全球最大的軟體公司之一的SAS，正處於變革的邊緣

高層管理團隊的更新，向雲的過渡以及與開源世界的合作將重新定義SAS在全球的地位。

去年，我們做了一個星際迷航的比喻，描述了SAS的進化過程，我們看了CEO和聯合創始人吉姆·古德奈特博士演示了如何使用Alexa查詢SAS。。一年後，我們觀看了一個使用Siri和iPhone的類似演示程序，讓我們了解了使對話界面變為現實所需的沉重步驟。

提示:你仍然需要準確地表達你的問題，因為到目前為止，語音識別系統還沒有達到我們在輸入谷歌搜索時所認為的自動更正功能。

但是我們跑題了。隨著奧立弗·舒本伯格博士的加入，產品開發，以及最近的CTO，到COO的職位(只向古德奈特報告)，SAS已經完成了三年前開始的改變。在舒本伯格博士的幫助下，SAS推動了具有深厚學術背景的產品研究員（如Dr. Goodnight）領導產品開發，銷售和運營。SAS將新創建的COO職位描述為「擴展」管理團隊的計劃。看這個空間。

SAS面臨的挑戰是，過去40年中無人問津的市場現在變得相當擁擠。使用雲計算，您無需投資高性能計算基礎架構，而使用開源軟體，您無需為此消聲器付費（如果消聲器是軟體）。毫不奇怪，數據科學生命周期的自動化，協作，協調和部署工具的生態系統已經萌芽。

隨著Viya在過去幾年的出現，SAS明智地得出結論:它的價值並不是在SAS編程語言中，而是在其投資組合中分析的廣度和深度，以及它管理它們的方式。在Viya中，SAS選擇與開放源碼環境共存。在R或Python語言中開發，使用一個Jupyter筆記本編寫和共享您的模型，但是在運行時，將它們發送到Viya，在那裡模型運行在SAS的雲分析服務(CAS)內存引擎中。或者與SAS工具分享你的演算法，例如視覺分析或視覺研究者。

所以SAS已經打開了大門，但最大的威脅不一定是開源的，而是通過來自每個主要雲提供商的幾十種適合用途的服務，輕鬆訪問高級分析和機器學習（ML）。想要在高度策劃的環境中構建ML模型？去亞馬遜Sagemaker或Azure ML Studio。想要為文本應用程序構建一些圖像識別或語音嗎？轉到Amazon Rekognition或Google Cloud Natural Language。想運行一些Spark作業嗎？轉到Amazon EMR或Databricks。當SAS公司吹噓其全面的環境時，這些雲服務提供快速的onramps的分析類型，這是SAS的麵包和黃油;如果您已經在雲存儲(已經是您的數據池)中有了數據，只需給出一個信用卡號。

在今年的分析師會議上，我們不應該感到意外的是，人們把焦點轉向了人工智慧(AI)和ML，因為它們在分析領域佔據了相當大的位置。SAS認為需要斷言，ML及其前體一直以來都是其分析的基礎。讓我們假設SAS在ML的炒作中姍姍來遲。

SAS正經歷著一段不可避免的「先行者」的儀式，因為它面臨著挑戰，要繼續展示它在一個歷史上佔主導地位的市場的相關性，而現在，它與眾多的新貴們分享。

SAS在全球2000企業基礎上擁有穩固的地位，這一基礎不會很快消失。但它面臨的挑戰是，要爭奪下一代數據科學家、數據工程師和業務分析師的心和頭腦，這些人已通過自助服務獲得了授權，並被開源軟體吸引。

有很多方法可以讓SAS重新變酷。我們回想起幾年前，飛到一個會議上(實際上，是SAS)，在那裡我們發現自己坐在一名高中高年級學生旁邊，他正要去UT Austin去查看他們的數據科學項目。通過自學，他已經精通R和Python語言，但更喜歡SAS，因為全功能分析環境。這就是SAS想要複製的場景。

為此，SAS長期投資於培養下一代SAS程序員的高等教育計劃。但現在它必須做得更多：它必須滿足他們的年輕從業者：在雲端和開源社區。對他們來說，雲使onramp變得容易，而開源則是社區創新的代名詞。順便說一句，開源提供了職業可移植性。學習專有工具，你只能去那些使用該工具的公司，而學習開源，你幾乎可以去任何地方。

我們先從雲端開始。 SAS在SaaS業務上上還處於初期階段。有限的SAS客戶群正在使用其自己的數據中心（位於Cary，NC總部和法蘭克福附近）的雲服務或SAS託管在公共雲中的服務。它還在AWS Marketplace上提供受管理的SAS分析服務，但嚴格限於高等教育。 Viya由於運行在彈性CAS基礎架構上，因此「雲端友好」尚未作為託管雲分析平台即服務提供。今天，要進入雲端，您必須通過基礎架構即服務來部署。

這將會改變。 SAS現在正在將其分析工具重新設計為更適合雲的容器和微服務;我們預計首個集裝箱化的SAS分析服務將在Viya平台上亮相。重新架構非常重要，因為容器和微服務提供了兩個關鍵優勢。

首先，他們更有效地利用雲資源，這意味著像SAS這樣的託管服務提供商可以更具競爭力地為其SaaS產品定價。

其次，通過將整體應用程序和工具重構為容器和微服務，SAS可以更容易地創建新的基於雲的服務，如SAS Visual Investigator，可以從Visual Statistics，Data Prep，Enterprise Miner和其他工具中整理SAS組合的功能。這意味著SAS可以通過加快推出新服務來更好地響應雲中的客戶需求。順便說一下，這樣的混搭與SAS的Viya路線圖非常吻合，它將在更現代的基於Web的界面下展示來自核心組合的大量功能。

至於開源，如上所述，SAS主要通過Viya與其進行交互。但是，SAS對SAS和ML的認知不足，應該開始貢獻開源。

SAS採用開源技術的主要原因是ML和AI，這有兩個原因。首先，大部分AI / ML創新已經在開源社區中發生。在深度學習中，思想領袖谷歌和亞馬遜分別在TensorFlow和MXNet中投入;對於ML方面，還有Spark MlLib，Python社區的Scikit-Learn以及R的CRAN庫等等。其次，開放源代碼是讓數據科學家著迷的好地方，因為它消除了進入的障礙。

這並不意味著SAS應該成為一家開源公司。它的核心區別是管理分析生命周期的底層平台，更不用說其深厚的分析工具和功能;這對開源並不合適。但對於像ML這樣的「門戶藥物」，它為SAS提供了讓他們已有的未來客戶參與其中的合理場所。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！