蔡玉琬/ 發布日期：2019/08/09/ 瀏覽次數：139

分析與商業智慧(Business Intelligence)因作為數位商業的智慧核心，將持續成為IT與商業領導者在創新投資的優先項目，然而資料與分析的擴張性與策略角色將面臨能力方面的極限。視覺化資料探索(Visual Data Discovery)能簡化商業分析師工作，增強分析(Augmented Analytics)則讓商業消費者更容易取得答案。增強分析利用自然語言處理(Natural Language Processing)與對話式介面，讓所有使用者能操作資料與使用分析結果，而不需要接受訓練，且亦能自動化發現與展現最關鍵的商業見解，並提供各種情境考量下的建議。
消費者化(Consumerization)意謂著越來越多的增強分析功能被內嵌於企業的應用程式中，讓使用者可不必學習轉換內容(switch context)與新工具，為了大量推動洞見(Insights)的擴散，卻突顯了企業在資料素養方面的不足，企業必須進一步改善資料、分析建立者與消費者間的語言障礙，。
Gartner在分析與商業智慧的研究結果指出，具顛覆性影響的技術包含：2-5年可被產業應用的增強分析、事件串流處理(Event Stream Processing, ESP)；5-10年可被產業應用的連續性智慧(Continuous Intelligence)與沉浸式分析(Immersive Analytics)。下列將摘要介紹分析與商業智慧技術成熟曲線的發展趨勢，以及處於過度期望高峰期(Peak of Inflated Expectations)，且市場滲透率皆為5-20%的增強分析與連續性智慧。

一、2019年分析與商業智慧技術成熟曲線的關鍵發展趨勢
(一)增強分析(Augmented Analytics)：是指利用自動化、機器學習與自然語言處理來處理事項，包含加速資料的準備時間、自動發現資料特徵、利用自然語言生成(Natural Language Generation, NLG)與各種使用者介面，來跟各類使用者溝通分析結果。
(二)數位文化(Digital Culture)：反映出三種次要趨勢，分別為資料素養(Data Literacy)對於數位轉型與整體數位熟練度(digital dexterity)是主要關鍵；政府、機構及個人越來越重視數位倫理(Digital ethics)與隱私性；企業發起資料為善(data-for-good)倡議以因應消費者與員工呼籲企業應重視社會責任。
(三)關聯分析：強調越來越多利用圖形、位址與社交分析以了解各種實體(人、地點與事物)間的關聯性，並且能夠以更接近人類知識的方式提供深層的見解。
(四)決策智慧：以新興務實原則構成的決策技巧，如連續性智慧、決策自動化與事件串流處理，以協助處理動態且更為複雜的商業環境。
(五)可操作性與擴張性：牽涉到如何更有效率操作的雙模方式(bimodal manner)，意即彈性與敏捷性分析的平衡，必須透過產出等級(production-grade)分析的治理，以因應持續變遷的商業環境。

二、分析與商業智慧技術的機會與挑戰
資料與分析的領導企業應進一步了解處在過度期望高峰期的創新技術，包含可提升分析速度的增強分析、自然語言介面，讓更多種使用者能更容易以搜尋、文字與語音來進行分析。此外，可解釋性(explainability)對於讓用戶有信心使用機器產生的建議，越來越重要。
分析團隊應注意正進入泡沫化谷底期的資料湖泊(data lake)，許多人常混淆資料湖泊、資料倉儲(data warehouse)與資料中心(data hub)的概念，以及其如何協助不同使用類型的使用者。許多資料湖泊所設計的目標客群常包括過多領域的使用者，如資料科學家、商業分析師與業餘使用者，且許多資料湖泊的運作並無針對如此多元的工作負載進行最佳化，因此許多機構正面臨管理資料與分析成果，以及資料品質與效能的挑戰。

三、增強分析
(一)定義：增強分析是指利用機器學習進行資料準備、探索見解、資料科學與機器學習模型開發自動化，並將分析結果分享給廣泛的商業使用者、營運工作者與公民資料科學家(Citizen Data Scientists)。
(二)現況：以視覺化的方式進行資料探索是現代分析與商業智慧平台的關鍵特徵(feature)，且能讓商業使用者產出洞見(insight)，但是許多伴隨著資料準備的工作、發掘資料型態以建立資料科學，以及在複雜且整合型資料中建立機器學習模型，皆仍十分仰賴人為手動進行，導致無法讓使用者確認其探索結果是否為最相關、重要與具操作性。讓使用者以人工的方式尋找模式，可能導致使用者使用偏誤性的假設，錯失發現關鍵要素，並得出不正確或不完整的結論，對決策產生不利的影響。
(三)商業影響：Gartner預測2020年前，因許多資料科學任務的自動化，公民資料科學家產出的高階分析將超過資料科學家。透過高階分析的成長，將能補充與延伸既有的分析、商業智慧與資料科學平台，將從現行僅適用於資料科學研究者，延伸到商業分析師、決策者與企業營運員工皆可操作與應用。

四、連續性智慧
(一)定義與現況：連續性智慧利用多種技術，包含增強分析、事件串流處理、最適化、商業規則管理與機器學習等。其設計模式能即時將分析結果整合在商業操作、更新目前與歷史資料，以安排某些行動來回應事件，提供自動化決策或決策支援。
(二)現況：目前技術發展著重於整體與整合的連續性智慧解決方案，其能即時分享多種來源的資料，且能提供多種應用以支援不同的商業功能。應用案例如供應鏈網絡，以及航空、鐵路與交通運輸的企業神經系統(Enterprise Nervous System)，這類較單純的連續性智慧在點狀系統(如行動裝置導航、監測健康狀態的儀器、阻擋網頁廣告等)很常見；硬體與軟體技術的整體性與整合性連續性智慧，則包含平價感測器、發佈與訂閱的訊息系統、事件串流處理平台與增強分析都是可使用且負擔的起的。然而，許多企業缺乏必要技能以開發自有的訂製解決方案，使連續性智慧需要5-10年才能使其目標客群的市場滲透率達到50%。
(三)商業影響：連續性智慧在數位商業轉型計畫中相當重要，其關鍵效益在於能透過提供即時儀表板與通知，改善跨多種商業用途的情境認知(situation awareness)與共同操作圖像(common operating picture)。透過送出訊號予機器或是商業流程，以啟動自動化回應的能力亦同等重要。具有連續性智慧的系統能利用即時資料提供顧客決策支援，或是以最有效率的方式分配資源。