在客户驱动的时代，企业的成功取决于企业对客户需求的响应速度。企业对实时结果的依赖程度越高，他们就越会寻求下一代（下一代）BI 部署。


传统的商业智能(BI) 平台是高成本和耗时的应用程序。BI 的当前趋势是转向“仅具有洞察力”的平台，该平台可以立即响应动态情况。


这些现代系统还必须满足所有适用的法规要求。因此，需要可操作的、完全自动化的 BI 系统，主流业务用户可以在没有数据科学团队帮助的情况下使用这些系统。Forrester 报告下一代商业智能提供了对这些交互式系统的期望的全面概述，并表示它们大大缩短了“从一个好主意到一个好结果之间的时间”。一个下一代BI调查报告反映了他们未来分析平台中最受欢迎的客户期望。

现有业务将需要一个明确的 BI 战略才能进入下一个分析水平。福布斯指出成功的商业智能战略将包括对商业智能的每个阶段的明确指导，从数据收集到可操作的见解。如果组织的商业智能战略得到正确制定，组织将有更高的机会获得预期的收益。

下一代 BI 平台的主要目标是支持最广泛的用户群，其中包括具有不同需求的不同类型的用户。2021 年商业智能趋势表明法规遵从性将在大多数 BI 供应商的议程上占据重要位置。

下一代 BI 向前发展
简而言之，Gartner 2020 年 分析和 BI 平台魔力象限将下一代 BI 平台描述为具有以下特征的平台：

敏捷和自主的平台
无处不在的机器智能
机器语言和神经语言编程驱动
自然语言查询 (NLQ) 作为查询语言的存在
定制嵌入式分析和增强分析
强大的可视化仪表板和可视化分析
移动平台分析
一个福布斯邮报表明现代 BI 平台能够通过使用“洞察力”来讲述故事，而 NLQ 等技术对于不了解正式查询语言的用户特别有用。重新设计的仪表板和用户界面将以多种形式共同为不同类型的用户提供相同的数据。

这下一代商业智能Infosys 的产品象征着下一代 BI 供应商的集体声音，他们强调人工智能驱动的高性能数据平台、高级预测分析、可视化分析、MDM 和增强的 EPM 功能。这些平台属性与更大的 BI 市场产生了共鸣。

下一代 BI 最明显的属性
为了让最广泛的用户可以访问和使用 BI，新设计的分析平台通常会显示精美的仪表板和用户界面，这些仪表板和用户界面既美观又强大。传统 BI 的报告功能发生了重大变化，如常见问题解答：下一代商业智能系统.

这种类型的 BI 的另一个显着属性是不断增长的“搜索”功能，它可能使未来的 BI 用户能够搜索和收集来自不同来源的数据，包括整个组织的社交渠道。这些引人入胜的 BI 界面现在在机场休息室和零售店中可见。什么是智能数据可视化，它能让业务用户更聪明吗？揭示了智能（自定义）数据可视化工具如何显着改善下一代应用程序中的 BI 结果。

实时洞察只能来自下一代 BI
正如数据仓库打破了组织间不连贯的数据孤岛一样，下一代 BI 应用程序正在颠覆已建立的业务分析流程。如今，大多数企业，无论规模大小，都更喜欢实时或近乎实时的洞察力，以做出快速准确的决策。

现代数据仓库预计将配备“嵌入式分析”，使用户能够对业务流程中的实时数据进行分析。这些系统的标志是打破孤岛并在整体业务环境中分析数据。数字化杂志分享 C-Suite 关于下一代 BI 如何帮助实现嵌入式分析目标的观点。

用户授权：下一代 BI 的另一个显着特点
自助服务分析已经进行了几年，尽管由于普通业务用户缺乏正确的工具，完全的自助服务永远不可能实现。

在下一代 BI 阶段，解决方案提供商将尝试在单一框架内将大数据与敏捷 BI 相结合，以实现“洞察系统”。这些应用程序的期望是，除了处理非常高速、大容量和种类繁多的数据外，嵌入式分析功能还将提供即时洞察。Tibco 的观点数据民主化考虑分析和 BI 的新时代。

下一代 BI 中的数据集成：NLG 将需要专家数据科学家
尽管未来 BI 平台的总体目标是让没有数据科学知识的主流 BI 用户可以访问 BI，数据整合是一个需要数据专家与公民数据科学家一起工作的领域。如果数据出现异常，深度学习和自然语言生成 (NLG) 等自动化技术将会失败。这是数据科学家将进入以完成数据集成任务的地方。这个加特纳文章描述了 NLG 在现代 BI 系统中的地位

数据科学对未来 BI 系统的影响
数据科学家不会从未来的业务分析场景中消失，而是将发挥关键作用。以下是数据科学将如何在未来的 BI 应用程序中发挥作用：

随着高级 ML 推动嵌入式分析，数据科学家可能会被要求执行特殊用途的数据集成、深入分析和可视化任务。
根据 Kaggle 的联合创始人兼首席执行官 Anthony Goldbloom 的说法，集中式数据科学团队将被特定于 BU 的数据科学团队所取代。
许多数据处理任务变得自动化，数据科学家将专注于业务分析的数据探索方面，这是机器智能无法完成的。
BI 系统自动化将与人类专家一起完成复杂的分析任务，而不是取代数据科学家。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了