什么是分析？

分析的定义

分析是指发现、解释和传达数据中的重要模式的过程。简单地说，分析可以帮助我们发现肉眼无法察觉的洞察和有意义的数据。业务分析侧重于利用从数据中获得的洞察来制定更明智的决策，进而帮助企业提升销量、降低成本和改善其他业务。

业务分析

如今，业务分析已无处不在，因为任何企业都希望做的更好，而数据分析可以帮助企业做出更好的决策。所有企业都希望通过分析获得更多价值 — 助力更多用户更轻松、更低成本地探索更多数据，更快获得更深层的洞察。为了实现这些目标，我们需要一个可满足安全性、灵活性和可靠性需求的强大云技术分析 (PDF) 平台来支持整个分析过程。这个平台必须能够在不牺牲治理的情况下提供用户自助分析功能，并且易于管理。

然而，我们如何才能在不承担企业级成本并部署企业级基础设施的情况下获得企业级系统的优势？

利用个性化、机器学习和深入的领域知识来开展业务分析，帮助企业从跨应用、数据仓库和数据湖的数据中获得相关的、切实有效的洞察。业务分析应该是一个号召采取行动的完整过程。一旦获得洞察，企业就可以重新评估、重新执行和重新配置流程 — 一切的关键在于行动。

分析的基础

数据本身是没有意义的。我们可以全面研究数据，吸取每一个可能的教训，但如果不采取措施，不相时而动，那么所有的工作都将是徒劳的。如果不善加利用可供我们支配的各种技术，我们的投资就将得不到任何回报。当今时代，我们能够与数据有效对话，让数据回答问题，预测结果，学习新的模式。这便是数据的潜在价值。

分析的业务价值

• 新的工作方式

  在当今世界中，企业业务的性质正在发生变化，这种变化带来了新的工作方式。要跟上当今精通技术的员工的需求，就必须拥有一种方法来快速创造价值和快速运转。对此，您需要在确保高标准数据质量和安全性的同时，满足员工对运行速度和操作简单性的要求。一个由 IT 扮演关键角色的集中式分析平台应是您业务分析战略的基础。将业务主导与 IT 主导的活动相结合，便是创新的最佳切入点。

• 发现新机会

  当今分析技术的进步为您深化利用数据创造了新的机会。一方面，现代分析具有预测性、自学能力和适应性，可帮助您发现隐藏的数据模式。另一方面，现代分析还具有直观性，可通过极具视觉冲击力的可视化方法帮助您即时理解数百万行和数百万列数据。此外，现代业务分析支持移动应用并且易于使用，您只需很少培训甚至无需培训就能在正确的时间访问正确的数据。

• 实现数据可视化

  您一定希望比竞争对手更快一步获得数据信号，而适当的分析技术可以为您提供高清晰度的业务视图。通过综合运用人员数据、企业数据和大数据，您可以在短短几分钟内快速了解数据的确切含义并与同事分享数据洞察。

分析的发展趋势

在不断发展的分析市场中，业务分析活动如今已发生了根本性转变，从 IT 主导转变成了业务和 IT 共同决策，这种转变已经成为了一种新常态。毫无疑问，分析已成为当今大多数组织重视的一个战略，并因此带来了一大批新的消费者和新的期望。

它改变了企业的决策方式 — 必须实时做出决策并与广大受众分享。劳动力正在发生变化，而这种变化带来了新的工作方式。借助手册进行上岗培训的传统做法已经过时，当今的员工普遍期望使用具有直观界面并且能够快速启动和运行的业务系统。然而这还不够。虽然速度和简单性是关键，但业务领导者仍对数据质量和安全性抱有很高的期望。一个由 IT 扮演关键角色的集中式分析平台仍是任何分析战略的基础。将业务主导与 IT 主导的活动相结合，便是创新的最佳切入点。

我们相信，将分析技术放到云端不仅仅是一种部署方式上的改变，它还打破了人员、地点、数据和系统之间的障碍，从根本上改变了人员和流程与信息、技术以及彼此之间的交互方式。

过去：分析的发展史

早在有文字记载的历史之前，人们便已开始比较统计数据和进行数据分析。通过一些重要的里程碑事件，我们可以了解分析是如何发展到我们今天所知道的样子。

1785 年，William Playfair 提出了条形图的概念，这是一种基本（并且得到广泛使用）的数据可视化特性。据说他发明了条形图来显示几十个数据点。

1812 年，地图制作者 Charles Joseph Minard 绘制了一幅拿破仑军队远征莫斯科之战败北的地图。在这幅始于波兰-俄罗斯边境的线性地图上，他通过线条的粗细展示了战争败北与严冬苦寒以及军队远离补给线的时间之间的关系。

1890 年，Herman Hollerith 发明了一种可在打孔卡片上记录数据的“制表机”。这种机器能够显著加快数据分析过程，从而帮助美国政府将人口普查的计数过程从 7 年缩短为 18 个月。自此之后，人们开始重视持续改进数据收集和分析过程。时至今日，这仍是很多人关注的重点。

现在：当前的分析技术

在 20 世纪 70 年代和 80 年代，关系数据库 (RDB) 和标准查询语言 (SQL) 软件诞生，它们可以根据需要外推数据，进行分析。

20 世纪 80 年代末，William H.Inmon 提出了“数据仓库”的概念，使信息可以被快速、重复地访问。Gartner 分析师 Howard Dresner 还提出了“商务智能”的概念，帮助特定行业推动了数据分析，让更好地了解业务流程成为了可能。

20 世纪 90 年代，数据挖掘的概念的出现使企业能够利用非常大的数据集来分析和发现模式。数据分析师和数据科学家们纷纷开始利用 R 和 Python 等编程语言来开发机器学习算法、处理大型数据集，并创建复杂的数据可视化。

进入 21 世纪，Web 搜索领域的创新使 MapReduce、Apache Hadoop 和 Apache Cassandra 应运而生，它们可以帮助人们更好地发现、准备和展现信息。

未来：下一代分析

随着企业需求从单纯的获得数据可见性转变为获取更多洞察，业务分析工具及功能也得到了发展。

第一个分析工具集以来自商务智能软件的语义模型为基础。这些模型帮助人们建立了强大的治理、数据分析和跨职能一致性。然而，它们的缺点之一是不能保证始终及时生成报告。业务决策者有时不确定结果是否与最初的查询一致。从技术角度来看，这些模型主要适用于组织内部环境，因此成本效率较低。另外，数据通常被困在孤岛中。

随后，自助服务工具的发展让更多人得以利用分析。这些工具不需要用户具有特殊技能，因此推动了分析的采用。这些桌面业务分析工具在过去几年中快速普及，特别是在云中。业务用户能够轻松利用它们探索各种各样的数据资产。这些工具虽然具有极为诱人的易用性，但是却让数据混合以及产生“单一信息源”的问题变得日益严峻。桌面分析工具有时无法扩展到更大的组中，并且容易出现定义不一致的问题。

最近，分析工具在自动升级和自动化数据发现、数据清理和数据发布的工具的帮助下，实现了更广泛的业务洞察转化。业务用户可以与任何具有上下文的设备协作，实时利用信息来推动结果。

现在，虽然大部分分析工作仍是由人来完成，但系统的自动化水平正在不断提高。系统已经能够轻松整合来自各种现有来源的数据。用户通过执行查询，与数据的可视化表现形式进行交互，从中获取洞察，并构建模型来预测未来的趋势或结果。这些均在非常细粒度的层次上有人来进行管理和控制。分析技术纳入了数据收集、数据发现和机器学习等功能，让用户能够以远超过去的效率获得更多的选择。

拥抱业务分析

在今天，数据分析已渗透到人们生活的方方面面，无论您提出怎样的问题（关于员工或财务，还是关于客户喜好及对客户行为的影响），都能通过业务分析获得答案，然后做出明智的决策。