摘要：商业智能（BI）的世界正在不断变化。这些变化受到三大趋势驱动。不幸的是，许多组织仍然采用传统的思维模式和传统模式来处理商业智能，这些模式根本行不通。发下将讨论塑造商业智能未来的趋势，并且看看人们认为组织可以不用的传统商业智能（BI）的一些假设。

     商业智能（BI）的世界正在不断变化。这些变化受到三大趋势驱动。不幸的是，许多组织仍然采用传统的思维模式和传统模式来处理商业智能，这些模式根本行不通。发下将讨论塑造商业智能未来的趋势，并且看看人们认为组织可以不用的传统商业智能（BI）的一些假设。
　　
　　数据正在推动市场发展。如今的新兴公司更关注数据资产而非实物资产。这是工作中的大数据的作用：在许多不同的行业中提供竞争优势。像ApacheHadoop这样的技术正在引领大数据的发展。事实上，领先的分析公司认为，大约70％的组织已经实施或正在计划实施这种下一代扩展架构。尽管取决于他们在部署中的位置，但许多这样的体系结构由于缺乏技能集或工具而无法从数据层中获取价值，因此很难实现。这意味着企业将不得不利用可简化大数据实施的技术。
　　
　　企业希望构建可扩展和支持数千用户的分析应用程序。这里的转变是使分析成为日常操作的固有部分。组织不希望在报告分析方面重新创造世界，但他们希望超越这一点，并构建可在面向客户的环境中扩展和支持数十万用户的数据应用程序。
　　
　　组织正在从他们的数据湖中获得价值。使用传统的商业智能架构，企业可以将数据从一个系统移动到另一个系统，以支持分析，无论是在最终用户桌面还是在商业智能服务器上。通常有一个复杂的数据提取、转换、加载和归一化数据管道，将数据转换为适当的格式。因此，组织通常使用数据湖进行存储，而不是使用它们应用的企业范围分析。实现一个数据管道，其中数据湖只是另一个数据源，会损失大量的数据粒度以及大量实时访问信息的性能。
　　
　　传统假设阻止现代商业智能和分析
　　
　　组织必须改变他们对商业智能的看法，因为这种转变正在发生并且是不可否认的。许多领导人在他们认为理所当然的商业智能环境中已经过时了。鉴于上述趋势的上升，这些假设不再适用，并有可能削弱（如果不是破坏的话）技术项目成功的可能性。以下是组织在着手现代商业智能和数据分析项目时必须尝试做的几个假设。
　　
　　企业提前完成了所有要求。传统商业智能和数据仓库领域的核心假设之一就是企业提前提出需求。数据在那里；它会被收集、存储并准备就绪，并根据业务需求将模式强加于其上。人们知道那里有什么，而且数据都在一个地方。这提出了一些人们认为是理所当然的约束，并没有考虑到这些约束。例如，人们经常对反馈循环和更改进行有限的考虑，特别是在用作只读存储库的传统数据仓库中。当数字看起来不正确时，如果不可避免地面临这种情况，那么在整个堆栈中追踪问题以解决问题需要一个漫长的周期。
　　
　　企业的数据将持续存在。有时数据不会持久存在，它在网络上浮动，是一种流媒体，并且不会在任何地方被记录。或者它被记录下来，但只是在很短的时间内，所以企业没有这个数据的历史库？那么如何处理这样的信息需求？从历史上看，这个问题留给了其他部门，而不是商业智能，所以现在企业要让两个部门负责数据，只是因为它恰好存在于两个不同的地点或以两种不同的速度移动。如果不知道需要什么数据，那么打算如何提前计划？
　　
　　企业的数据可能是静态的。人们不只是静态使用数据。，必须对数据进行一些探索性分析，以了解发生了什么。然后需要通知他人的发现。想要确定数据中的关键指标或突出显示异常情况，以便说服某人采取措施。
　　
　　企业有自己需要的数据。这个核心假设是有缺陷的。分析会发生什么，特别是当发生新的事情时，或者当有人提出新的请求时，需要了解自己需要的数据。但数据可能存在于仓库、数据集市或其他外部服务器之外。根据其是否知道需要哪些数据以及已知哪些数据可用，企业可以使用不同的分析技术，如查询、浏览、搜索和探索。不幸的是，传统的商业智能只能解决查询问题，其中企业知道需要哪些数据，并知道可用的数据。
　　
　　企业可以建立越来越大的模型。一种分析模型是通过OLAP模型中的多维数据技术预先缓存查询结果。随着数据的增长，企业可以简单地构建更多的多维数据。但是这种模式的挑战是众所周知的，因为企业必须制作数据副本，并且必须知道提前问什么问题。
　　
　　企业可以将所有数据都带到中央存储库之外的专用商业智能环境中。这种方法在规模上是行不通的。虽然意图是在专用环境中获得性能，但架构差异会阻止企业在具有许多并发用户的大型数据集上运行分析。
　　
　　企业可以将所有数据移动到云端。在这种情况下，企业的分析可能嵌入数据库或服务器中，然后使用客户端工具访问它。但使用云计算并不会自动为企业提供所需的规模和性能。企业需要一个架构来本地处理大数据规模的平台。
　　
　　如果这些假设对企业来说很熟悉，那么可能已经面临一些挑战，使企业无法提供组织所需的商业智能见解。但是，如果没有，希望通过避免这些常见的误解，可以保存其分析项目。
　　
　　编辑：Harris