首先是运营数据分析。然后是人工智能驱动的大数据分析。迎接数据分析的下一次迭代：可组合分析。
在过去的10年里，我们在数据分析的业务采用方面取得了长足的进步。这不再是使用数据来推动业务决策，而是让数据变得更好、更可用、更相关。它还涉及将分析任务从数据团队转移到业务数据消费者手中。（或者，无论如何，让它们尽可能接近。）我们可以称之为跨部门、全组织的数据分析民主化的一个解决方案是可组合数据分析。
什么是可组合分析？
可组合分析基于两个方面：灵活性和可重用性。从本质上讲，这种范式都是关于使用数据、分析、人工智能和交付组件，这些组件协同工作形成一个解决方案——这些组件使用低代码和无代码工具进行连接。
换言之，将数据分析系统的各个部分视为用户（通常是分析师）可以选择并连接以形成自己的定制工具的组件。因为这些组件可以以不同的方式连接并多次重复使用，所以它们为数据分析过程提供了新的灵活性。
有趣的是，可组合分析有时也被称为“模块化”分析——与传统分析不同，它们可以一块一块地重复使用和重新组装。
是否需要可组合分析？
当企业努力扩展分析时，他们遇到了许多相同的生产瓶颈。但可组合分析可以做嵌入式数据分析无法做的事情。
例如，假设您的公司有一个集中的数据解决方案，组织中的任何人都可以查询该解决方案以获得业务问题的答案。很好。然而，每个团队可能有不同的问题，并需要自己的特定数据子集。这可能会让数据专业人员团队忙碌起来，并导致周转时间过长。但有了可组合的数据分析，每个团队都可以使用无代码应用程序生成器（例如）连接到数据库并运行自己的查询，而无需专门的数据或编程知识。
各种模型和分析是可组合分析中的可重用组件；这增加了可组合分析的灵活性。这也使企业能够在提供灵活性和定制解决方案的同时，扩大其分析范围。
然而，你不能简单地动动手指，期望可组合的分析与现有的基础设施集成。和其他任何事情一样，它需要提前计划。
可组合分析的基础
可组合分析需要相应的灵活和可扩展的基础，这并不奇怪。简而言之，这些基础包括：
数据编制(Data Fabric )
与可组合的数据分析一样，数据结构不是一个单一的工具或设备。相反，这是一种将数据的管理和存储与其可用性“分离”的方式。您可以在我们的博客其他地方阅读更多关于数据结构的信息；只要说数据结构就足够了，无论数据在组织中的位置如何，都可以使用数据。
自动化
如果没有数据处理和交付的自动化等，使数据分析真正实现自助服务是不可能的。
打包业务功能（Packaged Business Capabilities ）
PBC构成了可组合的“部分”，用户可以连接这些部分来制作自己的分析工具。Gartner将PBC定义为“代表定义良好的业务能力的软件组件，业务用户在功能上可以识别。从技术上讲，PBC是数据模式和一组服务、API和事件通道的有限集合。”。“这些块的设计必须确保它们既独立（即完全能够执行其功能），又可以通过低代码或无代码工具进行连接。
架构
可组合分析需要可组合的架构：能够支持互连和可重用元素的体系结构。这意味着存储、网络、数据和计算都必须具有灵活性和可扩展性。
数据分析的发展是可组合的
通常，业务发展是由技术发展驱动的。可组合分析使我们能够采取自上而下的方法来解决业务问题：我们从需要了解的内容开始，然后将其连接到可组合分析架构中，使其实现。这在我们提供和消费分析的方式上有很大的潜力；观察它如何推动更大的业务转型将是非常有趣的。
