在生成性人工智能时代，数据分析和商业智能产品设计的趋势

作为Gartner的忠实读者和粉丝，我一直钦佩他们分析师所带来的深刻见解和专业知识。这些顶尖专家拥有多年的行业经验，在学术、技术、产品、行业和商业领域中独立思考的能力卓越。他们的分析和报告结合了实际操作和与客户和CXO的频繁互动，以其敏锐的见解和准确的趋势预测而闻名。

例如，在2022年6月，Gartner准确预测了行业对GenAI应用的主要趋势。

在本文中，我旨在深入探讨数据分析和商业智能（BI）产品的设计趋势如何因GenAI的兴起而被重新塑造。借助Gartner的广泛研究和对数据分析及BI领域的深刻理解，我希望分享可操作的见解和实际指导，帮助专业人士在这个转型时代中导航。

在这方面，Gartner将关键产品和技术分为两个主要领域：分析与商业智能（ABI） 和DSML（数据科学与机器学习）。让我们深入探讨每一个领域。

分析与商业智能

分析与商业智能（ABI）是一个广泛的术语，涵盖了应用、基础设施、工具和最佳实践，旨在使用户能够访问和分析信息，以改善和优化决策和绩效。

2025年的ABI趋势

• ABI平台中的传统拖放接口现已被由GenAI驱动的会话式文本接口所补充，使用户能够以自然语言请求报告或管道。

• 主要的云ERP和CRM供应商影响ABI平台的选择，引发了对供应商锁定的担忧，同时推动了“多云”战略的采用，以实现灵活性和开放性。微软通过将Power BI与Microsoft 365（E5）的经济捆绑和与Microsoft Teams的集成，尤其是在远程工作的时代，领跑市场。

• 利基分析供应商通过提供针对特定市场细分的定制解决方案实现差异化，强调独立于大型云供应商以应对锁定问题。

• 市场正在快速采用低代码/无代码能力，从传统仪表板发展到提供增强决策和推动业务价值的上下文洞察。

ABI市场的主要参与者

数据科学与机器学习

数据科学与机器学习（DSML）平台为AI模型的完整生命周期提供端到端的支持，包括GenAI。它们弥补了开发与生产之间的差距，使组织能够加强MLOps实践并简化AI部署。

2025年的DSML趋势

随着企业资产的需求激增，DSML平台变得越来越重要，GenAI推动了显著的支出增长。然而，将数据、模型和基础设施整合到可扩展的解决方案中仍然复杂。

• DSML平台已演变为全栈解决方案，覆盖多云基础设施、数据管道、模型训练、部署和前端开发。差异化体现在其抽象层次，使得快速迭代成为可能，而无需深入技术细节。

• GenAI加速了数据科学的民主化，通过成熟的AutoML功能，如代码助手、自然语言查询和工作流程自动化，使与业务相关的角色得到赋能。

• 尽管主要云提供商因强大的基础设施主导了DSML的采用，但独立玩家还有机会进行创新，特别是在促进团队协作方面。

• 在GenAI浪潮中，推动可操作、洞察驱动决策的基础数据科学用例不应被忽视。DSML平台在统一高级分析与AI开发方面独具优势。

DSML市场的主要参与者

ABI与DSML的融合

到2026年，50%的组织将评估ABI和DSML平台作为统一解决方案，以应对市场的融合。ABI和DSML的整合正成为一个显著的趋势，推动对分析和机器学习的整体方法。

产品能力与用户案例

在设计产品时，考虑两个关键方面至关重要：

• 产品能力

  这些是产品在其领域内有效运作所必须具备的基本特性和功能。

• 使用案例

  主要用户角色及其应用场景，每种场景具有独特的优先级和对特定产品能力的不同强调。

将使用案例与对应的产品能力进行映射，是指导产品设计的核心，确保平台满足用户需求，同时与核心目标保持一致。

ABI产品能力

ABI的产品能力可以分为12个类别：

• 分析目录：使分析内容的展示成为可能，便于用户发现和利用资源。支持搜索功能并提供推荐。

• 自动洞察：利用机器学习自动生成洞察，例如识别数据集中的重要属性。

• 协作：通过将协作集成到分析工作流程中促进团队合作，使一大群用户能够在项目上共同工作。

• 可组合性：提供低代码和无代码工具（例如，API/SDK），以构建模块化、灵活的用户界面并将分析嵌入到工作流程中。通常集成GenAI以增强功能。

• 数据准备：支持拖放操作，用户驱动的数据源组合，以及创建分析模型，如自定义指标、集合、分组和层级。

• 数据科学集成：增强原型开发，使数据科学家能够创建可组合的机器学习模型并将其与更广泛的生态系统集成。

• 数据讲故事：将交互式可视化与叙述技巧结合，以令人信服、易于理解的格式向决策者传达洞察。

• 数据可视化：通过多种可视化（例如热图、树图、地理图、散点图等）提供交互式仪表板和数据探索。

• 治理：跟踪数据使用情况，管理信息的共享和推广，以确保质量、合规性和控制。

• 指标层：提供一个虚拟化层来定义可重用的资产，通过数据仓库管理它们，并支持下游分析、数据科学和商业应用。包括目标管理功能。

• 自然语言查询：使用户能够通过文本或语音命令询问数据，简化与分析的互动。

• 报告：提供完美像素、分页的报告，可以安排并分发给大量用户组，以实现一致和可靠的洞察传递。

ABI使用案例

以下是四个主要的ABI使用案例：分析开发者、商业分析师、增强消费者、数据科学家。

分析开发者

分析开发者是负责为组织内的大量用户创建和分发分析内容的数据团队中的专业人员。

此使用案例中的关键能力：

• 指标层

• 可组合性

• 治理

• 报告

• 数据可视化

• 分析目录

• 协作

• 自然语言查询

自动洞察、数据科学集成和数据讲故事在此用例中关联性较低。

商业分析师

商业分析师是指将各种数据源整合进行可视化分析的专业人士，最小化对IT部门的依赖。

此使用案例中的关键能力：

• 数据可视化

• 自动洞察

• 数据准备

• 分析目录

• 数据讲故事

• 指标层

• 协作

• 可组合性

• 治理

• 自然语言查询

数据科学集成和报告在此用例中关联性较低。

增强消费者

此用例关注于旨在赋能分析内容消费者的组织，例如人力资源、销售和运营团队，他们直接使用分析内容来支持业务运营和决策。

此使用案例中的关键能力：

• 自然语言查询

• 数据讲故事

• 自动洞察

• 分析目录

• 数据可视化

• 协作

• 指标层

• 治理

可组合性、数据准备、数据科学集成和报告在此用例中关联性较低。

数据科学家

此用例主要关注使用户能够测试假设并搭建可以交给数据科学家或MLOps团队进行部署的非生产模型。

此使用案例中的关键能力：

• 数据科学集成

• 数据准备

• 指标层

• 自动洞察

• 协作

• 可组合性

• 数据可视化治理

分析目录、数据讲故事和报告在此用例中关联性较低。

2025年的ABI产品趋势

GenAI在许多方面深远地影响了ABI产品能力、用户案例和整体体验。以下突出GenAI带来的关键变化：

增强数据准备

能力示例：

• 自动匹配、链接、分析、标记和注释数据，以准备转化。

• 识别数据集中的敏感属性。

• 自动执行重复的转化和集成。

• 提供建议以提升数据质量和丰富度。

• 自动生成、调试和转换代码（Python、R、SQL、DAX），同时生成文档。

用户体验示例：

• 启用拖放操作，使用户能够轻松组合来自不同来源的数据。

• 支持创建分析模型，例如自定义指标、集合、分组和层级。

• 为代码和接口生成自然语言描述。

• 使用自然语言命令创建与数据库、脚本或API交互的代码。

• 识别代码中的错误并实现不同编程语言之间的无缝转换。

• 使用生成性AI（LLMs）编写可解释的代码文档。

• 自动化和加速DSML和AI流程，例如数据分析、质量检查、协调、建模、处理、增强/推断、合成数据生成、元数据开发和数据目录化。

自动洞察

能力示例：

• 分析关键驱动因素以识别影响结果的重要因素。

• 自动检测数据集中异常和离群值。

• 智能地对数据进行聚类和分段。

• 进行预测分析，以预测未来的趋势和模式。

用户体验示例：

• 通过识别数据集中最关键的属性，自动为最终用户生成洞察。

• 根据用户角色和业务工作流程，提供异常或离群值的实时通知。

• 自动发现数据集中的聚类，以便更好地进行分段。

• 使用ARIMA等基础方法生成数据集中连续变量的预测。

• 显示预测错误，以增强预测的可解释性和可靠性。

数据讲故事

能力示例：

• 自动化数据洞察的讲故事。

• 使用自然语言生成叙述（叙述自动化）。

用户体验示例：

• 创建结合标题、叙述文本、数据可视化和音频/视频内容的新闻风格数据故事，基于持续的监控。

• 自动生成和总结书面或口头叙述，以呈现一系列分析洞察。

所有这些功能都可以通过集成大型语言模型（LLMs）以及提供自然语言交互来增强，从而带来更直观的体验。

增强数据可视化

能力示例：

• 提供更有洞察力和交互式分析的增强数据可视化。

• 适应各种设备和使用案例的多体验用户界面。

• 探索潜在结果的“假设”场景规划。

• 数据中的相关性和图表分析以揭示关系。

• 基于地理位置的信息的地理空间分析。

用户体验示例：

• 通过直接操作图表可视化，实现高度交互的仪表板和数据探索。

• 优化用户界面、交互模式和分析功能，提高多体验分析的内容消费。

• 提供沉浸式分析体验，采用协作和3D可视化界面，以满足不断变化的使用案例需求。

• 利用增强现实（AR）、混合现实（MR）和虚拟现实（VR）技术通过数据驱动的见解提升决策。

自然语言查询

能力示例：

• 问答功能以便于数据探索。

• 逻辑推理以提供更深入的分析见解。

• 建议和自动补全以帮助用户形成查询或操作。

• 同义词识别和自适应学习以改善查询理解。

• 聊天机器人用于交互式分析。

• 与大型语言模型（LLMs）的集成，以增强查询处理和解释。

用户体验示例：

• 自然语言查询（NLQ）使商业用户可以通过搜索界面或聊天机器人以输入或口头方式询问业务术语。

• 一些ABI供应商使用关键字搜索，另一些则使用自然语言处理将术语翻译成自然语言问题，而有些则结合了两种方法。

• 某些用例允许查询结构化数据，而其他用例则支持跨多个结构化信息的语义搜索。

分析协作

能力示例：

• 促进用户之间的无缝沟通。

• 建立共享见解的协作社区生态系统。

• 支持多角色环境以满足多样用户需求。

• 实现敏捷开发以快速迭代和适应。

在ABI平台中的协作涉及促进一个合作生态系统，使用户能够在社交媒体式的本地体验中注释和共享分析内容。收集数据的多样化观点对于建立共识和推动复杂的决策过程至关重要。

数据科学集成

能力示例：

• 引导模型构建以简化开发过程。

• 生成、集成和探索DSML功能。

• 自动算法选择以优化模型性能。

• 自动模型调整以提高准确性和效率。

• 自动模型部署和监控，以简化操作化。

• 可解释的人工智能以增强模型输出的透明度和信任。

• 与R和Python集成，以支持高级数据科学工作流程。

用户体验示例：

这些能力使公民和专业数据科学家都能够增强可组合DSML模型的开发和原型设计。它们能够与更广泛的DSML工具链深度集成，创建一个无缝高效的生态系统，用于高级分析和机器学习。

指标层

能力示例：

• 将指标映射到业务流程和组织目标。

• 发布、分享和推动指标以支持可操作的结果。

• 使用生成性AI（GenAI）连接ABI、DSML和SaaS应用程序，提供跨平台的数据洞察。

用户体验示例：

此能力引入了一个虚拟化层，使用户能够：

• 将业务指标定义为代码。

• 直接从数据仓库管理这些指标。

• 支持下游分析、数据科学和业务应用程序。

借助GenAI，更多的平台建立在语义层上，通过自然语言交互提供数据洞察，为用户带来无缝直观的体验。

可组合性

能力示例：

• 嵌入式分析以无缝集成到业务工作流程中。

• API和SDK支持自定义和可扩展性。

• 操作框架以自动化和简化基于决策的工作流程。

• 以决策为中心的用户界面，以使用元数据建模、编目和审核决策。

• 编码分析，利用领域特定语言（DSL）表示工作流程和逻辑。

用户体验示例：

此功能专注于通过嵌入增强分析、利用API/SDK和实施容器化或微服务架构来组装灵活、模块化和用户友好的ABI功能：

• 嵌入式分析：将指示性分析上下文化于业务场景中，以获得可操作的洞察。

• 操作框架：使用户能够构建和自动化数据驱动的决策工作流程，从而触发实时业务操作。

• 以决策为中心的用户界面：使用决策元数据促进建模、编目和审核决策。

• 编码分析：使用DSL将分析工作流程和逻辑表示为代码或配置文件，使用户能够像其他软件代码一样使用敏捷实践管理它们。

GenAI正迅速成为增强分析的关键推动力。它使技术背景有限的用户能够提出高度复杂的业务问题，从而推动分析的使用增加。Gartner强调了“消费者成为创造者”的趋势，反映出商业用户在现代数据和分析（D&A）中角色的演变——从被动的洞察消费者转变为主动的洞察创造者。此转变正在推动产品设计的快速演变和迭代。

像Cursor、Windsurf和Bolt.New这样的AI驱动的IDE产品正在彻底改变全球软件开发格局。然而，由于在商业决策最终阶段对错误零容忍，AI对数据分析的转型本质上更具挑战性。尽管存在这种复杂性，但这一趋势正在展开，一旦取得突破，预计对全球各行业的颠覆性影响将远远超过软件开发。

本文是从多份Gartner报告中收集的见解的总结。深表感谢Gartner分析师的出色工作。