典型的商業智能實現允許業務用戶輕松地消費特定于他們的目標和日常任務的數據。分析過去和現在事件的能力解鎖了關于當前狀態的信息，對于在當今的數據轉發市場中保持競爭力至關重要。考慮到這一點，許多組織在單獨依賴這些工具時會遇到一些常見的限制。

挑戰1:有用的見解、趨勢和模式只有在合適的背景下，在正確的數據中才會出現　　

好消息是，現代數據倉庫通過以一種能夠實現快速可靠報告的方式組織信息，消除了報告不準確或不及時的數據的風險。話雖如此，您還必須依靠業務用戶提出正確的問題，以開發有用的報告。這通常會導致重要見解的發現延遲和關鍵數據的忽略。此外，由于人為錯誤和無法高效報告以完全覆蓋詳細數據的所有部分，您更有可能錯過關鍵的見解。即使是最好的儀表板也可能排除重要信息，因為它們只關注特定的業務問題。

　　例如，在物流公司，儀表盤顯示了供應鏈和倉庫庫存的每一個細節。有這么多的變量可能會影響你訂單的及時性(員工數量、卡車可用窗口、倉庫區域的擁堵等)，所以幾乎不可能將所有的信息結合起來，及時看到更大的圖景。特別是當變化是實時發生的時候。一個人也很難將個別事件從整體影響中分離出來。通過機器學習，你可以攝取大量數據，根據關鍵變量來識別有遲到風險的訂單。使用統計技術，你可以通過切割數據中的所有噪音來區分低效率的來源，從而發現系統性問題。

挑戰2:依賴于靜態的有時是任意的業務規則　　

許多有效的儀表板使用基準指標來顯示一個部門做得好還是不好。例如，一個銷售組織有商業智能工具，使用數據來跟蹤與他們的領導的參與度。根據他們目前的業務規則，如果一個潛在客戶在5天內沒有溝通，就會被認為是“冷淡”的。當潛在客戶失去聯系時，銷售和管理團隊會被提醒，以便采取行動重新與潛在客戶聯系。一個好的儀表盤會以某種方式顯示冷線索的數量和可能變冷的線索的數量。但你如何真正知道5天是合適的時間呢?如果數以百萬計的數據點顯示，如果你在兩天內沒有聯系，線索很可能會變冷，那該怎么辦?那可能是錯過了很多機會。在這樣一個快速變化的環境中，有時甚至是基于你的業務問題的上下文，人們制定的業務規則可能會被誤解、不準確或過時。

挑戰3:由于大多數商業智能工具都利用歷史數據，它們更傾向于突出過去的事件，而不是未來的事件　　

基于這些信息的可視化是圍繞已經發生或正在發生的問題進行的。雖然毫無疑問，了解過去對改善未來決策至關重要，但增加一層預測分析將使被動的、數據驅動的決策文化轉向更具前瞻性和創新性的選擇。

使用先進的分析來展望未來是所有企業都應該采用的做法。為了舉例說明這種做法可以產生的重大影響，我們將以醫療保健行業為例。許多醫療提供者跟蹤他們的再入院率，即患者出院后因相關健康問題返回的頻率。這一指標有助于評估護理質量和其他因素。通過使用數據科學，他們可以將目標鎖定在某些再次入院風險較高的患者子集上。這為醫療保健提供者提供了最高危患者的實時信息，使他們能夠采取積極行動，使患者健康出院，減少再入院的機會。這種主動的方法比回顧歷史數據更有效，以便日后找出哪些患者亞群的再入院率更高。

如何用數據科學解決這些挑戰

數據科學幫助企業從大量數據中提取見解，并創建輸出，自動檢測數據中發現的模式可能產生的重大變化。在很多情況下，正是由于數據科學計劃的好處，企業才開始看到其數據投資的顯著ROI。這是因為數據科學能更好地裝備:

• 根據歷史數據的趨勢，對未來的事件做出預測
• 檢測商業事件的重大變化，并確定其結果
• 評估商業決策的潛在結果
• 分析具有多種輸入的廣泛數據集，以發現關鍵見解
• 理解影響整個公司的數據點，而不是某個特定的孤立部門

雖然數據科學的好處是無可爭議的，但對許多組織來說，數據科學的舉措似乎是不可接近的。無論是因為你的數據科學團隊發現難以持續地交流洞見，還是對預測是如何達成的缺乏理解，或者因為過程看起來太大規模，你不知道從哪里開始，你的公司并不孤單。解決這些障礙的最簡單的方法之一是將您當前的商業智能工具和分析實踐與數據科學結合起來。