数据的自助服务并不是一个新概念。即使在21世纪初，公司也在努力让“高级用户”或“信息工作者”获得数据，以开发基于价值的见解。我过去的一个客户有一个简单的as网页，其中包含数百个CSV格式的数据摘要，人们可以根据分配的角色(安全组)“自助服务数据”。虽然粗糙，但它是公司门户网站上比较受欢迎的页面之一。数据提取被索引，就像一个带有描述的目录，使数据易于定位。数据是通过点击下载的，所以很容易访问。
数据领导者面临的挑战
虽然前面的例子已经有15年的历史了，但它说明了数据领导者在提供数据自助服务或数据即服务时所面临的一些关键挑战。具体来说，这些挑战包括如何:
- 发布精选数据
- 组织数据以便能够找到
- 提供方便的数据访问
- 用业务术语描述数据
今天，我们拥有一系列工具，可以实现自助数据、数据集成/准备、分析、BI和机器学习功能。从体系结构的角度来看，容器化、微服务、DevOps、DataOps和云服务都提供了基础设施和流程，以实现可扩展且具有成本效益的自助服务数据和分析。将所有这些工具和技术编织到企业的数据生态系统中可能是令人生畏的，即使对于资源丰富的大型公司也是如此。
自助式数据和分析(想想AI、ML和模型构建)和自助式商业智能需要不同的心态。使用自助式BI，我们可以奢侈地购买Microstrategy或Tableau这样的单一工具，并在实现过程中启用自助服务。成功主要取决于您或您的咨询伙伴对设备的实施情况以及对设备的管理情况。
不同的心态
然而，有了数据和分析，我们有了一组自助式BI所没有的复杂性。其中包括支持和管理直接数据访问，提供转换、准备和清理数据的工具，促进将分析模型部署到生产环境，在云中创建沙盒，以及帮助用户将各种分析和人工智能工具连接到企业数据。
在Perficient，我们有机会指导大量的组织通过指定和实现数据和分析架构的过程。通过丰富的经验，我们观察到，从分析和数据投资中获得显著回报的公司已经改变了他们的心态，从“让我们实现一个工具”到“让我们提供一项服务”。
无论我们将其称为“数据即服务”、“分析即服务”还是其他名称，这都很重要。但是，定义一组启用服务(包括数据和分析)，然后不断改进这些关键服务是一种心态。这种心态围绕着从客户的角度来看待您的程序。与数据消费者交谈，了解他们如何访问和使用数据，他们面临的阻碍生产力的挑战，这些都是数据和分析项目的领导者应该熟悉的项目。
从消费者的角度来处理数据和分析程序无疑会改变你的观点。成功的程序将工具视为让用户满意的一种方式，而不是将实现工具视为让IT满意的一种方式——如果没有服务或功能驱动的实现，这种情况很少会发生。
