第 6 章：商業智慧

此章節主要介紹 SAS 平台如何落實商業智慧的應用

基本介紹

首先商業分析專案的結果通常皆是被應用於支援商業或管理決策流程，最終將會針採取適當的行動，然而高階長官對於資料會感到的困惑，因為對於呈現的資料不了解。視覺化資料探索是現代化商業智慧平台中非常重要的特點，現今企業需要能夠立即進行決策分析的見解，以適應市場的快速變化。在未來高階長官應該直接對語音助理說出需求，接著商業智慧平台就會根據需求轉換為問題，接著根據問題產生適當視覺化圖表，同時語音助理將會直接解釋釋視覺化圖表中的觀點立即提供高階長官決策的關鍵資訊，請參考 SAS 官方影片。但是在現行大多數企業組織中的商業分析專案的目標主要還是以描述情況，進行預測或研究更好的商業解決方案之可行性分析，分析過程主要有五大步驟，分別為:

決定適當資料的可用性。
識別問題。
決定哪一種方法適合回答問題。
應用方法進行評估。
總結和溝通結果。

接著透過分析的報告將能夠針對問題提供適當的行動，但是我們是否能夠再以故事呈現的方式，簡化複雜的分析流程，透過故事中的關鍵資訊就能夠讓高階長官們輕鬆閱讀與了解，同時藉由動態互動的下鑽內容能夠在故事流程中從其它角度獲得不同的觀點。此時在 SAS 官方文件中則提到有一家服裝公司有個分析專案主要為了找出行銷策略的問題與機會，最終目標是推出行銷活動以利在競爭激烈的產業中提高收入和利潤，其中包括競爭分析、通路分析和人口分析，並且只有關鍵的結果才會在短時間內提供給管理階層了解市場的最新資訊，以利進行決策分析。此時將上述的情況歸納出故事流程為主的報告框架，主要有四大步驟:

透過描述式報告識別機會或問題。
指出關鍵指標用以描述根本原因。
計算出改善市場可能的利潤範圍。
提出建議的預測分析或替代選項。

再來要如何確保報告或故事有效的傳遞訊息呢?此時在 SAS 官方文件中則提到在開始建立報告之前，請先花一些時間進行規劃，回答下述七個問題，答案將有助於報告的設計，問題主要包括:

我們的目標群眾是誰?
我們的目標群眾想要達成的目標是什麼?
我們的主要目標是什麼?
我們的最重要訊息是什麼?
我們的資料結構現況為何?
我們的報告生命週期為何?
我們的報告將採用什麼形式?

其中目標群眾主要可以分為個人或群體，其中角色可能為高階長官、資料科學家、業務分析師、行銷人員或其它專業人員，接著根據不同的角色其熟悉資料的程度也會不同。當目標群眾確認之後，接著思考需要資料探索或資料概觀，以及是否需要在特定主題上說服讀者，還是分享事實，並且根據此報告中的重要訊息進行決策。除此之外當我們製作完成報告之後，需要進行部署，此時則要考量這是一個靜態報告還是動態報告，是否會定期更新和互動。以及報告是否需要列印，一般來說列印報告是非互動，若只有透過互動才能夠獲得資訊則就無法列印。最後請考量報告形式主要是在螢幕上瀏覽存取或透過行動裝置瀏覽存取，若需要透過行動裝置瀏覽存取請保持最低限度的報告資訊，至於如何針對不同客戶，提供最佳的行動行動裝置瀏覽存取方式，請參考 SAS 官方文件。

最後當商業分析專案中的報告正式部署上線之後，接著會面臨後續維運的問題，此時效能將會被讀者挑戰，這時我們要如何針對報告中視覺化呈現的方式進行優化，請參考 SAS 官方文件。不論我們如何有效的透過故事的方法呈現報告，若報告不能夠即時且穩定的呈現最新觀點結果時，則將會影響商業智慧平台中的報告工具被取而代之，所以分析報告定期的效能優化會是長期經營商業智慧平台分析中報告應用最重要的關鍵要素。

SAS 9

我們在企業或組織的日常工作中時常會發生高階長官臨時需要市場數據的情況，此時透過 SAS 商業智慧與分析解決方案就能夠在短時間內找出適當的數據資訊，接著產生互動式報表或儀表板，再來將報表透過電子郵件的方式傳送給高階長官隨時隨地透過 iPad 平板電腦進行瀏覽，根據 SAS 商業智慧與分析官方網址的介紹， SAS 商業智慧與分析解決方案主要有五大特色，分別為：

視覺化資料探索。
簡易分析。
互動報表和儀表板。
協同合作。
行動商業智慧。

事實上這些特色只要是商業智慧和分析的解決方案皆有上述特色，此時我們要了解的則是為何要採用 SAS 商業智慧和分析解決方案中的 SAS Visual Analytics 解決方案。首先在企業或組織中有大量資料皆散佈在不同系統來源，此時 SAS Visual Analytics 解決方案皆能針對不同資料來源建立有意義的視覺化資料。接著業務單位使用者可以輕鬆透過 SAS Visual Analytics 解決方案中的互動介面進行資料視覺化的探索，過程中無需撰寫任何程式碼或者請資訊人員協助就能輕鬆進行資料視覺化探索。此外 SAS 擁有四十年的商業智慧與分析經驗，所以透過 SAS Visual Analytics 解決方案可以提供可信的分析結果，同時讓任何人都能夠輕鬆使用，無需懂得高深的資料科學知識，或者了解大數據分析技術，只要透過拖拉點選的方式就能夠進行簡易的分析。再來 SAS Visual Analytics 解決方案中的商業智慧自助服務理應能夠降低業務單位和資訊單位溝通所產生問題的風險，更有彈性和快速產生互動報表和儀表板，下一步就能夠分享互動報表和儀表板給高階主管、經理人和資料科學家參考，以利更快做出有效的決策。最後 SAS Visual Analytics 解決方案更能夠提供協同合作和行動商業智慧的日常工作所需的分析應用。

再來過去 SAS 行銷長的 Jim Davis 曾提到資料分析八個層次，分別為：

標準報表
即席報表
線上分析
警示訊息
統計分析
預測分析
預測模型
最佳化

一般來說，企業或組織會需要透過標準報表了解發生什麼事情以及何時發生，例如每個月的財務報表，接著會需要即席報表了解多少、頻率和地點，例如客戶報表，再來透過線上分析了解問題的根本原因和如何找出答案，例如資料探索有關行動電話使用者的類型和行為，最後何時需要採取行動，此時就會需要使用警示訊息。但是上述應用皆是目前許多企業或組織目前已導入的商業智慧應用，但是企業或組織最想做的卻是商業分析，此時我們會先統計報表會探討為何發生和有什麼機會，接著進行趨勢預測分析和需求預測分析，再來建立預測模型嘗試預測下一步會發生什麼事和將會對企業或組織帶來什麼衝擊與影響，然而 SAS Visual Analytics 解決方案主要則是商業分析的應用，而非僅是商業智慧的應用。

總結 SAS Visual Analytics 解決方案的重點主要在於大數據視覺化分析、互動式報表和行動商業分析的應用。但還是要思考如何透過商業分析的應用找出目標群眾以利企業或組織採取有效的行銷策略，以及解決企業或組織所面臨真正的痛點。

SAS Viya

首先商業分析現今已經從商業智慧 (Buiness Intelligence, BI) 到人工智慧 (Artificial Intelligence, AI)，而我個人認為 SAS 9 是商業智慧平台，而 SAS Viya 則是人工智慧平台，SAS 9 平台和 SAS Viya 平台目前是能夠整合應用，統一稱為 SAS 平台，然而不論採用哪一種類型的平台分析皆主要有四個階段，分別為：

描述 (Describe)：發生了什麼事，為什麼？已知流程和指標。
預測 (Predict)：接下來會發生什麼事？自動化洞察力。
指示 (Prescribe)：做什麼事，選取哪一個？新的流程和角色。
感知 (Perceive)：從經驗中學習，回應新的輸入和直接自動增強參與。

其中當關鍵指標高於或低於預期時，通常我們會要求某人解釋原因，而在儀表板和報告顯示發生了什麼，什麼是高於或低於預期，但卻不是為什麼。而現今有大量的資料，即使有許多組織有在訓練數據科學家，但要必要此技能的人和找到推動這些意外結果所需時間皆是缺乏的。此時自動化預測建模以及建模結果的呈現和解釋將有助於任何組織中的絕大多數人理解他們的指標過高或過低的最佳方式，同時通過自動分析，更多人可以識別正確的變化，從而在最短的時間地改善結果為企業提高獲利或降低成本。

接著 SAS Viya 人工智慧平台就有自動分析的情境應用，能夠讓我們只花費一小部分時間就能夠帶來以下好處，分別為：

高階主管將變得更加獨立和洞察力驅動。
業務分析師將使用自動化提高工作效率。
專家數據科學家將有更多時間創建高價值模型來解決更複雜的問題。

然而資料和預測分析許多企業很早就有導入，像是資料倉儲和商業智慧，那麼現在是什麼使得現在正確的時間考慮預測分析的自動化，主要包括以下因素，推動了自動化分析的需求，可行性和可用性，分別為：

全新的資料來源，以及自然語言處理使對話分析成為現實。
預測分析能力的價值意識已經提升，同時數據科學家的供應有限。
雲端基礎架構和技術大大降低了成本和部署時間，並且針對能夠進行互動式建模。

再來許多企業早已經導入 SAS 9 商業智慧平台，則能夠透過升級至 SAS Viya 人工智慧平台針對既有的資料市集進行自動化分析，同時除了能夠讓 SAS 的客戶持續使用 SAS Enterprise Guide 撰寫 SAS 程式碼搭配 SQL 語句進行資料整合之外，更能夠透過 Jupyter Notebook 撰寫 Python 進行更進階的資料整合。請注意資料整合管理非常重要，因為唯有持續完善的資料品質才能夠提供可被信任的自動化分析結果，以利企業進行有效的決策分析。

最後大多數企業針對完整分析生命週期的需求經常會遇到許多挑戰，我們主要可以將分析的生命週期視為具有三個主要階段，分別為：

資料階段 (Data)
發現階段 (Discovery)
部署階段 (Deployment)

在資料階段中業務運營資料將被轉換並加載以用於目標業務分析，在發現階段，開發了進階報告，統計和機器學習模型，以深入了解影響業務的模式和趨勢，在部署階段，這些模型用於在關鍵業務流程中進行預測，從而推動運營決策。而三個階段中最困難的挑戰主要在於部署階段要如何在符合資安政策的情況下與企業內部系統整合管理，像是單一登入、授權存取、稽核軌稽、開發過版、平台維運、模型管理、… 等關鍵因素，因此若企業需要導入單一平台以利滿足完整分析生命週期，則選擇導入 SAS Viya 人工智慧平台就會是最合適的選擇，至於相較於其它解決方案的優缺點，則可參考 2019 年 Gartner Magic Quadrant 數據科學與機器學習平台分析報告。

開始使用

登入至 SAS Viya 分析平台。

在畫面左上方點選【顯示應用程式功能表】鈕。

選取【瀏覽和視覺化資料】。

按下【資料】鈕。

點選【HMEQ_NEW】資料，按下【確定】。

在【分割指標】上方按住左鍵拖曳至【頁面1】中。

此時 SAS Visual Analytics 將會根據資料欄位自動產生圖表，並且點選【分割指標 1】，發現次數為【4,172】代表【HMEQ_NEW】資料中有 4,172 筆作為訓練資料。

在圖表上按下右鍵選取【將「長條圖」變更為】，點選【圓形圖】。

此時【長條圖】就變更為【圓形圖】，此時我們能夠很清楚了解【HMEQ_NEW】資料中有 5,960 筆資料，其中有 4,172 筆資料用於訓練資料。

選取【選項】。

在選項中勾選【實際值】，此時我們能夠很清楚了解【HMEQ_NEW】資料中有 5,960 筆資料，其中有 4,172 筆資料用於訓練資料，有 1,192 筆資料用於驗證資料和有 596 筆資料用於測試資料。

選取【資料】。

在【分割指標】，按下右鍵點選【新增自訂類別…】。

將【值群組 1】修改為【訓練資料】。

將【1】拖曳至【訓練資料】中。

按下【增加】鈕。

將【值群組 1】修改為【測試資料】。

將【2】拖曳至【測試資料】中。

按下【增加】鈕。

將【值群組 1】修改為【驗證資料】。

將【0】拖曳至【驗證資料】中。

按下【確定】。

在【自訂類別 1】上按下【編輯屬性】。

將【自訂類別 1】修改為【資料類別】。

將【資料類別】拖曳至圓形圖中取代【分割指標】。

此時【圓形圖】中的【0】、【1】和【2】將會轉換為【測試資料】、【訓練資料】和【驗證資料】。

選取除了【次數】之外的【量值】。

按下右鍵點選【轉換為類別】。

選取全部【量值】轉換為【類別】的資料項目。

將選取的資料項目拖曳至【頁面 1】產生自動圖。

已經自動在【圓形圖】右方產生【清單表格】。

選取【圓形圖】，點選【動作】。

勾選【清單表格 - BAD】。

此時僅需要點選【圓形圖】中的資料項目，則【清單表格】中的所有資料項目皆會進行篩選。

在【頁面 1】頁籤上快速按下兩次左鍵修改名稱為【HMEQ 資料集】。

在【清單表格】上按住左鍵拖曳至【圓形圖】下方。

選取【物件】。

選取【文字】拖曳至【圓形圖】的左方。

將以下【文字內容】複製至【文字】物件中。

Overview of the Predictive Modeling Case A financial services company offers a home equity line of credit to its clients. The company has extended several thousand lines of credit in the past, and many of these accepted applicants (approximately 20%) have defaulted on their loans. By using geographic, demographic, and financial variables, the company wants to build a model to predict whether an applicant will default. Input Data Source After analyzing the data, the company selected a subset of 12 predictor (or input) variables to model whether each applicant defaulted. The response (or target) variable BAD indicates whether an applicant defaulted on the home equity line of credit. These variables, along with their model role, measurement level, and description are shown in the following table.

HMEQ 資料集詳細資訊，請參考官方網站。