商业智能BI 数据可视化市场 SaaS 模式；2017年商业智能 BI 发展趋势分析；对敏捷BI的客观理解
Posted 产业智能官
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了商业智能BI 数据可视化市场 SaaS 模式；2017年商业智能 BI 发展趋势分析；对敏捷BI的客观理解相关的知识，希望对你有一定的参考价值。
深入分析 BI 数据可视化市场 SaaS 模式
天善智能
专注于商业智能BI和数据分析、大数据领域的垂直社区平台
最近碰到很多社区朋友都在关心 BI 领域有关 SaaS 应用的话题，这是一个很好的现象，因为 SaaS 尽管在 BI 领域起步的不算非常早，但它是一个趋势，很值得大家关注。我最近也参加了一些厂商举办的关于大数据行业、产品类的话题交流，对于 BI 数据可视化分析领域的 SaaS 发展情况简单总结了一些个人看法，在这里与大家分享和交流。
以下几个话题针对一些不太了解 SaaS 服务的朋友
1. 什么是 SaaS 服务？
2. 和云计算有什么样的关系？
3. SaaS 的应用场景？
以下几个话题针对关注数据可视化市场 SaaS 应用的朋友
4. 大数据时代下商业智能 BI 的发展现状与特点
5. 数据可视化市场 SaaS 发展会遇到的问题
6. 数据可视化市场 SaaS 发展要解决好的几个问题
1. 什么是 SaaS 服务？
Software as a service 软件即服务，通过互联网提供软件的模式。服务商/供应商把应用软件统一的部署在自己的服务器上，用户可以根据自己的需求向服务商订购或者租赁所需要的应用服务。所有的服务器、相关硬件、网络设施、软件的维护与升级都是由服务商提供，用户只需要通过互联网就可以享受到非常便利的硬件、软件和维护服务。
比如针对个人的百度的云盘、有道云笔记、印象笔记，或者针对企业的 QQ 企业邮箱、网上会议系统、协同工具、多领域服务的 CRM 软件 Saleforce 等都是 SaaS 的典型应用模式。有免费也有收费的，收费模式大多是按租用费、用户数量、存储空间或者流量等收费。由于用户不承担软硬件维护成本，所以这种服务方式极大的降低了用户的开销成本。
比如说像我们天善团队在创立之初为了节省成本就是使用的 QQ 企业邮箱、Tower、Gotomeeting 等工具在北京、上海、长沙三地工作和协作办公。除了办公资源和人力资源的投入，在其它 IT 软硬件和设备维护上几乎没有投入，极大的降低了团队运营成本。弊端就是数据安全和稳定性，所有的数据存放在 SaaS 服务提供商那里，所有的服务都必须完全依赖服务商（通常情况下不会有太大问题）。
2. 和云计算有什么样的关系？
云计算 Cloud Computing，是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备。Saas 只是云计算的一种应用模式。
粗略来讲云计算可以分为三层（IaaS、PaaS、SaaS）
比如我们目前购置的就是阿里云服务，通常按年按项目进行付费，我们只需要在虚拟服务器上部署我们的网站、数据库等软件等，其它所有的网站服务器的维护和存储资源管理都由阿里云来提供，包括一般的网络攻击防护（最近天善受到了一些内部的来自阿里云上其它租户的攻击，有的攻击还是需要我们运维人员来解决）。
PaaS ( Platform-as-a- Service 平台即服务) ，PaaS 实际上是指将软件研发的平台作为一种服务，以 SaaS 的模式提交给用户，PaaS 介于 IaaS 和 SaaS 之间的一种服务。简单理解 IaaS 构建的是虚机、存储等 IT 基础设施环境，PaaS 则是面向开发人员提供了运行应用程序的开发环境。比如将操作系统、应用开发环境等平台级产品通过 WEB 以服务的方式提供给用户，用户写好应用程序上传即可完成编译、调试、发布整个流程。 这个环境就类似于 php 开发程序所需要的 Apache 引擎，Java 运行所需要的 JRE、Tomcat 等环境的支持。
国外的 PaaS 产品例如 GAE（Google App Engine）、Windows Azure （提供了 Microsoft SQL 数据库服务、.NET 服务等），国内的类似于百度应用引擎 BAE，腾讯云平台 QCloud、阿里云 ACE - Aliyun Cloud Enginee 等。
SaaS 略，参考之前的介绍。
3. SaaS 的应用场景？
1）. 需要较低的投入成本，较高的工作效率。特别是创业型公司、初创团队往往都会采用这种服务外包的形式来降低人力和资源投入，集中精力专注本身的业务发展。比如我们不仅仅是一些邮箱、协同办公方面我们使用了 SaaS 服务，甚至像社保、公积金的缴纳我们也使用了 SaaS 服务，降低成本和提高工作效率。
2）. 异地、协同办公与合作、快速增长的业务线。比如团队跨地域、工作跨地域、可以通过协同办公软件，比如在线的 OA、Office、CRM、协同办公的项目管理等，所有内容都保存在云端，也不需要额外的维护，在家和在办公室都可以完成工作的同步。特别在一些高速成长的团队中，当 IT 的支撑力度跟不上业务的快速发展，也没有精力来维护各条业务线上庞大的软件服务，那么各种细分领域的 SaaS 服务就可以解决这些问题、比如人力资源、供应链管理、财务服务等。
3）. 侧重细分领域的信息和行业标准化的应用。细分领域和标准化是 SaaS 服务的两个非常重要的因素，比如提供标准化的信息录入、流程管理、内容管理，并且这种标准化通常是基于某一个特定细分领域，比如上面所提到的人力资源、供应链管理、财务方面；或者基于某一个行业，比如零售行业、O2O 行业、互联网行业等 SaaS 应用服务。
4）. 需要大数据计算和高存储能力支撑的应用。比如通过各个渠道的海量数据采集、大数据分布式计算、海量存储等技术才能提供的一些市场数据分析与市场预测，这些作为一般的公司通常是没有这种能力支撑这么大的应用规模，无论是从技术能力或人力成本上都无法跟上，最好的方式就是购买 SaaS 服务，专业的事情交给专业的组织结构去做。
4. 大数据时代下商业智能 BI 的发展现状与特点
总的来说就是市场空间巨大，“大数据”这一词唤醒了更多的人愿意关注数据、了解数据。当然“大数据”在很多应用场景下也是被人们滥用了，言必谈“大数据”，但是其实很多企业还是需要从基础的数据治理做起，从小数据做起。
1） 传统的 IT 应用系统已经非常普及，数据多年的沉淀需要被挖掘利用。目前基本上没有哪一个传统行业没有 ERP、OA、CRM等业务系统，从北上广深一线城市到二线甚至三线城市，IT 应用的普及与发展已经非常成熟，没有业务系统的支撑是无法生存下去的。经过多年的数据积累和发展，已经具备商业智能BI和分析所需要的数据基础。
2） 商业智能 BI 和分析的门槛逐步降低，商业智能 BI已经成为企业 IT 部门的标配。在2010年、2011年以前，我们在招聘网站上搜索 ETL 相关的职位不过几页，可见企业多 BI 的需求并不是非常多。一方面是数据的积累没有到一定的量，第二方面是商业智能 BI 的成本，无论是软件成本还是人力成本都非常高。当时能够有能力采购商业智能BI 系统的基本上是以金融银行、保险以及大型医疗制造行业为主。涉及到软件也基本上是比如 Oracle、SAP、IBM 等旗下的 BI 产品，这些对于一般中小型企业成本太高。而人力成本则是传统的 BI 实施周期长、相关人才招聘困难导致。而目前虽然也需要采购商业 BI 产品，但是总体来说产品的选择性更加丰富，人才的储备比当时也容易很多。所以，在现在商业智能 BI 慢慢不再是奢侈品，已经逐渐成为企业整个 IT 架构的功能模块和标配环节。
3）市场竞争和经济环境的影响促使企业更加重视精细化运营和管理的投入。比起以前开放式的粗放型的管理，在遇到经济环境整体不利和更多的市场竞争情况下，势必会更加注重梳理和控制企业的各个环节，而用来找到“症结”和应对市场快速反应的唯一方式就是管理和利用好数据，用数据说话。
4） 以 IT 主导的商业智能 BI 和分析逐步演变为向以业务为主导的自助式分析过程。在过去的传统的商业智能 BI 系统开发和报表系统基本上都是以 IT 部门为主导的，从需求的提出到数据展现报表的分发通常需要很长时间，严重的阻碍了业务部门的日常运作需要。所以如何解放 IT 部门，让 IT 部门只负责 BI 系统的管理与维护，让业务部门自主进行数据报表的制作和展现分析就变得尤为重要。
我曾参加过大众金融的 BI 项目，通过 IT 部门部署和维护的 BI 系统，业务人员通过 BI 部门的培训可以自主制作报表用来支持日常的业务分析。据日志系统记录，200多个用户总共创建了近3000张自定义的数据分析报表，日常常用报表占报表总数 50%以上。如果这些数据分析报表全部由 IT 部门来承担，仅靠几个 BI 开发人员是无力支撑这么庞大的工作量的。好处显而易见，既减少了 BI 团队的投入，又提高了工作效率。
所以总结来说，目前在国内市场上商业智能 BI 和分析平台的空间仍然很大。商业智能BI和分析门槛降低，解放 IT 以业务驱动和导向的数据分析平台这是一个必然趋势。
5. 数据可视化市场 SaaS 发展会遇到的问题
为什么只谈 BI 领域的数据可视化市场 SaaS 产品发展存在的问题，而不谈 BI 市场 SaaS 产品的问题。因为 BI 领域涉及到的不仅仅是可视化数据分析，还包括了传统的 BI 报表，数据仓库建模、ETL 等流程。可视化数据分析是位于整个 BI 的最顶端，最能够体现将数据变成信息、信息产生价值的一个环节，是数据最终呈现的载体，通过分析挖掘价值并产生落地的决策。可视化分析领域也是最容易发展成 SaaS 服务模式的，因为它避免了底层复杂的数据清洗的过程，而数据清洗、数仓的建设恰恰是需要高度的定制化服务的。
最近在和一些国内可视化分析领域的 SaaS 产品服务商交流，有的已经在行业内树立了不少的标杆客户，也有正在努力打磨产品准备推出到市场上的潜在供应商，从产品的角度综合起来看我觉得有几个共性的问题是需要 SaaS 产品服务商考虑的 （假设读者了解 Domo 的情况下）：
1）在单纯的数据分析方面，包括数据的接入、工作表管理、可视化分析和仪表盘等功能方面，SaaS 分析应用和市面上大部分可视化工具差别不大，用户缺乏使用的动力。比如在可视化领域有很多免费的桌面版工具，QlikSense Desktop、微软 Power BI Desktop 等产品都是可以作为个人免费使用，并且可以完成非常不错的可视化效果和基本的数据分析工作。
2）数据的安全性、使用的稳定性该如何更好的保证。很多公司的信息保护意识是比较强的，信息安全的条例都是明确写入员工手册中的，包括最基本的邮件、文件、还有各种业务系统中的数据都是属于安全保护的重点。将数据上传云端来做一些其它工具可以完成的分析，这种挑战所付出的代价还是太大。除非是公司层面上允许员工的这种做法，或者公司已经是某 SaaS 可视化分析厂商的客户。
3）缺乏社交分享的动力，工作的数据很难进行对外公开分享，仅适用对内分享。在可视化分析的 SaaS 工具中，社交和分享是很大的两个亮点。但是这里的社交分享我的看法还是属于工作范围之内的，团队或部分之间的关于某些数据分析的结果、报表进行分享、批注、反馈的一个过程。其实在国内某些产品已经做到了这种批注回写、审阅的功能，但是并没有 SaaS 化。
4）对数据的质量要求也相对来说比较高，规范的数据格式，可分析的数据格式。对于数据格式的依赖会非常的高，对于可视化产品而言，工具的使用、图表的制作是一个标准化的使用过程。我们很难要求每一个业务人员都能独立的完成数据处理和清洗的过程，将规范化不可分析的或者不规范化也不可分析的数据变成一个规范化且可分析的结果，很多业务人员是没有这个能力的。
SaaS 可视化分析产品和用户教育目前总体都不是非常成熟，但是相信在未来的几年间会变得成熟，通常情况下也就 2-3 年的时间。就如同我们在2013年到现在2016年不过三年的时间，从传统 BI 到敏捷 BI、传统定制化报表到可视化数据分析的用户教育一样，大家都是从不成熟变得成熟，到如今可视化数据分析已经深入人心。
例如像 Tableau、Qlik (QlikView、QlikSense) 这些位居 2016年商业智能和分析平台的领导者象限的两大产品（另外一个是微软的 Power BI）最早也是在 2013年左右进入中国市场，像国内的永洪 BI 也是从数据可视化分析领域切入，时间点也正好是在 2013年。除此之外，帆软软件、Smartbi、奥威 Power-BI、国云科技等也都是从这个时间点重点推进了可视化分析的产品，并且也拥有了各自领域的标杆客户。老牌 BI 巨头 Oracle、IBM、Microsoft 也在逐步转身跟进，直接跨过可视化分析的市场教育阶段，走向 SaaS 服务，目前比如 Microsoft Power BI，Desktop 免费，比如每个月每用户 9.9 美金直接使用（目前的 Power BI 部署是国外的云，在2016年的11月份国内云将正式上线）。
所以，从2015年可视化分析 SaaS 服务逐步在国内市场发出声音到 2018也是一个三年的时间（有的可视化数据分析厂商早在 2013年就已经在布局 SaaS 市场，例如 BDP），那么在这个三年的时间里也一定会出现一批比较成熟和很成熟的可视化分析 SaaS 模式的产品。
6. 数据可视化市场 SaaS 发展要解决好的几个问题
尽管上面提了这么多的问题，但是作为我个人我还是比较看好 SaaS 可视化数据分析在国内的发展，它是未来 BI SaaS 模式的入口和切入点，同时从产品形态上来讲丰富了用户的选择。当然也可能结合 On Premise 本地化部署和 Mixed 混合模式来推进这个巨大的市场。
我觉得数据可视化市场 SaaS 的发展需要解决好以下几个用户会比较关心的问题：
1）安全、稳定、混合云部署需要多方面考虑。使用成本低，付费模式的多样化是 SaaS 服务的天然优势，但是从数据安全性上来如何保证用户的数据隐私不受侵犯，特别是在国内比较和谐的环境下会不会出现给某些机构留后台接口，还有公司的财务数据的特殊问题如何解决？ 服务稳定性上如何，灾备切换、网络攻防也是一大挑战。在这种比较特殊的环境下，一种能够比较能接受的方式是一部分比较敏感和核心的数据需要进行私有化部署，采取混合部署模式。当然，目前也有多数据进行加密的措施，在安全性上是比较有保障的。但这个就比如把自己的钱放在别人的保险箱里，多多少少会存在这样的顾虑。
2）云端的分析功能在用户体验，功能实现上要比桌面端至少一致或者要求更高。有别于 Desktop 版本的开发都在本地，并且这些桌面版工具相对来说也已经非常成熟。那么如果将数据放在云端开发和分析，至少在数据分析、图表制作等基本的操作流程上，云端的分析和展现能力至少要能够与一些比较普及的桌面版的展现能力持平，包括最基本的 UI 设计、报表美观程度等。
3）一定是结合行业特点，在行业细分领域提供很好的分析接口，标准化的分析模板。就像我之前所提到的，可视化数据分析的 SaaS 产品对比于普通的 Desktop 数据可视化分析产品 PK 上并没有太多的优势，但是它可以深入行业，在行业细分领域进行深耕。比如对于零售细分行业提供标准化的分析模板，提供标准化的数据分析接口，用户只需要按照相应的接口提供数据就可以得到全套的分析模型。同时，在细分领域的标准化分析模板同时，也有针对性的定制化分析组件提供。深入行业或细分领域也是 SaaS 的一大特点，并且这种方式也解决了标准化的问题。
4）可提供大量的辅助的第三方数据来源配合使用，辅助现有接口数据分析。在 SaaS 服务平台上可以和租户交换数据资源，租户获得相对应的数据分析与行业统计报告，即你对我开放，我则对你开放，公平且合理。
SaaS 服务商可以拿到更多的数据（不排除私自采集用户数据的可能），数据即价值，这部分价值随着租户的增长而无限放大。另外，由于大家都在使用同一套 SaaS 服务，则平台本身变成了一个统一的入口，在这个平台入口上可以提供很多的增值服务，比如提供行业相关的数据借口、用户数据（脱敏的）接口，和平台本身相结合，可能本身就能完成一站式用户画像、产品的舆情分析、竞品分析等。解决的是什么问题？ 解决的是各个企业，在他们解决了内部数据之后寻求外部数据资源的需求。
5）性能问题上有保障，上传下载、大量的聚合操作。性能上的问题一定是大问题，在很多场景下数据可视化 SaaS 服务在现有互联网环境下是满足不了的，比如上传几个 GB 的数据到云端，下载几个 GB 的数据到本地。所以需要定义使用场景，云端分析服务在目前这个阶段一定是基于两种方式：第一，汇总数据的上传分析，或者轻度汇总数据的上传分析。第二，通过实施将用户数据接口打通，大部分数据预先聚合汇总，前端在展现分析。
6）快速有效的开发和部署、发布和访问模式，降低人力和时间成本。这一点相对来说是比较容易做到的，也是 SaaS 服务的优势所在。
7）分享与互动，比如批注、注解、团队互动的模式，可以增加用户使用黏性。需要考虑到最终用户使用可视化分析产品的场景，以及他/她之后的动作。我们说将数据变为信息，信息产生决策，决策产生价值整个才是一个 BI 完整的逻辑生命线。可视化分析解决的是将数据变为信息的过程，这个信息的载体可以是一张纸、一份报表，最终这些内容都是需要经过展现、交流、博弈、确认等过程才能产生一个决策落地。那么我们的分享和互动就需要围绕着这些流程来思考，如何处理这样的场景。比如分享给团队一张报表，指派给某一个人审核、产生批注、提出质疑、提出意见、最后大家形成一个决策来指导某些行为的落地等等。比如通过分析发现某些产品销售量越大、亏损越大，并且有一组相关的报表分析明确的指出了一系列原因：成本增加、库龄长等等，最后的讨论结果就是砍掉这个产品。所以，这是真正把数据分析的场景延长了，延长到信息产生决策，而且决策可以落地的一个阶段。场景的延长，就意味着产品的生命线在延长，自身的价值在延长。
8）BI 的深入发展，BI SaaS 化。这个不是没有可能，BI 是随着业务系统的演变而发生演变的，当所有的基础环境，比如数据库环境、业务环境（其它的 SaaS 服务）全都云端化以后，数据在哪里，数据治理和分析的目标就在哪里。并且目前已经是从可视化分析领域切入，随之而来的就应该是可视化之下的各个层次切入。所以到时可能还不是简单的 SaaS 服务模式，是不是可能发展成为一个 PaaS 模式，我觉得很值得探讨。但是目前来说，我觉得上面提到的第三点 "一定是结合行业特点，在行业细分领域提供很好的分析接口，标准化的分析模板” 是完全可以用心做好的。
2017年商业智能 BI 发展趋势分析
天善智能
专注于商业智能BI和数据分析、大数据领域的垂直社区平台
全文近 6000 字，看完大约需要 10 分钟
本文主要涉及到以下四个方面的内容：
1. 传统 BI 和新型 BI 的分水岭（2013年）
2. 新型 BI 的高速发展期和传统BI的衰退（2013年-2016年）
3. 传统 BI 巨头下滑期的变革与快速调整（2013年-2016年）
4. 商业智能 BI 发展的新趋势（2017年-2020年）
在展望2017年商业智能 BI 发展趋势前，我们先来了解一下商业智能 BI 发展的几个重要阶段。
传统 BI 和新型 BI 的分水岭（2013年）
大背景
在2013年以前相当长的一个周期（2005年-2013年），市场主要流行的商业智能BI产品以 SAP BO、Oracle BIEE、IBM Cognos 等老牌巨头为主。Microsoft 旗下的BI产品到SQL Server 2005 才开始推出了一套比较完整的产品解决方案（SSIS、SSAS、SSRS），但总体来说在市场上的声音也比较薄弱，主要用户还是微软相关技术体系的客户群体，相对封闭。
同时，东南融通在并购BI黄埔军校菲奈特后也基本上横扫了国内金融银行市场服务领域，打下了国内BI市场的半壁江山。很多公司的决策者、企业高层、一些BI厂商和大数据公司的创始人或核心团队成员都来自于这个体系。
国内BI厂商例如润乾、Smartbi、帆软、奥威Power-BI在这个周期也处于一个起步和缓慢成长期。
在这个时期出现了数据仓库之路， CognosChina，中国统计网、向上论坛等大小十几个商业智能BI和社区，整个商业智能BI的生态都算是比较良好。
以上是2013年以前国内商业智能BI的大概情况，我们再来看看商业智能BI的市场特点。
商业智能BI市场的特点
商业智能 BI 市场的成熟需要依托企业业务应用系统的成熟，这个成熟主要是指业务系统数据沉淀的数据周期，这个过程至少需要3-5年的时间，企业才会考虑到数据打通和整合的问题，通过上BI产品来完成日常的经营分析、客户分析和报表展现。没有IT基础建设和各个业务系统的成熟，BI就是空中楼阁。
早在2005年-2010年期间，第一波以金融、保险、银行、电信、电网、医疗为主的大客户群体，他们最早上线了适应自己业务的应用系统，类似于ERP、CRM、OA、HIS等。因此按照数据沉淀的周期，大概从2008年-2013年期间，这些群体构成了商业智能BI产品的消费主体。同时也要注意到的是，他们也正好是能够有实力采购 SAP BO、Oracle BIEE、IBM Cognos 这些用户群体。
随着IT信息化系统建设的成本越来越低，和越来越多的中小型企业也逐步重视起自己IT应用系统的建设和发展。基本上可以看到，在一线、二线城市稍微具备一定业务规模的企业都已经上线了各种业务系统，无论是自己IT内部开发的还是采购外部的业务系统。这个建设周期大家可以对照各自公司IT信息化建设的情况，大概也集中在2008-2013期间。业务系统一旦运转，以前手工作坊式的纸质的数据记录就逐步被抛弃，就意味着系统里源源不断的生产数据，这个就是数据沉淀、养数据的过程。
用户期望与传统商业智能BI的矛盾点
数据养好了，下一步动作就是要用好数据。但是问题在哪里？建设商业智能BI项目的成本！
第一，产品成本。产品成本包括采购产品以及相关的硬件、后续的维护、咨询服务、培训成本。很多企业不是不想上 SAP BO、OBIEE、Cognos，而是考虑到这些成本的问题。
第二，项目实施周期和人力成本。传统商业智能BI的实施周期由于考虑到系统的可扩展性、查询性能优化等对传统数据仓库的设计规范要求相对来说是比较高的。无论是Kimball还是 Inmon，或者两者结合的组合设计，这个周期都比较长，项目周期按月、按年来计算。
第三，服务响应周期长。IT部门对于业务部门提出的数据需求，比如简单的报表制作，按照生产流程，少则一周多则一个月。这是纯粹的IT驱动，已经跟不上业务的发展要求。一个公司200个业务，每个人提一个报表需求，人少做不了，人多成本高。
所以，在2013年前后，很多企业的IT信息化建设早已经完成，对应的数据沉淀也已经足够，下一步就是要解决商业智能BI上线的问题。但是，上述的三个成本因素阻碍了企业进一步的想法，市场上急需能够解决以上三个问题的新的解决方案或者新的产品。
新的市场机会应运而生，2013年是一个商业智能BI发展史的一个重要转折点。同时，蛰伏了多年的大数据的概念从2013年开始也逐步由内部研究、小范围市场应用逐步走向前台。
比如同期成立的公司有星环科技、海云数据、 2011年成立的 TalkingData 也在2013年拿到 A 轮投资，2012年成立的Geo 集奥也在2013年前后拿到 A 轮融资。
新型 BI 的高速发展期和传统BI的衰退（2013年-2016年）
可视化数据分析、Self-BI 的集中在国内市场出现
2013年-2016年是新型BI和高速发展期也是传统BI的衰退期。2013年整个市场和商业智能BI成长的主要特点就是传统商业智能BI开始向敏捷BI的转型、可视化数据分析、Self-BI 的集中在国内市场出现。
我选取了一些大家在市场上比较熟知的厂商和产品，看看在2013年这个时间点上都发生了哪些事情。
1. QlikTech - 总部在美国的一家瑞典公司，2010年7月在纳斯达克上市。2013年前后上海亦策取代科加诺成为 QlikView 在国内最大的代理，目前已占据国内 Qlik 代理市场至少70%以上的份额。2013年年底 QlikTech 授权上海亦策成立中国首个 QlikView 授权培训中心。
2. Tableau – 2013年5月登陆纽交所上市，同时2013年前后 Tableau产品逐步在国内市场出现，相关技术社区已经开始出现对这个产品的讨论。2014年、2015年、2016年在国内飞速成长，产品代理合作伙伴由以前的几家快速增长到10来家以上，产品服务覆盖国内各大区域和城市。
3. 永洪科技 – 2012年成立，2013年正式推出永洪的可视化分析产品，2014年年初获得艾瑞天使轮投资，2016年7月永洪科技C轮获投2亿元人民币。
4. 海致BDP - 2013年11月成立，2014年1月活动 IDG资本等 A 轮投资。推出的 SaaS BI可视化分析产品，同类型的国外产品是 DOMO。
5. Ptmind –2013年开始进入日本市场，2016年推出数据管理 SaaS 产品 DataDeck。
6. 同时间在国内的商业智能BI厂商还有帆软、亿信华辰、润乾、同期还有 ETHINKBI、Smartbi、奥威Power-BI。这些厂商在迈过了2013年这个时间点之后，一些厂商牢牢的把握了这个成长周期，获得快速成长。
但也看到一些厂商在原地踏步，产品和服务还是处于多年前的水平，既没有技术的沉淀也没有看到对市场快速变化的积极调整。
准确来说，在2013年-2016年这三年的时间中，商业智能BI市场还是发生了非常巨大的变化。
传统BI在向新型BI快速转型
1. 类似于 SAP BO、IBM Cognos、OracleBIEE、Microsoft BI 的原有市场，受到了国内外新型 BI 工具比如Tableau、Qlik、帆软、永洪、Smartbi等厂商的集体冲击。我们社区的一些用户，企业项目中传统BI产品逐步下线，新型BI产品集中上线。
2. 从市场活动和声音上来看，光2016年 Tableau、Qlik、帆软、永洪、Smartbi 等新型BI工具厂商所举办的各种大小型沙龙和峰会活动上百场。
3. 同时，我们也注意到我们 www.hellobi.com 学院和问答社区的活跃度上，传统BI的产品热度也逐步的在走下坡路，大家的注意力转移了。注意力转移到哪里了？更加前端、更加业务化了、更加注意数据分析和挖掘的业务价值上了。
传统BI在衰退，此消彼长。
新型 BI 为什么优于传统 BI ？
1. 产品采购的成本下降。以前采购传统BI工具的成本偏高，培训、服务咨询成本都算比较高。新型BI产品工具只着重解决一些点的问题，不一定需要大而全。
2. 项目周期缩短、人力成本降低。以前的项目周期主要的消耗在 ETL 处理和数据仓库建模、性能优化等方面。如今，建模的要求不再那么高，性能优化在大多数场景下也不再有问题。整个项目周期从以前的月或年为单位快速的减少到按天、周、月为单位。
3. IT 驱动逐步走向业务驱动。IT负责基础数据架构的整理和接口开放维护，业务人员自行进行快速的可视化分析和报表分析维护。
在我们社区企业用户中，有一家企业同样的一个项目做了一年才完工了80% 正好到报表开发阶段。还要面临性能优化、模型的更改和维护，自定义的报表制作麻烦等一系列问题。最后通过选用新型的BI产品和工具，短短两个月不到就已经完成了80%的业务报表分析制作，快速的对业务部门形成了强力的业务支撑。
那么是不是传统BI就一直在走下坡路呢？我不这么认为，因为这些老牌的BI厂商特别是Microsoft、IBM、Oracle 也在积极的进行产品转型。2013年-2016年是他们传统产品模式的下滑期，但同时也是他们新的产品模式的转型期和调整期。
这次调整基本上一次性完成了传统BI到新型BI的转型，同时对未来做了布局。
传统 BI 巨头下滑期的变革与快速调整（2013年-2016年）
传统 BI 巨头的产品转型
1. Oracle 在2015年10月的甲骨文全球大会上正式发布Oracle 数据可视化云服务 （Oracle DataVisualization Cloud Service），旨在为用户提供丰富和功能强大的可视化分析功能。2016年 Oracle 数据可视化桌面版（DataVisualization Desktop 简称 DVDesktop）也正式发布。
这两个阶段的产品发布让DV 的产品组件不仅仅支持本地部署，也可以在云端方便的访问。同时，在个人的桌面端，用户也可以自如的分析任何来自个人或者企业内部的数据。
2. Microsoft 早在2013年就已经推出了 Power BI for Office 365预览版和 Power BI in Excel 更新（Power Map 和 Power Query）。2015年正式推出了 PowerBI Desktop（前身 PowerBI Designer）。
除了强大的可视化分析服务之外，也支持云端部署。2016年11月，就在前不久的 Microsoft Ignite 大会上微软已经和中国的世纪互联合作正式让 PowerBI SaaS服务落地在国内。同时，在大会上看到的PowerBI 内部的 Quick Insight 预测性分析和 Anna Talk 的对接也打通了自然语言和预测性可视化分析流程。
3. IBM 在2015年12月推出了IBM Cognos Analytics，支持业务用户可视化自行分析业务，同时具备发布到云端（OnCloud）和本地安装版本（OnPremise）。
同时，协同IBM Waston Analytics （云端的业务 SaaS 分析服务）组成了强大的自然语言进行预测性分析和交互。打通了数据准备、预测分析和可视化呈现等自动化分析流程。
可以看到三大厂商在2013年-2016年这几年中对产品进行了快速调整，其中调整的重点和关注点在什么地方？云端部署、预测性分析洞察、而预测性分析洞察背后隐藏的是人工智能和机器学习。
这样的调整完成了对未来商业智能BI发展趋势的判断，对未来的产品方向做了提前布局。可以预测的是，在2013年-2016年大家重点关注的区别于传统BI的一些产品特点，比如可视化分析、移动BI、业务驱动自助分析、性能、用户友好等已经成为BI产品的标配，在市场上已经相对稳定和成熟，在2017年这些将不再是重要的关注点和亮点。
市场用户是否成熟的判断
1. 自助式 BI 可视化分析应该成为常态，自助式BI分析已经成为常态，业务人员已经可以独立的完成业务分析。传统的由IT驱动的数据分析转变成为业务驱动分析。
2. IT负责数据架构的治理、数据质量的梳理；业务人员自助分析；以前BI是大公司的专利，现在初创公司通过基本的分析工具就可以完成日常业务数据的分析工作。
3. 传统数据仓库建模的方式会逐步消亡，取而代之的是更加敏捷的BI实现方式，通过表之间的关联关系并及时的进行可视化数据分析并获得结果。
4. 移动 BI 应该成为常态，但在新的趋势中会有进一步的增强。
5. 人们不再单纯的关注于工具本身，能够实现什么样的可视化效果。而更加注重如何利用工具进行业务价值的实现，需要更多行业咨询和业务指导。以单纯的工具作为唯一卖点在将来会被逐步淘汰。
通过以上这几点基本上就可以判断出在这变革的三年期间，用户的成熟度是否随着新型BI所带来的用户价值观改变而得到提升。
在未来，在商业智能BI领域，我们应该更关注什么，会发生什么？
商业智能 BI 发展的新趋势（2017年-2020年）
第一，云端化是重要趋势
在2016年8月份我写过一篇文章 深入分析 BI 数据可视化市场 SaaS 模式。在这篇文章中，我提到大概在2018年前后在国内大概会出现比较成熟或者很成熟的可视化BI分析SaaS模式的产品。判断的依据是什么？还是我在文章开始时提到的：“数据在哪里？分析就在哪里？” 这个观点。
商业智能BI的基础就是业务系统，业务系统本地化因此商业智能BI也是本地化的。当业务系统云端化，当国内SaaS 企业逐步成熟的时候，解决了什么样的问题？业务规范化、标准化和规模化，而随之而来就是数据规范化、标准化和规模化。这种模式一旦落地，很容易基于这些标准数据来做接口，基于这些接口形成较长时间内比较稳定的业务分析形态。
有三个方面的表现：
1. BI SaaS 服务提供商和SaaS 服务提供商直接形成合作关系，直接将 BI SaaS 产品平台化，基于BI工具形成标准的分析成果，作为产品附加值提供给 SaaS 租户。但缺点是，租户在当前 SaaS 平台上只能分析当前 SaaS 平台上的业务数据。
2. 在提供 SaaS BI 产品的时候同时提供了各种SaaS平台上标准的数据接口，这是目前大多数 SaaS BI 服务商的做法。比如国外的 Salesforce、Twitter、Google Analytics 等等已经被一些 SaaS BI 厂商所打通。比如国内的 Ptmind 公司，他们提供的用户行为分析 SaaS产品 Ptengine 本身又为他们自己的 DataDeck SaaS 数据分析产品提供了 SaaS 数据源接口支持。
3. 最后，云端部署还有一个非常大的优势，价格便宜。关于更多的有关 SaaS BI 的分析不再这里一一说明，具体的可以参看深入分析 BI 数据可视化市场 SaaS 模式。
我认为除了这几家巨头 （Microsoft、IBM、Oracle）在云端产品布局以外，在2017年和2018年间也一定会看到一些其它的 BI 厂商往云端进行转变。
在国内整个 SaaS BI 的成熟期将会受到国内 SaaS 服务市场的成熟度的影响，国内SaaS 市场成熟的越早，SaaS BI 的成熟就越快。但从行业的角度上来看，也不是所有的行业都适用于 SaaS BI 产品，比如金融、银行、电信因数据体量和数据安全性上的考虑本身对 SaaS 服务天然屏蔽的行业。但无论如何，这一定是一个大的趋势，这个市场空间还是非常巨大的。
第二，BI 的边界会逐步模糊
未来的数据产品解决方案不仅仅是解决内部取数和数据分析与展现的问题，而可能通过云端的数据接口拿到更多的外部数据。大数据、小数据的边界会越来越模糊，人们更加关注的是数据本身，要用数据解决什么样的问题，更加聚焦在数据产生价值上。
大数据和小数据不再有严格的区分，特别是当云端 SaaS 服务模式越来越普及的时候，云BI也能解决大多数业务场景下的大数据和性能方面的困扰。
在我观察到的国内一些数据类产品中，就发现了这样的一些趋势。前端用户行为分析越来越朝着BI的方向走，而一些SaaS BI 产品也在解决好用户内部数据之外引入了外部数据包括用户行为分析数据。
第三，单纯的BI工具价值逐步削弱
就如同前面提到的，人们不再单纯的关注于工具本身能够实现什么样的可视化效果。而更加注重如何利用工具进行业务价值的实现，需要更多行业咨询和业务指导。以单纯的工具作为唯一的卖点在将来会被逐步淘汰。
第四，可视化分析也需要配备轻量级的 ETL 数据准备工具
很多企业在内部的数据管理和业务系统数据规范性上一样存在很大的问题，在 IT 部门对基础的数据质量做完梳理之后，业务人员在很多场景下也一样需要相应的数据准备工作，可视化分析工具需要搭配一些简单易用的 ETL 工具能够让业务人员自助完成一些基础的数据准备工作。当然，如果未来业务在云端，数据标准化的过程将会更加容易和便捷。
第五，预测性分析、人工智能和机器学习是未来新的增长点
在今年Microsoft Ignite 技术大会上我们已经看到了Microsoft Power BI Quick Insight 和 Anna Talk 的结合。IBM Waston Analytics 强大的自然语言进行预测性分析和交互。这两者都实现了预测性分析、对自然语言解析以及可视化推送的效果。以往的数据洞察需要靠人，靠拖拽数据、钻取数据交互分析获得，但在以后多了更多的方式 —— 机器洞察、智能洞察。虽然从数据的准确度、合理性、语言处理维度的程度上都不能完全替代人们自助的数据分析方式，但无论如何，这种尝试已经在朝着成熟的方向来发展了。
第六，移动 BI 和协作办公越来越强
移动BI应该包括两个方面的因素：移动 + 协作。在之前提到过，在下个阶段的BI发展趋势上，移动BI的展现已经不再是亮点，移动BI已经成为企业数据展现的标配。传统的数据信息交换方式是单向输出，中心到个人的输出模式，而以后的模式是中心到个人，个人到个人可逆的传输模式。目前我们已经看到一些移动协作的方式，比如和微信的集成打通。但以后的数据分析和分享协作模式应该会越来越丰富，很有想象的空间。
总结
无论产品的趋势如何发展，大家更加关注的还是如何通过数据发掘业务价值。围绕业务价值对数据进行认知和发掘，无论大数据还是小数据，关心用户真正面临的和要解决的问题，才是一个产品发展的真正内涵。
最后，祝大家新年快乐！
2016年12月31日
（全文完，本文仅代表个人观点，仅供参考，不作为任何商业指导用途。）
这篇文章才是对敏捷BI的客观理解
天善智能
专注于商业智能BI和数据分析、大数据领域的垂直社区平台
文章来自天善智能大数据社区 www.hellobi.com 博客专栏 Smartbi。欢迎更多在大数据、数据分析、数据挖掘和商业智能 BI 领域的一线技术爱好者、咨询顾问、CTO等加入 www.hellobi.com 社区，开启您的个人博客专栏，共同推动大数据行业和技术的进步。
一. 数据时代催生敏捷需求
最早提出“大数据”时代到来的是全球知名管理咨询公司-麦肯锡，麦肯锡季刊曾发表：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素“。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。“大数据”在物理学、生物学、环境生态学等领域以及军事、金融、通讯等行业存在已有时日，却因为近年来互联网和信息行业的发展而引起人们关注。
从以上数据对比（暂且忽略数据完整性），我们可以看到“大数据”已经超过二孩、人工智能，与企业管理、A股、新能源车等关注点同处于50万-100万的程度，更是高于商业智能（Business Intelligence）十倍有余。
无论任何新的概念或者技术，如果它没有应用价值，就肯定不会被推广，但如果它具有个人都能理解的“应用价值”，就会在今天被移动互联网快速传播、无限放大。无疑“大数据”就是这样发展起来的，同时人们也从其应用价值中接受了“数据化管理、数据化运营、数据化决策“等管理理念。这也是大数据能够成为驱动经济、社会进步与发展的原因。
与此同时，企业的经营面临越来越激烈的竞争，政府的转型也面临数据服务的压力，如果部署数据分析平台还像10年前经历漫长实施过程的话，那么数据化运营将成为空谈。于是满足市场期望的“敏捷商业智能“出现了，无论用户还是厂商，都希望能够在数据平台上构建分析系统的过程变得更加迅速、简单和高效！
二. 敏捷商业智能的误区
我们产品的名称由2部分组成，SMART+BI，前者就是聪明的、敏捷的，后者就是商业智能。这也说明自产品诞生起，我们一直以“简洁实用”的BI作为努力的目标！通过看到市场上琳琅满目的宣传广告，以及 Smartbi 自身的服务和研发，我们终于“不惑”！
首先，敏捷BI并不是指某个前端工具软件，而是贯穿在数据分析平台构建和运行过程中的快速实现能力。
摘自：www.wikipedia.com
Agile Business Intelligence (BI) refers to the use of the agile software development methodology for BI projects[1] to reduce the time-to-value of traditional BI and helps in quickly adapting to changing business needs.[2] Agile BI enables the BI team and managers to make better business decisions。
简单来说，评价是否是敏捷BI应该从以下角度：
■ IT可以快速提供可选的分析数据；
■ 非常简单的给现有报表增加字段；
■ 能够快速完成新仪表盘的制作；
其次，具有敏捷BI属性的前端分析软件，不是”传统BI”的替代品！
二十几年前与BI、数据仓库同时诞生的OLAP（Online Analysis Process），正是由于为业务人员提供了灵活的分析、计算、钻取能力而风靡全球。但过去的十年，OLAP的产品却不再风光，出现这个问题的不是其需求发生了改变，而是其技术不够简单，或者说违背敏捷BI的潮流。但是，随着Apache Kylin项目的成功推广，OLAP即将在大数据时代重新焕发青春。
再举个例子，Business Objects曾经因“语义层”和“内存Cube”的专利技术，在十年前得到了广泛的认可，也最终以78亿美金出售给了SAP。当时BO的用户，就是能够在敏捷BI的方式下进行自助分析。无论是当时，还是现在，业务人员的需求没有变化，他们一直需要能够快速、便捷的分析数据，以及做出一些漂亮的图形去做汇报！
因此从软件本身，从来没有两个派别，只有不断的技术创新和发展。
最后，敏捷BI无法替你解决需求分析、数据准备、平台管理等难题！
无论Smartbi还是别的前端分析软件，都只是将数据平台（数据库、数据仓库、大数据平台）的数据统计展现出来，都是将大数据变成可读懂的小数据的过程。
■ 如果使用者不能确定数据能否覆盖潜在需要，同样不可能得到有用的分析结论；
■ 如果数据平台的数据是脏数据，统计展现的结果一定也是不准确的（”Garbage in,gargage out”这句话依然有效!）；
■ 如果快速制作的报表，不能在安全的前提下发布给报表消费者（一般是领导），对于大型的用户，同样都是重大风险；
■ 如果数据源变更了内容，但不能确定受到影响的有哪些应用，谁敢轻易变更；
总之，敏捷BI是客观存在的市场需求，Smartbi和其它软件都在构成敏捷BI的前端分析工具环节不断实践和思考。比如，我们认为未来改进的方向应包括以下3个角度：
从逻辑上说，这三条是构成敏捷BI的“必要条件”，而不是“充分条件”。元数据与高性能都是缘于技术架构的，在各个软件之间差异很大，但在简易操作方面，各个厂商都有自己的设计，也才能满足不同类的用户操作需求。
三. 敏捷商业智能的本质
前文从大数据等时代背景，分析了敏捷BI需求存在的合理性，也通过解读敏捷BI的误区提出了敏捷BI软件的“金三角”，但敏捷BI有没有一个最能让我们记住的核心价值呢？答案是肯定的，那就是“快而有效”！
从汉语词典中可以查到，敏捷一词的基本释义就是“反应迅速快捷”，词性为“褒义”！那么在数据分析（BI）行业，敏捷具体体现在以下四个方面：
1. 快而有效的交付
交付是一个动词，那么从其主语（操作者）和宾语（需求方）来剖析，有这么四种情况：
其中情况2、3都是小概率事件，我们不予探讨。而从情况1、4来做系统性的分析，我们可以看到共同的宾语（交付对象）都是业务需求方。那么在任何规模以上企业、政府中，业务需求方对BI一般会有哪些需求呢？
需求一：获取数据
其实这个需求最普遍，也最不用解释，任何软件（包括BI）都要提供Excel导出功能。这背后的原因可能是业务需求方自己有一些数据，他需要从平台补充做分析；也可能是用户习惯于使用Excel做报表、做计算。
需求二：制作报表
这个是用户的核心需求，大多数的业务需求方使用BI平台软件，都觉得制作一份简单的统计报表比较方便、快捷，往往通过拖拽就可以完成了。尤其在管理需求瞬息万变的情况下，企业有大量的制作报表需求，而且往往要得快、要得急。
需求三：探索分析
制作报表是目标非常明确的需求，但很多情况下，需求方往往只给出了模糊范围或者方向，需要操作者通过一定的思考过程来完成报表。这时就是前文所提到的OLAP匹配的场景，操作者通过拖拽、钻取等操作，首先要了解都有什么数据，然后再理解其中数据的相关性，最后完成一份图表的设计。
需求四：编制报告
无论是需求清晰的报表需求，还是从探索分析而确定的分析图表，30%的操作者会选择用仪表盘进行综合的展现，也会有20%将其用到企业月度、年度的分析报告（Word/PPT）当中。其中分析报告的制作过程都是操作者最为苦恼的经历（没有例外）。
需求五：发布
最后，无论你做的图表、仪表盘还是分析报告，50%会用于发布给需求方，比如通过PC浏览器、大屏幕或者APP。尤其越有价值的数据分析结果，越会被发布出来。
因此，快而有效的交付，就是无论谁操作软件，都能非常简单顺利的实现如上5个需求，就是对敏捷BI最重要的实现。
2. 快而有效的部署
规模以上企业、政府往往都已经构建了基于标准技术的数据平台，比如MPP数据仓库或者Hadoop/Spark等环境，为大数据的存储和计算提供了基础保障。敏捷BI应当能够复用这些资源，毕竟分析数据不是每个人都需要操作的，不用考虑“大并发”的应用场景（一般不会超过100人）。
与此同时，以各种形式做中间单点存储的架构（比如一些MOLAP产品）将不再必要，刨除微软相关产品，敏捷BI都应该是2台应用服务器集群就能够满足要求，并可以与用户自身的系统进行完美的集成。
3. 快而有效的变更
一次性的部署或者交付即便再复杂，如果没有后期的变更，那么大家也都不会关注。但事实是敏捷BI就是一个不断迭代、优化、变更的过程，因此以下几类变更都需要被考虑：
■ 展现结果的变更（组合形式或图形的变化，代价最小的变更）
■ 需要更多的数据（能够快速找到以前的数据从哪里来）
■ 源于数据源的被动变更（上游变更传递过来后，需要评估其影响范围）
4. 快而有效的查询
性能，尤其是在大数据下的查询性能，是所有用户最为关心的维度。用户操作的结果能否快速返回，决定了其分析思维能否连贯的进行下去，更决定了试误操作的成本代价。
但其实性能解决方案，应当是整体技术架构的考虑，而不应该被认为是前端分析软件自身的责任。这好比买车上路，能开多少速度，一方面是车的性能，但更重要的是路况及限速要求！
敏捷BI不应依赖自身构建数据计算能力，比如内存计算或者定制Hadoop，如果这样做，首先违背了第二条本质（快而有效的部署），同时也给自己适应大数据分析埋下了地雷，因为不可能在相对合理的成本下把大数据全部复制到内存或者文件系统当中。这点已经可以从国外知名产品得到证实。
四. 敏捷商业智能的意义
通过部署“自助取数与分析平台”，客户获得的真正价值包括：
■ 数据产生于业务部门，现在也可以回归于业务部门进行分析利用，从而实现信息化的真正闭环，推动数据质量、数据完整性的建设；
■ IT部门更加专注于技术的创新与应用，比如引进Kylin等大数据分析平台，也可以更加投入在元数据的维护与管理上，提升分析平台的服务效率；
■ 对于个人来说，业务部门的分析人员学习到了更多的工具，而技术人员也因为掌握数据知识而转型为业务分析师的机会。这样的人员内部流动对企业来说更是释放了潜在的内部生产力；
■ 对企业来说，数据不再是搁置在硬盘上的1-0，而是能够驱动全面决策的数据资产，从这样的结果来说，IT部门因此能够得到更充足的资金预算；
■ 对实施来说，漫长的交付周期能够缩短50%，主要精力放在数据模型、安全体系、元数据服务等基础工作上就可以了；
五. 敏捷商业智能的延伸
从前文可以看出，敏捷BI以“快而有效”的交付、查询、部署、变更解决了业务与技术长期的矛盾，为数据市场带来了新的活力，未来我们也会不断增强自助分析的功能。但我们也要冷静思考：
■ 你所在的企业业务人员是否有时间精力和足够能力去学习新工具的使用？
■ 你所在的企业技术人员是否有能力提供有效的平台运营和支持服务？
■ 敏捷BI和过去二十五年一样，无法替代Excel，这是为什么？
■ 敏捷BI和过去二十五年一样，只能通过Ctrl+C/V才能进入Word/PPT当中，而这“交付的最后一步”却是每个领导真正才会看到的数据分析！
■ 敏捷BI似乎没有改变数据（无论图表）的堆砌，用户很难为其增加辅助性的说明文字，加入自己的观点！
这些问题 Smartbi 一直在思考，也在努力探索，无论这些新概念如何炒作，客户对于数据分析的需求到底是什么？什么样的工具才能获得永恒？
如果你也有类似的困惑，请给我们的另一产品（Smartbi 电子表格版）提供反馈，它让你可以直接在亲切的Excel、Word、PPT里面完成取数、制表（做图）、分析、报告和发布，通过2014年以来的推广和应用，我们觉得“办公化BI”也能适合白领大众！
Smartbi，专注于商业智能(BI)、数据分析软件产品与服务。
行业专家解密：零售行业 BI 建设关键两步做好就行
天善智能 周剑
专注于商业智能BI和数据分析、大数据领域的垂直社区平台
导读：很多时候企业建设一个平台性的东西，搭建一个工具，让业务人员能够自助式的做一些分析服务。敏捷BI不断地迭代，永洪就有这样一款敏捷而又可靠的工具。
以下为天善智能咨询总监周剑受邀在 2016年7月23日 永洪科技上海大数据峰会上的精彩演讲文字速记整理。
很高兴在这样一个热情满满的下午跟大家做一个交流！
首先自我介绍一下，我是天善智能的联合创始人周剑，负责企业项目咨询这一块业务。目前我个人是主要关注零售、时尚行业的零售管理、供应链管理和BI的需求管理，欢迎大家后面可以多多沟通。
我对BI建设的思考
很多时候企业建设一个平台性的系统，搭建一个工具，让业务人员能够自助式地做一些分析服务。因为做的项目很多，对于BI建设我有四点思考：
一是道。这里的“道”指的是业务需求。二是术。BI建设需要讲方法论。三是器。“器”指的是工具。四是用。BI的建设是一个不断的实践、循环迭代的过程。
关于这个我总结了八个字：明道、优术、利器、践行。
如何利用BI为企业自身或客户做一个项目
1. 要做规划。我觉得规划项目，出发点一定要考虑到客户或者用户，以及内外部的满意度。
我们可以从两条路线走：第一条路线是找工作中的重点，哪些是天天做的，或者说工作主抓的难点；哪些是做起来比较痛苦或者耗费非常大的；哪些是想做，却又可能做不了的事情。关注点是当前创新的点，或者必须要快速响应的老板新的思维和思路点，这都是可以在BI里面尝试的应用点。它不一定很大，但是可以逐步地细化下来。
第二条路线，借用周鸿祎的话，做产品是刚需、痛点、高频。其实BI也是一样的，这里高频是非常重要的，一旦找到高频的应用场景可以让用户离不开这个系统，能够天天用，那么产品的提升、迭代就自然而然了。需求收集之后可以做一个矩阵，再分优先级、重要点和可实现性来做评估。通过这种方式完成项目建设的规划。
回到我关注的时尚行业。我们先确定要做什么，再规划好。规划的时候先观势，看看行业的趋势，服装行业、鞋帽行业、时尚行业，以及一些泛零售行业的特点。比如更精准的顾客营销，如果现在大势趋都是这样，那是不是可以考虑借鉴一下。比如促销活动决策科学化，现在促销越来越复杂，越来越精准，对成本要求越来越严格。
另外，全渠道零售越来越普及。我之前做过一个全渠道的初创，基本上从产品出来没有几个月，BI已经上线了，因为确实非常需要数据，需要知道用户的各种行为。还有像移动技术、存货管理、供应链的优化，以及打造柔性供应链等，这些都是新的趋势。我们可以不断地从这些趋势里，看哪些点适合企业当前的模式并拿来应用，哪些需要大改，哪些需要微创新，可以进行区分，这样去定一个BI阶段的目标。
如果我们想从时尚信息中获得先机，有什么办法？现在有一个英国的公司会扒很多网络上的数据，以及各种时尚流行博客、T台走秀等等，再提供SaaS报告给每个企业，几千美金一个月，这种应用就可以辅助我们做设计和产品规划，所以我们可以想办法从时尚信息当中得到一些帮助。
2. 商品企划。如何在商品企划中赢得市场？我们内部的数据，比如说历年的销售数据、商品结构、如何做OTB（产品从销售期开始的预定采购量的机动采购系统）等等，这些都很成熟。
1）能不能依靠外部市场数据？比如说百度指数、阿里指数，看看现在批发市场什么品类比较好一点，或者哪些城市搜索的品类热度比较好，这样是不是能够对商品企划有一点帮助呢？
2）如何从供应链信息中赢得效率？打造柔性供应链，快速的补货，目前有越来越多的时尚企业往这边发展。我们要结合自身的需求和情况做针对性的分析。
3）如何从内外部数据中提升质量？内部的数据有质监的各种数据，也有生产方面的。外部的数据，比如说微博、垂直社区的评论数据、质量相关的数据，能不能抓取过来分析一下找到改进点？然后提高生产质量，更好地用我们的产品服务顾客。
4）如何从零售中获得利润？比如说单店盈利考核，想办法提高收入，提高商品周转，或者优化人员的排班，提高收入，同时降低成本，以实现利润的增加。如果想做“阿米巴”，BI刚好可以支撑它的落地。
5）如何从消费者中赢得忠诚？我们可以做用户洞察和用户画像，并做一些更好的精准营销和精准推送。尤其是O2O行业，但凡可以用上的，都可以进行针对性地营销，提高客户的体验和满意度。
零售行业如何做自己的BI建设？
现在还是有很多企业不断尝试落地BI系统，那么如何做自己的BI建设？
第一点，一定要借鉴行业应用模板，快速导入部署。现在时尚类更新换代特别快，产品周期那么短，可以借鉴一些成型的模板快速导入。
第二点，建设方式，选择一个合适的建设方式，这边有两个建议谈到，一个是按主题、KPI驱动，另外一个是按角色和场景搭建体系模型。
第三点是注重持续建设，不断完善与扩展。BI是我们的“术”，需要螺旋迭代不断提升。
第四点是利用成熟功能组件，提升系统应用。
刚才提到的两个建议，第一是按主题，体系化梳理，建立企业报表及分析体系。第二是按专题，从KPI管控出发，监控问题的角度，跟进问题，去解决。这两个没有对错，还是条条大路通罗马，都可以试。
1. 体系化的思路。对于线下零售，可以有商品、店铺、顾客、员工，中间是财务，五个点，每个点都可以展开。比如说终端，首先我们可以看业绩，可以有一些分类，像业绩达成、增长、趋势、结构、排名等等，这都是一些很通用的方法。
我们先搭一个分析树，并在后续不断地提升完善。假如有家企业管零售的营销总监从耐克来的，商品总监从绫致来的，每来一位领导换一套报表，到底有没有自己的特点呢？况且这是家男装企业，很多业务特性上都是不合适的。企业一旦建了一个分析树，新来的人、新来的思路会不断地往里面浇灌养分，让它成长，变成企业自己的积累。不在乎现在多么漂亮，在未来一定会成为企业最宝贵的资产。
上图是体系化的事例，首先它是一个整体的经营，整体经营可以看到运营的一些情况。运营之后，可以看到招商的情况。招商之后可以看到会员，或者可以看到品牌，或者各个方面的，直接把方方面面的揉成一个整体，形成体系树。每个用什么图，都可以不断地完善。
再说业绩，指标分成零售、金额、数量、交易笔数、客流类、平均单价、折扣率等等，并且可以不断补充。分析方式有基础的直接展现，比如说排名、成长性、趋势用矩阵去分析，哪几个维度做矩阵，都可以固化下来。终端也要看货品，看终端VIP、发卡目标、消费占比有没有变化，分析方式也是同比、环比这些。如果标配的都没有，直接创新，不是不行，而是有一点难。如果不知道做什么，可以先用标配的，这肯定是没有问题的。
对于商品来说也可以做一个分析体系，比如说分析期间、商品累积，可以定义出很多指标、定义出品牌有的属性，像大中小类等。若想看累积消化分析，每个指标都可以定义出来，而且还可以识别出它们的差异。
VIP这一块也是，从定目标、招募，到如何保持联系、VIP的日常维护，或者行业里面给企业的模板有哪些建议，这样都可以敲定下来，这样构建最适合企业的分析体系。
2. KPI库的提炼。每个企业的KPI库提炼都不一样。比如说有的企业每平米净利算出来了，每个店以这个来考核，或者人均的净利，算得特别的彻底。有一些企业提炼一两百个甚至更多的指标，这都是有可能的。所以说每个企业的侧重不一样，我们要结合各个主题，提炼适合自己的。
运营KPI，对它进行提炼、分析、预警，以及后续采取动作，并根据一些核心指标进行驱动和预警。我们的分析思路可以做很多的拓展，比如说要看本期的零售，可以从几个角度看，以横向扩张、纵深发展为例。横向扩张：单店效率怎么样，是不是净增长。纵深发展：平均单店增长怎样，数量增长怎么样。如果业绩不太好，甚至可以从另外一个角度，我们可以把各种分析糅合在一起，进行分析流导向的分析。
由于时间关系，个人关于构建 BI 系统的思路就先大概介绍这两点，一个是体系化的思路，一个是以KPI为驱动。
我的介绍就到这里。谢谢各位！
新一代技术+商业操作系统：
AI-CPS OS
在新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生，在行业、企业和自身三个层面勇立鳌头。
数字化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置。
分辨率革命：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品控制、事件控制和结果控制。
复合不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊化：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。随着变革范围不断扩大，一切都几乎变得不确定，即使是最精明的领导者也可能失去方向。面对新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）颠覆性的数字化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位。
如果不能在上述三个层面保持领先，领导力将会不断弱化并难以维继：
重新进行行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建你的企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造新的自己：你需要成为怎样的人？要重塑自己并在数字化时代保有领先地位，你必须如何去做？
子曰：“君子和而不同，小人同而不和。” 《论语·子路》
云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。
在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。
云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
人工智能通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
新一代信息技术（云计算、大数据、物联网、区块链和人工智能）的商业化落地进度远不及技术其本身的革新来得迅猛，究其原因，技术供应商（乙方）不明确自己的技术可服务于谁，传统企业机构（甲方）不懂如何有效利用新一代信息技术创新商业模式和提升效率。
“产业智能官”，通过甲、乙方价值巨大的云计算、大数据、物联网、区块链和人工智能的论文、研究报告和商业合作项目，面向企业CEO、CDO、CTO和CIO，服务新一代信息技术输出者和新一代信息技术消费者。
助力新一代信息技术公司寻找最有价值的潜在传统客户与商业化落地路径，帮助传统企业选择与开发适合自己的新一代信息技术产品和技术方案，消除新一代信息技术公司与传统企业之间的信息不对称，推动云计算、大数据、物联网、区块链和人工智能的商业化浪潮。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发人工智能型企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。
重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）正在经历从“概念”到“落地”，最终实现“大范围规模化应用，深刻改变人类生活”的过程。
产业智能官 AI-CPS
用新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能驾驶”、“智能金融”、“智能城市”、“智能零售”；新模式：“案例分析”、“研究报告”、“商业模式”、“供应链金融”、“财富空间”。
以上是关于商业智能BI 数据可视化市场 SaaS 模式；2017年商业智能 BI 发展趋势分析；对敏捷BI的客观理解的主要内容，如果未能解决你的问题，请参考以下文章
腾讯云与永洪科技独家战略合作，推出“新一代敏捷型BI SaaS服务”