自助分析世界需要数据科学家吗？ – 数据多样性

随着世界越来越受数据驱动，企业正在转向自助服务分析，以使业务用户能够执行自己的数据分析任务。 在自助分析中，业务用户无需 IT 人员或数据科学家的协助或支持即可访问和分析数据。 直接访问 ML 支持的分析平台使他们能够通过分析客户行为或实时识别趋势来做出更好的业务决策。 

在过去五年中，全自动和半自动化软件系统交付了更可靠的 分析 和商业智能 (BI) 报告比人类数据科学家。 随着人工智能驱动的 BI 技术走向全自助服务，数据科学界普遍关心的是，是否在 不断发展的自助服务分析世界， 由于超级智能分析和 BI 工具的存在，人类数据科学家将变得过时。

自助服务分析和商业智能是一个神话吗？

目前，许多分析和商业智能任务由半自动化或全自动分析平台处理，尤其是那些由 AI 和机器学习 (ML) 工具。 有趣的是，人类数据科学家主导了数据挖掘领域，直到最近先进的支持 ML 的工具接管了许多任务。 数据挖掘技术 多年来一直受到人类专家严密保护的人工智能现在突然被先进的机器学习工具所取代。 这些工具可以检测数据中的模式、建立关联并根据普通业务用户的需要提取所需的见解。

自助式 BI 并非神话，因为当前各种规模的企业都经常使用打包的 机器学习算法 为有利可图的决策。 算法经济将继续存在。 使用打包算法进行业务分析有两个明显的优势：成本和即时可用性。

很久以前定义自助式商业智能世界的两个显着趋势仍然可见：对点击按钮分析而不是编码分析功能的深深迷恋，以及对虚拟数据存储库的关注。

数据科学家在自助服务分析世界中的作用

在“数据文化”迅速传播的同时，数据科学家仍在通过利用技术为所有类型的用户提供更快、更准确的解决方案来为业务增值。

自助式 BI 革命将数据科学家带到业务走廊，在那里他们与其他员工讨论复杂的分析问题。 的巨大增长 公民数据科学家 和机器学习工具导致了自助服务分析和自助服务 BI 的兴起。 这 数据多样性® 文章描述了当今自助式 BI 业务实践的真实旅程。 它指出，基于云的自动化工具已经抢走了业务分析和数据科学家的角色，并将他们交给了公民数据科学家。 然而，只有数据科学家才有资格弥合从智能平台提取的“原始情报”与通过仪表板闪现的有助于决策的见解之间的差距。 普通业务用户可能完成的不仅仅是在自助服务领域过滤和分组数据，但无法完成高级可视化任务。

数据准备和提取仍然 仍然是自动化 BI 平台的最大挑战，以及许多相关技术（如 Hadoop）之间复杂的相互关系， 大数据， 和数据发现对自助服务领域的技术访问、使用和理解构成威胁。 “辅助 BI”可能是描述自助式商业智能未来的更好术语。 此外，数据安全和数据治理已成为自助式 BI 领域中具有挑战性的问题，为此企业不得不在更先进的 BI 平台或更先进的 BI 平台之间做出选择。 昂贵且训练有素的数据专业人员。

公民数据科学家的崛起 在自助服务分析

如今，普通企业用户需要自助服务平台来快速轻松地完成工作。 这种转型业务转向自助式 BI 的最主要原因是麦肯锡多年前预测的数据科学专业即将出现的人才缺口。

很快，企业开始探索解决这一人力缺口的解决方案，其中之一是采购、构建和部署自助服务分析和 BI 平台以满足其内部需求。 当然，合并技术，如 云、物联网和 大数据 从长远来看，也加强了自助服务平台的“生存能力”。 在这个新开发的、自我驱动的分析世界中，公民数据科学家被视为训练有素的数据科学家的合作伙伴和合作者。

作为自我思考 BI 平台合作者的数据科学家

目前，商业智能解决方案迎合了两个截然不同的消费者群体：普通商业用户和专业 IT 团队。 虽然业务用户对能够在日常分析或 BI 任务中自给自足感到兴奋，但 IT 团队成员也热衷于通过使用自动化或半自动化 BI 工具更快地提取深刻见解。

An 分析洞察网 文章探讨了随着公民数据科学家的突然崛起，人类数据科学家是否会从企业中消失。 这篇文章强烈暗示，普通商业用户和超级强大的机器学习平台最终可能会完全取代数据科学社区，这一天终将到来。 

根据世界经济论坛的说法，尽管最近的技术中断正在威胁着全世界的白领工作，但从长远来看，数据分析师将需要帮助自助商业智能平台。

自助式 BI 或辅助 BI：哪个更容易实现？

企业需要找到既了解技术又了解业务流程的用户，以确保他们在分析领域取得成功。 在智能分析领域，企业不断寻找工具和解决方案来帮助他们理解所生成的海量数据。 然而，管理不善的分析过程可能会导致不准确的见解和糟糕的决策。 

这就是需要数据科学家的地方——他们拥有必要的技能，可以从原始数据中提取有意义的见解，并解释对普通用户来说可能并不明显的复杂数据相关性。 尽管近年来人工智能和其他技术取得了长足进步，但仍然需要能够带来独特视角的人类数据科学家。

在这个不断发展的 BI 世界中，数据科学社区在促进我们对数据的理解以及创建用于分析和发现的新工具方面发挥着重要作用。 算法经济 正在推动商业社区从简单的信息中获得“洞察力”。 然而，提供业务洞察力的核心活动是分析，如果没有高级分析或 BI 工具，企业将在未来的全球竞争世界中走向失败。 这是哪里 嵌入式分析 参加进来。 在嵌入式分析项目中，从头到尾都需要分析知识和熟练的人力。 在竞争日益激烈的商业世界中，将需要辅助分析和自助服务。

自助服务分析平台被视为一把“双刃剑”。 虽然自助式 BI 的易用性和强大功能是不可否认的，但这些平台在数据安全、数据治理和数据溢出方面的远程可维护性提出了巨大挑战。 这意味着需要高技能的 IT 团队来维护这些系统。

自助式 BI 的风险和收益

自助分析和 BI 平台的最大好处是它使普通业务用户能够成为公民数据科学家。 在严格的时间限制内执行日常功能时，业务用户肯定会发现自助服务平台方便且易于获取  他们的工作没有大惊小怪。

自助服务平台的最大缺点或“风险”是用户可能无法从可用数据中获得洞察力、误解结果或误用洞察力。 虽然人类数据专家知道在出现问题时如何与机器交谈，但普通业务用户却没有这样的技能。 在许多情况下，普通数据科学家仍然不得不向真正的数据科学家寻求帮助和支持。

数据爆炸、不断增加的数据类型、新兴技术和云 复合了 自助分析的挑战，尽管有数据准备和数据访问工具。 此外，在自助分析平台中还存在涉及数据安全和数据治理的问题需要处理。 总而言之，可以充分关注安全和治理问题的“分布式 BI 框架”。

结论

在自助分析领域，仍然需要数据科学家来提高商业智能并帮助公司做出更好的商业决策。 虽然自助服务分析平台允许用户自行访问和分析数据，但它受到用户对分析方法的了解的限制。 数据科学家可以通过使用预测分析和 ML 强大工具生成预测洞察来增强 BI 活动。 

在自助服务分析领域，业务人员现在对自己的数据需求承担更多责任。 但是，他们仍然需要数据专家团队来提出解决方案。 数据科学家在这个世界上仍然很重要，因为用户在提出问题时需要他们随时获得信息。

虽然自助分析工具可以帮助业务用户执行基本的分析任务，但需要数据科学家来帮助这些相同的用户执行更复杂的任务并进行深入分析。 

图片经Shutterstock.com许可使用

• SEO 支持的内容和 PR 分发。 今天得到放大。
• EVM财务。 去中心化金融的统一接口。 访问这里。
• 量子传媒集团。 IR/PR 放大。 访问这里。
• 柏拉图爱流。 Web3 数据智能。 知识放大。 访问这里。
• Sumber: https://www.dataversity.net/data-scientists-needed-self-service-analytics-world/