本篇文章帶大家走進(jìn) 旗下認(rèn)知計算、預(yù)測分析的云端數(shù)據(jù)分析產(chǎn)品 IBM Watson Analytics。

在本文中我將完整的介紹 IBM Watson Analytics 的試用過程，以及從產(chǎn)品設(shè)計的角度、從業(yè)務(wù)分析的場景中總結(jié)出來的關(guān)于 Watson Analytics 的一些亮點。這些亮點我個人認(rèn)為也符合未來數(shù)據(jù)分析產(chǎn)品發(fā)展的整體趨勢，

IBM Watson Analytics  

在  上對 Watson Analytics 的介紹是這樣的：專業(yè)的工具。基于云平臺的智慧的、自動化的數(shù)據(jù)發(fā)現(xiàn)服務(wù)和自動預(yù)測性分析功能，幫助用戶輕松理解數(shù)據(jù)中的奧秘，并自動創(chuàng)建儀表板和信息圖。

IBM Watson Analytics 能解決什么問題 

Watson Analytics 數(shù)據(jù)可視化分析軟件官方介紹 —— 可為您提供高級分析的諸多優(yōu)勢，但同時不增加復(fù)雜性。這種云端智慧數(shù)據(jù)發(fā)現(xiàn)服務(wù)可以引導(dǎo)數(shù)據(jù)探索，自動化實現(xiàn)預(yù)測分析，并支持輕松的儀表盤和信息圖表創(chuàng)建。您可以迅速獲得答案和新的洞察，在幾分鐘內(nèi)迅速作出自信的決策 - 所有這一切全部由您自己完成，無需專業(yè)統(tǒng)計分析背景。

從這些描述中總結(jié)出來三個簡單的特點：人人可用的數(shù)據(jù)可視化分析、云平臺、自動化預(yù)測分析和數(shù)據(jù)洞察。 

IBM Watson Analytics 的注冊

試用 IBM Watson Analytics 需要注冊一個 IBM ID 賬號，根據(jù)一些提示填寫一些基本的信息。

注冊成功后，會收到相應(yīng)的郵件驗證和 IBMid。

通過郵件驗證并再次登錄到 IBM Watson Analytics 頁面。

在主頁面中有三個版塊：

• Data 數(shù)據(jù)版塊：用來上傳和準(zhǔn)備數(shù)據(jù)。

• Discover 發(fā)現(xiàn)版塊：數(shù)據(jù)洞察與分析，通過后續(xù)的試用，我發(fā)現(xiàn)期中有幾個亮點很值得注意。

• Display 展現(xiàn)版塊：數(shù)據(jù)發(fā)現(xiàn)結(jié)果呈現(xiàn)與分享。

IBM Watson Analytics 數(shù)據(jù)準(zhǔn)備

（可點擊放大查看清晰圖片）

點擊 New Data 可以發(fā)現(xiàn) IBM Watson Analytics 預(yù)置了很多第三方應(yīng)用和服務(wù)、IBM Cognos 、社交相關(guān)的數(shù)據(jù)接口（國外的為主），例如共享云存儲 Dropbox、在線活動服務(wù)平臺 Eventbrite、數(shù)字營銷產(chǎn)品 Hubspot、很多外企都在用的筆試與問卷調(diào)查類 SurveyMonkey、Twitter 社交數(shù)據(jù)。

（可點擊放大查看清晰圖片）

先簡單使用 Local File 上傳數(shù)據(jù)，實驗數(shù)據(jù)來自 IBM Sample Data 一個有關(guān)人力資源培訓(xùn)相關(guān)的數(shù)據(jù)。上傳成功后在這個頁面可以看到文件，可以重命名。

（可點擊放大查看清晰圖片）

60% Quality 說明數(shù)據(jù)的質(zhì)量在 60% 左右，這是因為 Watson Analytics 在上傳這個數(shù)據(jù)的時候?qū)?shù)據(jù)做了一些內(nèi)部的轉(zhuǎn)換和分析。通過分析之后對數(shù)據(jù)給出評分，數(shù)據(jù)質(zhì)量越好高評分就越高。如果分?jǐn)?shù)很低，遠(yuǎn)遠(yuǎn)低于 60%，那么就意味著這個數(shù)據(jù)質(zhì)量可能存在很大的問題，這種數(shù)據(jù)也不適合做進(jìn)一步的分析。

在微軟 BI 的 ETL 工具 SSIS 中也有一款類似的組件叫  也能夠用來檢查數(shù)據(jù)的質(zhì)量。但目前有關(guān)數(shù)據(jù)準(zhǔn)備的做法，這種趨勢會更加明顯 —— 數(shù)據(jù)在上傳和加載的過程中就把數(shù)據(jù)質(zhì)量的評估給反饋出來。

導(dǎo)致數(shù)據(jù)質(zhì)量低的原因有的可能是空格、有的可能是空值、出現(xiàn)了與整列其它數(shù)據(jù)不匹配的數(shù)據(jù)類型的值等等，這個時候可以點擊 Refine 對數(shù)據(jù)重新做出調(diào)整和優(yōu)化。

Refine 頁面下可以看到不同列的數(shù)據(jù)質(zhì)量情況，包括缺失值、甚至可以看到數(shù)據(jù)之間的層次關(guān)系等等。也可以在 Refine 頁面創(chuàng)建計算列、數(shù)據(jù)組（比如 Age 1-12 歲定義為少年等 ）、增加層級關(guān)系等。

Refine 的作用就類似于一個數(shù)據(jù)質(zhì)量檢查工具和一個輕量的 ETL 數(shù)據(jù)準(zhǔn)備和清洗工具。

（可點擊放大查看清晰圖片）

數(shù)據(jù)準(zhǔn)備階段的幾點總結(jié)和思考 

1. 這款產(chǎn)品的面向的用戶群體可以是無需專業(yè)統(tǒng)計分析背景的業(yè)務(wù)人員，因此在數(shù)據(jù)準(zhǔn)備環(huán)節(jié)對源數(shù)據(jù)的要求還是存在的。數(shù)據(jù)盡量通過 IT 部門做過專業(yè)的清洗和規(guī)范，這樣會更大程度的節(jié)省業(yè)務(wù)人員在數(shù)據(jù)準(zhǔn)備上的時間和精力。

2. 在保證大部分?jǐn)?shù)據(jù)規(guī)范和質(zhì)量的前提下，業(yè)務(wù)人員可以根據(jù)自己的理解對數(shù)據(jù)做一些初步加工。這一點在以后的數(shù)據(jù)分析工具發(fā)展上是一個趨勢，讓業(yè)務(wù)人員自己可以處理一些基本的數(shù)據(jù)清洗，而不用事事都需要 IT 的支持。

3.  IBM Watson Analytics 數(shù)據(jù)上傳即反饋數(shù)據(jù)質(zhì)量評估，數(shù)據(jù)質(zhì)量評估得分低則表明該數(shù)據(jù)不適合在接下來的分析場景中使用。因此，這就盡最大可能的避免了因低質(zhì)量的數(shù)據(jù)而造成了分析結(jié)果不準(zhǔn)確的情況。

4. 在數(shù)據(jù)準(zhǔn)備的溝通和環(huán)節(jié)上，IT 部門和業(yè)務(wù)部門可以有效的進(jìn)行職責(zé)劃分。IT 部門對數(shù)據(jù)質(zhì)量結(jié)果負(fù)責(zé)，業(yè)務(wù)部分對分析結(jié)果負(fù)責(zé)。IT 部門數(shù)據(jù)提供的質(zhì)量低，則返回重做、重新準(zhǔn)備，直到達(dá)到雙方共識的一個標(biāo)準(zhǔn)比如 80% 或者 90%，達(dá)到這個標(biāo)準(zhǔn)后業(yè)務(wù)部門再進(jìn)行后續(xù)的數(shù)據(jù)分析和探索工作。

IBM Watson Analytics 的數(shù)據(jù)質(zhì)量評估為我們提供了一個很好的關(guān)于數(shù)據(jù)質(zhì)量的參考，我們可以利用好這個特點對團隊的協(xié)作過程進(jìn)行有效的考核和流程把控。

在快速完成了數(shù)據(jù)上傳和加載動作后，我們開始在 IBM Watson Analytics 中進(jìn)行數(shù)據(jù)探索和分析的工作。

IBM Watson Analytics 數(shù)據(jù)分析與探索

在正式的數(shù)據(jù)探索和分析之前，先來簡單的了解一下要分析的數(shù)據(jù)（只展示了部分?jǐn)?shù)據(jù)）。

（可點擊放大查看清晰圖片）

很顯然，在這份數(shù)據(jù)中可以分析的是有關(guān)培訓(xùn)課程的消費或支出成本等問題。先簡單的理解和觀察一下這些數(shù)據(jù)，這對后面理解 IBM Watson Analytics 是如何設(shè)計這種自動化化數(shù)據(jù)分析和自然語言探索很有幫助。

點擊文件的標(biāo)題 - WA_HR_Training-2013-16-1，我們對數(shù)據(jù)的分析就已經(jīng)開始了，并且這是一種全新的體驗。在以前我們是要向自己提問，通過工具來幫助實現(xiàn)。而現(xiàn)在 Watson Anlytics 向你提問或是你也可以向它提問，而提問之后的分析都會自動實現(xiàn)。

（可點擊放大查看清晰圖片）

在 Discovery 分析和探索頁面，Watson “猜”出了你可能想要分析的問題。例如：

1. What is the trend of Course cost over Year by Department？ 不同部門每年培訓(xùn)課程成本的趨勢如何？

2. What drives Position Count ? 什么因素驅(qū)動了/影響了職位數(shù)量？

3. How are the values of Course days and Expense total associated ? 課程天數(shù)和費用總額之間有什么樣的關(guān)系 ？

（可點擊放大查看清晰圖片）

而每一項“猜”出來的問題，點擊進(jìn)去就會自動呈現(xiàn)一個分析結(jié)果，例如這個問題可能正是業(yè)務(wù)人員所需要的 What is the trend of Course cost over Year by Department？ 

一個分析就這么結(jié)束了，沒有任何的拖拉拽操作，圖形化的分析結(jié)果就已經(jīng)呈現(xiàn)了。

（可點擊放大查看清晰圖片）

這種產(chǎn)品理念的過人之處就是 —— 它為你提供想法，但是把選擇權(quán)留給你：

1. 對于很多沒有從事過專業(yè)分析的業(yè)務(wù)人員 IBM Watson Analytics 給出了很多提示和線索，或者說分析問題的思路。有了這些提示和思路，普通業(yè)務(wù)人員可以通過這些問題很快速的得到分析結(jié)果。

2. 對于一些初級的從業(yè)務(wù)崗位轉(zhuǎn)向業(yè)務(wù)分析的人員，也面臨過這些問題：BI 開發(fā)人員在需求溝通的時候通常也會發(fā)現(xiàn)部分業(yè)務(wù)人員不知道要分析什么，可能知道要分析什么但又不知道分析的結(jié)果要如何呈現(xiàn)。通過 Watson Analytics，可以不需要 BI 開發(fā)人員的任何參與，業(yè)務(wù)人員可以自行挑選出所需要的分析結(jié)果。

3. 對于大部分?jǐn)?shù)據(jù)分析人員，往往憑自己的經(jīng)驗可以很快的想出一些分析的場景，但是人無完人總有遺漏的分析角度。對于 IBM Watson Analytics 來說，分析的角度我提供給你，非常的全面，可以隨時放在身邊提醒你，是對你想法的一個補充，它并不會干涉你。

就如同員工跟老板匯報工作方案的時候，老板并沒有考慮好要怎么來做，但員工準(zhǔn)備了很多套方案。最終方案員工來提，老板來拍板，既不傷害老板的面子，又讓老板獲得權(quán)威感，Watson 的這種細(xì)膩的設(shè)計思維很人性化。同時，上面反應(yīng)出來的幾個問題對應(yīng)是日常 BI 開發(fā)和數(shù)據(jù)分析、呈現(xiàn)階段的幾個痛點場景，IBM Watson Analytics 產(chǎn)品在這些方面的考慮還是比較周到的。

這是我們看到的 IBM Watson Analytics 通過我們上傳的數(shù)據(jù)就 “猜” 出來的問題，同樣，我們也可以向 Watson 提問我們自己的問題。

How to ask a question 

返回到這個頁面，我們再來關(guān)注一下 How to ask a question ?

（可點擊放大查看清晰圖片）

如果你不知道要問什么問題，IBM Watson Analytics 提供了一些問題分類導(dǎo)向，每一個分類對應(yīng)著不同角度的問題。

• Variety pack - 一些基本的問題

• Compare data - 數(shù)據(jù)比較相關(guān)的問題

• Understand relationships and identify patterns - 理解數(shù)據(jù)之間的關(guān)系

• Aggregate data - 有關(guān)數(shù)據(jù)聚合的問題

• Sort and filter data - 排序和篩選

• Predict data - 數(shù)據(jù)預(yù)測相關(guān)的問題

• All available examples - 所有問題

（可點擊放大查看清晰圖片）

比如說 Aggregate data 

（可點擊放大查看清晰圖片）

每一個問題都可以調(diào)整分析的維度和事實，每一個問題只要點擊一下 ASK，整個的分析也就自動完成了。

IBM Watson Analytics 分析問題的邏輯

通過上面的簡單介紹，大家基本上能夠發(fā)現(xiàn)我們在對這份測試數(shù)據(jù)分析的時候，大部分的我們所想要的分析已經(jīng)由 IBM Watson Analytics 已經(jīng)幫我們完成了，每一個問題就對應(yīng)這一個分析結(jié)果，如何做到的？

回到我之前列出來的數(shù)據(jù)，很顯然 IBM Watson Analytics 在數(shù)據(jù)上載的階段就已經(jīng)完成了對數(shù)據(jù)的分析。IBM Watson 通過數(shù)據(jù)列的值對分析數(shù)據(jù)的角度（即維度）和分析的目標(biāo)數(shù)據(jù)（即度量值或事實）進(jìn)行了解析和自動建模處理。

• Year 年份

• Organization 組織

• Department 部門

• Position 職位

• Position Count 職位數(shù)量

• Planned Position Count 計劃職位數(shù)量

• Expense Total 總支出

• Course Cost 課程成本

• Course Days 課程天數(shù)

• Terminations 終止標(biāo)記

• Internal Hires 內(nèi)部招聘

• External Hires 外部招聘

自動對維度和事實進(jìn)行分組 - 數(shù)值型的自動變?yōu)榉治龅氖聦崱?/span>

（可點擊放大查看清晰圖片）

自動對維度和事實進(jìn)行分組 - 字符或字符串類型的數(shù)據(jù)自動解析為維度。

（可點擊放大查看清晰圖片）

很多數(shù)據(jù)分析工具能夠自動的區(qū)分維度和事實，但是 Watson Analytics 在這個層面上更進(jìn)了一步。Watson Analytics 不僅自動的對維度和事實進(jìn)行劃分，同時“猜想”了人們可能要用到的所有分析角度和事實組合，而這些組合可以直接的通過 Question 呈現(xiàn)給用戶選擇。

維度和事實建模分析三個發(fā)展階段 

1. 先設(shè)計好分析模型再分析和呈現(xiàn)。2013年以前使用傳統(tǒng)的 BI 分析或報表工具（IBM Cognos、SAP BO、Oracle BIEE、Microsoft SSRS 等）大都需要預(yù)先建好數(shù)據(jù)倉庫，在數(shù)據(jù)倉庫建模的過程中我們需要自己設(shè)計維度表、事實表，還要考慮到性能和開發(fā)流程的問題，才有了 inmon kimball 之爭。

2. 在分析和呈現(xiàn)過程中來建模。例如 Tableau、Qlik（QlikSense）、Power BI、Ptmind DataDeck、永洪、Smartbi、帆軟、ETHINKBI 等產(chǎn)品不再嚴(yán)格考慮數(shù)據(jù)倉庫建模的問題，具體表現(xiàn)就是可以基于基礎(chǔ)數(shù)據(jù)直接將字段拖放到維度和事實面板，分析結(jié)果自動呈現(xiàn)。

3. 數(shù)據(jù)上載完成即建模完成，分析結(jié)果可及時呈現(xiàn)。IBM Watson Analytics 處于這個階段。有一部分細(xì)分領(lǐng)域的產(chǎn)品也符合這一點，比如固定了數(shù)據(jù)模型的接口，按照接口上載數(shù)據(jù)，已經(jīng)固化的分析報表和結(jié)果即可呈現(xiàn)。但區(qū)別就在于 IBM Watson Analytics 并不會預(yù)先固定好數(shù)據(jù)分析模型和分析報表，也不會預(yù)先固定了數(shù)據(jù)模型的接口，而是根據(jù)上載的數(shù)據(jù)對建模和分析進(jìn)行隨時調(diào)整。

上面是對 How to ask a question 的過程進(jìn)行了一些解析，接下來我們再來看看 IBM Watson Analytics 所展現(xiàn)出來的對自然語言的分析和認(rèn)知能力。

IBM Watson Analytics 自然語言的分析和認(rèn)知能力

關(guān)于自然語言的分析，業(yè)務(wù)人員可以直接通過自然語言的輸入來獲得 Watson 的回答，比如我輸入了一句：I want to know course cost of departments ，我想知道每個部門的課程成本。其實要分析就是想看看每個部門在培訓(xùn)課程中的花費，哪些部門花費的比較高，大概是因為哪些原因，但這些問題可能還不是非常具體。英文的問題可能也比較隨意和含糊，也不用特別去考慮英文的語法。

接著之前的頁面在輸入這句話后回車，IBM Watson Analytics 就會返回一些與這個問題可能相關(guān)的很多提示，這就是 Watson 的自然語言處理和認(rèn)知能力。每個問題對應(yīng)的又是一個分析的結(jié)果，即提出問題，分析呈現(xiàn)就已經(jīng)完成。

（可點擊放大查看清晰圖片）

這種場景我們經(jīng)常遇到：很多的業(yè)務(wù)人員可能只是根據(jù)工作經(jīng)驗和自身的業(yè)務(wù)能力有一個想法，提出的要分析的問題也不是非常明確。數(shù)據(jù)分析師或者 BI 開發(fā)人員在跟業(yè)務(wù)人員溝通的時候，往往都希望得到一個非常明確的分析需求，這就是一種矛盾。

但現(xiàn)在業(yè)務(wù)人員通過 ASK A QUESTION 的時候就可以獲得 Watson 給出的更加具體的提示，也有可能這些提示當(dāng)中就會把業(yè)務(wù)人員想問但是不知道怎么問的問題給呈現(xiàn)出來，也可能是之前沒有想到的問題也給呈現(xiàn)出來了，這就是 Watson Analytics 打造的一種分析場景。

這種場景就是普通的業(yè)務(wù)人員不需要專業(yè)的分析背景知識，借助于 IBM Watson 的認(rèn)知能力，也可以一步一步完成基礎(chǔ)的數(shù)據(jù)分析工作。一旦業(yè)務(wù)人員逐步養(yǎng)成了這種數(shù)據(jù)探索習(xí)慣，隨著數(shù)據(jù)思維意識的逐步提高，業(yè)務(wù)人員和專業(yè)分析人員的溝通成本會越來越低。對于同一個問題大家達(dá)成的共識會越來越清晰，這種數(shù)據(jù)意識的提高和溝通的正向循環(huán)將帶給企業(yè)不可想象的價值。

按我的想法，IBM Watson Analytics 給出的這個提示 “What are the values of Course cost for each Department? ” 很符合我想問的問題，即每個部門的培訓(xùn)成本。

點擊這個問題，Watson Analytics 將自動為我們呈現(xiàn)分析的結(jié)果 - Sales 部門的培訓(xùn)課程成本最高。

（可點擊放大查看清晰圖片）

但最后想起來想了解的是 Expense Total，那么可以點擊 Course Cost 很靈活的將它換成 Expense Total。

（可點擊放大查看清晰圖片）

在實際的分析過程中，我們通常會一個接一個的拋出另外的問題，要探索究竟。比如，這里的分析結(jié)果可以展示出哪些部門的培訓(xùn)花費最高，比如 Sales、Finance 部門。但接著可能更想知道的是為什么花費要哪么高，是哪些問題導(dǎo)致的呢？ 有些原因我們可能可以根據(jù)一些日常的經(jīng)驗來判斷，比如職位越高的培訓(xùn)費用就越高，比如不同的部門、培訓(xùn)時間天數(shù)、培訓(xùn)漲價了等等，但到底哪些因素重點影響了這些結(jié)果 ?

遇到這些問題業(yè)務(wù)人員如何來解決？ 數(shù)據(jù)分析師該如何解決？ 提出假設(shè)再分析再驗證？ 驗證完了再分析？ 這個過程會相對漫長。對業(yè)務(wù)熟悉對數(shù)據(jù)熟悉，分析和判斷的方向可能是對的，如果不熟悉不敏感，這個方向可能就是錯誤的。

IBM Watson Analytics 很好的解決了這一點，在該分析結(jié)果的右側(cè)區(qū)域 Discoveries 自動給出了一些探索式預(yù)測分析結(jié)果，而這一切不需要任何的具體操作。

點擊 Top Drivers of Expense Total （ 驅(qū)動/改變/導(dǎo)致/影響 Expense Total  變化的最高的幾個因素或者原因），這時問題就變成了 What drives Expense total ?

（可點擊放大查看清晰圖片）

左側(cè)的螺旋圖中，越靠近中間點的維度越說明了它們對 Expense Total 影響越大。從這個圖中可以看出 Position 職位和 Organization 組織的雙向組合對 Expense Total 總花費越大，也就是說 Expense Total 總花費受職位和組織影響最大。

我們還可以點擊 Position and Organization 旁邊的 + 號對這一點進(jìn)行更進(jìn)一步細(xì)致的分析，這時問題就變成了 How do Position binned and Organization binned impact Expense Total ?  職位和組織是如何影響 Expense Total 總花費的，顏色的深淺告訴了我們哪些組織的哪些職位 Expense Total 總花費最大。

比如這里看到的在橫軸上 Level 2 Sales Representative 和 Level 3 Sales Representative 銷售代表他們的培訓(xùn)消費最高，同時也可以看到與之交匯的組織是 GO Central、GO Asia Pacific、GO Americas。

（可點擊放大查看清晰圖片）

這些問題還可以繼續(xù)分析下去，整個過程不需要做任何的編程和手工拖拉拽維度和事實，所有的分析非常自然的由 Watson Analytics 給呈現(xiàn)出來。

回顧這個簡單的分析流程

1. 各個部門培訓(xùn)課程的成本，通過自然語言提問，Watson 給出了我想要的問題，一次點擊就呈現(xiàn)了分析的結(jié)果。

2. 之后發(fā)現(xiàn)我還想了解各個部門培訓(xùn)的總消費（實際消費），很自然的切換了一個字段我找到了所要的分析結(jié)果。

3. 其次，相對這個結(jié)果做深入分析，想看看這個總消費為什么這么高，受哪些因素影響最大、為什么，我通過 IBM Watson Analytics Discoveries 小面板也找到了答案。

這個邏輯是我們最簡單的一個分析問題、思考問題和尋找答案的一條再清晰不過的邏輯。我們可以試想一下，利用我們手邊的工具、紙筆、SQL 查詢、報表分析工具，我們大概需要多長的時間來從一層邏輯來打通到另外一層邏輯，并且中間還需要層層驗證邏輯推理的正確性和合理性。

但是在使用 IBM Watson Analytics 的過程中，我的邏輯猜想和邏輯實現(xiàn)就是三次點擊，這就是 IBM Watson 的強大之處，也是人工智能認(rèn)知計算的魅力。

最后可以將剛才幾個相關(guān)的分析結(jié)果重命名保存到一個文件夾中，比如 Personal，同時回到 IBM Watson Analytics 主頁點擊 Display。

（可點擊放大查看清晰圖片）

新建一個 Display 顯示選擇一種布局方式以及找到剛才保存的分析結(jié)果。

（可點擊放大查看清晰圖片）

把分析的結(jié)果放到不同的面板中保存下來。

（可點擊放大查看清晰圖片）

在展示版塊，我們隨時可以看到我們保存的數(shù)據(jù)分析結(jié)果，還可以做很多篩選過濾等操作。

（可點擊放大查看清晰圖片）

最后可以對這些分析結(jié)果進(jìn)行分享，分享的選擇也很多。

對于分析結(jié)果，發(fā)送郵件可以使用圖片的格式，也可以是 PDF 或者 PowerPoint 的形式。

（可點擊放大查看清晰圖片）

收到郵件的效果

附件中的圖片

（可點擊放大查看清晰圖片）

至此，整個對于 IBM Watson Analytics 的試用體驗就正式完成了，整個分析的過程不超過 10 分鐘。當(dāng)然還有很多需要去研究的細(xì)節(jié)，可以幫助我們完成更多更深入和精細(xì)的分析，這還需要對 IBM Watson Analytics 做進(jìn)一步的研究和深入體驗。

IBM Watson Analytics 適合使用的人群

1. 普通的業(yè)務(wù)人員，不需要專業(yè)的數(shù)據(jù)分析背景，通過對 Watson 的提問和 Watson 給出的引導(dǎo)就可以展開分析的工作。

2. 數(shù)據(jù)分析和數(shù)據(jù)挖掘工程師，IBM Watson 會給出關(guān)于同一問題的不同分析角度，這對大家分析和思考問題是一個很好的補充。同時，專業(yè)的數(shù)據(jù)挖掘和分析素養(yǎng)和對數(shù)據(jù)的意識，可以讓大家對 IBM Watson Analytics 駕馭的更好。

IBM Watson Analytics 需要改善的地方

1. 目前通過試用發(fā)現(xiàn) IBM Watson Analytics 對中文的支持還是不夠，缺乏中文本地化的展現(xiàn)界面，提問環(huán)節(jié)所展現(xiàn)的結(jié)果是中英文混雜的。這一點如果能夠解決，相信還是降低了不少的使用門檻。但是，中國文化博大精深，漢語言文化豐富多彩，類似于“冬天：能穿多少穿多少； 夏天：能穿多少穿多少。”這樣的自然語言處理也很期待 IBM Watson Analytics 的表現(xiàn)。

2. 由于 IBM Watson 云在國外的緣故，導(dǎo)致在實際的分析和操作過程中頁面加載有一定的延遲，最后通過 VPN 鏈接完成了整個產(chǎn)品試用的過程。

IBM Watson Analytics 試用總結(jié)

雖然有很多功能可能并沒有使用到，但是目前體驗到的功能還是給我留下了比較深刻的印象。在數(shù)據(jù)分析的整個過程中不需要任何 IT 人員的引導(dǎo)、也不需要特定的數(shù)據(jù)分析背景，這應(yīng)該就是 IBM Watson Analytics 對自己的一個定位。

一個好的產(chǎn)品設(shè)計需要很多人性化的思考，IBM Watson Analytics 在這些方面做的很好。Watson Analytics 對人們考慮問題和分析問題、分解問題的邏輯梳理的比較清晰，通過一步一步的提示、引導(dǎo)、相關(guān)性的分析展示讓人的邏輯在 Watson Analytics 的使用過程中得到了很好的補充和延續(xù)。

當(dāng)然，越讓人覺得使用簡單的產(chǎn)品，背后所隱藏的技術(shù)實現(xiàn)和為此所做出的努力就越大。

>> 通道 <<

來源：天善智能 作者:呂品