專注于業(yè)務和決策智能如何釋放更大的業(yè)務價值

從原始數(shù)據(jù)到有價值的、可操作的見解的過程是漫長的，不適合膽小的人。旅程的每一步都需要時間和精力，而且往往需要不同的工具。

例如，第一步 - 數(shù)據(jù)收集 - 已經(jīng)是一場艱巨的艱苦戰(zhàn)斗，因為公司的數(shù)據(jù)分散在各種源系統(tǒng)和文件中。將碎片數(shù)據(jù)集成到集中式數(shù)據(jù)倉庫依賴于 ELT 或 ETL 過程，為此您可能需要多個提供程序來連接所有源。以下步驟 - 存儲，轉換，可視化和分析 - 都涉及將數(shù)據(jù)重新定位或轉換為不同的格式和結構。不用說，這不是一件容易的事。

布倫特·戴克斯（Brent Dykes）在他的《福布斯》文章中將這一過程稱為數(shù)據(jù)分析馬拉松。這場“馬拉松”的艱苦性質(zhì)是數(shù)據(jù)世界提出如此多不斷發(fā)展的概念、哲學和工具的原因，以有效地承擔這個多階段的過程，同時減少工作量和麻煩?，F(xiàn)代數(shù)據(jù)堆棧是一組云原生工具，旨在簡化每個步驟。

以下是數(shù)據(jù)分析馬拉松的快照：

然而，正如戴克斯在他的文章中所說，就像任何馬拉松一樣，對“最后一英里”的重視程度還遠遠不夠。現(xiàn)代公司似乎正在通過并失去動力，而不是保持穩(wěn)定的步伐來為強勁的結局做準備。如果您考慮一下，最后一英里確實是唯一重要的部分 - 在數(shù)據(jù)中，您的公司最終可以對數(shù)據(jù)生成的見解采取行動。如果你沒有完成馬拉松，剩下的旅程甚至重要嗎？如果數(shù)據(jù)是可視化的，但沒有從中獲取任何見解，那么其余的過程就不值得投資。

為了確保公司從其數(shù)據(jù)投資中獲得價值，現(xiàn)代數(shù)據(jù)堆棧正在不斷發(fā)展，以支持“最后一英里”——包括 BI（商業(yè)智能）、DI（決策智能）以及人工主導的任務，即在整個組織內(nèi)傳達見解并采取戰(zhàn)略行動。商業(yè)智能允許以揭示趨勢和信息的方式對數(shù)據(jù)進行說明和可視化。決策智能通過幫助公司自動進行手動分析并診斷其業(yè)務績效中變化的驅(qū)動因素，使其更進一步。利用發(fā)現(xiàn)的見解并重新分配獲得的時間，團隊可以采取行動，帶來業(yè)務價值。

讓我們進一步擴展BI和DI背后的內(nèi)容，以及如何完成增強分析。

商業(yè)智能 （BI）

數(shù)據(jù)建模

數(shù)據(jù)將從數(shù)據(jù)倉庫復制到 BI 平臺，并準備就緒。理想情況下，您的 BI 平臺將具有建模層以及可視化功能。像Whaly這樣的BI平臺正變得越來越強大，提供的不僅僅是可視化組件。

建模層是您開始使所有人都能理解數(shù)據(jù)的地方，因為您的最終業(yè)務用戶需要利用它來做出業(yè)務決策。在分析中，建模是將數(shù)據(jù)重塑為易于理解和查詢的非技術用戶格式的過程。模型旨在通過 SQL 編寫的公司定義和業(yè)務邏輯上下文中有意義。在許多情況下，模型將是探索的基礎。

通常，此步驟需要更高級別的數(shù)據(jù)精明，這意味著它通常由數(shù)據(jù)分析師或數(shù)據(jù)工程師處理。數(shù)據(jù)團隊還負責通過定義整個公司的指標和維度來創(chuàng)建語義層。

自助式數(shù)據(jù)探索和可視化

現(xiàn)在，您在 BI 平臺中擁有了數(shù)據(jù)模型和語義層，是時候在儀表板和圖表中探索和可視化數(shù)據(jù)了。這將闡明您的業(yè)務正在發(fā)生什么。

這里棘手的部分是，需要使用數(shù)據(jù)來推動其業(yè)務決策的最終用戶通常不是來自技術背景。因此，數(shù)據(jù)團隊被視為支持團隊，整天處理儀表板請求，最終成為報告的瓶頸。

數(shù)據(jù)團隊和業(yè)務團隊如何更好地協(xié)作？答案是自助式 BI 平臺。在平臺內(nèi)： 數(shù)據(jù)團隊可以對數(shù)據(jù)進行建模，創(chuàng)建語義層，并確保數(shù)據(jù)可靠且治理良好。 在數(shù)據(jù)團隊通過準備數(shù)據(jù)“準備”業(yè)務團隊取得成功之后，業(yè)務團隊應該有權回答自己的問題，并立即了解其業(yè)務中發(fā)生的事情。

強大的自助服務層意味著業(yè)務團隊可以根據(jù)數(shù)據(jù)團隊分配的指標和維度創(chuàng)建自己的可視化和儀表板。它應該是可定制的，具有一系列圖表選項，以便能夠以最有效的方式講述“數(shù)據(jù)故事”，并最大限度地減少洞察時間。

當自助服務真正發(fā)揮作用，業(yè)務團隊可以自主運行自己的查詢時，這將促進數(shù)據(jù)采用并促進全公司對數(shù)據(jù)的信任。

決策智能增強分析 （DI）

因此，您面前有儀表板和圖表。您可以看到諸如團隊績效與目標，過去幾個季度的趨勢，MRR的上升等內(nèi)容。這很好，但是您如何處理這些信息？也許你可以運行一些快速分析來推斷事情是向上還是向下看，但這還不夠深入。如今，您還可以診斷指標更改為計算機的原因。

像Kausa這樣的決策智能平臺，測試數(shù)百萬個因素和因素組合，這些因素和因素組合可能推動指標的變化，并將注意力指向最重要的因素，以便您可以將注意力引導到最重要的領域。與手動切片和切塊相比，它們可以快十倍左右。

直到最近，這個類別一直被大多數(shù)團隊忽視，造成了診斷分析的差距。由于手頭沒有必要的工具，大多數(shù)團隊一直在通過向下鉆取儀表板來尋找指標變化的原因。雖然儀表板在提供所發(fā)生情況的高級概述方面非常有用，但在儀表板上進行此分析需要大量重復的手動工作。在發(fā)展較慢的行業(yè)中或處理較小、不太復雜的數(shù)據(jù)集的團隊可以做到這一點。但對于具有復雜數(shù)據(jù)的快速發(fā)展業(yè)務，這種分析可能需要數(shù)小時或數(shù)天，從而導致大量錯失機會。BI 的下一步是加快獲得可操作見解的速度，而這正是決策智能平臺的重點。

根據(jù)團隊的結構方式，用戶獲取和營銷團隊可以直接使用決策智能平臺，或者為數(shù)據(jù)團隊提供支持，使其成為與他們合作的業(yè)務團隊的可信顧問。它旨在啟動一種主動處理數(shù)據(jù)的方式，定期研究績效驅(qū)動因素，并不斷利用每一個機會來提高業(yè)務績效。這使團隊有機會將數(shù)據(jù)計劃與業(yè)務目標緊密結合，而不是被動地追逐由于 KPI 波動而隨機上升的問題的答案。

與儀表板類似，決策智能平臺直接集成到各種數(shù)據(jù)倉庫中，使團隊能夠使用現(xiàn)有的SQL查詢分析所有可用數(shù)據(jù)。這樣，您不僅可以測試您已經(jīng)懷疑的 2-3 個場景，還可以發(fā)現(xiàn)隱藏在數(shù)據(jù)中的意外驅(qū)動因素并考慮反因素，相互抵消并在 BI 工具中顯得平淡無奇。通過使用機器學習增強診斷分析，決策智能結束了速度和全面性之間的權衡。因此，它通過在幾分鐘內(nèi)顯示可操作的見解來解鎖分析的最后一英里，并使團隊能夠?qū)Ｗ⒂跍贤ê透鶕?jù)這些見解采取行動。

此時，您已經(jīng)完成了“最后一英里”，開始從數(shù)據(jù)中提供真正的價值。恭喜您完成馬拉松比賽！

總之，確保您的公司擁有正確的思維方式和工具，以有效地幫助您完成商業(yè)智能和決策智能——這就是最重要的地方。通過簡化BI和DI步驟，您不僅可以了解數(shù)據(jù)中發(fā)生的情況，還可以快速了解其發(fā)生的原因，以便您可以快速采取行動并發(fā)展業(yè)務。