從2017年Gartner首次提出增強分析的概念，連續多年將增強分析確定為未來數據與分析技術發展趨勢，考慮到增強分析跟人工智能，特別是NLP有著千絲萬縷的關系，進而與ChatGpt也有了關聯，自己突然對增強分析有了興趣，這個被看成是BI3.0的分析領域的大殺器，到底是個什么東西，下面分為六部分進行介紹。

1、增強分析定義
2、增強分析方法
3、增強分析技術
4、增強分析價值
5、增強分析演示
6、增強分析挑戰
一、增強分析定義
商業智能最容易分為三代技術，每一代都由解決方案提供的可訪問性、速度、數據集大小和洞察質量來定義。
BI 1.0-傳統商業智能傳統商業智能被認為是最古老的 BI 版本，也是最不友好的。傳統的 BI 建立在需要 IT 專業人員聚合數據和構建 OLAP 多維數據集以進行分析，傳統的 BI 交付報告和靜態儀表板作為其主要輸出。從手動從數據庫中提取數據并手動清理數據，到構建模型、挖掘數據以及生成整個組織的部門和團隊所需的數據豐富的報告，即一切都由專家處理。最大的問題是需要數周時間才能為業務提供關鍵洞察，因為需要 IT 來設計模型和報告。由于該系統僅提供查詢的回顧性視圖，因此無法提供預測性見解。因此，決策者最終只能“憑直覺”尋找新的機會和解決重大問題的方法。
BI 2.0-自助商業智能自助式商業智能 (SSBI) 解決方案對傳統數據分析模型進行了重大升級。最值得注意的是，它們允許數據分析師和其他業務用戶使用 IT 構建的模型創建自己的報告和數據可視化。組織中的每個人都可以按需訪問，這種 BI 方法使用戶能夠創建臨時報告、提出后續問題，并手動更深入地挖掘洞察以獲得更有針對性的信息。不幸的是，自助服務仍然無法解決最后一英里的問題，因為它用于數據探索的可視化界面使用傳統的拖放式度量和維度，這對業務用戶來說很復雜。隨著數據量和復雜性的增加，使用自助式 BI 工具手動分析數據的每個組合以找到重要見解變得不大現實，即使對于專家數據分析師也是如此。
BI 3.0-增強分析作為下一代商業智能，增強分析以幾種不同的方式改進了自助服務模型。Gartner指出，
增強分析是使用機器學習和人工智能等支持技術來協助數據準備、數據發現、洞察生成和洞察解釋，以增強人們在分析和 BI 平臺中探索和分析數據的方式。它使用機器學習和人工智能，通過自動從各種數據庫和集成工具中獲取數據來簡化數據準備。一旦數據在平臺中，它允許用戶使用自然語言查詢在會話 UI 上自助提供臨時報告。增強分析不僅簡化了后端的數據分析。它還通過自然語言生成 (NLG) 提供洞察力和可視化效果，使數據對普通用戶而言更易于訪問和更有價值。該軟件還實時對數據進行切片和切塊，以深入了解報告信息背后的“原因”——而不僅僅是內容、人員和時間。而且，隨著時間的推移，該算法對用戶意圖有了更深入的理解，這使其能夠為復雜問題提供更有針對性和更細致的答案。這些功能共同使數據分析師和數據科學家能夠比以往更快、更輕松地設計自定義可視化并生成見解。
二、增強分析方法
增強分析跟傳統的BI分析流程相似，但通過使用 ML、NLG 和 AI 等技術增強了數據分析的三個主要階段：
1、數據準備
數據準備涉及數據的采集、清洗、轉化和驗證等繁瑣的工作，傳統BI通常需要依賴開發人員和數據科學家專業知識和人工操作才能完成。借助增強的分析工具，其可以借助算法檢測機制，自動對數據進行分析、標記、注釋并清潔以進行可靠的分析，自動將來自多個來源的數據整合在一起，自動生成數據目錄，元數據和數據血緣，所需時間僅為手動操作時間的一小部分。
2、洞察發現
洞察力發現是數據分析過程中的一個步驟，傳統BI主要基于可視化引擎進行手工操作數據和手工建模來發現規律，由于傳統上模型必須由數據科學家手動開發，因此見解往往缺乏特異性。通過增強分析，洞察發現更容易啟動，也更徹底。普通人可以使用自然語言和語音輸入來進行查詢，增強分析通過算法自動找到數據中的規律，自動生成模型，自動從數據中找到模式和規律來針對性的回答問題。
3、見解分享
見解共享是通過報告或可視化向最終用戶提供見解的過程。傳統BI通過儀表盤等形式展示結果，往往需要數據科學家進行解釋。通過增強分析，獲得洞察力的時間和人力都可以大大減少。使用自然語言生成，增強分析平臺實時提供見解， 這些見解包括對自然語言查詢的直接回答和回答的推理，或者將決策直接傳入生產和辦公應用。
三、增強分析技術
要實現增強分析，需要四個關鍵技術：
1、增強數據準備
這些通常包括數據準備方面的進步，或者更典型的是 ETL（提取、傳輸、加載）階段，具體包括：
數據洞察：在數據準備前就對數據進行多維度的洞察，包括行列數據分析，為選擇符合的數據提供參考。
自動連接：能夠根據用戶、角色，歷史數據等智能推薦數據源，自動完成數據連接配置。
自動清洗：基于預置的數據質量規則（如合并重復記錄）自動進行數據清洗和轉化，實現數據的一致性、準確性，唯一性，能夠實時呈現清洗結果。
2、機器學習 (ML)
作為一種 AI，ML 使用算法快速搜索歷史數據、識別模式、發現異動并生成見解和建議。ML 模型是大多數增強分析功能的基礎。
自動分析：自動識別數據中的影響因素、關鍵驅動因素和異常因素，提供自動化分析結果。
自動建模：自動調參和算法選擇，實現自動化建模，支持第三方算法或模型集成，自動選擇合適的模型實現預測。
3、自然語言技術
人類和計算機可以通過自然語言處理 (NLP) 和自然語言生成 (NLG) 更輕松地相互交談，前者為計算機解釋人類語言，后者將計算機代碼翻譯成人類語言。因此，商務人士可以使用熟悉的領域和行業術語在來回的問答會話中與機器互動，自然語言技術讓任何用戶，甚至是未經培訓的業務用戶，都可以就他們的數據提出問題，并以簡單的對話方式獲得答案。
4、自動可視化
基于現有數據內容和格式，為用戶自動推薦合適的圖表展現樣式，根據洞察結果自動組裝分析報告，展示分析結果，并以用戶指定的頻率分發，加速洞察共享。顧名思義，增強分析并沒有取代而是增強了人類的智慧、直覺和好奇心。機器學習模型利用隨著時間的推移從用戶那里收集的上下文和行為線索，評估人類的意圖和偏好，并通過自然語言提供適當的見解、指導和建議。他們將實際的決策權留給人們。
四、增強分析價值
增強分析可以使分析師的工作更快、更高效、更準確。機器學習和自然語言技術可以降低分析的技術障礙，包括讓數據技能和經驗不太成熟的人可以使用更先進的技術，幫助領域專家（深入業務的人員）更敏捷的使用他們的數據。
敏捷性：提高洞察速度AI 驅動的分析增強可以通過縮小搜索空間（比如特征變量自動選擇）、在正確的時間向正確的人顯示相關數據以及通過建議富有成效的分析路徑來加速對洞察力的搜索。通過廣泛跟蹤分析用戶使用行為，增強分析可以提供更智能的默認設置和推薦操作，并進行迭代優化，加速與用戶的信任關系。當人們更快地回答他們的數據問題時，他們可以專注于更具戰略性，挑戰性的任務，并花更少的時間梳理數據以獲取見解。
準確性：提供全面視角機器可以不睡覺不休息，高質量地執行重復任務和計算。增強分析背后的 AI 和 ML 技術可以有效地檢查每個細節，讓用戶可以根據透徹的分析做出最明智的決策。這種全面的視角可以幫助人類避免自己的結論受到確認偏誤的影響，揭示用戶從未想過他們需要的見解，比如機器可以快速的對100個維度進行分析，而分析師則由于精力問題和領域知識的缺乏只挑選自認為重要的維度進行探索。
效率化：自動操作任務將機器學習和人工智能集成在高度專業化、重復性的算法驅動的流程中已經取得了巨大進步，例如針對相關內容或產品提供“您可能有興趣了解…”的建議的網站，增強分析通過任務自動化來減少人們在處理數據（例如數據準備、數據發現、運行統計分析等）時需要付出的時間和精力。
民主化：加速分析普及增強技術通常易于使用，降低了技術門檻，這使得廣泛的業務人員可以大幅減少對數據科學家的依賴，能夠基于增強分析的結果更充分的發揮自己的業務專業知識，當更多人參與數據分析時，數據素養就會提高。隨著時間的推移，組織文化發生了變化。越來越多的團隊開始習慣于使用數據并通過協作來創造商業價值。
五、增強分析演示
眼見為實，耳聽為虛，這里介紹幾個增強分析的具體演示案例。
1、數據問答
數據問題讓您的用戶使用自然語言回答業務問題。此過程非常簡單，只需輸入您的問題，然后獲得可視化答案?！皵祿柎稹碧峁┝艘环N直觀的引導式體驗來構建查詢，用戶不用進行拖放，也無需了解維度和度量。自動更正和同義詞識別功能有助于填補空缺，最準確地體現問題中隱藏的用戶意圖。?“數據問答”可以直接集成到儀表板中，因此用戶在查看經過整理的數據后，只需單擊一下就可以提出下一個問題。您可以在任何門戶或應用程序中嵌入“數據問答”，進一步擴大其影響力，以下是Tableau產品的一個示意：

下面是Qlik展示的一個視頻，銷售主管可以采用自然語言搜索的方式輕松實現按國家/地區維度比較銷售額和利潤的分析。

2、數據解釋
數據解釋可以運行統計模型并檢查特定數據點值背后的數百種潛在解釋，從而在見解探索過程中找出重點。這項功能會使用日常用戶可以理解的語言，自動通過功能齊全的 Tableau 可視化顯示最翔實的解釋，讓用戶進行進一步探索，以下是Tableau產品的一個示意：

六、增強分析挑戰

1、認知問題
由于人工智能和機器學習的潛在復雜性，人們仍然非常關注技術本身，而不是普通人如何與之互動并從中受益。除了對機器搶走人們工作的誤解外，這還可能阻礙采用為處理數據的人提供實際好處的解決方案。如果人們不理解和不信任其價值，他們就不會使用人工智能和增強分析。
2、數據質量
數據質量對于增強分析至關重要，因為它確保 AI 和 ML 算法有準確的信息可供使用，但數據質量管理往往屬于臟活累活，對于沒有豐富數據處理經驗的人來說，這是一個巨大的挑戰， 為確保高質量的數據，企業應加快數據治理體系的建設，否則，增強學習成功的機會微乎其微。
3、模型管理
過時的數據和業務的變化要求定期訓練模型，并定期更新算法來處理不斷變化的數據資產，這對增強分析平臺和工具的持續運營提出嚴峻挑戰。
4、數據素養
增強分析不需要用戶成為技術專家，但他們仍需要具備基本的數據素養，要學會如何用數據驅動的方式思考業務，只有這樣才能充分利用好增強分析平臺，同時還必須學會批判性地思考數據， 根據錯誤的數據或來自 AI 系統的錯誤建議采取行動將導致錯誤的決策和資源浪費。在ChatGpt之前，我對增強分析并不是很感冒，但現在多少改變了些看法。