越来越多的企业业务功能使用云服务进行操作
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-12-03
难以预料的后果很难预测，但是2021年普及智能的道路更加清晰
过去的十年技术为几乎所有社会领域的嵌入式智能奠定了基础：高度自动化的云基础架构，丰富的开源软件产品组合，快速成熟的数据工程和数据科学学科以及分布式计算技术的普遍采用和技术。
里程碑1：SaaS中的嵌入式分析
越来越多的企业业务功能使用云服务进行操作，SaaS公司拥有大量具有巨大潜在价值的数据，坐在山顶上的巨大势能巨石，到目前为止，过度的摩擦-以成本，时间和精力的形式-阻止这块巨石从山上翻滚下来，在过程中实现其动能，对于企业客户而言，分析服务的好处正在变得更加直接和有利可图，他们可以量化，分析和预测广泛功能区域和业务流程中的业务绩效。他们可以识别潜在的向上销售和交叉销售的机会，并就机会和威胁做出详尽的决策。
随着越来越多的公司转向SaaS解决方案来简化和现代化其运营
同时不再强调数据中心的资本支出，SaaS供应商可能成为普及分析的终受益者，随时都能提供有用的见解的能力为SaaS供应商提供了潜在的新收入来源，他们可以为其现有客户群提供服务。新的分析还可以提供竞争优势，并延长其核心产品的寿命和价值，反过来，当客户习惯于（然后沉迷于）新的易于使用的洞察力财富时，这将增加其解决方案的粘性，这些见解是有代价的，普遍的分析功能-无论是主管人员的仪表板，业务用户的自助服务分析还是业务线经理的报告-都为SaaS供应商带来了一些熟悉的要求：
供应商依靠规模经济以有吸引力的订阅价格有效地交付其订阅服务
通常有成百上千的企业客户，每个客户都有数十到数百个并发用户，这种类型的并发可以使分析平台屈服，数据的新鲜度和准确性： SaaS用户期望仪表板中的数据需要新鲜以反映他们所看到的世界，由于许多SaaS供应商在多个时区为客户提供服务，因此每天刷新分析数据集的粒度可能不够有用，这些数据集的快速刷新还使数据团队能够及早发现异常，重复或错误。
SaaS供应商必须保持警惕
知道谁可以在什么级别查看哪些数据，并且可能存在与多租户有关的隐私问题，我们可以期望更多的SaaS供应商将提供分析功能作为附加产品，分布式多维聚合索引（也称为多维数据集）部分解决了用户并发，数据新鲜度和准确性以及数据隐私方面的挑战。
里程碑2：统一数据和语义
业务分析师和数据科学家之间的界线将继续模糊，企业级机器学习软件使业务分析师能够进行更高级的数据科学研究，这些精通数据科学的业务分析师需要更强大的数据服务层，该层需要对整个组织中的数据进行统一的查看，业务分析师需要以“思考的速度”进行分析，并与他们的数据集进行交互，而不会在每次提交查询时费心，对于当今的信息工作者来说，思想的速度还不够快，随着机器学习算法的全面普及，我们需要一个数据服务层，该层可以以机器速度提供洞察力。
这意味着我们需要超越当今的典型数据服务体系结构
该体系结构通常包括具有某些查询引擎的数据仓库和/或数据湖，以及读取和处理大量数据的数据科学框架，整合的数据服务层应该能够在整个企业范围内以统一的语义为人类分析和机器学习工作负载提供服务，其速度比当今常用的数据技术快10倍或100倍。这采取统一语义层的形式。
里程碑3：无处不在的分析
我们看到多云和跨平台策略在企业中变得越来越流行。这是数据引力的逻辑结果，在这种情况下，创建的数据集对于公司，应用程序或行业变得至关重要，以至于分析解决方案必须围绕数据而不是反过来发展，常见的多云方法是为不同的应用程序选择不同的云，这种方法使企业可以从不同的云供应商那里选择同类的服务，在更广泛的上下文中，多云可以指公共云，私有云和本地体系结构的混合。
您需要使用不同的支持云基础架构来大规模部署一组新的数据孤岛
新的法规要求使连接这些孤岛变得更加困难，云中性和多云友好的企业数据服务层对于实现普遍分析而不会造成操作上的摩擦至关重要，期望看到更多的客户对多云环境中的数据分析功能感兴趣，支持多个数据平台（数据仓库，数据湖，云存储），从而能够跨数据平台进行合并，统一，比较和汇总和云边界，这种类型的多云，跨平台分析是普遍分析的基础，因此必须高度自动化且对业务用户友好，对于需要大量数据工程工作的技术，我们无法重蹈覆辙，我们应该期望与企业数据目录的紧密集成，跨云边界的统一语义层以及也支持多云的数据治理的发展。
走向普及分析的道路
过去的十年技术为几乎所有社会领域的嵌入式智能奠定了基础：高度自动化的云基础架构，丰富的开源软件产品组合，快速成熟的数据工程和数据科学学科以及分布式计算技术的普遍采用和技术。
里程碑1：SaaS中的嵌入式分析
越来越多的企业业务功能使用云服务进行操作，SaaS公司拥有大量具有巨大潜在价值的数据，坐在山顶上的巨大势能巨石，到目前为止，过度的摩擦-以成本，时间和精力的形式-阻止这块巨石从山上翻滚下来，在过程中实现其动能，对于企业客户而言，分析服务的好处正在变得更加直接和有利可图，他们可以量化，分析和预测广泛功能区域和业务流程中的业务绩效。他们可以识别潜在的向上销售和交叉销售的机会，并就机会和威胁做出详尽的决策。
随着越来越多的公司转向SaaS解决方案来简化和现代化其运营
同时不再强调数据中心的资本支出，SaaS供应商可能成为普及分析的终受益者，随时都能提供有用的见解的能力为SaaS供应商提供了潜在的新收入来源，他们可以为其现有客户群提供服务。新的分析还可以提供竞争优势，并延长其核心产品的寿命和价值，反过来，当客户习惯于（然后沉迷于）新的易于使用的洞察力财富时，这将增加其解决方案的粘性，这些见解是有代价的，普遍的分析功能-无论是主管人员的仪表板，业务用户的自助服务分析还是业务线经理的报告-都为SaaS供应商带来了一些熟悉的要求：
供应商依靠规模经济以有吸引力的订阅价格有效地交付其订阅服务
通常有成百上千的企业客户，每个客户都有数十到数百个并发用户，这种类型的并发可以使分析平台屈服，数据的新鲜度和准确性： SaaS用户期望仪表板中的数据需要新鲜以反映他们所看到的世界，由于许多SaaS供应商在多个时区为客户提供服务，因此每天刷新分析数据集的粒度可能不够有用，这些数据集的快速刷新还使数据团队能够及早发现异常，重复或错误。
SaaS供应商必须保持警惕
知道谁可以在什么级别查看哪些数据，并且可能存在与多租户有关的隐私问题，我们可以期望更多的SaaS供应商将提供分析功能作为附加产品，分布式多维聚合索引（也称为多维数据集）部分解决了用户并发，数据新鲜度和准确性以及数据隐私方面的挑战。
里程碑2：统一数据和语义
业务分析师和数据科学家之间的界线将继续模糊，企业级机器学习软件使业务分析师能够进行更高级的数据科学研究，这些精通数据科学的业务分析师需要更强大的数据服务层，该层需要对整个组织中的数据进行统一的查看，业务分析师需要以“思考的速度”进行分析，并与他们的数据集进行交互，而不会在每次提交查询时费心，对于当今的信息工作者来说，思想的速度还不够快，随着机器学习算法的全面普及，我们需要一个数据服务层，该层可以以机器速度提供洞察力。
这意味着我们需要超越当今的典型数据服务体系结构
该体系结构通常包括具有某些查询引擎的数据仓库和/或数据湖，以及读取和处理大量数据的数据科学框架，整合的数据服务层应该能够在整个企业范围内以统一的语义为人类分析和机器学习工作负载提供服务，其速度比当今常用的数据技术快10倍或100倍。这采取统一语义层的形式。
里程碑3：无处不在的分析
我们看到多云和跨平台策略在企业中变得越来越流行。这是数据引力的逻辑结果，在这种情况下，创建的数据集对于公司，应用程序或行业变得至关重要，以至于分析解决方案必须围绕数据而不是反过来发展，常见的多云方法是为不同的应用程序选择不同的云，这种方法使企业可以从不同的云供应商那里选择同类的服务，在更广泛的上下文中，多云可以指公共云，私有云和本地体系结构的混合。
您需要使用不同的支持云基础架构来大规模部署一组新的数据孤岛
新的法规要求使连接这些孤岛变得更加困难，云中性和多云友好的企业数据服务层对于实现普遍分析而不会造成操作上的摩擦至关重要，期望看到更多的客户对多云环境中的数据分析功能感兴趣，支持多个数据平台（数据仓库，数据湖，云存储），从而能够跨数据平台进行合并，统一，比较和汇总和云边界，这种类型的多云，跨平台分析是普遍分析的基础，因此必须高度自动化且对业务用户友好，对于需要大量数据工程工作的技术，我们无法重蹈覆辙，我们应该期望与企业数据目录的紧密集成，跨云边界的统一语义层以及也支持多云的数据治理的发展。
走向普及分析的道路
普及分析的故事-或触手可及的洞察力-需要打破每个云和数据平台存在的逻辑障碍，这意味着在这些平台之外还必须存在一个逻辑数据层，该逻辑数据层也必须与这些平台集成，着手处理的预计算层的一部分，预计算层位于著名的SQL数据平台，云数据仓库和云存储服务产品之外，这是一种分布式架构，许多企业将在2021年采用这种架构，以在其应用程序和分析堆栈的所有级别和层级实现智能。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
