到了進一步的簡化和民主化。最後，我們看到BI解決方案可以擴大使用者數量，並使他們能夠解決更復雜的問題。

  • 新的使用者介面

BI工具的使用者已經習慣於使用圖形使用者介面來建立報告或與資料進行互動。GUI可用於臨時分析，以及用於建立，安排和管理報告和儀表板。高階使用者可以訪問基於文字的介面，在該介面中，他們可以使用SQL或其他查詢語言建立自定義查詢，並編寫指令碼以自動執行任務。
一套新的工具有可能擴充套件BI工具的使用者基礎，同時擴充套件使用者的能力。
  1. 雖然過去基於自然語言的查詢工具的表現從未引起人們的最初興趣，但是自然語言模型的改進最終可能會導致允許使用者以文字或語音查詢形式編寫查詢的工具。最近的示例包括將  關於表格資料的簡單問題轉換為 資料庫查詢的工具，使用搜尋介面的工具 以及 依賴於神經模型的新 自然語言介面。
  2. 我們開始看到用於處理非表格資料的BI工具。例如，圖形和圖形資料庫開始 在許多應用程式中使用， 包括推薦引擎，欺詐檢測系統，身份和訪問管理以及搜尋。諸如Graphistry 和 Linkurious之類的工具  使分析人員能夠分析超大圖形並與之互動。另一個例子是Kyrix，這是 一個研究專案，其中包括涉及地理空間 資料的互動式視覺化 。
  3. VR / AR，平板電腦和表面計算等新硬體導致了新的互動模式，這些互動模式已開始在新的BI工具中使用。

 
  • 自動化分析

公司處理來自許多不同來源的大量資料。分析師通常必須將其BI工具指向具有許多欄位和維度的資料收集。一組新的工具可以掃描許多維度的大量資料，並使用機器學習來擴充人類分析人員。
  1. Auto BI  （描述性分析）：假設分析師需要了解是什麼驅動KPI，但需要手動將BI工具指向由數百列組成的表。一套新的工具可以掃描大型資料管理系統，表面樣式和趨勢，並自動為圖表和報告提供建議。
  2. 自動分析 （預測分析）：另一組工具使分析師能夠進行復雜的分析，而無需召集資料科學家。現在有一些工具可以自動執行群集分析，異常檢測，預測並執行假設情景和模擬。

 
  • BI的自動化資料準備（執行中為ETL + DWH） 

甚至最好的BI工具也依賴於分析人員和業務部門可以互動的資料倉儲的建立。一組新的自動化工具壓縮了為BI建立資料倉儲的過程。這些工具專注於結構化和半結構化資料。它們涵蓋從不同系統（雲原生ETL）提取和移動資料，以及自動建立分析人員可用於BI的資料結構。

 

結論
在接下來的幾年中，期望在BI堆疊的上層（AutoBI，介面，AI服務）進行大量創新。在這篇文章中，我們描述了減少對IT和手動分析的依賴的新工具。分析師看重那些可提高生產率並降低 TTI  （洞察時間）的工具。在競爭日益激烈的業務環境中，降低TTI將是評估BI解決方案的重要標準。實際上，我們在這篇文章中列出的公司都是為了減少TTI而設計的。
我們還期望解決方案將繼續幫助分析師擴充套件其功能，以包括更大的資料集，非結構化資料和高階分析。用於高階分析的新工具將使分析人員能夠生成洞察力，以幫助其組織達到（甚至超過）關鍵指標。
資料管理的創新將伴隨著BI的發展。我們預計將出現自我管理，橫向擴充套件，雲原生解決方案。我們還預見到了雲資料管理系統，該系統將透過根據實際消耗的資源進行定價來模仿無伺服器模型。但是對於資料和業務分析師而言，DBMS是一種商品，就像汽車引擎蓋下的引擎一樣。分析師並不關心儲存或計算引擎的細節。他們需要能夠降低TTI，提高生產率，開發先進技術並幫助他們超越KPI的工具。

 

相關文章