5-1 現代數據棧中的消費層 - BI+AI 產品的演進.pdf

1、現代數據棧中的消費層BI+AI產品的演進周遠 觀遠數據 首席科學家|個人簡介|花名字節，15年行業經驗，曾就職于微策略，阿里云。目前擔任觀遠數據首席科學家，主要負責 BI+AI 產品研發工作。開源愛好者，Apache Arrow，delta-rs 等項目的貢獻者。入選2022年度 36kr X36Under36 S級青年創業者名冊。01什么是現代數據棧02現代數據棧中的自助分析03Analytics as Software04增強分析與決策智能目錄CONTENT|01什么是現代數據棧|傳統數據棧的問題|性能受限，昂貴使用門檻高獲取洞察流程長場景擴展困難數據倉庫的發展|商業：數據作為企業競爭力的

2、核心，賦能組織做更好的決策。技術：大數據，云原生，AI 浪潮的興起。1990年代：數倉，OLTP到MPP2010年代：數據湖，Hadoop2016：云數倉，Lakehouse現代數據棧的起源：拆分|現代數據“?！眧現代數據棧的發展趨勢|以業務為中心擁抱云原生模塊化產品，plug and playDataOps成為“第一公民”02現代數據棧中的自助分析|傳統數據分析流程|總體迭代時間：數周 數月傳統數據分析痛點|技術：數據處理執行速度慢，可擴展性差流程：門檻高，依賴 IT 團隊的開發實施產品：BI 層要做很多額外工作，查詢優化，緩存，二次計算，cube落地：應用場景少，無法流暢完成決策閉環現代數

3、據分析流程|總體迭代時間：數小時數天現代數據分析產品趨勢|基礎能力：融入現代數據棧，基于云原生架構讓業務用起來：數據分析作為軟件產品，以業務為中心讓業務信任數據：分析資產管控與優化完成決策閉環：從分析為主到數據驅動決策全流程支持03Analytics as Software|發揮數據價值|我們收集這么多的數據，最終目標是什么？用戶體驗+決策流程|從被動響應需求的服務部分，到主動規劃，基于數據OS打造“數據產品”數據產品的典型用戶|軟件工程的“入侵”|瀑布式開發 vs.敏捷開發API-first 設計，開放，可組合性GUI 操作 vs.代碼開發軟件包復用，插件化架構，數據應用市場代碼 vs.低代

4、碼|面向開發者用戶：通用編程語言DSL代碼 vs.低代碼自然語言與打手勢，用戶門檻與靈活性的取舍軟件工程實踐，版本控制，code review，自動化測試等代碼與低代碼的結合|代碼與低代碼的結合|04增強分析與決策智能|數據分析滲透率|面向業務用戶：搜索與推薦個性化，場景化，智能化數據洞察推薦|數據故事生成|分析成熟度進階|決策智能：分析能力+自動化|增強分析的產品能力要求|模型開發能力，no-code to full-code模型解釋能力模型運維（MLOps）仿真與優化因果推理實時數據分析開放 APIReverse ETL05廣告與提問環節|觀遠數據的實踐|云原生，云巡檢多用戶角色支持，BI+AI，no-code to full-code數據應用市場開放 API，自定義可視化，業務系統集成增強分析，決策建議數據管控，數據質量，數據安全提問環節|非常感謝您的觀看|