Neil Herbert，SAP非洲业务分析总监说，这些关键技术正在推动业务分析的进步，以此来支持未来企业的实时管理。

在数据被标注为“新石油”的时代，企业正在争先恐后的实施有效的前沿性数据管理战略，为管理者提供实时的见解和业务价值，以此来推动业务战略，增加企业利润。

一个企业拥有数据建模技术人员已经可以有效的提升市场的竞争优势，但是数据建模技术员工从数据分析中所提取的价值和利用数据作为战略推动业务时往往会和管理者存在着脱节。

弥补错误报告的差距

企业在ERP中交易和其他业务系统中拥有大量结构化和非结构化数据，这些数据全部汇集在数据库中。这从概念（显示不同实体之间的关系）到逻辑（查看数据中的某些属性）和物理（指使用数据库管理系统和存储数据的方式）的一系列不同数据建模工具，分别是应用于创建分析师可以提取业务价值的框架，

然而，不同的业务线，每个都有自己的ERP系统和内部流程，这样往往会产生巨大的误报情况，因为业务分析师会试图结合不同的数据集。

在银行业和零售业等行业中，日常关于业务绩效的报告必须从这些数据集编制而成。更为复杂的是，报告可能以Excel的方式发给经理，并会补充一些其他的信息，然后又将报告交付给下一位更高职位的领导。

像物联网这样的技术已经导致了大量的结构化和非结构化数据，一些设备和其他的业务来往都会产生大量的数据，这就会为IT运营和分析人员带来压力，这些分析人工负责处理数据并从中提取有效的价值来为企业带来发展。

根据哈弗商业评论报告指出，平均而言，企业结构化数据的平均不到一半被积极的用于企业发展决策，根本用不到非结构化数据的1%，无效率性非常高。多大70%的数据分析人员把时间花费在数据发现和准备上。

机器学习，云数据管理

2018年，两项关键技术正在推动业务分析的发展：云和机器学习。当企业将其业务环境或业务系统迁移到云中时，云会且企业提供两个关键优势：降低运营成本和标准化，事实上，Forrester Research预测，2018年将有一半的企业会采用云优先方式进行大数据分析。

由于数据量不断的增加，企业越来越多的转向使用机器学习来自动化数据分析。企业根本没有办法来聘请一个数据分析师团队来筛选数据分析其中的价值，如果使用一个由机器学习支持的小型数据科学家团队，这样的工作效率将会大幅度的增加。

机器学习也可以帮助评估数据的重要性，管理人工通过利用来自多个来源的业务数据来配备实时的背景信息和特变分析，为企业提供单一的数据来源。由于分析层直接查询交易或数据库，因此管理者可以获得有关实际业务绩效的实时信息，并可根据个人需求灵活的以各种方式呈现信息。由于强大的基于云的实时分析平台的发展，业务分析师和他们所支持的业务管理者之间的脱节将会显著减少。2018年将会是企业将业务数据走向云计算的旅程。

本文首发网站：https://www.ait800.com/shangye/220.html