從2016年Gartner魔力象限看商業智慧(BI)發展趨勢
Shifts and Trends in Gartner’s Magic Quadrant for 2016 Business
Intelligence
Gartner公司的魔力象限(Magic
Quadrant)，大家一定非常熟悉。每一年，Gartner公司都會從商業智慧(BI)和市場分析角度，對供應商進行分析。魔力象限通常從兩個方面指標來評價供應商：水平軸為“前瞻性（Completeness of Vision）”，用來反映產品擁有多少特性以及創新的改進能迫使其它廠商做出反應並迎頭趕上;縱軸則代表“執行能力（Ability to Execute）”，通常考量產品的易用程度和價格、營業收入、市場服務的完善程度和技術支援能力[1]。再將這些指標綜合起來定位在四個不同的象限：右上象限的成為“領導者”(Leaders)，而右下象限是“遠見卓識者”(Visionaries)，左下象限為“利基者”(Niche Players)，而左上象限為“挑戰者”(Challengers)。Gartner 公司表示，而其中所謂“領導者”，係提供的產品應包含額外的功能，且能提高市場對這些功能的重要性的認識，從而顯示出對市場的影響能力[2]。
Gartner公司最近終於發佈了2016年商業智慧和分析平臺魔力象限。值得注意的是今年起了重大變化，只有三個廠商(Qlik、Tableau、微軟)在領導者象限中(圖1)。IBM和SAP這樣的傳統巨擘從領導者象限滑落[4]。而Oracle則完全跌出魔力象限，雖然Oracle持續從老客戶中取得BI營業收入，但這些客戶給Oracle在客戶的體驗上分數則太低了;僅僅過了一年，Oracle就徹底從魔力象限中失蹤了。到底Oracle的商業策略出了問題，還是的產品出了問題呢？
 |
圖一：2016年商業智慧和分析平臺魔力象限[3]
|
Qlik已連續六年憑藉其前瞻性與執行力佔列於領導者象限。Qlik已經成為了BI行業顛覆性的力量。Qlik 作為視覺化分析領域的領導者，始終致力於提供自助資料視覺化及分析服務的直觀解決方案。推出了Qlik Proactive Support，商業智慧領域首個主動式監測即服務解決方案，可提供主動式建議以優化性能和減小風險。
Tableau 已連續第四年榮膺魔力象限中“領導者”的殊榮。今年，Gartner對 Tableau 在易用性方面予以了最高評價。Tableau是資料分析這行業的推翻者，因為通過Tableau的軟體獲取對資料的分析要比通過傳統的商業智慧軟體快上10~100倍。讓Tableau使用者可輕鬆上手，無需仰賴專家或資訊工程人員。
Tableau和Qlik得到了市場的認同，就是因為他們滿足了客戶在Data Discovery上的需求，促成了更簡單和更廣泛的應用，因而獲得了市場成長。微軟通過在Excel中提供Data Discovery功能一定程度地獲取了的用戶，尤其是老用戶。微軟有清晰的產品願景（自然語言查詢、自服務資料準備），而且比其他BI巨擘的客戶體驗更好。
Oracle 的雲端戰略雖取得了進展，在多結構化資料分析和大資料分析方面的產品願景令人信服。然而，在Business-user-oriented方向的投資已經太晚。Oracle在Gartner公司商業智慧分析平臺“魔力象限”中去了在魔力象限的位置，可能會影響未來的產品發展選擇。
傳統BI總是需要大規模的整合工作，實現真正的不同數據源，然後構建集中化的數據倉庫，整合實現報表和儀表盤。然而這幾年Gartner公司的商業智慧與分析平臺，已勾勒出市場經歷了從“IT主導的報表模式”往“業務主導的自服務分析模式” 的轉折點。隨著越來越多的使用者驅動的資料分析平臺得以成長，也明顯說明
Tableau和Qlik 這些公司在一定程度上打破了BI的條框限制，開始繞過IT部門直接向業務部門進行銷售，向組織中的業務買家和分析師們銷售。剛開始的時候，這種做法被認為是對BI的違背。傳統BI的條框總是以集中的原則，認為IT應該是生產者，業務部門是消費者。隨著時間的推移，BI產品部署持續擴大，使用者變得越來越多，使用場景變得越來越複雜，而漸使業務用戶感覺到有能力繞開IT部門通過自主採購的方式去使用能夠填補他們業務缺口的BI產品[5]。這趨勢將促成自服務資料準備結合探索式分析產品來滿足業務用戶的缺口。這趨勢與IT行業多次發生的“鐘擺”現象相吻合，在這個BI最終用戶的實現，漸最終將轉向以IT為中心的方式的另一極端。在業務使用者生成的內容急劇擴張的需求下，對業務監管的需求正在使鐘擺回歸至更注重企業級管控和協同合作的地帶。
參考資料
[1].
Gartner Magic Quadrant Research Methodologies, http://www.gartner.com/technology/research/methodologies/research_mq.jsp
[2].
Jessica Davis ,”Gartner BI Magic Quadrant: Inflection Point Has Arrived”,
InformationWeek, Feb,9, 2016; http://www.informationweek.com/big-data/software-platforms/gartner-bi-magic-quadrant-inflection-point-has-arrived/d/d-id/1324233
[3].
Gartner Research: 2016 Magic Quadrant for Business Intelligence and
Analytics Platforms; http://pages.alteryx.com/2016-Gartner-Magic-Quadrant-BI-Analytics-W.html?lsm=Web%20Direct&sc=Web%20Direct&scd=resources
[4].
Timothy King,”What’s Changed: 2016 Gartner Magic Quadrant for Business
Intelligence and Analytics Platforms”, Business Intelligence Solution Review,
Mar. 30, 2016. http://solutionsreview.com/business-intelligence/whats-changed-2016-gartner-magic-quadrant-for-business-intelligence-and-analytics-platforms/
[5].
Steve Swoyer, ” Gartner Makes it Official: The Age of Self-Service Is Upon
Us”, Up Side, Feb, 17, 2016.https://upside.com/articles/2016/02/17/age-of-self-service.aspx
(本文由本中心商業智慧團隊提供)
數據行銷:從大數據中發掘商業洞見
Data-driven Marketing: From Big Data to Big Insights
根據2015年經濟部統計處的資料顯示 ，台灣零售業產值約2.6兆新台幣；行政院主計處2015年的統計亦顯示 ，就業人口高達176萬人。台灣零售產業對於經濟發長有舉足輕重的影響，零售通路業者同時身處高度的競爭環境之中，舉凡百貨公司、量販店、便利商店等實體店面密度極高，近年來亦有各式電子商務的競爭，尤其是新興的行動電商、跨境電商等，競爭態勢更顯瞬息萬變。麥肯錫顧問公司的研究報告指出
，若能妥善利用大數據分析技術，零售業可提升60%的營業利潤，這在一個銷售淨利率常低於2%的產業而言，是相當大的改善。因此，如何運用大數據分析技術，協助競爭力的提升與維持，成為零售業者高度關注的議題。
許多台灣零售業者擁有大量的消費者購買資料，但較少利用這些資料來推動新的行銷策略、或用以協助商業決策。大數據分析的興起，正好得以滿足零售業有效資料分析的需求。本團隊藉由發展大數據資料分析方法，協助企業發揮資料科學的價值，用以支援商業決策、洞見顧客需求、以利行銷策略的發展。本團隊所發展的大數據行銷，著重於：(1)如何有效地區隔市場，(2)了解關鍵的消費行為模式，(3)根據不同的消費群組和屬性，發展精準行銷策略。圖一以某家暢貨中心的服飾商品為例 ，研究團隊參考中研院台灣社會變遷基本調查的研究結果
，從地區生活型態分類的觀點，發現不同生活模式下的消費者在同一產品上有顯著不同的購買喜好。
圖二：不同地區生活型態的購買行為－以某暢貨中心為例
參考資料在大數據分析的架構下，生活型態分類，宜依分析目的、資料型態和內容而調整，在進一步依據不同分類型態分析後，團隊發現在許多零售業者視為大眾商品的市場中，仍有許多過去經常被忽略的異質行為，此同質商品異質購買行為的發現，在放大資料規模、進行時間序列比較分析後，其特性和趨勢可更明顯呈現，研究結果有利於企業精準行銷規劃的執行。
[1].
經濟部統計處(2015), 國內生產毛額(名目金額)-按行業分http://dmz9.moea.gov.tw/GMWeb/common/CommonQuery.aspx.
[2].
行政院主計總處(2015), 人力資源統計年報資料查詢–表13 臺灣地區歷年就業者之行業，http://win.dgbas.gov.tw/dgbas04/bc4/manpower/year/t13.htm
[3].
McKinsey Global Institute (2011). Big data: The next frontier for
innovation, competition, and productivity.
[4].
為尊重資料保密原則，本報告中的引用資料已進行修改或調整。
[5].
侯佩君、杜素豪、廖培珊、洪永泰、章英華，2008，台灣鄉鎮市區類型之研究：「台灣社會變遷基本調查」第五期計畫之抽樣分層效果分析
(本文由本中心智慧零售團隊提供)
醫療大數據
- 個人健康記錄發展與挑戰
醫學資訊在近代的資訊科技發展中，擁有非常獨特且重要的一席之地。若以過去數十年間電子病歷的發展來看，連結個人在醫療院所中所有的多元資料，包含了疾病診斷、處置、用藥，放射檢查中的的X光影像、超音波影像、核磁共振資料，還有生化檢查的各種檢驗、組織培養、細菌培養分析結果等等多來源數據，讓醫學資訊領域早在大數據一詞流行之前，便已經非常擅長於異質資料的連結與檢索。
 |
圖三：個人健康記錄整合
(Source:
https://www.flickr.com/photos/juhansonin/)
|
然而在大數據時代的當下，仰賴自動化與高通量技術的發展，讓醫學資訊領域產生了更多巨量異質資料，而電子病歷的發展，更進一步的由過去的醫療資訊整合，進化到2對於個人日常健康資料、基因調控資料、生理活動資料與跨醫療院所資料的連結整合。醫學資訊的目標，也從過去資料的紀錄與檢索，演化到異質數據整合分析尋找出關聯規則以及決策法則，從個人記錄的管理檢索到數百萬個病人資料與異質資料的交互比對分析，進一步建構出在臨床醫學診斷或個人健康管理上的決策支援系統。
 |
圖四：自動感測數據接收與彙整
(Source:
https://www.flickr.com/photos/15216811@N06/)
|
醫療大數據發展的關鍵因素與挑戰，在於醫療數據的類型往往是非結構化、異質多元的(如病摘、影像資料)，而存取龐大的資料量也是醫療大數據實施所面臨最大的挑戰。過去學術探討的分析與檢索方法已不再是瓶頸，因為已有眾多成熟的工具可以使用，反之，如何進行非結構化異質數據的解釋、整合、關聯與存取，才是大數據時代下的技術難點。如同PHILIPS在『Big data, better health』一文中所提到：『最大的挑戰是如何把健康資料轉換為具有價值與意涵的格式並且整合於醫療系統之中』，如何將個人健康狀況、每日的運動數據、個人基因檢測資料進行關聯，並且與個人的疾病就醫、用藥歷史進行整合並且有意義的解釋其中的關聯與差異；最終，則是將這些整合過後具有多維度特性的資訊進行分析，並透過演算法的設計與實作建構具有臨床意義的評估法則，發展對於未來事件的預測引擎，除了能提供醫療診斷上的決策參考之外，更能透過個人健康評估分析，預防疾病發生，便可以針對每個獨立病人給予更優質的照護服務與醫療品質。
參考文獻:
[1].
“Google given
access to healthcare data of up to 1.6 million patients”
[2].
https://www.theguardian.com/technology/2016/may/04/google-deepmind-access-healthcare-data-patients
[3].
“Big data, better
health”, LIVING HEALTH 4 November 2015
[4].
https://www.newscientist.com/article/dn28340-big-data-better-health/
[5].
“To Identify
Patients For Care Management Interventions, Look Beyond Big Data”
[6].
http://healthaffairs.org/blog/2016/04/19/to-identify-patients-for-care-management-interventions-look-beyond-big-data/
[7].
Raghupathi,
W., & Raghupathi, V. (2014). Big data analytics in healthcare: promise and
potential. Health Information Science and Systems, 2(1), 3.
(本文由本中心潘人豪教授提供)
導入大數據
產業注入新生命
「生產力4.0科技發展」是近年來我國政府針對製造業升級所提出之策略架構。生產力4.0科技發展其中一項關鍵技術為大數據資料分析(Big Data Analytics)。自動化生產、物聯網(Internet of things, IoT)、雲端運算、資料儲存等技術日趨成熟，各式資料例如：廠房資料(廠房環境、能源控管等)、機台(即時監測、維護資料等)、產品(產品規格、產品型號、檢測資料等)得以蒐集與保存，如何運用大數據分析技術，挖掘各式資料中有用的資訊，藉此提升產業競爭力是一項重要議題。
近年來已有許多研究利用大數據資料分析技術從製造業相關資料中挖掘出有用的資訊，以降低生產成本的浪費、提升機台與產線的使用率、提升產品品質等(如圖一)，例如：蒐集廠房各能源的使用狀況資料，分析各種能源的耗用，找出非必要的能源浪費，調整產線的分配，進而降低整體能源消耗與生產成本[1, 2]；蒐集各機台的即時資料並進行監控，當有產品發生異常時，可透過分析找尋出可能發生異常的機台，並將有用資訊回報給設備工程師，以利他們快速修復異常機台[3, 4]。此外，蒐集機台的維修與檢測資料與即時資料可預測出機台是否該進行維護，有效且精準的預測機台維修可降低機台關機維修次數，提升機台與產線的使用率[5, 6]。
 |
圖五：各式資料透過網路傳輸至雲端伺服器儲存後，透過大數據資料分析將有用的資訊傳給相關人員
|
隨著德國「工業4.0」(Industry
4.0)、中國「製造2025」、美國「再工業化」(Manufacturing
Renaissance)以及台灣「生產力4.0科技發展」的提出，智慧工廠將是未來趨勢，製程智慧化的同時也將累積許多相關的資料，如何在這些資料中找出關鍵的製程技術，將是製造業未來的走向。
參考文獻:
[1].
Zhou,
K., C. Fu, and S. Yang, Big data driven smart energy management: From big data
to big insights. Renewable and Sustainable Energy Reviews, 2016. 56: p.
215-225.
[2].
Tao,
F., et al., Internet of Things in product life-cycle energy management. Journal
of Industrial Information Integration, 2016.
[3].
Chien,
C.-F., C.-Y. Hsu, and P.-N. Chen, Semiconductor fault detection and
classification for yield enhancement and manufacturing intelligence. Flexible
Services and Manufacturing Journal, 2013. 25(3): p. 367-388.
[4].
Megahed,
F.M. and J.A. Camelio, Real-time fault detection in manufacturing environments
using face recognition techniques. Journal of Intelligent Manufacturing, 2012.
23(3): p. 393-408.
[5].
Lee,
J., H.-A. Kao, and S. Yang, Service innovation and smart analytics for industry
4.0 and big data environment. Procedia CIRP, 2014. 16: p. 3-8.
[6].
Lee,
J., et al., Recent advances and trends in predictive manufacturing systems in
big data environment. Manufacturing Letters, 2013. 1(1): p. 38-41.
(本文由本中心簡廷因教授提供)
