BI & 數據分析平臺產品發展趨勢
編輯導語:數據分析,是用統計分析方法對收集來的大量數據進行分析,提取有用信息從而形成結論。簡單來說,就是把隱藏在一些看似雜亂無章的數據背后的信息提煉出來,總結出所研究對象的內在規律。隨著數據分析被越來越多的企業所采用,出現了越來越多的數據分析平臺,本文作者就對BI&數據分析平臺產品的發展趨勢進行了分析。
近十幾年來,在互聯網技術和業務快速發展的同時,商用BI&數據分析產品和行業發生了翻天覆地的變化。
十幾年前,傳統BI平臺廠商占據著大部分市場;2010年前后,以Tableau為首的現代BI&數據分析平臺廠商開始快速崛起,最后搶占了絕大部分的市場。
是什么讓現代BI獲得了企業和組織的青睞,最終在市場競爭中獲勝?BI平臺的發展趨勢,又能給我們什么樣的啟示?通過對Garnter魔力象限和相關資料的解讀,我總結出以下幾點:
筆者在公司負責內部數據分析類產品的建設,后續的分析將圍繞數據使用進行,其它如廠商市場策略、數據技術方面的內容將不會涉及。
一、數據使用的門檻不斷降低
2005年來,技術發展和產品設計思路的創新,讓BI平臺在產品部署、數據的準備和使用方面的門檻都大幅降低,讓業務人員以更低的成本獲得所需的數據。
1.? 從依賴IT部門到自助分析
企業中BI平臺的用戶,可以根據工作職責分到兩類部門:業務部門和IT部門。
1)業務部門
是企業中直接負責業務經營的部門,業務部門往往直接面對企業的用戶和市場,直接對企業的業務目標負責。業務部門會生產出一系列原始數據,并利用分析這些數據得出的結論優化業務結果。
2)IT部門
一般由技術人員或專業數據分析師組成,他們具備專業技術知識,能進行BI平臺的部署和維護;他們也能夠根據業務需求,進行數據分析和報表的開發。
IT部門主要的工作職責,是通過輔助和支撐業務部門的工作,間接推動公司的業務發展。
傳統BI平臺產品設計的重點是產品的標準化和功能性,而沒有在易用性上投入足夠的精力,導致傳統BI平臺有著較高的使用門檻,只有經過訓練的IT部門的技術人員才能進行數據的開發和維護。
因此,所有業務部門的數據報表需求,都被集中到IT部門進行排期開發,IT部門成為了整個公司數據化的瓶頸。
對于IT部門,需求溝通和開發工作量巨大,每天疲于奔命;對于業務部門,業務需求溝通開發周期很長,無法滿足業務發展對數據的需求。
尤其是業務方面的一些數據探索類分析需求,在這樣的時間周期下,近乎無法實施,拖慢了整個組織的運營效率,更別提進入快速試錯,迭代認知的正循環。
以Tableau為首的現代BI平臺,被稱為敏捷BI或者自助BI。這類BI產品提供了輕量的部署方式、易用的數據源連接功能和通過拖拉拽進行交互式數據可視化的能力,降低了BI平臺的使用門檻。
業務部門的人員經過一定的學習就可以擺脫對IT部門的依賴,自行進行數據準備,數據報表的創建和數據分析。將原來按月、按周計算的開發周期,縮短到按天甚至按小時、分鐘計算,數據需求實現的周期有了數量級級別的降低。
去IT部門中心化,讓組織內部的數據應用的廣度和深度都有所提升。
廣度方面,原本IT部門資源有限,組織的數據使用場景更多的集中在企業經營的核心領域,比如:財務、銷售、業績管理這些直接跟公司業績直接相關的領域;其它方面的數據應用,投入相對較少。
現代BI平臺的誕生,讓營銷、供應鏈、倉儲、HR、風險管理等等領域的負責部門獲得搭建自身的數據分析體系的能力。
數據應用的深度的增加可以從兩個角度理解:
- 數據覆蓋人員層次的縱深增加。一開始數據只能提供給高級管理者,作為企業的重要決策參考使用;數據門檻降低后,數據可以滲透到一線員工的具體工作中,讓更多人形成分析-行動-反饋的正循環;
- 數據在決策過程的覆蓋率增加。數據在組織中的主要用途是減少決策的不確定性,提升決策質量。在決策鏈路或推理過程的諸多論證步驟中,得到的數據支撐越多越有力,決策的可靠性就會越高,最后決策的效果就會越好。
雖然去IT部門中心化的開發方式提升了業務數據需求的實現速度,幫助現代BI平臺產品在市場競爭中獲勝。
但各個部門獨立進行數據準備和分析,缺乏統一的管理。在數據應用規模增大后,導致了數據的重復開發、數據口徑不一致等諸多問題。
這些問題已經超出了BI平臺本身產品的范圍,更多的是組織結構、流程和數據管理的問題,建設企業級的數據中臺是目前業界用于解決上述問題的方案,在此就不展開闡述了。
2. 自然語言查詢
雖然現代BI平臺已經讓數據分析門檻下降了很多,但仍然存在一定的學習成本。用戶需要具備一定的數據分析思路和方法,理解現代BI平臺多維數據模型,掌握BI平臺的界面邏輯和交互方式。
NLP技術的發展和對用戶場景的理解,讓BI平臺開始嘗試開發通過自然語言進行數據查詢的功能。
用戶只需要提出數據問題,BI平臺就可以根據已知的數據,為用戶提供可視化的數據分析結果,供用戶進行進一步的決策使用。BI平臺會真正成為個人專屬的數據分析師,隨時解答用戶的數據問題。
主流數據分析平臺都已經開始嘗試這方面的探索,比如Tableau的Ask Data,PowerBI的Q&A功能等。
二、數據分析能力的持續增強
看數據只是業務數據應用的第一步,通過數據分析發現潛在問題、洞察機會,最后獲得業務增長才是最終目的。
1. 靜態報表
傳統BI階段,BI平臺只能提供靜態的基礎報表工具。所有的報表要在需求溝通的階段都明確好數據內容,在報表開發時寫死到程序里。
這個階段的報表,只能起到描述業務的作用,即告訴業務人員,當前業務的狀態是什么樣的。
當然,業務人員可以事先在報表需求中固化一些常規分析套路。但如果業務在使用過程中有更多的需求,哪怕只是對進行一個之前沒有考慮到的維度細分,也只能再次給IT部門提需求進行數據分析或報表修改,排期開發后才能得到結果。
這種數據獲取效率節奏,讓組織無法快速響應市場變化,進行充分的數據化決策。
2. 數據探索
除了前面提到的降低數據使用門檻,現代BI的另一個優勢,是為用戶提供了交互式的數據探索功能。
業務人員可以在現代BI的多維數據模型(Cube)基礎上,通過符合直覺的軟件界面交互,快速進行數據的探索和可視化分析。
業務人員可以查看宏觀的指標數據,再根據需要對指標進行細分下鉆,在多個指標之間進行對比,利用現代BI的可視化圖表功能,從數據中產生洞察。
在數據探索功能的支持下,業務人員的數據分析思路可以在第一時間落地,完成數據分析過程中的猜想和驗證,加快了業務獲取數據的效率。
在數據探索產品中,所謂的報表搭建只是在探索過程中固化下來的一個常用的分析思路。業務人員可以根據業務目標的變化,對業務理解的深入和分析思路的完善,不斷調整和新建報表,達到數據應用效率的最大化。
數據探索功能可以讓數據在組織內部更高效的流轉起來。業務人員可以在現代BI中按照自己的分析思路,搭建一份完整的數據分析報告,并利用平臺的分享功能在組織內部進行分發,達到信息同步和溝通的目的。
3. 增強分析
在現代BI的幫助下,業務人員獲得了靈活的進行數據分析的工具,但數據分析的具體思路和對數據的判斷和解讀還是需要人工參與。
數據分析的整個過程依然需要消耗一定的時間精力,分析結果也很大程度上取決于分析人員的分析能力和業務理解能力。
增強分析是將常見通用的數據分析的場景沉淀為產品功能中,利用機器學習和統計學方法,輔助分析人員完成數據分析。
一方面,增強分析可以提升常見場景的數據分析效率,規范分析過程;另一方面,分析人員可以借助計算機的計算能力,從數據中挖掘到隱藏的信息。
1)細分分析
細分分析是數據分析的一種重要分析方法。
將一個指標按照某個維度拆成多個組成部分,再對每個部分進行進一步細分,直到產生洞察或者發現問題。在數據波動分析、問題原因排查的場景中,都會用到細分分析方法。
PowerBI和QuickBI都提供了在指標波動的場景下,自動進行原因定位的功能。
QuickBI的智能監控,可以展示出各維度和相關指標對波動指標的貢獻度,方便用戶發現問題原因;而PowerBI產品的波動分析則更進一步,使用自然語言生成技術和一系列輔助圖表,直接為用戶呈現波動分析的數據結論。
2)智能洞察
業務人員在接觸到新業務或者新數據時,需要進行一定的數據探索,了解數據的基本情況;對于已經熟悉的數據,業務人員也可能因為數據分析不夠充分,無法掌握數據所有的特征。
智能洞察可以利用統計模型和AI技術,對數據集進行初步探索,幫助業務人員發現數據中的隱藏規律,比如:平均值、極值、關鍵維度、主要分布情況、指標關系等。
智能洞察功能的代表有Tableau的Explain Data和PowerBI的Quick Insights。
三、數據和業務流程的結合愈發緊密
數據是手段,業務才是目標。
為了讓業務人員可以更好的使用數據,組織傾向于業務流程和數據更緊密的結合起來,通過產品和AI手段,讓數據可以更好的支持、輔助甚至代替業務人員進行決策。
與業務的結合越緊密,數據的業務定制程度越高,通用型也會越差。
所以下面描述的部分應用場景會超出現代BI平臺的功能范圍,創造業務價值才是BI平臺存在的意義,讓業務和數據更無縫的結合、盡可能縮短業務問題到業務決策的路徑,必然會成為BI平臺未來的發展方向。
1. 線下流程
無論是外部采購BI平臺,還是自研數據產品,組織中的數據分析系統往往與已有的業務系統(CRM、營銷系統等)相互獨立。
這要求業務人員具備一定的數據應用主動性和分析能力,了解在業務的哪些過程中需要進行數據結論支撐,并且自行到BI平臺中進行分析。
為了提高組織整體數據化決策水平,保障決策質量,組織會用規范業務流程、組織培訓等方式,提升業務人員的數據應用能力,讓決策環節中有充分數據支撐。
但線下流程終究會帶來大量學習和管理成本,執行落地的效果也得不到很好的保障。
2. 數據分析嵌入業務工作流
現代BI平臺提供了各種功能,將其提供的數據能力嵌入到業務系統中。業務人員可以在業務系統中,一站式完成數據分析到運營動作再到效果反饋整個流程閉環。
BI平臺廠商期望產品具備足夠強的通用性,這必然會犧牲BI平臺在特定場景下的易用性。為了滿足更細分的需求,需要選擇針對業務場景設計和實現的產品。
比如網頁和App用戶行為分析場景下,可以選擇Google Analytics、友盟、神策分析、GrowingIO等產品解決數據問題。
如果組織具備一定的開發能力,也可以自行將特定的數據分析方法集成到業務系統中,讓業務人員可以按照系統設計的思路,輕松完成常規業務數據分析。
3. 智能分析直達決策
數據分析嵌入業務工作流后,業務人員的數據分析效率大幅提高,但分析過程仍需要人工介入,進行決策。能不能去掉人工分析的過程,讓機器直接提出決策建議、甚至直接進行決策呢?
在AI已經深入人心的今天,機器智能決策已經在許多領域廣泛應用。
業務數據分析作為BI平臺主要使用場景,也出現了很多利用AI技術結合數據分析提出決策建議的應用。通過大量人工業務分析總結出的業務經驗、再加上AI和機器學習技術的加持,讓機器一次性完成業務分析和行動建議。
比如淘寶的生意參謀,可以分析出業務存在的主要問題,提出行動建議。
數據分析有四個層次:描述、診斷、預測和決策,BI平臺的發展歷程,正是按照這四個層次的順序,不斷為業務賦予更大能力的過程。
在互聯網業務快速發展的大背景下,從業者對數據的理解和應用意識不斷提升,各個領域的數據應用方法也隨著行業發展不斷沉淀完善。
這些都與BI平臺自身的發展一起,形成合力,推動整個行業的數據應用水平邁上了新的臺階。
本文由 @季白 原創發布于人人都是產品經理,未經許可,禁止轉載
題圖來自 Unsplash,基于 CC0 協議
觀點挺好的,點錯了點了個不行,我的!竟然修改不了!??
辛苦了