在技術迅速發展的過程中，傳統的數據分析方法受到越來越多的懷疑。這可以用商業智能的各種誤解來解釋，如今正作為有效的真理傳播開來。例如，數據倉庫已經達到了它的目標。數據質量似乎也正在失去其相關性，這是由于有意放棄數據建模和一個事實點。然而，一個項目日常生活的具體愿景揭示了一個不同的形象。

人工智能(AI)、機器學習、實時、自助服務——這些只是目前數據分析中討論的一些術語。對新技術和新流程的大肆宣傳常常給人留下這樣的印象：“過時的”現在是多余的。因此，商業智能在很大程度上已經從關于趨勢和重要話題的討論中消失了。當我們討論這種經典的數據分析形式時，我們通常談論的是緩慢和昂貴的。

但這與事實相符嗎？偏見從何而來？公司的現狀如何？BI實際上是一個被拋棄的模型，與未來的數據分析無關嗎？基于具體的項目經驗，有必要更仔細地研究并質疑一些常見的斷言。然而首先，重要的是要簡要說明一些關鍵點，以便形成共識。

商業智能與商業智能探索性分析

首先，讓我們簡要解釋一下經典BI的含義。這些基本上是基于歷史數據的評估，其結果在報告和儀表板中可視化。為此目的，來自不同數據源的數據質量在一個中心位置(數據倉庫(DWH))得到保證，該位置集成并提供數據。

毫無疑問：考慮到數據量和數據源的增長，以及新的技術可能性，DWH非常具有競爭力。它將被現代分析平臺所取代，這些平臺通常由云服務支持構建。這些平臺還可以在所有級別集成非結構化數據。它們可以根據需要進行擴展，并將不同的主題或技術組合在一個屋檐下。然而，事實證明，典型的BI組件仍然是分析平臺不可或缺的一部分。目前的商業數字化舉措證實了這一點。同樣，BARC在更新后的圖表中強調了“舊的”和“新的”數據世界之間不可分割的聯系。

現代分析平臺的典型任務：來自各種來源的異構數據通過探索性分析提供新信息，最終在BI背景下進行操作。

現代分析平臺的典型任務：來自不同數據源的異構數據通過探索性分析提供新的信息，并最終在BI環境下運行。

用戶可能常常沒有意識到這一點，但是如果沒有保證質量的歷史數據，自助服務或AI應用程序不會提供可靠的分析結果。同樣，經典的業務報告系統也是必不可少的。與此同時，使用基于數據的結果的員工數量正在穩步增加。那么BI的壞名聲從何而來？

誤解1：不再需要數據建模

為什么我們仍然需要數據建模？在創建或現代化分析解決方案時，越來越多地詢問關于BI的一個典型工作步驟的問題。在這背后，人們擔心產生的體系結構對于新需求的敏捷實現來說過于復雜和不靈活。此外，建模和數據集成是一項需要時間和金錢的工藝活動。

然而，這種觀點變得越來越普遍。模型能否在現代分析環境中工作取決于許多因素，即架構師和開發人員的專業知識。許多行動者并不知道他們滿足于錯誤的方法。例如，Bill Inmon認為，第三種正常形式的努力通常不再與收益成正比。相比之下，金博爾的維度建模在現代分析環境中可能被證明是有用的，因為它簡單、可重用和可擴展。同樣重要的是，根據不同的需求，確定正確的建模時機——也就是說，如果數據存儲前的建模、“寫模式”或讀取時的建模允許執行“讀模式”。最后，技術錯誤可能導致正確的建模沒有預期的效果。

同時，如果你想要可靠的信息，就不能避免對數據建模。一個好的模型是高質量數據的基本基礎之一。這顯示了無數項目的經驗。沒有這一步，分析平臺將不會持續很長時間。在這方面，問題是哪種類型的建模適合于特定的應用程序，而不是是否應該對其建模。

誤解2：如果你有一個數據湖，就不再需要DWH

大數據也將數據湖轉變為現代分析環境。它是各種數據的儲存庫，因此是勘探分析的起點。為了讓Data Lake在這些分析中為用戶提供足夠的指導，創建了類似DWH的預結構化區域。這種方法常常使公司相信數據湖可以完全取代DWH。

然而，DWH和Data Lake是兩個基本不同的概念，每個概念都針對不同的用戶需求。DWH強調高處理效率，為用戶相對準確地處理信息。因此，結構化數據(例如來自ERP和CRM的數據)進入分層體系結構。然而，大數據的異構性很難用這種方法建模。這就是數據湖概念的由來：來自非常不同來源的數據直接以原始形式存儲。與此同時，為了從研究數據的價值開始并能夠測試標準報告之外的新的、靈活的需求，故意省略了復雜的數據集成過程。從這個意義上說，數據湖的目的不能代替DWH。然而，DWH和數據湖可以成為現代分析平臺的兩個重要和互補的組成部分。

誤解3：自助服務的成本總是低于BI

自助服務工具無疑是企業級別數據分析的福音。用戶友好的界面允許業務用戶獨立集成數據、創建報告和儀表板，甚至配置自己的分析解決方案。這常常導致這樣的結論：企業的自助服務方法總是最便宜的選擇。畢竟，不再需要將數據引入更高級別的結構。首先，消除了與IT或業務智能之間冗長的溝通和協調過程。

然而，這種做法描繪了一幅不同的圖景。沒有任何計劃或戰略來解決這一問題的公司，將在不遲于一至兩年內抱怨報告和指示板、相互矛盾的數據和不一致的聲明。這意味著，要使自助服務方法在中長期發揮作用，將繼續需要標準結構和一組規則(稱為自助服務治理)。不斷地合并數據和監視或調整解決方案也很重要。

因此，一個有效的自助服務方法會產生超出軟件許可之外的相當大的成本，因此不存在更便宜的替代方案的問題。它還表明，典型的BI組件和過程繼續對成功做出重要貢獻。

誤解4：我們不再需要一個事實

獨特的事實點(SPOT)是傳統BI的一個真正優勢——BI是進入企業的一個中心點，在這里，用戶無論來自哪里，都可以完美地集成數據，并且始終保持高質量。這樣，SPOT就有可能在公司層面獲得一致的分析結果。但是，這種好處現在基本上受到了質疑，其原因與數據建模的方式類似：讓SPOT保持最新是一項痛苦的工作。如果需要遷移源系統，或者需要將新的數據源集成為業務收購的一部分，那么SPOT需要進行持續的維護。因此，在許多涉眾看來，這樣的概念已經過時了。

值得注意的是，實踐表明，如果那些負責任的人長期忽視這一方面，那么對制度真相的呼吁總是更強烈。在最新的情況下，當關于重要業務問題的聲明發生沖突或數據不能反映整個業務時，就會認識到這種需求。因此，目前觀察到，在現代分析平臺中，單點真理性總是與探索性數據湖或數據流的實時處理一起找到自己的位置。目前沒有其他選擇。

誤解5：BI基本上很老、很慢而且很貴

BI被認為是老的、慢的和昂貴的，原因有很多。最重要的是與敏捷分析的新世界進行直接比較，敏捷分析允許專門部門通過云服務和自助服務工具快速響應最復雜的問題。當然，它不可能與為質量、穩定性和可重用性而設計的“企業BI”競爭。但這應該是目標嗎？我們已經確定，可靠的中央系統對數據使用的現代方法至關重要，并最終對長期保存分析平臺至關重要。在這方面，比較是不準確的。這不是其中之一。這兩個世界都是合理的，以各自的速度。然而，它們必須有效地相互關聯，例如在雙模式BI的上下文中。

與此同時，很明顯，許多公司都存在過時的商業智能系統。參與者經常意識到這一點。然而，缺乏推動現代化的資源、思想和最終的勇氣。例如，在體系結構、使用的技術或底層流程和過程方面，有各種各樣的起點。結果導致了或多或少的廣泛需求的阻塞。難怪最終用戶會覺得BI基本上很慢。

結論

來自不同公司和行業的項目的當前經驗表明，BI在這個國家繼續保持一貫的代表性，而不僅僅是在財務控制等“明顯”的領域。它也是一個重要的工具，以獲得360度的客戶或分析零售業績。最后，所有的新趨勢和時尚話題都是基于保證質量的BI數據。因此，參與者通過探索性分析獲得了公司最大的關注。然而，BI對于現代分析平臺的開發是必不可少的，例如作為全球數字化計劃的一部分。然而，用戶有時并不認為相應的組件是BIs。可能是所謂的絕唱的原因之一。

此外，BI組織的一些問題也不容否認。事實上，許多公司都有過時的制度和做法，往往在面對現代化時感到無助。這就是為什么在傳統的BI環境中，不滿是最大的——這是有道理的。再加上用戶的期望。例如，任何需要像Amazon這樣的用戶體驗的人都會對BI感到失望。BI需要遵從性——這需要時間。即使面向未來的數字化項目提供了新的敏捷性和原型的可能性，也很難避免BI被認為是“舊的”甚至“死的”。

BI不再是惟一的企業級數據分析中心。相反，相應的程序和技術越來越多地用于現代概念，使它們能夠對傳統分析和趨勢確定主題作出重大貢獻。這樣做的先決條件是認識到商業智能的重要性，并作出必要的投資。在這方面，這個詞本身可能已被目前的論述所取代。底層架構、技術和流程當然不是。