需要決策的地方，都需要數據支撐，大數據的價值就在于此。隨著云計算、大數據、移動化、社交網絡等新興應用的蓬勃發展，IT運維的數據量開始爆發。那么，這些數據是待開墾的荒山，還是價值連城的金山呢？人工智能（Artificial Intelligence）+商業智能（Business Intelligence）+數據智能（Digital Intelligence）的結果，或許就是這把鋤頭。

數據資產早已存在,但為何用不起來？

隨著移動互聯網、大數據、物聯網和云計算等新興技術的崛起以及互聯網+、中國制造2025等政策支持的頻頻出臺，越來越多的企業開始爭先恐后地加入數字化轉型浪潮中。據IDC數據顯示，截止2017年年底，全球2000強企業中三分之二的首席執行官都會把數字化轉型放在其企業戰略的核心位置。

毫無疑問，數字化生產運營過程中所產生的數據信息已經成為重要的核心資產，這為IT運維管理賦予了更多內涵。IT部門需要聚焦企業信息資產價值挖掘，將現有的數據進行有效的整合，快速準確地提供報表和決策依據，方能幫助企業做出明智的業務運營管理決策。但是，以現有的能力，這幾乎成了“不可能完成的任務”。

首先，運維數據增長迅速、體量龐大，但可用于經營決策和業務優化的數據分析模型和報表較少；其次，ETL、計算引擎、BI、深度分析等，每一個工具都是不同的產品，致使報表工具細碎化，采購成本增加，學習成本增加；最后，報表結果永遠處于“過去時”，靜態化模型無法實現交互分析，二次開發只能望梅止渴。

從荒山到金山，IT運維如何打造BI平臺

數據放在那里，就只能是座荒山。因此，我們需要一把鋤頭，把它刨開，。比如：用這把鋤頭將日志數據、工單數據、監控數據等進行整合，告別數據孤島；把各種報表之間的通道刨開，將數據重新組合，提取出最精確的數據用于決策；為數據可視化開山修路，讓這座荒山變得井然有序，一切美景盡在眼底；修建運維數據的“金庫”，對業務部門的信息需求快速響應，做好數據支撐，提升IT部門價值。

針對上述需求，北塔軟件以BTSO平臺為核心，推出了基于BI的運維報表解決方案，實現了對不同方式采集到的數據信息進行整合，包括：機房環境數據、網絡環境數據、業務系統相關數據（如：服務器、中間件、數據庫的信息）、流量數據、業務指標數據、日志數據以及與之相關的流程、資產、人員信息，告別信息孤島，通過對數據進行建模、分類、關聯、鉆取、分析、挖掘，協助用戶實現“從數據荒山到數據金山”的壯舉。

圖：北塔軟件基于BI技術的運維報表解決方案

從內部實現方式上看，首先由采集引擎將數據采集并存儲到數據庫中，ETL工具將數據經過抽取、清洗、轉換、加載等步驟對數據進行處理。然后，將有“含金量”極高的數據提取出來，經過BI工具將提取出來的數據進行有效整合，快速準確的提供報表并提出決策依據，幫助企業做出明智的業務經營決策。

從外部展示方式上看，用戶可以通過拖拽方式進行任意數據探索和查詢，列過濾和列位置調換等功能，實現了臨時性的報表隨時輸出、表格數據的動態展示，提高了查看報告的靈活性。此外，BI解決方案還引入了第三方 GIS 地圖功能和熱力圖，可清晰直觀地在地理地圖上顯示相關“金磚數據”，同時實現了流量分析、分布分析、密度分析等需求，將分析、處理、決策等功能全面集成。

機器學習替代人力，百億數據也能秒開

IT運維常常遇到“自我救贖”的問題，比如：當我們完成IT基礎設施自動監控之后，運維人員每天面對著海量的運維數據卻不知道如何著手去綜合分析和挖掘數據之間的相關性，更別說對這些數據進行有效利用了。而大數據為我們帶來了什么？數據，讓一切有跡可循，讓一切有源可溯。數據，也將是我們身處萬物互聯化、萬物智能化時代的DNA。

但是，若沒有合格的數據質量，以及到位的數據清洗、管理流程和系統，在海量數據分析面前，你有極大的可能性，會陷入垃圾數據的陷阱。而當大數據和機器學習（ML）技術整合之后，不但可以讓我們從繁復耗時、容易出錯的基礎運維工作中徹底解放出來，更可以讓我們專注于更有價值的業務數據。

為此，在北塔軟件BI解決方案中也融入了機器學習算法，包括 K-Means 聚類、邏輯回歸分類、關聯分析、決策樹等，用戶可應用這些算法輕松建模。通過高性能基礎架構、深度算法和敏捷運算，實現從百萬到百億數據分析，達到秒級響應，幫助用戶洞察無法直接觀測到的數據背后的關聯、趨勢和邏輯。