رهبران داده و تجزیه و تحلیل باید از پلتفرم های هوش تجاری BI برای پشتیبانی از نیازهای فناوری اطلاعات، تحلیلگران و دانشمندان داده استفاده کنند.
در حالی که ادغام با اکوسیستم های ابری و برنامه های کاربردی تجاری یک نیاز کلیدی انتخاب است، خریداران همچنین به پلتفرم هایی برای پشتیبانی از باز بودن و قابلیت همکاری نیاز دارند.
تعریف بازار هوش تجاری
پلتفرمهای تجزیه و تحلیل و هوش تجاری (ABI) به کاربران با دانش فنی کمتر، از جمله افراد تجاری امکان مدلسازی، تجزیه و تحلیل، کاوش، اشتراکگذاری و مدیریت دادهها و همکاری و اشتراکگذاری یافتهها را میدهند.
بازار پلتفرم ABI به طور فزاینده ای نیاز به تمرکز بر نیازهای مصرف کننده محتوای تحلیلی و تصمیم گیرندگان تجاری دارد. برای دستیابی به این هدف، بینش خودکار باید در زمینه اهداف، اقدامات و گردش کار کاربر مرتبط باشد.
بسیاری از پلتفرمها قابلیتهایی را به کاربران اضافه میکنند تا به راحتی جریانهای کاری و برنامههای اتوماسیون کمکد یا بدون کد بنویسند. این ترکیب از قابلیت ها به گسترش چشم انداز تجزیه و تحلیل فراتر از ارائه مجموعه داده ها و ارائه داشبورد کمک می کند.
علاوه بر روند رو به رشد تمرکز بر طراحی مصرف کننده، شاهد سایر روندهای کلیدی بازار هستیم، از جمله نیاز به مدیریت بهبود یافته ایجاد و انتشار محتوای تحلیلی، و تقاضا برای معماری باز.
عملکرد پلتفرم ABI شامل 12 قابلیت حیاتی زیر است که بهروزرسانی شدهاند تا حوزههای تغییر بازار، تمایز و تقاضای مشتری را منعکس کنند:
- بینش خودکار / Automated insights – یک ویژگی اصلی تجزیه و تحلیل افزوده، این توانایی به کارگیری تکنیکهای یادگیری ماشین (ML) برای تولید خودکار بینش برای کاربران نهایی است (به عنوان مثال، با شناسایی مهمترین ویژگیها در یک مجموعه داده).
- کاتالوگ تجزیه و تحلیل / Analytics catalog – این به توانایی محصول برای نمایش محتوای تحلیلی برای آسان کردن یافتن و مصرف آن اشاره دارد. کاتالوگ قابل جستجو است و به کاربران توصیه می کند.
- آمادهسازی دادهها / Data preparation – آمادهسازی دادهها شامل پشتیبانی از کشیدن و رها کردن، ترکیب کاربر محور دادهها از منابع مختلف، و ایجاد مدلهای تحلیلی (مانند معیارها، مجموعهها، گروهها و سلسلهمراتب تعریفشده توسط کاربر) است.
- اتصال به منبع داده /Data source connectivity – قابلیت های اتصال منبع داده، کاربران را قادر می سازد تا به داده های ساختاریافته موجود در انواع مختلف پلت فرم های ذخیره سازی، هم در محل و هم در فضای ابری متصل شوند و آن ها را دریافت کنند.
- داستان سرایی داده / Data storytelling – داستان سرایی داده توانایی ترکیب تجسم داده های تعاملی با تکنیک های روایتی برای بسته بندی و ارائه بینش به شکلی قانع کننده و به راحتی قابل درک برای ارائه به تصمیم گیرندگان است.
- تجسم داده ها / Data visualization – تجسم داده شامل پشتیبانی از داشبوردهای بسیار تعاملی و کاوش در داده ها از طریق دستکاری تصاویر نمودار است. مجموعهای از گزینههای تجسم که فراتر از نمودارهای دایرهای، میلهای و خطی است، مانند نقشههای گرما و درخت، نقشههای جغرافیایی، نمودارهای پراکنده و سایر تصاویر با هدف خاص، ارائه میشود.
- حاکمیت / Governance – قابلیتهای حاکمیتی نحوه اشتراکگذاری و ترویج اطلاعات را مدیریت میکنند.
- پرس و جو زبان طبیعی / Natural language query – قابلیت پرس و جو زبان طبیعی (NLQ) به کاربران امکان می دهد با استفاده از عباراتی که در جعبه جستجو تایپ شده یا گفتاری از داده ها سؤال کنند.
- گزارشدهی / Reporting – قابلیت گزارشدهی، گزارشهای صفحهبندیشده و بینقص پیکسلی را ارائه میکند که میتوان آنها را برنامهریزی کرد و برای یک جامعه کاربری بزرگ منتشر کرد.
- یکپارچهسازی علم داده /Data science integration – قابلیتهایی که توسعه و نمونهسازی پیشرفتهای از مدلهای علم داده ترکیبی و یادگیری ماشین (DSML) توسط دانشمندان داده با ادغام در اکوسیستم گستردهتر علم داده و یادگیری ماشین را ممکن میسازد.
- ذخیرهسازی معیارها / Metrics store- توانایی ارائه یک لایه مجازیسازی شده که به کاربران امکان میدهد معیارها را به عنوان کد ایجاد و تعریف کنند، بر این معیارها از انبارهای داده نظارت داشته باشند، و به تمام تحلیلهای پاییندستی، علم داده و برنامههای کاربردی تجاری خدمات ارائه کنند.
- همکاری / Collaboration – همکاری تجزیه و تحلیل، کاربرد قابلیتهای همکاری در جریانهای کاری تحلیلی برای سازمانهایی است که میخواهند محیطی را فراهم کنند که در آن طیف گستردهای از کاربران بتوانند به طور همزمان یک پروژه تحلیلی را تولید کنند.
گارتنر سه قابلیت حیاتی جدید را به عنوان بخشی از معیارهای ارزیابی ما در سال جاری اضافه کرد:
- ذخیره معیارها / metrics store
- همکاری / collaboration
- ادغام علم داده /data science integration
این قابلیتهای جدید برخی از تغییرات کلیدی را به تصویر میکشند که خریداران انتظار دارند فروشندگان پلتفرم هوش تجاری ABI خود را ارائه دهند.
پلتفرم های ABI همیشه در مورد اندازه گیری بوده اند. برای چندین دهه، برش و برش اندازه ها بر اساس ویژگی های ابعادی آنها مترادف با عمل انجام هوش تجاری بود.
همکاری تجزیه و تحلیل ترکیبی از بسیاری از ویژگیها (مانند یکپارچهسازی Slack/Teams، چارچوبهای عمل) است که در مجموع توانایی سازمان را برای تصمیمگیری با اجماع بهبود میبخشد.
سه قابلیت حیاتی از معیارهای ارزیابی گارتنر حذف شد:
- امنیت
- تولید زبان طبیعی (NLG؛ به داستانسرایی دادهها)
- تجزیه و تحلیل ابری (که دیگر قابلیت پلتفرم در نظر گرفته نمیشود، بلکه یک استراتژی ورود به بازار تحت پوشش Magic است.).
و یکی از زیرمعیارهای امنیتی، در مورد جزئیات مجوز (به عنوان مثال، امنیت مبتنی بر ردیف) به قابلیت گزارش سازمانی منتقل شده است.
گزارش گارتنر در مورد 20 ابزار هوش تجاری Magic Quadrant
نقاط قوت و ضعف پلتفرم های هوش تجاری در گزارش گارتنر 2023
در این بخش گزارش گارتنر Gartner به بررسی نقاط ضعف و قوت نرم افزارهای هوش تجاری Amazon Web Services , Alibaba Cloud Domo و GoodData می پردازیم.
Alibaba Cloud
پلتفرم هوش تجاری Alibaba Cloud یک چالش در این چهارگانه جادویی است. این شرکت عمدتاً در بازار آسیا/اقیانوسیه (APAC) رقابت می کند. Alibaba Cloud بزرگترین ارائه دهنده پلتفرم ابر عمومی در منطقه است. محصول آن، Quick BI، آماده سازی داده، کشف داده های مبتنی بر بصری، داشبوردهای تعاملی و گزارش ها را ارائه می دهد.
ابزار هوش تجاری Quick BI نقشه راه ابری خود را از Alibaba Cloud به پشتیبانی ابری چندگانه که با Tencent Cloud، Microsoft Azure و Huawei Cloud سازگار است، گسترش داده است.
نقاط قوت Alibaba Cloud
- تجزیه و تحلیل و همکاری مبتنی بر محل کار دیجیتال:ابزار هوش تجاری Quick BI به خوبی با برنامه های کاربردی مختلف محیط کار دیجیتال مانند Alibaba DingTalk، Tencent WeCom و Lark که به طور گسترده در چین به کار گرفته شده اند، ادغام شده است. با استقرار ساده، کاربران می توانند به سرعت به قابلیت های تجزیه و تحلیل Quick BI دسترسی پیدا کنند.
- تجزیه و تحلیل قابل ترکیب: نرم افزار هوش تجاری Quick BI می تواند به عنوان یک ابزار مستقل راه اندازی شود. اما به عنوان بخشی از پورتفولیوی Alibaba LYDaaS (در اصل به عنوان Alibaba Cloud’s Data Middle Office شناخته می شود)، که قابلیت های داده ها و تجزیه و تحلیل (D&A) ماژولار و قابل استفاده مجدد را ارائه می دهد و حلقه وظایف تحلیلی را می بندد.
- برنامه سواد داده: پلتفرم هوش تجاری علی بابا با راه اندازی برنامه هایی برای ارتقای مهارت کاربران خود در سواد داده، آموزش مبتنی بر وظیفه و اعطای گواهینامه ها، موفقیت مشتریان را به پیش می برد.
نقاط ضعف Alibaba Cloud
- تمرکز سرمایهگذاری: اگرچه Alibaba Cloud از نظر اندازه کلی شرکت بزرگ است،ابزار هوش تجاری Quick BI در مقایسه با خطوط تولید DBMS و AI فروشنده یک تمرکز استراتژیک نیست. Quick BI R&D حدود 100 کارمند دارد که به طور قابل توجهی کمتر از تعداد کارکنان سایر پلتفرم های ABI بزرگ مقیاس کننده های بزرگ است.
- محیط رقابت پیچیده: نرم افزار هوش تجاری Quick BI عمدتاً در منطقه آسیا/اقیانوسیه فعالیت می کند. علاوه بر رقابت با فروشندگان جهانی، Quick BI با سایر فروشندگان مشهور مستقر در چین مانند FanRuan، Yonghong، SmartBI و Guandata نیز رقابت می کند.
- حضور جغرافیایی و شتاب کمتر در بازار: Alibaba Cloud در بازار چین متمرکز است، با حداقل پایه نصب شده در جاهای دیگر. به عنوان یک ارائه SaaS، Quick BI اغلب در راه حل یکپارچه LYDaaS (Data Middle Office) فروشنده بسته بندی شده است. پذیرش محدودی در خارج از اکوسیستم علی بابا دارد.
Amazon Web Services
در سال 2022، آمازون AWS سرمایهگذاریهای خود را در سرویس هوش تجاری BI ابری بدون سرور گسترش داد و مشتریان بیشتری را با داستانهای داده و بینشهای خودکار جذب کرد. این مبتنی بر راهاندازی QuickSight Q در سال 2021 است، قابلیت جستجوی زبان طبیعی مبتنی بر ML.
نقاط قوت نرم افزار AWS
- خدمات ابر جهانی یکپارچه: AWS یکی از بزرگترین ارائه دهندگان خدمات ابری (CSP) در جهان از نظر درآمد و ردپای جهانی است. بخشی از پشته AWS D&A یک نقطه قوت اصلی برای مشتریان QuickSight است.
- معماری بدون سرور مقیاس را فعال میکند: ابزار هوش تجاری QuickSight مقیاسپذیری در حجم کاربر و همزمانی موارد استفاده پیچیده تحلیلی را فراهم میکند ، بدون اینکه مشتریان مجبور باشند برای افزودن سرورها یا زیرساختهای بیشتر تقلا کنند.
نقاط ضعف نرم افزار AWS
- تأکید محدود بر قابلیتهای حیاتی در حال ظهور: نرم افزار هوش تجاری QuickSight در مقایسه با همتایان خود در این تحقیق، قابلیت فهرست تحلیلی ضعیفتری دارد. همچنین در مناطق خاصی که اختلال در بازار رخ می دهد عقب است.
- فقدان اکوسیستم برنامه تجاری: AWS فاقد یک اکوسیستم برنامه تجاری شخص اول برای خریداران و کاربران نهایی Amazon QuickSight است. به طور مشابه، پیشنهادات بهره وری شخصی و همکاری که به تازگی منتشر شده است (Amazon WorkDocs) برخلاف پیشنهادهای مشابه مایکروسافت و گوگل، فاقد پذیرش قابل توجهی است.
Domo
Domo یک چالش در این Magic Quadrant است. به طور سنتی توسط کاربران تجاری اجرایی ترجیح داده میشود، اما نوآوریهای محصول در چند سال اخیر آن را به گزینهای محبوب برای توسعهدهندگان تحلیلی، تحلیلگران تجاری و دانشمندان داده تبدیل کرده است.
ابزار هوش تجاری Domo جایگاه قدرتمندی در فضای تجزیه و تحلیل بازاریابی ایجاد کرده است و اکنون مورد توجه سازمانهایی است که فاقد پایه انبار داده قوی هستند، به ویژه در شرکتهای کوچک و متوسط.
در سال 2022، Domo “چارچوب برنامه هوش تجاری Domo” را معرفی کرد تا به توسعه دهندگان شهروند با محیطی با کد پایین امکان دهد تا محتوای BI را در جریان کاری فرآیند کسب و کار جاسازی کنند و با جداسازی متغیرهای خاص، تجزیه و تحلیل what-if را انجام دهند.
نقاط قوت نرم افزار DOMO
- پشتیبانی چند نفره: در بازاری که به طور انحصاری بر نیازهای تحلیلگر تجاری متمرکز شده بود، پلتفرم هوش تجاری Domo نیازهای مصرف کننده محتوای تحلیلی را ارائه کرد. اکنون از تحلیلگران، طراحان و توسعه دهندگان پشتیبانی می کند.
- مقیاس با کنترل و امنیت: داشبورد مدیریتی جدید در Domo Everywhere، API جاوا اسکریپت Domo و محیط تجزیه و تحلیل تعبیه شده، به سازمانها اجازه میدهد تا حقوق دسترسی را تعریف کرده و محتوا را با خیال راحت در بین هزاران مشترک، در داخل و خارج از سازمان، بدون به خطر انداختن کنترل، امنیت و سازگاری منتشر کنند. .
نقاط ضعف نرم افزار DOMO
- فقدان کانالهای اکوسیستم کاربردی گستردهتر: نرم افزار هوش تجاری Domo در برابر فروشندگان پلتفرم ABI که از پایه نصبشده موجود اکوسیستم برنامه و پلتفرمهای ابری خود استفاده میکنند، با یک نقطه ضعف رقابتی مواجه است.
- حضور جغرافیایی محدود: به عنوان یک فروشنده مبتنی بر ابر، Domo به حضور مجازی برای کشورهایی فراتر از ایالات متحده، ژاپن، بریتانیا و استرالیا متکی است.
- مدل قیمتگذاری ممتاز: قیمتهای Domo در مقایسه با ارائهدهندگان ابری کمهزینه همچنان در بالاترین سطح قرار دارند.
GoodData
GoodData یک بازیکن ذخیره در این مربع جادویی است. ابزار هوش تجاری GoodData در مواردی که مشتریان علاقه مند به ایجاد و ادغام یک فروشگاه معیارها به عنوان یک لایه معنایی جهانی در محیط خود هستند، با استفاده از یک رویکرد بدون سر که کاملاً با رویه های توسعه یافته DevOps هماهنگ است، جایگاه قوی پیدا کرده است.
دو پیشنهاد اصلی GoodData، GoodData Cloud Native و GoodData Cloud (ارائه SaaS آن)، هر دو در طول سال 2022 ارائه و بهبود یافتند.
نقاط قوت نرم افزار هوش تجاری GoodData
- چشمانداز بیهدف: ابزار هوش تجاری GoodData نیاز بازار به داشتن یک ذخیرهسازی متمرکز معیارها برای سازگاری تعاریف متریک و نقشهبرداری با اهداف تجاری را دوچندان میکند.
- پیشگامان ترکیبپذیری: مدل کسبوکار و ویژگیهای GoodData از اصل «تحلیل بهعنوان کد» پیروی میکند و از طریق توانایی یکپارچهسازی و همسو کردن توسعه محتوای تحلیلی با چرخه عمر توسعه برنامه، به بازار ترکیبپذیری پاسخ میدهد.
نقاط ضعف نرم افزار GoodData
- محدود به خریداران بالغ: برای اتخاذ رویکرد تحلیلی به عنوان کد برای مقیاسبندی هوشمندی در سازمان، سطح بالایی از بلوغ مهندسی داده را در نظر میگیرد.
- استقرار ABI سنتی محدود است: ابزار هوش تجاری GoodData در همه قابلیتهای حیاتی به جز برای فروشگاههای معیار، کمتر از حد متوسط ارزیابی میشود. در پشتیبانی از موارد استفاده سنتی ABI در مقایسه با رقبا ضعیف تر است.
