5-1 现代数据栈中的消费层 - BI+AI 产品的演进

01 现代数据栈的演进

• 传统数据栈问题：性能受限、使用门槛高、洞察流程长、场景扩展困难
• 数据仓库发展历程：从MPP到数据湖，再到云数仓和Lakehouse
• 现代数据栈起源：通过拆分传统栈，形成模块化、云原生的架构
• 发展趋势：以业务为中心、拥抱云原生、模块化产品（plug-and-play）、DataOps成为核心

02 现代数据栈中的自助分析

• 传统数据分析流程：迭代时间长达数周至数月
• 传统痛点：技术瓶颈、流程依赖IT、BI层额外工作、场景应用少
• 现代数据分析流程：迭代时间缩短至数小时至数天
• 产品趋势：基于云原生架构、以业务为中心、数据资产管控、支持决策闭环

03 Analytics as Software

• 数据价值发挥：从被动响应需求到主动规划，基于数据OS打造数据产品
• 典型用户：业务分析师、数据科学家、IT工程师
• 软件工程实践：API-first设计、开放可组合、GUI操作、软件包复用
• 代码与低代码结合：面向开发者用户采用代码，面向业务用户采用低代码，兼顾灵活性与易用性

04 增强分析与决策智能

• 数据分析渗透率：通过搜索推荐、个性化、场景化提升
• 数据洞察推荐：基于业务用户需求进行智能推荐
• 数据故事生成：自动生成可视化报告
• 分析成熟度进阶：从自助分析到增强分析再到决策智能
• 决策智能：结合分析能力与自动化
• 产品能力要求：模型开发（no-code到full-code）、模型解释、MLOps、仿真优化、因果推理、实时分析、开放API、ReverseETL

05 观远数据实践

• 技术特点：云原生、多用户角色、BI+AI、no-code到full-code
• 产品功能：数据应用市场、开放API、自定义可视化、业务系统集成
• 核心能力：增强分析、决策建议、数据管控（质量、安全）