云端组装商业智能和数据科学以实现可复用的高级数据分析能力

孙鑫

如今，分析和商业智能（ABI）以及数据科学和机器学习（DSML）市场都在大力投资于云。新老厂商纷纷发布他们的最新云优先或纯云功能。云生态系统现已成为主要的支出。七家超大规模云基础设施和平台服务厂商中，首次有六家直接或通过收购的子公司同时在ABI和DSML平台市场上提供产品。在2020年Gartner数据和分析云调查中，74%的企业机构使用或计划使用云实施分析、商业智能和数据科学（见图1）。

云所提供的丰富选择有时并不能使ABI和DSML的价值累加，反而会造成技术栈的重复或不同厂商之间的低效运作。分别投资于ABI和DSML平台或分阶段投资于ABI和DSML平台的企业机构未考虑如何管理这两个平台，通过凝聚两者的力量产生综合效益。数据和分析领导人应运用云的可组装性来建立ABI和DSML平台之间的协同作用。

以模块化渐进式从ABI到DSML的来扩展云中的高级分析能力

根据Gartner 2020年云端数据和分析调查，从2020年到2022年，云端高级分析的开发和部署比例都将增加一倍以上（见图2）。随着数据重心向云转移，企业机构意识到将ABI和DSML转移到云的必要性。在云端，他们可以减少混合环境中的网络延迟并采纳广泛、现代化的数据和分析生态系统。

但由于从本地迁移到云的复杂性以及丰富的云创新功能选择，向云迁移的过程并不清晰。从试点转向生产仍是数据科学和机器学习项目所面临的一大挑战，即使在云端也不例外。

云上实现过组装式分析创新

数据和分析高管应建立一个在云中实现先进生产级高级分析的稳定途径。应采取“整体规划，逐步建立”的方法将数据和分析转移至云，借助ABI和DSML平台的可组装性将这种方法付诸实践。企业机构应建立一个云市场，提供来自多家厂商的可组装式ABI和DSML模块。可组装性将使业务用户的思维模式从“我应该使用哪些工具？”转变为“我可以组装哪些能力？”该市场将为用户提供一个以业务为中心的视角，使用户能够查看分析业务能力组合包（PBC）并通过让他们可以发布自己的PBC来鼓励再组装。企业机构不应该纯粹为了云而将分析转移到云，而是应该将云作为一项使组装平台能够实现ABI和DSML创新的基础技术。

与本地相比，云提供了更多专为集成和组装而设计并且以API为中心的模块化产品。ABI和DSML平台也是如此。老厂商已经将他们的平台重新构建成云原生平台，而大多数新厂商只在云中发布他们的产品。微服务或基于容器的架构使用户能够组装ABI和DSML上多家厂商的功能。随着更多低代码工具出现在云中或作为附加模块加入到ABI和DSML工具中，以业务为中心的组装将变得更加自助化。

可组装性实现云端模块化扩展

在将本地ABI和DSML迁移到云时，不应好高骛远。这些工具的可组装性使企业能够选择在迁移至云时实现渐进式的组装（见图3）。企业机构可以逐步将能力从本地转移到云并通过与其他功能组装来实现附加价值。云所提供的能力应该是可以作为PBC进行选择、组装和再组装的服务。此外，还应该有一个以业务视角为导向的市场或这些PBC的产品目录库，以便进行连续组装。

简单的“lift and shift”的迁移策略是无法发挥云上的全部潜力的。ABI和DSML之间的组装足以成为企业机构在发展高级分析能力的同时迁移至云的理由，而应用开发者等更多角色带来了将组装的新能力转化为产品的经验，使云能够改善ABI和DSML服务的访问。根据Gartner 2020年数字平台构建调查，云原生、敏捷和API是使用最多的架构方法。开发者社区中的应用开发者可以在ABI和DSML平台经过改进的API和API市场上开展进一步的工作和合作，这使他们能够更容易被嵌入到数字平台内，在整个云生态系统中实现数据驱动型行动。

包括DataOps、ModelOps和DevOps在内的XOps也可以确保数据和分析应用的持续交付。通过在云中应用XOps，可以管理技术债务并孵化出可复用的基础模块，而其他用户可以进一步使用这些基础模块继续进行组装。

在云端组装来自ABI和DSML的互补功能以加快交付速度

根据Gartner 2020年数据和分析调查，因新冠疫情而加速迁移至云的最常见用例是分析、商业智能和数据科学。企业机构需要更快交付分析洞察以便采取行动。具有快速配置和试点能力的云是启动分析和数据科学举措以灵活应对快速变化的理想场所。Gartner 2020年云终端用户购买行为调查也表明，受访的62%云决策者和顾问表示他们的企业机构在云端使用分析和商业智能解决方案。此外，在考虑新的公有云采购项目时，AI/ML功能也是一个重要的技术因素。

通过组装ABI和DSML，可以更好地实现高级分析的协同作用

ABI和DSML都具有能够实现更好的协同作用，从而提高效率和全面性的重叠和互补功能。本质上，分析和商业智能（ABI）平台用于生成报告和仪表盘，而数据科学和机器学习（DSML）平台则用于生成预测模型。根据Gartner Peer Insights的数据，排名前列的ABI和DSML生产满意度驱动因素可以在云中融合，从而实现更高的价值。

ABI平台的第一驱动因素是高级分析。当ABI用户想要解决更复杂的业务问题时，他们会在DSML平台寻找高级分析能力。因此，能够将DSML生成的模型应用到仪表盘和可视化中的可组装性十分重要。在DSML中，排名前五的功能（直接或间接）与生产应用中所生成之模型的运营化或将它们嵌入到业务流程中有关。DSML用户将需要使用ABI的功能来展示数据可视化和数据准备流水线的价值。由于大多数终端用户企业机构已将他们的许多关键应用迁移到云，因此企业机构应评估厂商是否能够轻松支持所生成之模型的“一键式”容器化和“一键式”REST API创建。

使用云组装ABI与运营性更好的DSML

随着增强型分析技术在平台上的普及，ABI和DSML平台之间的界限正在变得模糊，这是因为增强型分析技术可以将数据科学和机器学习功能加入到分析和商业智能平台，实现高级分析技术的民主化。增强型分析功能也是新购分析解决方案的关键差异化因素。但根据2021年的关键能力评估，增强型分析功能（自动洞察、自然语言生成[NLG]、自然语言查询[NLG]、数据叙事和产品目录）的成熟度并不及平台中的其他功能，而且随着ABI平台不断增加使用更频繁的增强型分析功能，其背后的动态机器学习工作负载将面临向上扩展方面的问题。由于需要具有更高自定义和运营化程度的模型，因此企业机构仍会使用DSML平台。

一般情况下，企业机构不会先使用增强型分析，而是会使用DSML平台来实现高级分析。如今，DSML的主要受众仍是那些拥有强大技术能力的数据科学家。虽然为了在业务端培养出更多公民数据科学家，这些工具正在不断增加容易使用的功能，但如要最大程度地发挥DSML平台的全部潜力，仍需要专业数据科学家。与业务用户最普遍的互动方式之一是在可视化图像或仪表盘中反映模型结果。

我们需要结合ABI和DSML平台的当前工作。云是一个能够通过更低的运维成本来管理这两种能力的理想场所（见图4）。云所具有的弹性可以处理ABI和DSML中更加动态的工作负载。用户可以从DSML平台获得最新的預测模型，同时使用ABI平台对其进行可视化。在这一组装解决方案证明其价值后，云就可以进一步加速向上扩展流程。云的快速配置能力也为用户提供来自云的最新功能。

总而言之，新型分析、商业智能和数据科学功能均出现在云端，但企业机构未能实现它们的协同效应。数据和分析高管应建立一个让用户能够组装其高级分析用例的云端组装环境。