构建新时代的分析解决方案

Abstract 多年来，企业一直在利用分析来获取见解并做出业务决策。在数字化和互联的世界中，决策支持所需的数据和分析与之前使用的不同。这意味着企业必须重新构想分析，并发展构建解决方案的新方法。本文讨论了企业如何构建未来的分析解决方案并将其引入市场。 几十年来，来自各个行业的企业都在利用信息来支持和丰富自己的运营。近年来，发生了根本性的变化，这些变化在分析世界，扰乱了旧秩序。 重新思考分析和解决方案构建方式的机会。组织已开始采用AugmentedAnalytics。 上述内容的融合需要重新想象分析和构建解决方案的方式。 1)数字化造成了不同类型数据的爆炸式增长-结构化，非结构化，内部和外部-例如社交数据，机器数据和企业数据。这些信息拥有巨大的洞察力，对决策支持很有价值。传统系统无法处理此类数据。 到目前为止，企业在使用分析时大多采取了反应性方法-查看历史数据以了解他们必须改进哪些流程以及必须进行哪些更改。他们通常依赖于商业智能系统的报告，该系统从各种交易系统中获取数据。 2)设计数据仓库和报告的传统方法涉及准备和转换数据并使其可用于预定义的报告，多年来引入了巨大的复杂性、高数据延迟和冗余。这严重影响了敏捷性，并证明不足以分析新时代的数据。 随着数据相关工具和技术的巨大进步，企业现在不仅可以使用分析来了解过去，还可以展望未来。换句话说，他们正在从描述和诊断历史事件发展到预测未来事件和规定未来行动。 Thereisnoclearorderorprovedapproachyetandthispaperpresentedmyviewtothefutureofanalysis.Theshifttothis“new-age”analysisisdrivingthreeimportantadvancements: 3)内存计算、数据科学、人工智能和机器学习等新技术的出现 AugmentedAnalytics将大大有助于实现这一目标。示例-营销经理应该能够分析新营销活动的有效性，不仅来自销售数据，还来自外部数据，如社交媒体数据，并确定影响参数。传统方法将涉及设计通过BI工具进行数据采集、建模和洞察生成。这里有一定程度的自助服务和灵活性。然而，在新方法中，数据支持和洞察力生成的整个过程由增强分析和人工智能驱动，使“公民数据科学家”能够获得准确的洞察力。在这里，不同的数据启用将以更大的灵活性完成（增强数据启用），模型将自动生成，并使用自然语言生成和处理获得见解。 利用增强分析概念的探索性分析允许更大的使用自由 运营智能嵌入到业务流程中 以一家大型消费品公司为例，该公司向遍布多个地点的零售商供应。物流团队运行了许多报告了解不同地点的未结订单、库存水平和生产水平，并决定如何最好地完成订单。如今，通过将分析嵌入到运营流程中，该决策可以自动化，也可以内置干预措施。作战情报的目标是减少洞察力和执行之间的滞后。典型的用例包括可以根据数据中反映的条件预定义决策和行动的情况。 过去，分析解决方案主要使用结构化企业数据来发现模式，并在此基础上回答预先确定的问题，未来的分析需要更加灵活和自适应，以便基于从一系列内部和外部来源收集的各种结构化和非结构化数据来回答即席查询。这是探索性分析的领域，该解决方案将被要求在某一天回答一种类型的问题，而在下一天回答完全不同的问题。在这种情况下，不会向用户呈现一组问题，而是允许他们自己构建问题，系统通过从不同来源提取数据来回答这些问题。 预测性和规定性分析可改善决策 从立场来看，SAPS/4嵌入式分析等组件可以在这里有所帮助。此外，有助于安全地集成业务创作内容的技术以及在流程中运行此类分析的可扩展平台至关重要。 观察到库存的稳定增长，可能会建议进行批量销售，减少生产，或酌情将库存转移到需要的地方。 人工智能的出现，机器学习和深度学习正在提高预测分析的范围和准确性。例如，银行现在可以分析数百个，甚至成千上万的变量-包括行为参数-发现可疑的活动模式，从而防止欺诈。 转向新时代的分析需要技术、流程和人员支持。 对于探索性分析，企业需要提供对来自不同来源的数据的访问，包括内部和外部，以及结构作为非结构化。建立数据治理和质量保证机制非常重要。其中涉及的技术组件包括数据 例如，运营智能将需要重新构想流程，以减少人工干预，并创建基于某些数据自动启动行动的解决方案。这将需要重大的变更管理。从技术 此外，支持人工智能的分析利用从过去的经验中学习，为企业制定最佳的行动方案。再次，以消费产品行业为例，解决方案 需要IT和业务之间紧密协作，以构思解决方案，构建快速原型并实施。设计思维等框架可以大大受益，因为它可以帮助带来专注于商业价值的创新想法。 lake/Hadoop-HANA，自助服务工具以及数据虚拟化和质量工具。 前面的讨论已经暗示了新时代分析的好处。准确和及时的决策-基于基于实时数据的预测各种来源-显然是其最大的优势之一。敏捷性是另一种；由于决策嵌入在业务流程中，因此它们的执行速度比以前快得多。探索性分析的兴起减少了企业组织对IT部门的依赖。最后但并非最不重要的一点是，预测性和规范性分析提高了组织及早识别挑战和机遇的能力。 预测和规范分析所需的流程支持主要是关于培养公民数据科学家要配置的技术包括预测工具和库，以及AI/机器学习解决方案。 随着新的分析在企业中变得普遍，数据治理、数据编目、安全和控制等领域将在确保数据和信息向正确的利益相关者随需应变，并进行正确的控制。 打破IT和业务之间的界限 传统的发展过程在新世界中将不会有效，它将 关于作者 NitinKulkarni NitinKulkarni在Infosys领导SAPAnalytics能力创建。他拥有超过17年的商业智能(BI)经验，专注于SAPBI和HANA。他在多个项目中帮助客户以架构师、项目经理和顾问等各种角色创建BI解决方案和路线图。他目前专注于SAP生态系统中的大数据和分析解决方案。 有关更多信息，请联系askus@infosys.com