有关敏捷BI步入成熟季接传统BI的班毕业论文写作资料-论文写作网

简介:关于本文可作为数据传统方面的大学硕士与本科毕业论文数据传统论文开题报告范文和职称论文论文写作参考文献下载。

数据传统论文范文

Forester曾有一份调查报告显示,在拥有传统BI的企业或机构中,大约83%的数据分析需求未能得到满足.甚至,大多数时候,用户还是会用Excel等工具去分析数据.这是一个可怕的现象,它说明了企业或机构投资建设的BI系统只满足了少量需求.

弥补传统BI的短板

传统BI系统的经典架构是这样的,底层是数据源,中层是ETL（抽取、转换、装载）,上层的数据仓库形成DWD.为了进行数据分析,用户一般会把数据预先汇总,形成DWA（汇总数据层）,或者抽取到数据集市,或者抽取到Cube Server打Cube,然后再通过前端展现工具让用户进行数据分析.

那么,传统BI架构在处理企业数据时存在哪些短板呢?首先,整个系统由诸多个单独产品组成,总体拥有成本比较昂贵.其次,建好一套BI系统通常需要几个月甚至跨年,上线周期太长.第三,完成系统计划之后,实施人员开始从前往后的瀑布式实施,但是,每一步都涉到比较“重”的数据形态转变.这种情况有点类似于我国多年前提出的“计划经济”,不够灵活.

而对于传统BI面临的这些短板,敏捷BI都能够有针对性地提出解决方案.敏捷BI直接把数据装载到内存数据集市中,内存数据集市存储的是细节数据而不是汇总数据,所以不存在DWA或Cube,然后用户就能直接在前端BI平台上开始数据分析了.另外,基于细节数据,用户就能做探索式分析了.TDWI一旦有数据,用户就可以在数据中做探索式分析,而不是仅仅地利用现有的分析模型,将用户找到答案的成功率从原本的23%提升近50%.

传统数据中心:红领论文范文——工业新亮点，传统制造业走向数据智能化

对比传统BI,敏捷BI的特点在于：整个敏捷BI系统,只需要一个产品,成本一般会低很多；由于数据集市中存储的是细节数据,建模工作比较轻量级,BI系统的上线周期大大缩短；实施过程是自下而上,由业务来驱动.

敏捷BI快速步入成熟期

2006年,Gartner公布的BI魔力象限中,标榜为领导者区域的第一象限还看不到一家敏捷BI厂商,全部是大家熟知的传统BI厂商,例如Cognos、Business Objects等.直到2012年,Gartner公布的BI魔力象限第一象限中才见到第一家敏捷BI厂商QlikTech.但是,到了2014年,Gartener的BI魔力象限的第一象限中就已经出现三家敏捷BI厂商了,在数量上占据了近半数的规模.

在传统BI增长势头依旧非常强劲的今天,敏捷BI的发展速度令业界感到惊讶.这种趋势也说明了,不管从厂商还是从用户的角度来看,敏捷BI都已经步入了成熟期,成为一种主流的BI系统建设方法.

目前,中国市场上已经涌入了一些敏捷BI厂商,比较活跃的有三家,它们分别是Tableau、QlikView和永洪BI.总体来看,这三家厂商各有优势.首先,在计算方面,Tableau可基于数据库和本地缓存,QlikView可基于数据库和内存计算,永洪BI可基于数据库、内存计算,或者分布式的集群.其次,在支持的操作系统平台方面,Tableau和QlikView都是基于桌面操作系统产品起家的,也正是由于这个历史原因,大量代码集都运营在Windows上,永洪BI可以兼容Windows和Linux两种操作系统.

综合来看,Tableau在数据可视化方面很突出,QlikView则在内存计算方面是强项,永洪BI在内存计算和分布式计算方面都不错.

“计划经济”与“市场经济”

如果说传统BI是一种类似“计划经济”的理念,那么,敏捷BI更像是“市场经济”.

一方面,企业用类似“计划经济”的那套理念建设BI系统,因为分析组合和分析指标是之前已经确定的,用它们来决定明天的决策,显然缺少实效性；另一方面,经济建设如果一味地开放市场,而不做引导和监管,整个系统又有失控的风险.因此,传统BI与敏捷BI分不清孰优孰劣,它们适用于不同需求的企业而已.

同时,传统BI存在了几十年,最初建设时,企业可选取的信息技术并不多,硬件水平低,软件系统一般都基于关系型数据库,所以数据科学家想了很多办法来把数据分析推动起来,比如数据层可能有这些步骤：Stage、ODS、DWA、DWD、OLAP等.

随着硬件水平的大幅提升：内存和CPU的论文范文逐渐下降、计算能力提升非常大,分布式存储和计算技术都开始走向成熟期.因此,现在要建设一个数据分析系统,企业有很多的办法可以选用.

那么,传统BI与敏捷BI两者的差异到底在哪里呢?第一,传统BI一般会建立统一视图,这是一个重量级的建模工作；而敏捷BI一般不会试图建立统一视图,而是按主题分类,给每个分析主题分别建一个视图.

综合看来,两者的做法对于企业来说各有利弊.传统BI建立的统一试图,更有利于用户宏观地把握数据,但是工作量会很大；敏捷BI建立的按主题分类的视图,建立的速度比较快,但是缺乏整体感.

第二,传统BI一般会分层次处理数据,例如预先把处理好的数据汇总存储到DWA中,或在Cube Server中打Cube.而敏捷BI一直都是基于细节数据,所以最终用户能用的数据依旧是细节数据.从数据分析的角度来说,汇总数据基本已经固化了分析组合和分析指标,而敏捷BI的细节数据将给业务带来更大的灵活性.从理论上来说,分析组合可以随意,分析指标可以随意,最终用户的决定空间较大,可以做探索式分析.

知名杂志DM Review（数据管理评论）在美国曾做的一份调查报告显示,敏捷BI在部署周期、项目成本、成功率、用户覆盖等方面完胜传统BI.

那么,用户应该如何看待传统BI和敏捷BI的关系呢?笔者的建议是“守正出奇”.用户应该融合传统BI和敏捷BI的各自优势为我所用.

一方面,传统BI发展多年,其经验成熟、产品稳定,不能否定更不能抛弃,可将其用于企业决策、洞察、监控整体业务状况,尤其是那些较少变化的宏观指标.

另一方面,敏捷BI可以提升企业洞察力和决策力,让更多的人拥抱BI.企业需要更快地实现BI,快速而准确地开展商业工作.

两个角度开启敏捷BI之旅

传统BI系统一般用于监控相对静态的指标,也提供一些基于模型的数据分析工作,只要运行良好就可以保留.为了提升内部的数据分析工作,提升大家的洞察力,提升企业的决策力,企业可以从部门级和企业级两个角度考虑建设敏捷BI系统.

对于部门级BI应用.如果部门级数据量不大,直接基于数据库进行分析既对业务没有太大影响,而且性能也足够好,企业则可以直接基于数据库搭建分析系统.当然,有些部门级应用数据量不一定小,有的可能达到TB级甚至PB级.对于这种情况,企业可以把细节数据直接抽取到敏捷BI系统自带的数据集市中,解决性能问题.

同时,对于部门级应用,由于数据层比较简单,部门人员也不多,因而计算和分析资源分配起来比较简单.不过,敏捷BI也应该提供比较完备的Audit机制,让企业可以知道在数据和计算上有没有错配,如果有的话及时做一些小调整即可.

对于企业级BI应用,笔者比较认同Forester推崇的一种架构.这种典型的架构被称为“Hub &, Spoke”,意思是辐射状架构.

该架构的最论文范文是一个大型数据中心（Hub）,最底部是各种数据源.通过选取各种合理的ETL途径,企业将各个数据源的细节数据抽取到数据中心里.数据中心甚至可以存储半结构化和非结构化数据,而且是非常轻量级的建模,主要是做好数据管理.数据中心的建设可以采用商业产品也可以用开源产品.

同时,该架构的两侧是部门级BI应用和企业级BI应用,顶部是分析师工作台.部门级BI应用和企业级BI应用,都可以把数据从数据中心抽取到敏捷BI系统自带的数据集市中并做轻量建模,实现快速发布和快速应对变化.分析师工作台的工作者是数据科学家,他们会做一些挖掘、预测、探索式的分析工作,数据可以移入专用工具里计算,也可以直接在数据中心进行计算.

总结：本论文是一篇免费优秀的关于数据传统论文范文资料，可用于相关论文写作参考。

传统数据中心引用文献: