亚马逊AWS官方博客
AWS 全球专家部门使用 Amazon QuickSight 提供全球专家组织（WWSO）的运营洞察
AWS 全球专家部门（WWSO, Worldwide Specialist Organization）是一支面向市场的专家团队，为 AWS 的战略服务、客户细分市场和垂直领域提供支持。专家洞察团队（SIT，Specialist Insights Team）与财务、分析、科学和技术团队（FAST，Finance, Analytics, Science, and Technology）共同努力，通过与更广泛的 AWS 社区（销售、业务部门、财务）合作，支持 WWSO 大规模获取、保护和交付信息及业务洞察，从而制定数据驱动的决策。
SIT 由分析师组成，他们将对商业智能（BI, business intelligence）堆栈的深入了解用来支持 WWSO 业务。一些分析师在多个领域工作，而另一些分析师则掌握了其特定的垂直领域的深厚知识，不过他们都精通 BI 工具和方法。该团队能够与 WWSO 的领域专家合作，将技术和运营知识相结合，帮助我们构建可在整个 AWS 中使用的通用的标准数据平台。
尚未利用的数据可用性潜力
一直以来，团队面临的一个挑战是如何将数据湖内 2.1 PB 的数据转化为切实可行的商业智能，从而推动行动和可验证的成果。转换数据、分析数据并简明扼要地阐述其中含义所需的资源，阻碍了我们保持敏捷性和及时响应客户的能力。
在审查了几款供应商产品并评估了各产品的优缺点之后，我们选择了 Amazon QuickSight 来取代我们现有的传统 BI 解决方案。它不仅满足了为整个 WWSO 业务提供切实可行洞察所需的所有标准，而且还使我们能够安全地扩展到 AWS 成千上万的用户。
在这篇文章中，我们将讨论影响 QuickSight 实施决策的因素，并详细介绍我们的团队自实施以来取得的一些效益。
弃用旧版工具
传统的 BI 解决方案带来了许多挑战，首先是扩展、复杂的治理和孤立的报告。这导致了性能不佳、开发流程繁琐、多个事实版本和高昂的成本。最终，传统 BI 解决方案在广泛采用方面存在明显的障碍，包括获得洞察的时间长、缺乏信任、创新少和投资回报率（ROI, return-on-investment）方面的原因。
在决定弃用我们的团队之前用来向部门提供报告和洞察的 BI 工具之后，团队开始为即将到来的转换做准备。我们与专家部门的分析师会面，收集反馈意见，了解他们对下一次报告功能迭代的希望。根据这些反馈以及领导团队的指导，我们的下一个 BI 工具需要满足以下标准：
- 易于查看的洞察 – 为了确保具有不同技术能力水平的用户能够理解信息，洞察格式需要易于理解。
- 速度 – 面对数百万条记录需要超快的处理速度，而且我们也不想在技术实施或用户培训方面投入大量时间。
- 成本 – 作为一家节俭型公司，我们需要确保 BI 解决方案不仅能满足需求，而且不会超出我们的预算。
- 安全性 – 内置的行级别安全性以及内部开发的自定义解决方案，实现了向 AWS 中成千上万的用户提供访问权限的能力。
另外一个对使用 QuickSight 的决定产生了最终影响的因素是，它是一项完全托管的服务，这意味着无需维护单独的服务器或管理任何升级。由于我们的团队处理敏感数据，因此安全性也是头等大事。QuickSight 也通过了这一测试；我们能够实施细粒度的安全措施，并且没有造成性能损失。
简单快速的单一事实来源
由于各种各样的团队需要访问我们团队提供的数据和洞察，因此 BI 解决方案需要用户友好且直观，无需大量培训或复杂的指导。在生成有关销售渠道、收入、人力等的洞察时会用到数百万条记录，因此查询可能会变得相当复杂。为了满足我们的首要任务，也就是提供易于查看的洞察，我们一直在寻找一种易于操作和易于理解的可视化组合。
当我们完成 QuickSight 的实施后，只需单击几次，即可近实时地获得切实可行的洞察，提供了丰富的视觉效果。让我们印象深刻的是，获得一目了然的洞察如此简单，它们是通过数据驱动的案例，说明了对利益相关者群体最重要的关键绩效指标。我们能够为关键业务指标设置警报，在达到特定阈值时触发发送给负责人的电子邮件，从而让负责人高枕无忧，因为不会漏掉任何重要内容。
为了成功地将 400 多个控制面板从传统 BI 解决方案迁移到 QuickSight，我们必须处理好三个关键组成部分。我们不仅需要采用合适的技术，还需要建立正确的流程，同时也要将变革管理（人员角度）放在首位。
该迁移项目为我们提供了实现数据标准化的机会，确保我们拥有统一的事实来源，从而提高效率，并在整个公司范围内实现受控的访问和自助服务。本着更聪明（而不是更艰苦）的工作精神，我们在启动数据标准化项目的同时，也启动了迁移工作。
我们一开始就制定了明确的部门目标和贯穿始终的坚定计划。接下来的步骤是将重点放在行级别的安全设计和演变上，以确保我们能够大规模提供治理和安全性。为了确保成功，我们首先尝试迁移了超过 35 个控制面板和 500 多个用户。然后，我们成立了一个核心技术团队，他们的工作重点是作为 QuickSight 专家，迁移另外 400 多个控制面板、4000 多个用户和 60 多万个可视对象。技术团队还培训了团队的其他成员，让所有人一起踏上变革管理之旅。我们得以在 18 个月内完成数千名用户的迁移。
在此基础上，我们将重点从基础业务指标转移到基于机器学习（ML）的洞察和结果，以帮助推动数据驱动的举措。
以下屏幕截图显示了一个 QuickSight 控制面板的外观示例，不过这些数字并不反映真实值，这是测试数据。
我们接下来的一个关键指标是速度，在详细了解了 QuickSight 的工作原理后，我们非常高兴。SPICE 是超快速、并行、内存中计算引擎（Super-fast、Parallel、In-memory Calculation Engine）的缩写，是 QuickSight 用来快速执行高级计算和提供数据服务的强大引擎。在以前使用的其他数据可视化工具中，每次向可视对象添加新的计算或新字段时，我们都需要等待其处理，相比之下，新的查询运行时和控制面板开发速度都要快得多。控制面板的加载时间也明显快于我们之前的 BI 工具的加载时间；大多数加载时间不到 5 秒，而之前的 BI 工具则需要几分钟。
选择 QuickSight 的另一个好处是，大大减少了关于数据定义的分歧数或关于报告之间差异的问题数。借助 QuickSight 中内置的标准化 SPICE 数据集，我们现在可以将数据作为服务提供给企业，为我们在整个企业中共享的洞察创建单一的事实来源。这样就节省了企业调查未解答问题的时间，使我们能够更加敏捷和反应迅速，从而能够更好地为客户提供服务。
控制面板仅仅是个开始
我们对 QuickSight 的性能和可扩展性非常满意，我们很高兴能够在已经开始建立的坚实的报告基础上进行改进和扩展。自迁移到 QuickSight 以来，采用率从 50% 上升到 83%，浏览量增长 215%，用户增长 157%，很明显我们做出了正确的选择。
我们对 Amy Laresch 和 Kellie Burton 最近发表的一篇文章很感兴趣，文章即是 AWS Analytics sales team uses QuickSight Q to save hours creating monthly business reviews（AWS Analytics 销售团队使用 QuickSight Q 来节省创建月度业务审核的时间）。根据从这篇文章中学到的知识，我们还计划测试并最终实施了 Amazon QuickSight Q，这是一种运用机器学习的自然语言功能，它使组织中的任何人都能用自然语言提出业务问题，并通过相关的可视化对象得到准确的答案。我们还在考虑与 Amazon SageMaker 和 Amazon Honeycode 构建的应用程序集成，以实现回写。
要了解更多信息，请访问 Amazon QuickSight。
关于作者
David Adamson 是 WWSO Insights 的负责人。他带领团队踏上成为数据驱动型部门的旅程，向 WWSO 提供富有洞察力、切实可行的数据产品，并与更广泛的 AWS 部门合作共享。闲暇时，他喜欢环游世界，如果天气允许，他会在自家的后花园里探索和拍摄夜空。
Yash Agrawal 是 Amazon Web Services 的分析主管。Yash 的职责是定义分析路线图，开发标准化的全局控制面板，并为 AWS 的利益相关者提供富有洞察力的分析解决方案。
Addis Crooks-Jones 是Amazon Web Services 财务、分析和科学团队（FAST，Finance, Analytics and Science Team）的商业智能工程高级经理。她负责与全球专家部门的业务领导者合作，打造数据文化，以支持战略举措。所开发的技术解决方案在全球范围内用于推动 AWS 的决策制定。在没有忙于工作中的新数据计划制定时，她喜欢进行大大小小的冒险，与生活中所有有趣的人一起感受美食和艺术。
Graham Gilvar 是 Amazon Web Services 的分析主管。他构建并维护集中式 QuickSight 控制面板，使所有 WWSO 服务的利益相关者能够互相配合工作以及制定数据驱动的决策。闲暇时，他喜欢遛狗、玩高尔夫球、保龄球和冰球。
Shilpa Koogegowda 是 Amazon Web Services 的销售运营分析师，过去两年一直是 WWSO Insights 团队的一员。她的职责包括构建标准化的指标、控制面板和数据产品，为客户提供数据和洞察。