云端組裝商業智能和數據科學以實現可復用的高級數據分析能力

孫鑫

如今，分析和商業智能（ABI）以及數據科學和機器學習（DSML）市場都在大力投資于云。新老廠商紛紛發布他們的最新云優先或純云功能。云生態系統現已成為主要的支出。七家超大規模云基礎設施和平臺服務廠商中，首次有六家直接或通過收購的子公司同時在ABI和DSML平臺市場上提供產品。在2020年Gartner數據和分析云調查中，74%的企業機構使用或計劃使用云實施分析、商業智能和數據科學（見圖1）。

云所提供的豐富選擇有時并不能使ABI和DSML的價值累加，反而會造成技術棧的重復或不同廠商之間的低效運作。分別投資于ABI和DSML平臺或分階段投資于ABI和DSML平臺的企業機構未考慮如何管理這兩個平臺，通過凝聚兩者的力量產生綜合效益。數據和分析領導人應運用云的可組裝性來建立ABI和DSML平臺之間的協同作用。

以模塊化漸進式從ABI到DSML的來擴展云中的高級分析能力

根據Gartner 2020年云端數據和分析調查，從2020年到2022年，云端高級分析的開發和部署比例都將增加一倍以上（見圖2）。隨著數據重心向云轉移，企業機構意識到將ABI和DSML轉移到云的必要性。在云端，他們可以減少混合環境中的網絡延遲并采納廣泛、現代化的數據和分析生態系統。

但由于從本地遷移到云的復雜性以及豐富的云創新功能選擇，向云遷移的過程并不清晰。從試點轉向生產仍是數據科學和機器學習項目所面臨的一大挑戰，即使在云端也不例外。

云上實現過組裝式分析創新

數據和分析高管應建立一個在云中實現先進生產級高級分析的穩定途徑。應采取“整體規劃，逐步建立”的方法將數據和分析轉移至云，借助ABI和DSML平臺的可組裝性將這種方法付諸實踐。企業機構應建立一個云市場，提供來自多家廠商的可組裝式ABI和DSML模塊。可組裝性將使業務用戶的思維模式從“我應該使用哪些工具？”轉變為“我可以組裝哪些能力？”該市場將為用戶提供一個以業務為中心的視角，使用戶能夠查看分析業務能力組合包（PBC）并通過讓他們可以發布自己的PBC來鼓勵再組裝。企業機構不應該純粹為了云而將分析轉移到云，而是應該將云作為一項使組裝平臺能夠實現ABI和DSML創新的基礎技術。

與本地相比，云提供了更多專為集成和組裝而設計并且以API為中心的模塊化產品。ABI和DSML平臺也是如此。老廠商已經將他們的平臺重新構建成云原生平臺，而大多數新廠商只在云中發布他們的產品。微服務或基于容器的架構使用戶能夠組裝ABI和DSML上多家廠商的功能。隨著更多低代碼工具出現在云中或作為附加模塊加入到ABI和DSML工具中，以業務為中心的組裝將變得更加自助化。

可組裝性實現云端模塊化擴展

在將本地ABI和DSML遷移到云時，不應好高騖遠。這些工具的可組裝性使企業能夠選擇在遷移至云時實現漸進式的組裝（見圖3）。企業機構可以逐步將能力從本地轉移到云并通過與其他功能組裝來實現附加價值。云所提供的能力應該是可以作為PBC進行選擇、組裝和再組裝的服務。此外，還應該有一個以業務視角為導向的市場或這些PBC的產品目錄庫，以便進行連續組裝。

簡單的“lift and shift”的遷移策略是無法發揮云上的全部潛力的。ABI和DSML之間的組裝足以成為企業機構在發展高級分析能力的同時遷移至云的理由，而應用開發者等更多角色帶來了將組裝的新能力轉化為產品的經驗，使云能夠改善ABI和DSML服務的訪問。根據Gartner 2020年數字平臺構建調查，云原生、敏捷和API是使用最多的架構方法。開發者社區中的應用開發者可以在ABI和DSML平臺經過改進的API和API市場上開展進一步的工作和合作，這使他們能夠更容易被嵌入到數字平臺內，在整個云生態系統中實現數據驅動型行動。

包括DataOps、ModelOps和DevOps在內的XOps也可以確保數據和分析應用的持續交付。通過在云中應用XOps，可以管理技術債務并孵化出可復用的基礎模塊，而其他用戶可以進一步使用這些基礎模塊繼續進行組裝。

在云端組裝來自ABI和DSML的互補功能以加快交付速度

根據Gartner 2020年數據和分析調查，因新冠疫情而加速遷移至云的最常見用例是分析、商業智能和數據科學。企業機構需要更快交付分析洞察以便采取行動。具有快速配置和試點能力的云是啟動分析和數據科學舉措以靈活應對快速變化的理想場所。Gartner 2020年云終端用戶購買行為調查也表明，受訪的62%云決策者和顧問表示他們的企業機構在云端使用分析和商業智能解決方案。此外，在考慮新的公有云采購項目時，AI/ML功能也是一個重要的技術因素。

通過組裝ABI和DSML，可以更好地實現高級分析的協同作用

ABI和DSML都具有能夠實現更好的協同作用，從而提高效率和全面性的重疊和互補功能。本質上，分析和商業智能（ABI）平臺用于生成報告和儀表盤，而數據科學和機器學習（DSML）平臺則用于生成預測模型。根據Gartner Peer Insights的數據，排名前列的ABI和DSML生產滿意度驅動因素可以在云中融合，從而實現更高的價值。

ABI平臺的第一驅動因素是高級分析。當ABI用戶想要解決更復雜的業務問題時，他們會在DSML平臺尋找高級分析能力。因此，能夠將DSML生成的模型應用到儀表盤和可視化中的可組裝性十分重要。在DSML中，排名前五的功能（直接或間接）與生產應用中所生成之模型的運營化或將它們嵌入到業務流程中有關。DSML用戶將需要使用ABI的功能來展示數據可視化和數據準備流水線的價值。由于大多數終端用戶企業機構已將他們的許多關鍵應用遷移到云，因此企業機構應評估廠商是否能夠輕松支持所生成之模型的“一鍵式”容器化和“一鍵式”REST API創建。

使用云組裝ABI與運營性更好的DSML

隨著增強型分析技術在平臺上的普及，ABI和DSML平臺之間的界限正在變得模糊，這是因為增強型分析技術可以將數據科學和機器學習功能加入到分析和商業智能平臺，實現高級分析技術的民主化。增強型分析功能也是新購分析解決方案的關鍵差異化因素。但根據2021年的關鍵能力評估，增強型分析功能（自動洞察、自然語言生成[NLG]、自然語言查詢[NLG]、數據敘事和產品目錄）的成熟度并不及平臺中的其他功能，而且隨著ABI平臺不斷增加使用更頻繁的增強型分析功能，其背后的動態機器學習工作負載將面臨向上擴展方面的問題。由于需要具有更高自定義和運營化程度的模型，因此企業機構仍會使用DSML平臺。

一般情況下，企業機構不會先使用增強型分析，而是會使用DSML平臺來實現高級分析。如今，DSML的主要受眾仍是那些擁有強大技術能力的數據科學家。雖然為了在業務端培養出更多公民數據科學家，這些工具正在不斷增加容易使用的功能，但如要最大程度地發揮DSML平臺的全部潛力，仍需要專業數據科學家。與業務用戶最普遍的互動方式之一是在可視化圖像或儀表盤中反映模型結果。

我們需要結合ABI和DSML平臺的當前工作。云是一個能夠通過更低的運維成本來管理這兩種能力的理想場所（見圖4）。云所具有的彈性可以處理ABI和DSML中更加動態的工作負載。用戶可以從DSML平臺獲得最新的預測模型，同時使用ABI平臺對其進行可視化。在這一組裝解決方案證明其價值后，云就可以進一步加速向上擴展流程。云的快速配置能力也為用戶提供來自云的最新功能。

總而言之，新型分析、商業智能和數據科學功能均出現在云端，但企業機構未能實現它們的協同效應。數據和分析高管應建立一個讓用戶能夠組裝其高級分析用例的云端組裝環境。