4大商业智能趋势：自助式商业智能的喜悦（第4部分，共4部分）-CSDN博客

您还记得您第一次在超市遇到自助结账终端吗？我做。我的第一个反应是问这家商店将成为我自己的收银员的哪些激励措施？打折？优惠券？当然，我没想到我会免费做别人的工作。

今天，我什至很少为载人的收银台打扰。自助服务更快，我不必与健谈的员工打交道，也不必评论我要买的东西。我是自助服务转换者。

你也是。实际上，研究表明，在大多数情况下，超过一半的美国零售购物者更喜欢自助收银而不是收银员。英国最近的一项研究发现，只有10％的购物者说他们从未使用过自助结账终端，而71％的购物者说自助服务机在只购买几件商品时更方便。

趋势很明显。 Software Advice对餐厅自助式销售点系统的用户进行的一项研究发现，年龄在18至34岁之间的用餐者中，有70％以上的人更喜欢他们，而在30岁以上的用餐者中，这一比例不到35％ 55.我们正在培养自助服务的一代。

那么，为什么不应该将相同的动态应用于商业智能（BI）？时间到了。从1980年代后期的BI初期到最近，支持分析查询的过程几乎没有变化。业务用户确切地指定了他们需要的数据，IT创建了一个自定义模式，然后将必要的生产数据提取，转换和加载（ETL）到BI数据库中。报告仅限于在SQL查询中可以指定的内容，并且每次更新新数据时，新数据都必须经过相同的艰苦的ETL过程。整个过程非常痛苦且耗时，几乎没有用户愿意打扰。

时代如何改变。

Hadoop创建了“数据湖”的概念，即用户可以在无需监督BI样式建模的情况下挖掘的结构化和非结构化数据的存储库。 SAS，SPSS和R等分析语言为数据科学家提供了强大的编程功能，但是Tableau，Qlik和AtScale等工具为业务用户提供了许多相同的功能，而没有所有的复杂性。对Tableau Gallery的访问向您展示了人们在不受架构和规则隐藏的情况下想到的奇妙事物。

在数据湖的顶部构建自助式BI游乐场不一定是困难或昂贵的。如果您采用这种方法，请牢记以下几点原则：

使用沙盒方法。 数据湖最初是分析的过渡区域。它们廉价地存储大量数据，使用户可以尝试不同的组合和维度。将数据湖与您的运营数据存储区分开，不要对用户可以在那里执行的操作施加很多限制。让他们玩。
对数据说“是”。 当用户将在直观上没有意义的数据元素组合在一起时，当今最令人震惊的分析见解就来了。如果有人想关联鸡肉和毛衣的销售，那就让它们。他们可能只是某个东西。数据湖的重点是在数据仓库中找到值得形式化的有趣关系。使用不同数据源进行试验的成本和影响很小，因此请放开一百朵数据花。
不要过多地构建事物。 数据仓库和数据湖之间的一大区别是架构设计。通常在存储数据之前定义数据仓库架构（“写入架构”），以提供最大的性能，安全性和集成性。相比之下，通常在数据存储之后才定义数据湖中的架构（“读取模式”）。该过程效率较低，但更容易实现，而且更加灵活。在数据仓库中选择用于操作的数据应经过正式的架构设计过程。
提供培训和服务台支持。 客户体验管理咨询公司Tensator的一项调查显示，由于自助结帐的不良经验，三分之一的购物者没有购物就走出商店。实际上，对自助服务终端的沮丧是使它们退缩的最大因素。自助式BI同样如此。如果用户难以弄清您提供给他们的工具，他们将很快放弃工作。限制选配项，并确保提供培训。
保护数据仓库。 当数据湖发掘可以在数据仓库中进行操作的数据和关系时，它会带来最大的价值。也就是说，并非每个发现都是“大爆炸”理论。在IT承担创建数据仓库的架构和执行ETL的费用和麻烦之前，应让用户负责证明发现的有效性和价值。
不要忘记安全性。 由于自助服务BI具有探索性，因此很容易在安全性上趋于轻松。毕竟，用户无法使用事务数据。但是他们可能正在使用您企业专有的数据，即使这些数据已经存在了几天。根据经验，湖泊中的数据应与仓库中的数据一样安全。

自助服务的美丽之处在于它是双赢的。提供服务的组织可以节省劳动力，并且可以将其资源分配给更具生产力和有趣的任务。用户无需太多开销即可快速获得所需的信息。随着成本壁垒的减少和工具的激增，现在可能是尝试自助式BI的好时机。

通过下载免费书籍来了解更多信息：《数据湖上的BI和分析权威指南》。