IDC 副总裁谈「嵌入式分析」
Embedded Analytics: Removing Roadblocks
on the Path to Pervasive Analytics
如今，动荡的商业、经济、政治及社会综合环境要求企业组织中的每一个人，都要以迅速、以数据为驱动力的决策为先。几乎世界各地的企业高管都比之前更多地投入于、甚至亲自参与到培育内部数据文化、提升人才数据素养的未来投资之中。
作 者 ⎪ Dan Vesset
IDC 集团分析和信息管理副总裁
通往普及分析之路 ▸ 好处是？
嵌入式分析的目标是加速决策，更快、更及时地推动由数据指引的行动。其好处包括：
▸▸▸ 通过提供实时结合上下文的分析，帮助用户轻松地理解数据、提高运营效率。嵌入式分析时直接内置于用户应用中的，再不需要在多应用之间来回切换，这大大减少了决策失误，以便用户能专注于其他更为重要的活动。
▸▸▸ 通过提供更轻松的信息访问路径，帮助用户最大限度地减少并消除移动数据的需要，以加快洞察力。根据 IDC 商业智能和分析调查，约 60% 的企业过去 12 个月获得洞察力的时间在缩短，其中大部分已经将分析技术嵌入至企业级应用中。
▸▸▸ 预构的嵌入式分析解决方案可以减少自主构建分析引擎或数据库的工作，而由商业供应商提供的嵌入式分析解决方案（相对于开源产品而言）的持续支持服务，可以帮助内部开发人员专注于差异化开发工作，这有助于企业加速产品开发、优化新产品的上线表现。
▸▸▸ 嵌入式分析软件可映射至企业安全和数据访问方案，将数据隐私和安全问题的风险降到最低。
▸▸▸ 将分析软件嵌入至应用不仅仅是为了支持更多的内部用户，而且也是为与企业的合作伙伴和客户生态系统共享信息。
通往普及分析之路 ▸ 采用情况
根据 IDC 2022 年商业智能和分析调查，1/3 的企业已将分析技术嵌入至大部分应用，但剩下的大部分仍然远远落后于这一目标。
• 采用嵌入式分析的障碍 •
围绕实施嵌入式分析解决方案最主要的障碍就是技术整合的挑战，包括数据访问权限管理。这些挑战往往与内部缺乏专业开发知识有关，尤其是涉及到建立需纳入分析的应用时。
另一挑战是应用开发团队和分析团队之间的脱节，前者专注于开发运营应用，而后者往往负责开发独立的数据资产（如数据仓库、数据湖、报告、仪表盘等）。通常而言这两个团队的协作不够，这限制了为运营运营带来更多洞察力和智能的机会。
• 成功的关键 •
如果缺乏相关的基础技术，数据和分析是无法被嵌入的——其中最主要的是数据平台，它是实现数据管理、分析和大规模洞察力传播的关键。
这一数据平台需要在部署选项、可扩展性、性能、可管理性方面的灵活性，以及用于广泛分析的内置引擎，包括采用 AI/ML 技术。它必须具备的几个能力如下：
▸▸▸ 尽量减少数据移动。只要有可能，必须确保分布式（边缘）和集中式（云和企业内部数据中心）数据处理、分析和 AI/ML 资源运营的平衡性，尽量减少或消除移动数据的需要。
▸▸▸ 可用性。与其他任何技术一样，将数据及分析解决方案嵌入至组织内部应用中会引起各种问题。某些企业组织选择建立专属数据库，有些选择开源工具，还有一些与数据及分析解决方案商合作。作出决定的关键因素是如何评估分析引擎的可用性，有些可能是“基本”的 SQL 查询，也可能是复杂的时间序列、地理空间或 AI/ML 查询。当涉及到应用和嵌入式数据平台所要支持的分析类型时，企业不仅要考虑当前需求，还要充分考虑未来需求；此外，企业应寻求“开箱即用”或预构的解决方案，以支持常用分析功能，包括对 AI/ML 算法的支持等。
▸▸▸ 可扩展性。应能支持数据科学家偏好的语言和工具，通过定制和独特的算法来扩展分析能力。
▸▸▸ 充分支持。平台应该基于整个企业环境，为以下内容提供支持：数据仓库和数据湖之间的整合；标准开发语言和技能（如 SQL、Java、C++、Python、R）；云存储 API；符合操作要求的服务级别协议（SLA）。
▸▸▸ 可扩展性及性能表现。平台应支持大数据处理需求，至少包括每秒百万亿字节的摄入率和百万亿字节的存储容量。当计算和存储资源分离，技术资源、成本与分析工作负载可以更灵活地匹配。
通往普及分析之路 ▸ 是机遇也是挑战
不过，对于暂未拥有符合描述的数据平台的企业组织而言，所有这些提到的技术需求都可以被视为是挑战。下图显示了 IDC 2022 年商业智能和分析调查中列出的前 6 大嵌入式分析挑战：
新的数据及分析可用性，引爆了企业界对由数据驱动的更大分析图景的兴趣。企业组织应为这些能力提前作好规划，除支持基础数据和分析技术的实施或升级外，您还将需要考虑支持将新的分析资产整合到业务工作流程中。
通往普及分析之路 ▸ IDC 建议
为满足日益增长的分析需求，企业组织应将运营分析嵌入至跨业务职能的工作流程中，并提供给直面客户的一线员工及后台运维员工，无论是否是在系统的决策自动化的情况下。您可以参考以下建议：
• 设立目标 •
仅仅宣布想成为数据驱动型组织是不够的。高管和职业经理人们必须设定具体目标，以确保内部投资流向能精准有利于目标实现的“沃土”中去，包括为组织中的每个决策人提供洞察力。因为每个参与战略、运营或战术决策的人都会在不同层面上影响最终实现。
• 探索实用性 •
用嵌入式分析技术改造传统应用，可能非常困难、耗时且昂贵，或者根本不可能。所谓的“低垂的果实”可能只能确保新应用能基于数据平台实施，或者将分析嵌入至业务工作流。您应该更多考虑内部由数据驱动的应用开发的专业性，以及这种专业性在多大程度上需要用外部服务来加强。
• 选择技术 •
一个问题总萦绕着技术赋能的变革主题：自主创建、购买还是无缝合作。企业不仅应该评估初始的技术投入（比如开源数据库的成本很低），还应该评估这种产品的总拥有成本（TCO）以实现大规模分析。您应该考虑支持嵌入式分析所需的数据技术栈，并寻找不仅符合本文所述的性能、可扩展性、安全性和其他特征，而且具有开放性的解决方案，以便与当前和预期的未来应用、产品和服务相整合。
• 了解 IDC《主动与预防性行为：专为预测性维护设计的高拓展分析》洞察简报全内容，请点击此处获取上期推送。
关于分析师
Dan Vesset
作为 IDC 分析和信息管理市场研究和咨询业务的集团副总裁，Dan 负责领导该集团全球的未来智能业务，重点关注数据智能、数据整合、移动、管理、分析、可视化、货币化及技术和流程评估。
分享 就是爱 ⎪ 我知道你 在看 哦
