发挥现代数据栈MDS的更大价值

专注于业务和决策智能如何释放更大的业务价值

从原始数据到有价值的、可操作的见解的过程是漫长的，不适合胆小的人。旅程的每一步都需要时间和精力，而且往往需要不同的工具。

例如，第一步 - 数据收集 - 已经是一场艰巨的艰苦战斗，因为公司的数据分散在各种源系统和文件中。将碎片数据集成到集中式数据仓库依赖于 ELT 或 ETL 过程，为此您可能需要多个提供程序来连接所有源。以下步骤 - 存储，转换，可视化和分析 - 都涉及将数据重新定位或转换为不同的格式和结构。不用说，这不是一件容易的事。

布伦特·戴克斯（Brent Dykes）在他的《福布斯》文章中将这一过程称为数据分析马拉松。这场“马拉松”的艰苦性质是数据世界提出如此多不断发展的概念、哲学和工具的原因，以有效地承担这个多阶段的过程，同时减少工作量和麻烦。现代数据堆栈是一组云原生工具，旨在简化每个步骤。

以下是数据分析马拉松的快照：

然而，正如戴克斯在他的文章中所说，就像任何马拉松一样，对“最后一英里”的重视程度还远远不够。现代公司似乎正在通过并失去动力，而不是保持稳定的步伐来为强劲的结局做准备。如果您考虑一下，最后一英里确实是唯一重要的部分 - 在数据中，您的公司最终可以对数据生成的见解采取行动。如果你没有完成马拉松，剩下的旅程甚至重要吗？如果数据是可视化的，但没有从中获取任何见解，那么其余的过程就不值得投资。

为了确保公司从其数据投资中获得价值，现代数据堆栈正在不断发展，以支持“最后一英里”——包括 BI（商业智能）、DI（决策智能）以及人工主导的任务，即在整个组织内传达见解并采取战略行动。商业智能允许以揭示趋势和信息的方式对数据进行说明和可视化。决策智能通过帮助公司自动进行手动分析并诊断其业务绩效中变化的驱动因素，使其更进一步。利用发现的见解并重新分配获得的时间，团队可以采取行动，带来业务价值。

让我们进一步扩展BI和DI背后的内容，以及如何完成增强分析。

商业智能 （BI）

数据建模

数据将从数据仓库复制到 BI 平台，并准备就绪。理想情况下，您的 BI 平台将具有建模层以及可视化功能。像Whaly这样的BI平台正变得越来越强大，提供的不仅仅是可视化组件。

建模层是您开始使所有人都能理解数据的地方，因为您的最终业务用户需要利用它来做出业务决策。在分析中，建模是将数据重塑为易于理解和查询的非技术用户格式的过程。模型旨在通过 SQL 编写的公司定义和业务逻辑上下文中有意义。在许多情况下，模型将是探索的基础。

通常，此步骤需要更高级别的数据精明，这意味着它通常由数据分析师或数据工程师处理。数据团队还负责通过定义整个公司的指标和维度来创建语义层。

自助式数据探索和可视化

现在，您在 BI 平台中拥有了数据模型和语义层，是时候在仪表板和图表中探索和可视化数据了。这将阐明您的业务正在发生什么。

这里棘手的部分是，需要使用数据来推动其业务决策的最终用户通常不是来自技术背景。因此，数据团队被视为支持团队，整天处理仪表板请求，最终成为报告的瓶颈。

数据团队和业务团队如何更好地协作？答案是自助式 BI 平台。在平台内： 数据团队可以对数据进行建模，创建语义层，并确保数据可靠且治理良好。 在数据团队通过准备数据“准备”业务团队取得成功之后，业务团队应该有权回答自己的问题，并立即了解其业务中发生的事情。

强大的自助服务层意味着业务团队可以根据数据团队分配的指标和维度创建自己的可视化和仪表板。它应该是可定制的，具有一系列图表选项，以便能够以最有效的方式讲述“数据故事”，并最大限度地减少洞察时间。

当自助服务真正发挥作用，业务团队可以自主运行自己的查询时，这将促进数据采用并促进全公司对数据的信任。

决策智能增强分析 （DI）

因此，您面前有仪表板和图表。您可以看到诸如团队绩效与目标，过去几个季度的趋势，MRR的上升等内容。这很好，但是您如何处理这些信息？也许你可以运行一些快速分析来推断事情是向上还是向下看，但这还不够深入。如今，您还可以诊断指标更改为计算机的原因。

像Kausa这样的决策智能平台，测试数百万个因素和因素组合，这些因素和因素组合可能推动指标的变化，并将注意力指向最重要的因素，以便您可以将注意力引导到最重要的领域。与手动切片和切块相比，它们可以快十倍左右。

直到最近，这个类别一直被大多数团队忽视，造成了诊断分析的差距。由于手头没有必要的工具，大多数团队一直在通过向下钻取仪表板来寻找指标变化的原因。虽然仪表板在提供所发生情况的高级概述方面非常有用，但在仪表板上进行此分析需要大量重复的手动工作。在发展较慢的行业中或处理较小、不太复杂的数据集的团队可以做到这一点。但对于具有复杂数据的快速发展业务，这种分析可能需要数小时或数天，从而导致大量错失机会。BI 的下一步是加快获得可操作见解的速度，而这正是决策智能平台的重点。

根据团队的结构方式，用户获取和营销团队可以直接使用决策智能平台，或者为数据团队提供支持，使其成为与他们合作的业务团队的可信顾问。它旨在启动一种主动处理数据的方式，定期研究绩效驱动因素，并不断利用每一个机会来提高业务绩效。这使团队有机会将数据计划与业务目标紧密结合，而不是被动地追逐由于 KPI 波动而随机上升的问题的答案。

与仪表板类似，决策智能平台直接集成到各种数据仓库中，使团队能够使用现有的SQL查询分析所有可用数据。这样，您不仅可以测试您已经怀疑的 2-3 个场景，还可以发现隐藏在数据中的意外驱动因素并考虑反因素，相互抵消并在 BI 工具中显得平淡无奇。通过使用机器学习增强诊断分析，决策智能结束了速度和全面性之间的权衡。因此，它通过在几分钟内显示可操作的见解来解锁分析的最后一英里，并使团队能够专注于沟通和根据这些见解采取行动。

此时，您已经完成了“最后一英里”，开始从数据中提供真正的价值。恭喜您完成马拉松比赛！

总之，确保您的公司拥有正确的思维方式和工具，以有效地帮助您完成商业智能和决策智能——这就是最重要的地方。通过简化BI和DI步骤，您不仅可以了解数据中发生的情况，还可以快速了解其发生的原因，以便您可以快速采取行动并发展业务。