「分析」是探索、解譯及傳送重要資料模式的程序。簡單的說,分析有助於我們能夠看到我們可能無法偵測的洞察力和有意義資料。業務分析著重於使用從資料衍生的洞察力,做出更明智的決策,可協助組織提升銷售量、降低成本及改善其他業務。
現今,商業分析無所不在,因為每個公司都希望擁有更好的績效,並且會分析資料以做出更好的決策。組織想要從分析中獲得更多資源,使用更多資料來更快速取得更深入的洞察力,減少人員和人力。為了達成這些目標,您需要一套強大的 雲端分析 (PDF) 平台,支援整個分析流程,提供符合您期望的安全性、彈性及可靠性。這個平台需要協助您在不影響治理的情況下,讓使用者得以進行自助式分析。此外,平台必須易於管理。
然而,在沒有企業級成本和基礎架構的情況下,您能如何取得企業級系統的優勢?
業務分析- 使用個人化、機器學習和深度網域知識公司,能夠從應用程式、資料倉儲和資料湖的資料,獲得相關可行的洞察分析。商業分析應是一個促發行動的完整過程。一旦獲得洞見,企業就能重新評估、執行和配置其流程。一切都在於採取行動。
資料本身毫無意義。我們可以竭盡心力的探索,汲取每個可能的教訓,但如果我們不採取行動,不試行,不進行調整,我們所有的心血將徒勞無功。如果我們不充分利用我們所有的技術,我們就無法獲得投資所能獲得的每一分錢。在現今的世界中,我們能夠有效地處理資料,運用資料回答問題、預測結果;並學習新的模式。這就是資料的潛力。
業務的性質正在發生變化,隨之而來的是全新的競爭方式。跟上現今科技勞動力的需求,代表擁有創造價值和快速上手的方法。提供出色的服務速度和便利性給您的使用者,同時保有最高標準的資料品質及安全性。這款以 IT 為關鍵角色的集中式分析平台,絕對會是您業務分析策略中重要的一部分。商務和 IT 導向行動的結合,是創新的最佳選擇。
分析技術的進步為您創造嶄新機會,發揮資料效益。現代化分析具備預測、自我學習,及調整功能,讓協助您發掘隱藏的資料模式。此外,現代化分析也具備直覺特性,並整合出色的視覺化功能,讓您一眼就可以輕易了解數百萬行列的資料。現代化業務分析亦具備行動能力,並且將相當易於使用,並且可以在合適的時間讓您取得合適的資料,無須多少事前訓練。
您希望先於競爭對手,查看資料訊號。您可以經由 Google Analytics,清楚查看業務環境的全貌。藉由整合個人、企業和巨量資料,您可以快速了解資料的價值,與同事分享您的資料內容,並在短短數分鐘內完成所有工作。
在不斷發展的分析市場中,從 IT 主導到追求業務分析計劃的根本轉變,已轉變為業務和 IT 在此決策中共享的新常態。毫無疑問,分析已成為當今大多數組織的策略,也因此創造了新一波的新消費者和新期望。
改變的是,必須即時做出決策並與廣大受眾共享的方式。勞動力正在發生變化,這種變化帶來了新的工作方式。在辦公室裡,訓練手冊司空見慣的日子已經一去不復返了 - 現今的員工期望透過直覺易用的介面迅速上手並執行。但這不僅止於此。儘管速度和簡易性是關鍵要素,但企業領導者仍然對資料品質和安全性抱有很高的期望。這款以 IT 為關鍵角色的集中管理分析平台,仍是您分任何析策略中重要的一部分。商務和 IT 導向行動的結合,是創新的最佳選擇。
我們相信,把分析放在雲端不僅僅是一種部署選擇,它打破了人、地點、資料和系統之間的障礙,從根本上改變了人們和流程與資訊、技術以及彼此之間的互動方式。
比較統計資料和分析資料已行之有年,但有一些重要的里程碑幫助將分析學發展成我們今天所知道的過程。
在 1785 年,William Playfair 提出了長條圖的概念,這是基本 (且受到廣泛使用) 的資料視覺化功能之一。故事是他發明了長條圖來顯示幾十個資料點。
在 1812 年,製圖者 Charles Joseph Minard 繪製了拿破崙軍隊進軍莫斯科時遭受的損失。從波俄邊界開始,他製作了帶有粗線和思維線的線性地圖,顯示了損失如何與寒冬以及軍隊遠離補給線的時間長短有關。
在 1890 年,Herman Hollerith 發明了一種「列表機」,該系統能將資料記錄在孔卡上。這樣可以更快地分析資料,因而將美國人口普查的計數過程從 7 年加快到 18 個月。這就建立了一個業務需求,以不斷改進仍沿用至今的資料收集和分析。
1970 年代和 1980 年代見證了關聯式資料庫 (RDB) 和標準查詢語言 (SQL) 軟體的誕生,這些軟體可以外推資料以進行隨選分析。
在 1980 年代後期,William H.Inmon提出了「資料倉儲」的概念,在那裡可以快速和重複地獲取資訊。此外,Gartner 分析師 Howard Dresner 將此稱為「商業智慧」,這為產業推動分析資料以更進一步理解業務流程奠定的基礎。
在 1990 年代,資料探勘的概念使企業能夠分析和發現超大型資料集中的模式。資料分析師和資料科學家蜂擁使用 R 和 Python 等編程語言來開發機器學習演算法,使用大型資料集並建立複雜的資料視覺化。
在 2000 年代,網路搜尋技術的創新推動了 MapReduce、Apache Hadoop 和 Apache Cassandra 的開發,以幫助發現、準備和展示資訊。
隨著企業在獲取資料能見度和需要更多洞察力上有所轉變,工具及其功能也在不斷發展。
第一批分析工具集是以商業智慧軟體鍛造的語義模型為基礎。這有助於建立了強大的治理、資料分析以及跨職能的一致性。其中一個缺點是報告並不一定及時。業務決策者有時不確定結果是否與原始查詢一致。從技術角度來看,這些模型主要在內部部署使用,因此成本效益低。資料通常也被困在孤島中。
之後,自助服務工具的發展將分析技術推向了更廣泛的目標對象。由於它們不需要特殊技能,因此加速了分析的使用。這些台式業務分析工具在過去幾年中已變得越來越流行,特別是在雲端中。商務使用者對探索各種資料資產感到興奮。儘管容易使用很吸引人,但是資料混合和建立「單一版本的事實」變得越來越複雜。桌面分析並不一定可以擴展到更大的群體。它們也容易受到不一致定義的影響。
最近,透過自動升級和自動執行資料探索、資料清理和資料發布等工具,分析工具可實現更廣泛的業務洞察力轉型。商務使用者可以與任何具有關聯性的裝置協作、即時利用資訊並加快實現成果。
時至今日,人類仍在完成大部分工作,但是自動化技術的支援也日益增多。來自現有來源的資料可以輕鬆合併。消費者透過執行查詢來工作,然後透過與資料的視覺化呈現互動來獲得洞察力,並建立模型來預測未來的趨勢或結果。這些都會由人員在非常細微層級上進行管控。包括資料收集、資料探索和機器學習在內的最終使用者,都可以在比以往更快的時間內為最終使用者提供更多選擇。
分析滲透到我們生活的方方面面。無論您的問題為何 (無論是關於雇員或財務狀況,還是客戶喜歡和不喜歡的東西,以及這如何影響他們的行為),分析都可以為您提供答案並幫助您做出明智的決定。