數(shù)字化轉(zhuǎn)型進(jìn)入實(shí)質(zhì)性階段，企業(yè)對(duì)于數(shù)據(jù)的需求也隨之加深。然而，一些企業(yè)積累了大量數(shù)據(jù)，卻難以深度釋放數(shù)據(jù)價(jià)值。

 

近幾年，作為數(shù)據(jù)應(yīng)用的有力工具，BI商業(yè)智能分析平臺(tái)同樣進(jìn)入了轉(zhuǎn)折期，其發(fā)展趨勢(shì)明顯呈現(xiàn)出從IT走向業(yè)務(wù)、從報(bào)表工具走向分析決策的特征，開始逐漸步入業(yè)務(wù)用戶商業(yè)分析的時(shí)代。其本質(zhì)原因，就是滿足企業(yè)的深度應(yīng)用數(shù)據(jù)、產(chǎn)生實(shí)際效果的需求。

 

那么，如何才能把數(shù)據(jù)用透，驅(qū)動(dòng)業(yè)務(wù)增長(zhǎng)？

 

從企業(yè)的角度講，主要有四個(gè)層次：

 

1、數(shù)據(jù)可視化

數(shù)據(jù)可視化也就是常說的“數(shù)據(jù)報(bào)表”，其作用是用圖形化描述已經(jīng)發(fā)生的事實(shí)。例如，展現(xiàn)公司整體的銷售業(yè)績(jī)、成本情況、利潤情況等，以及所對(duì)于的同比、環(huán)比、趨勢(shì)圖等。對(duì)于BI產(chǎn)品來說，可以實(shí)現(xiàn)對(duì)于明細(xì)數(shù)據(jù)的下鉆、上卷，已了解細(xì)致的經(jīng)營情況，對(duì)現(xiàn)有業(yè)務(wù)情況進(jìn)行整體的把控。

 

數(shù)據(jù)可視化也是目前大多企業(yè)運(yùn)用BI產(chǎn)品達(dá)到的成果，屬于數(shù)據(jù)應(yīng)用的初級(jí)階段。

2、業(yè)務(wù)診斷

數(shù)據(jù)報(bào)表展現(xiàn)的是過往及當(dāng)下的業(yè)務(wù)情況，但無法提供造成當(dāng)前情況的具體原因，如果只是依托于數(shù)據(jù)報(bào)表，則仍然需要業(yè)務(wù)人員或管理者依據(jù)自身經(jīng)驗(yàn)對(duì)數(shù)據(jù)結(jié)果進(jìn)行判斷，做出歸因。顯然，這個(gè)過程仍然帶有許多主觀因素。

 

因此，需要使用BI工具進(jìn)行診斷性分析，以解決“為什么”的問題。進(jìn)入這一階段，便需要運(yùn)用BI工具中的AI增強(qiáng)分析模塊。

 

例如，對(duì)于汽車行業(yè)，IPTV是關(guān)鍵指標(biāo)之一。IPTV為每千輛車故障率，如果只是使用數(shù)據(jù)報(bào)表，則只能看到當(dāng)前該指標(biāo)的變化情況，無法確定影響其變化的核心因素。

 

通過永洪BI進(jìn)行業(yè)務(wù)診斷，可以選擇不同的車型進(jìn)行分析，確定對(duì)象后，可對(duì)具體車型查看IPTV目標(biāo)達(dá)成分析狀況和整車IPTV的狀況，還可以查看具體的故障模式和責(zé)任部門，通過數(shù)據(jù)聯(lián)動(dòng)，查看故障發(fā)生問題時(shí)責(zé)任問題是分布在哪一個(gè)環(huán)節(jié)，從而進(jìn)行對(duì)應(yīng)的優(yōu)化。

此外，永洪BI的AI增強(qiáng)分析模塊，自帶數(shù)據(jù)解釋功能，可以對(duì)數(shù)據(jù)影響較大的因素進(jìn)行自動(dòng)統(tǒng)計(jì)和分析；數(shù)據(jù)洞察則自動(dòng)給出用于發(fā)現(xiàn)業(yè)務(wù)數(shù)據(jù)增長(zhǎng)、減少的原因。

 

3、業(yè)務(wù)預(yù)測(cè)

外部環(huán)境的不確定性增加，使企業(yè)急需通過數(shù)據(jù)，判斷業(yè)務(wù)和市場(chǎng)在未來一段時(shí)間內(nèi)的變化情況，這便需要通過BI工具實(shí)現(xiàn)預(yù)測(cè)性分析，已解決“可能發(fā)生什么”的問題。

 

預(yù)測(cè)性分析需要使用預(yù)測(cè)性建模、回歸分析、預(yù)報(bào)、多變量統(tǒng)計(jì)、模式匹配和機(jī)器學(xué)習(xí)（ML）等技術(shù)，通過永洪BI內(nèi)置的算子、模型，可以便捷實(shí)現(xiàn)。

 

以風(fēng)電設(shè)備故障預(yù)測(cè)為例。首先進(jìn)行數(shù)據(jù)預(yù)處理，將處理后的數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，對(duì)數(shù)據(jù)進(jìn)行故障標(biāo)注和探索分析，分析故障數(shù)據(jù)和正常數(shù)據(jù)的區(qū)別，發(fā)現(xiàn)故障數(shù)據(jù)在頻域表現(xiàn)明顯，因此以風(fēng)速、轉(zhuǎn)速、均值、方差、故障特征頻率等為特征建立故障預(yù)測(cè)分類模型，方法可選擇邏輯回歸、隨機(jī)森林、GBDT等。

 

由于故障數(shù)據(jù)只記錄了是否故障，沒有記錄故障位置，因此在建立模型時(shí)采用監(jiān)督學(xué)習(xí)的二分類算法，模型建立完，可利用測(cè)試數(shù)據(jù)計(jì)算評(píng)價(jià)指標(biāo)進(jìn)行模型優(yōu)化，選擇效果最好的模型進(jìn)行部署，最終上線的模型準(zhǔn)確率可達(dá)90%以上，可有效的對(duì)故障風(fēng)機(jī)進(jìn)行預(yù)測(cè)，提前預(yù)知故障，減少計(jì)劃外中斷，增加設(shè)備綜合效率，減少維修成本，提高產(chǎn)能。

 

4、規(guī)范性分析

規(guī)范性分析則是通過數(shù)據(jù)智能，直接給出業(yè)務(wù)決策的行動(dòng)建議，從而解決“應(yīng)該怎么做”的問題。顯然，要達(dá)到給出準(zhǔn)確的行動(dòng)建議，其過程具有一定復(fù)雜性。

 

通常規(guī)范性分析需要與預(yù)測(cè)性分析相結(jié)合，并使用運(yùn)籌學(xué)、圖像分析、仿真、模擬、復(fù)雜事件處理和推薦引擎等技術(shù)。

 

目前，以永洪科技為首的新一代BI廠商，正在朝這一方向努力，并達(dá)到了基礎(chǔ)目標(biāo)。例如，永洪BI的數(shù)據(jù)問答功能，可以讓用戶使用文本輸入問題，系統(tǒng)以可視化的方式進(jìn)行自動(dòng)展示答案。

 

可以看出，數(shù)據(jù)猶如深埋地底的寶藏，需要深入挖掘，才能真正釋放其價(jià)值。把數(shù)據(jù)用透，一方面需要企業(yè)運(yùn)用更加智能化的BI工具以降低數(shù)據(jù)門檻，另一方面也需要企業(yè)改變對(duì)數(shù)據(jù)應(yīng)用的認(rèn)識(shí)，逐步實(shí)現(xiàn)數(shù)據(jù)深度應(yīng)用。

?