5-1 现代数据栈中的消费层 - BI+AI 产品的演进

现代数据栈中的消费层BI+AI产品的演进

1. 什么是现代数据栈

• 传统数据栈问题：

  • 性能受限，成本高昂
  • 使用门槛高
  • 获取洞察流程长
  • 场景扩展困难

• 数据仓库的发展：

  • 商业：数据作为企业竞争力的核心，赋能组织做更好的决策
  • 技术：大数据、云原生、AI浪潮的兴起
  • 1990年代：数仓，OLTP到MPP
  • 2010年代：数据湖，Hadoop
  • 2016~：云数仓，Lakehouse

• 现代数据栈的起源：拆分

• 现代数据“栈”：

• 发展趋势：

  • 以业务为中心
  • 拥抱云原生
  • 模块化产品，插拔即用
  • DataOps成为“第一公民”

2. 现代数据栈中的自助分析

• 传统数据分析流程：

  • 总体迭代时间：数周~数月

• 传统数据分析痛点：

  • 技术：数据处理执行速度慢，可扩展性差
  • 流程：门槛高，依赖IT团队的开发实施
  • 产品：BI层需要大量额外工作，如查询优化、缓存、二次计算、Cube...
  • 落地：应用场景少，难以流畅完成决策闭环

• 现代数据分析流程：

  • 总体迭代时间：数小时~数天

• 现代数据分析产品趋势：

  • 基础能力：融入现代数据栈，基于云原生架构
  • 让业务用起来：数据分析作为软件产品，以业务为中心
  • 让业务信任数据：分析资产管控与优化
  • 完成决策闭环：从分析为主到数据驱动决策全流程支持

3. Analytics as Software

• 发挥数据价值：我们收集这么多数据，最终目标是什么？
• 用户体验+决策流程：从被动响应需求的服务部分，到主动规划，基于数据OS打造“数据产品”
• 数据产品的典型用户：
• 软件工程的“入侵”：
  • 瀑布式开发 vs. 敏捷开发
  • API-first设计，开放，可组合性
  • GUI操作 vs. 代码开发
  • 软件包复用，插件化架构，数据应用市场
• 代码 vs. 低代码：
  • 面向开发者用户：
    • 通用编程语言
    • DSL
  • 代码 vs. 低代码
  • 自然语言与打手势，用户门槛与灵活性的取舍
  • 软件工程实践，版本控制，code review，自动化测试等
• 代码与低代码的结合

4. 增强分析与决策智能

• 数据分析渗透率：
  • 面向业务用户：搜索与推荐
  • 个性化，场景化，智能化
• 数据洞察推荐
• 数据故事生成
• 分析成熟度进阶
• 决策智能：分析能力 + 自动化
• 增强分析的产品能力要求：
  • 模型开发能力，no-codeto full-code
  • 模型解释能力
  • 模型运维（MLOps）
  • 仿真与优化
  • 因果推理
  • 实时数据分析
  • 开放API
  • Reverse ETL

观远数据的实践

• 云原生，云巡检
• 多用户角色支持，BI+AI，no-codeto full-code
• 数据应用市场
• 开放API，自定义可视化，业务系统集成
• 增强分析，决策建议
• 数据管控，数据质量，数据安全

---

以上为现代数据栈中消费层BI+AI产品的演进总结。