什么是增强分析？
增强分析是一类由人工智能 (AI) 和机器学习 (ML) 提供支持的分析，可扩展人类结合上下文与数据交互的能力。增强分析由多种工具和软件组成，可以让更多的人受益于分析功能 — 无论是建议、见解，还是查询指导。
来自全球研究和咨询公司 Gartner：“增强分析是指使用机器学习和人工智能等提升能力的技术来协助进行数据准备、见解生成和见解解释，从而增强人们在分析和 BI 平台中探索和分析数据的能力。”
机器学习在增强分析中的作用
机器学习是使用数据来提取算法和学习模型的计算机科学领域，是许多增强分析功能的核心技术。机器学习可以为人们提供分析方面的帮助，通常是通过减少或消除繁琐的工作，让人们能够更快地使用数据获得见解并制定决策。这包括清理、整理、检查和筛选数据，以便进行更准确和更深入的研究。
BI 平台中的机器学习功能通常会以建议的形式显示高级算法的结果。此外，增强分析的一些应用会利用 ML 来逐渐学习行业和组织语义以及用户偏好，从而能够在分析过程中根据业务背景让问题和结果更加个性化、更加有效。
增强分析与自动化
自动化是增强分析解决方案中的一个常见功能，但我们有必要了解自动执行任务（许多技术都可以）与自动进行基于分析的决策有何区别。自动化 数据驱动型决策 可以消除对人类能力的依赖，而增强分析提供了一套方法来利用基础技术引导用户发现他们原本无法看到或发现的见解。
领域知识对分析一直都很重要，由机器学习支持的增强分析让这一技能组合的重要性更加突出。人们常常需要填补缺少的上下文，并借助从分析中获得的见解来针对手头的问题做出最佳决策。
增强分析适合哪些人？
增强分析对业务用户和高管大有裨益，因为这些技术可以帮助他们从数据中快速获得价值，而不要求他们掌握深奥的技术技能或处理数据的专业知识。增强分析可帮助业务用户和高管更轻松地找到相关数据，提出最佳问题，并根据业务上下文快速发现见解。
增强分析的大部分好处集中体现在它可以为不具备深厚分析专业知识的人提供支持，但它也能够帮助分析师和高级用户以更快更深入的方式执行分析和数据准备任务。
增强分析有什么好处？
增强分析可以使分析师的工作更快、更高效、更准确。机器学习和自然语言技术还有助于消除分析的技术障碍，帮助领域专家（扎根于业务部门的人员）更充分地利用自己的数据，包括让数据技能和经验都比较欠缺的人员能够使用更先进的技术。
敏捷性：加快见解获取速度
由 AI 支持的增强技术可以缩减搜索空间、适时向合适的人展示相关数据以及建议有用的分析路径，从而加速见解搜索。通过广泛追踪用户行为，系统可提供更智能的默认设置，给出操作建议，并根据用户的反应逐渐进行调整和个性化。如果人们能够更快地回答自己的数据问题，他们就可以专注于更具有战略意义的任务，而无需花费大量的时间来梳理数据以获得见解。
准确性：提供更全面的视角
机器可以不睡觉不休息，高质量地执行重复任务和计算。增强分析背后的 AI 和 ML 技术可以有效地检查每个细节，让用户可以根据透彻的分析做出最明智的决策。这种全面的视角可以帮助人类避免自己的结论受到确认偏误的影响。
效率：自动化操作任务
在算法由非常具体化的重复任务驱动的应用程序方面，机器学习和人工智能已然取得了巨大的进步。（例如针对相关内容或产品提供“您可能有兴趣了解…”的建议的网站，甚至还有那些欺诈检测程序。）增强分析通过任务自动化来减少人们在处理数据（例如数据准备、数据发现、运行统计分析等）时需要付出的时间和精力。
信心：能够参考上下文的强大分析功能
增强技术通常易于使用，降低了数据使用门槛，让更广泛的人群能够更轻松地获得见解。您可以对增强技术进行定制，使其根据上下文显示数据和进行数据建模，从而让您能够确认直觉并对结论的质量充满信心。业务用户可能无法深入地了解分析技术，但他们确实了解自己所在的领域或行业，并且可以在评估如何使用增强分析提供的结果时应用这些专业知识。一些增强技术内置于业务工作流中并与其他工具和软件集成，这使人们能够在不中断分析的情况下快速探索具体问题 — 而且在某些情况下，不需要通过额外的步骤来准备数据。
增强分析功能
自动数据识别
一些现代 BI 平台使用 AI 来自动检测数据的某些属性，例如字段是否包含 地理信息 （例如邮政编码）或个人信息（例如电话号码或电子邮件地址）。
此外，系统可以读取 PDF 和文本文档等格式的数据表，自动删除特殊格式并对其进行转换以便执行有效的分析。
统计技术
增强分析技术还可以自动从最佳的 预测、聚类和其他统计算法中做出选择，以便实现最大的确定性。在某些系统中，模型会自动运行以显示和提供存在于数据中，但用户可能没有看到的见解。这些技术可以解释数据点背后的“为什么”，例如数据集中的异常值或意外值背后的驱动因素。对于最终用户来说，这些功能可以通过一键式操作进行使用，因此他们不需要具备编写计算或代码所需的专业知识。
智能数据准备
在数据准备期间，后台的强大算法帮助用户更快地准备数据，最大限度地减少手动清理操作。增强分析系统可以按发音或共同字符对相关单词进行索引和分组，从而节省手动搜索与更新字段和值所需的时间。
在某些情况下，系统还可能会推荐清理步骤，例如删除 Null 值或将字段拆分为不同的列。
建议
许多增强分析系统的一个重要特点是能够向用户提供基于 AI 的建议。这些建议涵盖数据准备、发现、分析和共享。例如，系统可能会在数据准备期间建议添加某些数据源或者执行某些清理步骤，或者根据用户查看的数据行和列建议用户使用有效的图表类型。
系统还会根据人们的角色、团队和分析浏览行为向他们提供关于探索哪些分析内容的建议 — 正如许多企业提供“您可能也会喜欢”建议一样 — 这可以帮助新用户更快地入门并找到与他们最相关的数据资产。
自然语言交互
自然语言查询是一项增强分析功能，它让用户能够通过键入以通俗语言表述的问题来查询数据，而不是使用数据查询语言或代码。该系统通过将文本翻译成查询并提出填补空缺的建议（以此尝试理解用户问题背后的意图和上下文）来提供引导式体验。这种体验可以帮助许多人从自己的数据中获得见解，而且他们无需了解基础数据模型。
自然语言生成功能可以为来自数据的见解创建文字说明，其中可以包括数据可视化的解释。以通俗语言提供这些解释有助于人们理解数据中的故事，而无需掌握关于可视化导航和解释的深厚专业知识。
了解 Tableau 增强分析如何为您的决策提供支持
增强分析的用例
在增强分析的众多用例中，AI 和机器学习致力于提升高级分析的速度和易用性，让更多人（无论他们的数据技能和技术能力如何）能够提出最佳问题并 做出最明智的决策，从而从自己的数据中获得最大价值。
各种角色的示例
- 销售团队 可以使用增强分析来调查其配额和交易中的趋势。
- 高管 可以使用增强分析在董事会会议期间轻松探索实时数据，而不是依赖静态报告。
- IT 部门 可以使用增强分析来发现服务器和系统使用量激增背后的原因。
- 分析师和数据管家 可以使用增强分析来更快地清理、整理和准备分析所需的数据。
各种行业的示例
- 供应链管理 组织可以使用增强分析来了解为什么某些地点不能以预期的速度交付产品。
- 旅游与酒店 组织可以使用增强分析找出最合适的个性化服务来对客户进行追加销售或交叉销售。
- 营销和传播机构 可以使用增强分析来探索广告活动的有效性，并发现可能隐藏在数据中的变量。
其他常见用例
- 在将分析计划扩展到新用户时，大公司常常会依赖增强分析，因为许多功能有助于让数据处理经验较少的人更快地入门。
- 一些组织甚至用增强的交互式 仪表板来替代静态报告。这不仅为制作仪表板的分析师节省了时间，而且降低了门槛，让更多人能够使用仪表板有效回答自己的数据问题。
使用增强分析时的挑战
对 AI 和 ML 的误解
由于 AI 和机器学习的内在复杂性，因此主要关注点仍在技术本身，而不是如何让普通用户与之交互并从中受益。与 “机器会抢走人类工作”的误解一样， 这也可能会阻碍组织采用能够为处理数据的人提供实际利益的解决方案。如果人们不了解、不相信 AI 和增强分析的价值，他们自然也就不会使用。
增强分析限制
另一方面，有些人可能对这些技术可以实现和提供的东西抱有过高的期望。如果在不了解相关技术如何真正为人们提供帮助的情况下进行大笔投资，或者没有明确的实施和支持战略，这可能会导致“沉没”成本（成本损失）。
我们还必须了解人类与机器各自的优势在哪里。机器很难在缺少上下文的情况下理解一个人的意图。机器拥有数据本身，但无法像具有领域专业知识的人那样全面了解情况。机器需要通过监控使用行为和用户反馈来逐渐了解人们的偏好。
数据素养和分析熟练程度
工具和技术当然是提高绩效的重要因素，但员工也必须学会对数据进行批判性思考。根据错误数据或来自 AI 系统的错误建议行事，将导致决策错误和资源浪费。为此，我们需要提高 数据素养，倡导批判性思维并培养员工。
增强分析的成功需要满足一个前提：组织已将提升分析熟练程度作为各部门的一项要务，确保员工可以自信地运用和理解数据语言。仅当使用者理解数据概念以及自己与业务数据之间的关系时，解释或建议才能发挥效用。例如，当机器发现相关性时，具有业务背景的人更有可能确认或否认因果关系。
数据治理、管理和整理
数据是 AI 系统的基础。因此，基于 AI 的规范性建议或自动化任务的质量和可靠性与用于训练系统的数据质量和可靠性直接相关。如果组织尚未投资于良好的 数据治理 或 数据管理 做法，或者无法确保其 BI 部署受到欢迎并赢得信心，就很难有机会成功采用 AI。
以合乎伦理的方式使用 AI
随着算法和模型变得越来越复杂，关键是要确保这不会让大家感到难以理解。换句话说，组织需要警惕“黑匣子”AI 解决方案。透明和“可解释的 AI”这一概念很有用 — 人们应该能够理解这项技术在得出答案的过程中应用的运算和逻辑。这不仅有助于确保组织不使用带有偏见的模型，而且让人们相信这些答案值得信赖，可以为决策提供依据。
增强分析最佳做法
首先为现代分析奠定坚实的基础
现代 BI 让所有技能水平的用户都可以回答他们自己的问题，同时在敏捷程度与 IT 所要求的安全和管控水平之间达到平衡。对于现代 BI 平台而言，AI 和 ML 功能是这种模式的扩展。它们代表着数字化转型中的另一个步骤，将组织从传统的 BI 和报告推向现代 自助环境， 这种环境让每个人都可以提出自己的数据问题。
在扩展 AI 分析投资之前证明这种投资是成功的
有了大胆的新想法，最好的前进方式是从小范围测试开始，而不是寻求借助完美的系统一步登天。从一个非常具体的范围开始，比如某个部门或用例。然后，一旦您的投资价值得到证实，就可以在组织内将其扩展到范围更大的群体中。
通过揭秘和教育建立信任并提高数据素养
有影响力的数据教育既需要实践技能，也需要创造性技能。要将 AI 分析引入业务流程，对这些技术的信任以及员工的理性判断是必不可少的。数据科学家自己拥有屡试不爽的经验，因此对于是否信任机器，他们可能会比较犹豫；新手分析用户需要学习如何与增强分析建议交互并对其进行验证，以及如何使用人类知识来进行纠错。
通过协作和社区迈向成功
由于这些功能将嵌入现有工作流，因此数据推动者和领域专家之间的高效沟通，将有助于用户找到成功之路，从而鼓励大家普遍采用这些功能。为他人构建仪表板的分析师应了解用户使用 AI 和机器学习功能的方式，并鼓励大家围绕解释和数据本身坦诚沟通。分析师可以为领域专家设置正确的数据和正确的上下文，以下钻查询对自己重要的数据点，例如可实现互动、探索和自适应的起始仪表板。
增强分析在商业智能 (BI) 中的作用
要实现更好的客户体验、更高效的运营和开拓新收入来源，数据是关键所在。擅长分析数据的组织具有出众的竞争力和影响力。因此，许多组织正在转向 AI 分析技术和增强分析 — 包括 机器学习、 自然语言交互和复杂的算法 — 来获得优势并进一步提高员工的分析能力，推动数字化转型，并增强面对变化时的业务适应能力。
增强分析有望更好地将人类的好奇心转化为贴切的答案。这些功能将扩大分析的使用范围，惠及许多不太习惯使用数据的人。这有助于让组织中的每个人都能自信地从自己的数据中找到业务问题的答案。
Tableau 会 使用 AI 来帮助人们回答问题 并利用数据推动有意义的决策。从智能数据准备和一键式统计分析到自然语言查询，我们的增强分析功能让更多人能够从自己的数据中了解他们需要了解的信息，并提高他们对结果的信心。我们提供的功能让更广泛的业务受众能够用数据回答问题，帮助组织利用其不断增加的数据。
详细了解 Tableau 的 增强分析。
其他资源