在《Gartner 最新发布的魔力象限报告》中（点击可查看原文），明确指出增强型分析功能是 BI 产品发展的最重要、也是最显著的发展趋势之一，其原因并不难理解：当前企业使用的数据的规模和复杂度已经逐渐超过人类可以处理的程度，静态报表、仪表板等传统工具已经不能满足需求，而通过机器学习、人工智能等技术增强分析，可以更好地处理这些数据。

作为数据分析的高级增强阶段，增强分析通过机器学习、人工智能等技术的应用，能够帮助普通用户在没有数据科学专家或 IT人员协助的情况下，访问有效数据，并对理论和假设情况展开测试与验证，从而为分析计划带来更多自动化功能以及创新洞察力。

需要注意的是，增强分析虽然可以使一些分析任务自动化，并让更多的普通员工掌握数据分析工具，但并不意味着组织不再需要分析师和数据科学家。事实上，增强分析主要面向的仍是业务人员、数据科学家和开发人员，其将成为商业智能和数据分析项目、数据科学和机器学习平台以及嵌入式分析的主要驱动力。

增强分析出现的直接原因是数据分析工具与能力的下沉：在商业智能方面，早期的BI工具拥有严格定义的语义层、数据仓库等工具，使用这些工具需要较高的专业技能，因此往往只有数据分析师才能熟练的使用它们。但是，随着数据价值的提升与数据量的增长，大量的业务人员也需要从数据之中获得指引。

这也催生了 Data Analytics 数据分析平台等探索式、自助式的 BI 产品，其支持普通用户通过智能推荐图形、图表协同过滤、全维度数据钻取等方式来获取数据洞察，以快速定位并发现问题。由于数据分析不再依赖于专业的数据分析师，因此企业有更多的机会从数据之中找到不同问题的答案。

通过 Data Analytics 等数据分析平台，可以分析更多维度的数据

而随着数据运营更进一步深入到企业的业务发展过程中，企业的竞争力已经在相当大的程度上取决于数据价值，所以企业的业务系统所产生的数据以及需要分析的数据也在不断增长，这对于数据分析系统提出了严峻的挑战，因为要从这些海量的数据中找到最具指导价值的洞察无异于大海捞针，企业需要人工智能来更好地分析这些数据。

一个简单的例子是，十年前，如果企业从销售报表中看到当期的销售数据下降，那么往往只能从价格、产品质量等维度推测可能的原因，而且这一推测还非常不准确。而如今，通过 Data Analytics 数据分析平台等探索式 BI 工具，我们已经可以分析数十个甚至数百个维度，其不仅包括价格、用户量等维度，还包括天气、环境等外部因素。未来，通过增强型分析，我们将可以发掘出更多的维度，并自动进行数据挖掘，以寻求问题的最优解。

这也是增强分析的意义所在：通过机器学习和 AI，可以帮助组织准备海量数据进行分析，并提供见解。此外，增强分析有助于解决数据科学人才短缺的问题，增强型分析供应商正在尝试通过使数据科学家和技能较低的人员，来提高工作效率。也就是说，未来的数据分析只需要高技能的数据科学家来建立模型并对模型的准确率进行计算，其它的都可以交给自动分析工具。

传统报表或者 BI 工具存在的一个问题是，他们往往采用预定义的 KPI，比如销售额提升了多少、成本降低了多少等。毋庸置疑，这种方法具有重要价值，而且仍然是很多企业进行决策的重要依据。但是，这种方式也限制了数据洞察的应用，例如，某一时期的销售额下降可能并不意味着公司的经营策略出现了问题，而只是因为环境发生了大幅变动或是外部政策出现了微小的改变，这些变动都可能通过连锁反应带来不可预期的后果。

增强分析能够根据用户行为等不同维度的信息动态地提供预测。例如，通过用户的身份特征、网络历史浏览内容，当前活动轨迹，能够预测出用户未来的消费倾向。增强分析还可以使用它与用户进行的自然语言对话来进一步修剪预测分支，获得更加准确的预测成果。但需要注意的是，增强分析并不会自动的生成指导策略，也不会告诉企业接下来应该怎么做，它只是会帮助决策者完善这个过程。

增强分析虽然在很大程度上颠覆了目前的数据分析模式，但是并不意味着传统BI 的终结，也不意味着数据分析师将会失业。恰恰相反，其仍然需要用户具备数据素养，并对数据科学家的技能提出了更高的需求，其不仅要帮助用户进行数据分析，还要尝试将这些数据分析结果以故事化的方式表现出来，以帮助决策者和普通用户理解数据，并找到下一步行动的方向。

所以，对于企业来说，渐进式的向增强分析演进至关重要。已经部署 BI 的企业可以寻求与供应商进行共同协作，通过产品更新、技术培训等方式将这些增强分析功能融入到企业的数据分析流程之中，企业还需要确保在验证过程中包括分析师和数据科学家，因为他们能够更好地了解如何实施该计划。