分析時刻是Gartner定義的一種數(shù)據(jù)分析流程，通過對數(shù)據(jù)進行可視化、探索和應用算法，支持業(yè)務成果的交付，從而做出更好或更快的決策，實現(xiàn)業(yè)務流程的自動化。

隨著數(shù)據(jù)使用門檻逐步降低，自助式、平臺式BI成為趨勢，數(shù)據(jù)分析的主動權會逐步轉移到業(yè)務人員手中，數(shù)據(jù)分析直接由遇到業(yè)務問題的業(yè)務人員發(fā)起，業(yè)務人員可以使用數(shù)據(jù)分析工具/平臺完成數(shù)據(jù)分析內(nèi)容。

舉例：

當一名業(yè)務人員想知道某個商品的線上銷售預測，或者為什么購物車中的商品沒有被某些客戶轉化為購買，在過去，這名業(yè)務人員必須求助于IT部門的專業(yè)數(shù)據(jù)分析師（提取可能相關的數(shù)據(jù)，輸出特定分析報告）、數(shù)據(jù)科學家（建立預測模型），但是試想一下，如果BI系統(tǒng)中建立了常用的預測算法模型、歸因分析工具，可以方便的連接數(shù)據(jù)集，業(yè)務人員自主快速完成分析內(nèi)容，他通過自助分析很快就知道了這幾個數(shù)據(jù)結論或者問題原因，從而做出業(yè)務上的反饋。

增強分析主要是指以機器學習為基礎的數(shù)據(jù)分析和BI功能，通過機器學習、人工智能等技術的應用將常見通用的數(shù)據(jù)分析的場景沉淀為產(chǎn)品功能中，幫助普通用戶在沒有數(shù)據(jù)科學專家或 IT人員協(xié)助的情況下完成數(shù)據(jù)分析。

增強分析的底層理念是“簡單易用”，能夠支撐用戶在沒有專業(yè)知識背景下，完成數(shù)據(jù)的“收集-準備-整合和分析”全過程。

增強分析包含增強數(shù)據(jù)準備、增強機器學習、增強數(shù)據(jù)分析這些模塊。這里主要講在數(shù)據(jù)分析中的應用趨勢。

（1）NLP與NLG的應用

• 使用自然語言分析（NLP），通過語言和可視化來分析數(shù)據(jù)

舉例：ThoughtSpot使用搜索和NLP作為訪問數(shù)據(jù)的主要界面，用戶可以通過打字或者語音提出問題。

• 對話式數(shù)據(jù)分析的數(shù)據(jù)機器人

自然語言轉化成 SQL，再將 SQL 結果集轉化成可視化的圖形，形成了'NL2SQL2Graph'的完整鏈路。

舉例：阿里小蜜（入口：淘寶）

• 使用自然語言生成（NLG），將機器分析出的觀點結論以語言形式展現(xiàn)給用戶

舉例：tableau的explain Data功能，會自動針對所選值提供由 AI 驅動的解釋。此功能會在后臺檢查數(shù)百個可能的解釋，并呈現(xiàn)可能性最大的那些解釋。

這個功能是如何實現(xiàn)的？在tableau的2020.2 new feature網(wǎng)絡研討會上對explain data性能增強的介紹下讓我們可以大概知道運行原理：

當你點擊某個數(shù)據(jù)值進行explain data時，系統(tǒng)會自動對數(shù)據(jù)集的每一個維度、每一個度量都進行交叉計算，判斷需要解釋的數(shù)據(jù)值是高于還是低于預期（均值）。

以高于預期為例，explain data會嘗試做以下幾類解釋：

先去掃描所有的維度信息，看是否有顯著的維度（這個維度的值普遍偏高）；

然后去考察記錄數(shù)（數(shù)據(jù)條數(shù)），是否是由于數(shù)據(jù)記錄數(shù)較高導致；

再次，考慮極端值的情況，是否是因為某個極端值造成了偏高。

在新版的explain data中，對計算的維度范圍進行了限制(不再對所有維度進行解析，有一些明顯值過多的維度、包含了平均值的維度都會默認被忽略)，這能解決以前數(shù)據(jù)集較大或者維度偏多explain data會比較慢的問題。

（2）自動洞察和自動可視化

• 自動洞察( automated insights )

自動洞察是指機器自動地從數(shù)據(jù)中發(fā)現(xiàn)潛在信息和價值：發(fā)現(xiàn)數(shù)據(jù)之間的關聯(lián)、發(fā)現(xiàn)數(shù)據(jù)異常、自動進行聚類。

現(xiàn)在大部分的主流 BI 平臺都有自動洞察的相關功能推出。舉例：

微軟的 PowerBI 的Quick Insights 功能能夠自動對于源數(shù)據(jù)做出各種交叉的一階或者多階計算 ( 百分比，排序，同環(huán)比 )，從而挖掘數(shù)據(jù)內(nèi)部各種趨勢。

• 自動可視化 ( automated visualization )

根據(jù)數(shù)據(jù)結果自動的選擇可視化的方式進行展示，以清晰的展現(xiàn)數(shù)據(jù)分析結果。

有2個方向：

• 自動選擇圖表：當查詢出數(shù)據(jù)集后，機器會根據(jù)數(shù)據(jù)特點，自動生成合適的圖表。圖表自動化現(xiàn)在主流的BI工具都已經(jīng)支持了，比如tableau，選擇好數(shù)據(jù)集后第一眼看到的不是數(shù)據(jù)，而是自動的可視化圖表，而當維度變多后，會自動將現(xiàn)有圖表拆分成多個。

• 自動生成報告：比自動選擇圖表更高一層，自動生成報表布局、配置控件、圖表聯(lián)動等。

技術上有2種實現(xiàn)思路：

• 基于規(guī)則：預先設置好規(guī)則庫，根據(jù)規(guī)則生成圖表，規(guī)則庫的質量是關鍵。

• 基于模型：將問題轉化為分類或者排序問題，數(shù)據(jù)本身的特征與可視化圖表的特征是關鍵。

將特定的數(shù)據(jù)分析方法集成到業(yè)務系統(tǒng)中。

比如，BI系統(tǒng)的頁面可以用于嵌入到其他系統(tǒng)中，這樣對產(chǎn)品未來發(fā)展很有好處：

• 能夠擴大BI的適用范圍，也便于未來產(chǎn)品規(guī)劃的升級

• 業(yè)務人員在產(chǎn)生數(shù)據(jù)的系統(tǒng)內(nèi)就能看到數(shù)據(jù)的分析結果，增加了體驗，并且使用起來流程、體驗都很順

預測和決策建議

通過大量人工業(yè)務分析總結出的業(yè)務經(jīng)驗、再加上AI和機器學習技術的加持，讓機器一次性完成業(yè)務分析和行動建議。

比如：taobao的生意參謀，數(shù)據(jù)現(xiàn)象后面緊跟著操作建議、業(yè)務技巧。

這種功能如何實現(xiàn)呢？看起來很高大上，其實說起來也有簡單的方法：

首先提煉出數(shù)據(jù)表現(xiàn)背后代表的業(yè)務場景，根據(jù)數(shù)據(jù)表現(xiàn)判斷屬于哪一種業(yè)務場景，再推送出對應的解釋和建議，這種實現(xiàn)方式的特點是，業(yè)務已經(jīng)比較成熟，能夠很好的抽象出業(yè)務上數(shù)據(jù)和策略的關系。實現(xiàn)上使用規(guī)則就可以很好的滿足初期的需求，是的，重點是梳理好對應的規(guī)則庫。

我個人比較推薦這種成本低的決策建議，在項目初始的短期內(nèi)就能夠達到比較好的效果，給未來迭代升級提供很好的ROI支持。

(歡迎大家加入知識星球獲取更多資訊。)