典型的商业智能实现允许业务用户轻松地消费特定于他们的目标和日常任务的数据。分析过去和现在事件的能力解锁了关于当前状态的信息，对于在当今的数据转发市场中保持竞争力至关重要。考虑到这一点，许多组织在单独依赖这些工具时会遇到一些常见的限制。
挑战1:有用的见解、趋势和模式只有在合适的背景下，在正确的数据中才会出现
好消息是，现代数据仓库通过以一种能够实现快速可靠报告的方式组织信息，消除了报告不准确或不及时的数据的风险。话虽如此，您还必须依靠业务用户提出正确的问题，以开发有用的报告。这通常会导致重要见解的发现延迟和关键数据的忽略。此外，由于人为错误和无法高效报告以完全覆盖详细数据的所有部分，您更有可能错过关键的见解。即使是最好的仪表板也可能排除重要信息，因为它们只关注特定的业务问题。
例如，在物流公司，仪表盘显示了供应链和仓库库存的每一个细节。有这么多的变量可能会影响你订单的及时性(员工数量、卡车可用窗口、仓库区域的拥堵等)，所以几乎不可能将所有的信息结合起来，及时看到更大的图景。特别是当变化是实时发生的时候。一个人也很难将个别事件从整体影响中分离出来。通过机器学习，你可以摄取大量数据，根据关键变量来识别有迟到风险的订单。使用统计技术，你可以通过切割数据中的所有噪音来区分低效率的来源，从而发现系统性问题。
挑战2:依赖于静态的有时是任意的业务规则
许多有效的仪表板使用基准指标来显示一个部门做得好还是不好。例如，一个销售组织有商业智能工具，使用数据来跟踪与他们的领导的参与度。根据他们目前的业务规则，如果一个潜在客户在5天内没有沟通，就会被认为是“冷淡”的。当潜在客户失去联系时，销售和管理团队会被提醒，以便采取行动重新与潜在客户联系。一个好的仪表盘会以某种方式显示冷线索的数量和可能变冷的线索的数量。但你如何真正知道5天是合适的时间呢?如果数以百万计的数据点显示，如果你在两天内没有联系，线索很可能会变冷，那该怎么办?那可能是错过了很多机会。在这样一个快速变化的环境中，有时甚至是基于你的业务问题的上下文，人们制定的业务规则可能会被误解、不准确或过时。
挑战3:由于大多数商业智能工具都利用历史数据，它们更倾向于突出过去的事件，而不是未来的事件
基于这些信息的可视化是围绕已经发生或正在发生的问题进行的。虽然毫无疑问，了解过去对改善未来决策至关重要，但增加一层预测分析将使被动的、数据驱动的决策文化转向更具前瞻性和创新性的选择。
使用先进的分析来展望未来是所有企业都应该采用的做法。为了举例说明这种做法可以产生的重大影响，我们将以医疗保健行业为例。许多医疗提供者跟踪他们的再入院率，即患者出院后因相关健康问题返回的频率。这一指标有助于评估护理质量和其他因素。通过使用数据科学，他们可以将目标锁定在某些再次入院风险较高的患者子集上。这为医疗保健提供者提供了最高危患者的实时信息，使他们能够采取积极行动，使患者健康出院，减少再入院的机会。这种主动的方法比回顾历史数据更有效，以便日后找出哪些患者亚群的再入院率更高。
如何用数据科学解决这些挑战
数据科学帮助企业从大量数据中提取见解，并创建输出，自动检测数据中发现的模式可能产生的重大变化。在很多情况下，正是由于数据科学计划的好处，企业才开始看到其数据投资的显著ROI。这是因为数据科学能更好地装备:
- 根据历史数据的趋势，对未来的事件做出预测
- 检测商业事件的重大变化，并确定其结果
- 评估商业决策的潜在结果
- 分析具有多种输入的广泛数据集，以发现关键见解
- 理解影响整个公司的数据点，而不是某个特定的孤立部门
虽然数据科学的好处是无可争议的，但对许多组织来说，数据科学的举措似乎是不可接近的。无论是因为你的数据科学团队发现难以持续地交流洞见，还是对预测是如何达成的缺乏理解，或者因为过程看起来太大规模，你不知道从哪里开始，你的公司并不孤单。解决这些障碍的最简单的方法之一是将您当前的商业智能工具和分析实践与数据科学结合起来。
