報告摘要

BI商業智能的核心在于體現決策價值

? 企業數字化轉型的本質是經驗驅動決策向數據驅動決策的轉變。

? BI平臺成為數據產生價值的主要方式。以BI建設為中心的數據中臺服務，逐漸成為海量數據處理與分析的核心平臺。

? 在企業中提供更深刻的業務洞察力，是管理層依賴BI平臺進行決策的基礎。

? BI業務的發展使得業務人員進行數據分析的門檻大幅降低。

向數據和分析兩端發展 一體化平臺成為趨勢

? 企業不再滿足于一般的報表與敏捷式儀表盤，企業的BI需求變得更加靈活和高效。以云BI平臺為基礎的一站式大數據平臺，成為新的趨勢。

? 在數據管理方面，現代BI平臺既需要利用傳統BI的數倉資產，還需具有更強數據源管理能力和深度分析功能。

? 在易用性方面，增強分析技術、語義搜索與嵌入式分析技術將大幅降低現代BI平臺的使用門檻。

技術平臺更加靈活 場景融合成為關鍵

? 隨著微服務架構及容器技術的發展，更多的BI一體化云平臺采用松耦合架構，基礎平臺具有更好的靈活性和業務適應性。

? BI系統在實施過程中，需要深入挖掘企業需求，重新梳理企業管理方法、流程和管理體系，這個過程技術平臺與垂直行業場景的融合成為關鍵。 

目錄

一. BI商業智能行業概覽

二. BI商業智能的價值

三. BI商業智能的重要應用場景分析

四. BI市場規模測算與分析

五. BI商業智能的未來趨勢

六. BI商業智能廠商競爭分析及典型廠商介紹

結語

一、商業智能行業概覽

2019年，國際商業智能行業格局巨變。6月6日，Google以26億美元現金收購商業情報軟件和數據分析平臺Looker；4天之后，更具爆炸性的新聞爆出，SaaS第一股Salesforce以157億美元的價格收購BI領導者Tableau，成為Salesforce歷史上最大的一筆收購案。

國際巨頭通過收購進行產業整合并不新鮮，但如此密集的BI類并購在歷史上并不是首次，12年前就已經發生。2007年，Oracle33億美元收購Hyperion，SAP 68億美元收購Business Objects（BO），IBM 50億美元收購Cognos。這不禁讓人發問，IT巨頭為何熱衷于收購BI企業？

在互聯網C端市場，流量入口始終是商家必爭之地，而BI軟件則是數據分析領域最重要的入口之一。BI與分析領域的產品和技術，是所有用戶尤其是大客戶的剛需。2019年，云計算進入2.0時代，大數據為BI提供了海量數據分析需求，業務復雜性和數據復雜性帶來的雙重挑戰，成為新一輪BI并購潮主要推動力。

1.1 BI商業智能發展歷程

BI(Business Intelligence, 商業智能或商務智能)源自企業對業務數據進行價值挖掘與展現的需求。1989年，BI概念由Howard Dresner定義而廣泛傳播，此時的BI定義為由數據倉庫、查詢報表、數據分析、數據挖掘和數據維護等部分功能組成，以幫助企業決策為目的的技術應用。

圖1: 1968年-1989年傳統BI企業成立時間軸

數據來源：愛分析 

商業智能不僅是一種技術，更是一種企業集成數據解決方案。這包括了ETL（Extract-Transform-Load，抽取-轉換-加載）、數據倉庫、DM（DataMining，數據挖掘）、OLAP、數據可視化等多種工具。1968年到1989年，傳統BI的廠商如Cognos、SAP、Oracle、Teradata、MicroStrategy等陸續成立。

2013年之前，傳統BI產品一直是市場的主流，但這并不是一個很好的市場。根據IBM的統計數據，實施傳統BI的項目失敗率在60%-70%，大量的BI系統并沒有得到有效的使用。傳統BI產品，通常只能由技術人員在設計好的維度模型上建立數據倉庫。這造成了兩個問題，技術人員難以完全理解業務人員的需求，數據倉庫不能滿足不斷變化的業務需要。

敏捷BI為了解決上述兩個問題而出現。敏捷BI，又稱自助式BI，是指由業務人員自助式建模，能夠實現快速部署、數據源集成、高性能計算、探索式分析的BI可視化產品。由于業務人員自行建模，擺脫了數據無法體現業務需求，技術人員不懂業務需求的困境。讓數據直接反映業務，成為敏捷BI的一大特點，典型的敏捷BI廠商有Tableau、永洪科技等。

表1: 傳統BI產品與敏捷BI產品

數據來源：愛分析搜集

1.2 BI商業智能技術架構和演進路線分析

傳統BI商業智能體系結構主要由數據源、數據存儲與管理、OLAP引擎和前端工具組成。數據倉庫、數據集市與OLAP引擎是傳統BI體系的核心。傳統BI技術體系對海量數據計算與動態業務的支持均不足，系統搭建、建模過程均需技術人員完成。

BI商業智能從傳統BI階段向敏捷BI的發展過程中，數據源與數據管理、增強性分析、交互易用性，是BI技術架構快速演變的主要方向。具體表現為傳統數倉向海量混合存儲與高效治理演進、離線數據分析向增強性實時分析演進、靜態報表向自助圖表和智能交互演進。

圖2: 傳統BI的體系結構

數據來源：愛分析搜集

1.2.1 傳統數倉向海量混合存儲與高效治理演進

傳統數據倉庫和OLAP引擎不適用于當今BI業務對數據存儲和查詢效率的需求。隨著業務數據的快速增長，傳統不的數據倉庫不能滿足存儲和計算的需求。一方面數據ETL的效率快速下降，原本在一個小時內可以準備好的數據通常延遲到一天后才能進行分析；另一方面數據查詢效率快速下降，實現秒級的查詢變得越來越困難。

MPP或大數據平臺成為應對海量數據的主要解決方案。MPP（Massively Parallel Processing，大規模并行處理系統）不同于事務處理數據庫，更適于OLAP場景。采用MPP方案的典型案例是領先的數據倉庫企業Teradata，其在1990年就發布了第一款MPP數據庫產品，目前MPP架構仍是處理高質量結構化關系型數據的首選方案。國產BI軟件中，永洪科技數據集市產品同樣采用了MPP架構。

Hadoop經過幾年的高速發展，近兩年雖略顯疲軟，但仍是主流的大數據平臺。Spark、Flink等分布式計算引擎與分布式數據庫、分布式存儲等新興技術快速補足大數據平臺生態的缺口。目前，大數據平臺已經能夠適用結構化、半結構化和非結構化數據處理，目前敏捷型BI產品一般都具有Hive、Spark SQL等大數據平臺查詢接口。

動態的業務需求對BI商業智能數據治理的要求更加嚴格。傳統BI成功的關鍵在于元數據的良好定義，元數據一旦定義，修改成本將十分高昂，但由于技術人員有限的業務理解和多變的業務形態，良好的元數據定義通常難以實現。數據治理即為了解決元數據標準不統一，數據質量管控、數據集成效率低等問題出現相關工具和方法。IBM、Qlik等BI企業都已在其產品提供或者加強了數據治理功能。  

1.2.2 離線數據分析向增強性實時分析演進

傳統BI的離線數據分析難以滿足實時/準實時需求。通常當天業務結束后，BI系統進行統一的查詢、計算、分析和展現。客戶不能實時獲取當天的分析結果，難以滿足快消、物流、航空等實效性要求較高的業務對BI的需求。

實時/準實時BI分析目的是實現秒級的查詢響應。目前，實時BI產品有三個發展方向，采用MPP/大數據架構（Presto/Impala/SparkSQL/Drill）優化查詢性能、采用分布式搜索引擎架構（Elasticsearch、Solr）和預計算分布式OLAP引擎（Druid/Kylin）。

上述三種方案，采用了內存計算、并行計算、分布式計算和分布式通信等多種方式提高響應速度，除此之外現有的BI廠商還通過庫內計算技術，將開銷大的計算直接在數據存儲的地方計算，大大減少了數據移動，降低了通訊負擔，提高的數據分析性。

除實時性要求外，隨著AI技術的快速發展，利用自然語言處理與機器學習技術進行增強性分析成為BI系統的剛需。微軟、Tableau、ThoughtSpot、MicroStrategy都推出了相關產品。未來，數據預測和數據挖掘的將變得更加智能，自動化的數據準備、基于模型的擴展分析、預測式分析等增強分析技術將成為主流。

1.2.3 靜態報表式表現向自助圖表和智能交互演進

傳統BI的前端為靜態類報表，業務人員不能直接調整報表；業務需求變更時，需由技術人員配合變更。在部分場景下，如月度財務會計場景，這類靜態報表在效率和準確性上具有優勢，但在動態業務場景下，靜態報表已經不能滿足現代企業對數據分析的需求。

敏捷BI為業務人員提供探索式分析與自助圖表工具。在已有的數據指標和維度不能夠滿足業務分析的需求，傳統BI往往無能為力；而業務人員使用敏捷BI，可以通過拖拽的方式，自定義新的指標和維度，進行探索式分析。這一過程不需要技術人員長期參與，大大縮短了業務人員與數據之間的距離。在海量存儲和高效查詢的技術支撐下，敏捷BI可以利用自助圖表實時展現自定義指標，從而快速滿足業務需求。

由智能問答技術支撐的智能交互成為新的BI表現形式。無論是傳統BI還是敏捷BI都在往智能化BI的方向發展。利用自然語言理解進行自然語句查詢、利用知識圖譜實現業務預警、利用專家系統提供業務咨詢成為商務智能新的發展方向。

除自助式表現與智能交互成為新的BI表現形式外，嵌入式分析也成為主要發展方向。利用嵌入式分析，不同的系統的相關報告可以實時整合到一個圖表，從而形式上避免了數據孤島的產生。

1.3 BI商業智能的業務流程及主要商業模式

1.3.1 業務流程

 BI商業智能的業務流程從傳統BI和敏捷BI兩個角度，可分為兩種。兩種BI業務流程在適用場景、部署方式、部署/使用成本上都各有不同。

傳統BI業務流程，分為業務需求定義、BI平臺建立與部署、BI使用及維護三步，其中BI平臺建立及部署又可分為建立數倉模型、數據抽取-轉換-加載、構建分析主題以及分析報表和儀表盤制作。在傳統BI業務流程中，BI平臺的使用和業務需求的定義主要由業務人員完成，而BI平臺的構建與部署主要由技術人員完成。

圖3: 傳統BI業務流程

數據來源：愛分析

傳統BI業務流程經過長時間檢驗，具有成熟的建模方法，能夠很好的整合業務數據。建立數倉的過程通常也是企業業務流程梳理和數據價值提煉過程，因此，從數據倉庫中獲取的數據通常是精煉有序的業務數據。

同時，傳統BI的構建過程十分復雜，因此業務需求方、使用方與平臺的構建方是分離的。因此造成傳統BI流程，部署成本高、部署周期長、業務需求與平臺功能不一致、報表剛性難以調整，業務人員難以根據需要制作報表、IT部門負擔重等缺點。

因此傳統BI流程適用于基礎性、大容量，需求和數據框架穩定的數據分析業務。

敏捷BI業務流程，通過敏捷型的BI工具或者平臺實現的。在敏捷BI業務流程中，技術實現與業務分析實現了分離，因此敏捷BI業務流程中主要以業務人員自助式實現數據源連接、指標集定義、探索式分析和自助的報表制作和儀表盤展示。

圖4: 敏捷BI業務流程

數據來源：愛分析

敏捷BI業務流程具有快速部署、靈活變更、高效查詢和自助式分析的特點，所以部署成本和使用成本低于傳統BI。同時，因為敏捷BI是由業務人員主導的，因此敏捷BI的業務流程更接近業務分析的需要。

但是，敏捷BI業

務流程中并無復雜的數據建模過程，也無法提供高級的數據管理功能。因此，敏捷BI業務流程在實施過程中同樣需要借助傳統BI中建立的數據倉庫，通常敏捷BI的數據源連接過程還會連接如Hadoop平臺、Excel等其他多數據源數據。因此，敏捷BI業務流程并不能完全替代傳統BI的業務過程。

1.3.2 商業模式

BI商業智能主要為兩種商業模式，產品/SaaS模式和服務模式，其中服務模式又包括IT服務型和業務服務型兩種。

產品/SaaS模式，是將BI產品或者SaaS交付給客戶，并由客戶自行實施。Tableau是該模式的典型代表，其主要以Tableau Desktop和Server版本為主，同時也提供嵌入式開發和SaaS服務。除咨詢服務外，Tableau的使用主要由業務人員根據實際需要自行完成。除Tableau外，MicroStrategy和大部分敏捷BI廠商及SaaS服務提供商都屬于該模式。

產品/SaaS模式提供給客戶靈活敏捷的BI產品，客戶能夠及時應對業務變化的需要，但是單一的產品通常難以滿足客戶業務定制化的需要。

服務模式，是以IT服務或者業務服務的方式為為客戶提供基于BI的整體解決方案。

提供IT服務模式的企業主要以Oracle、SAP、IBM、SAS等傳統BI企業為主。這類企業主要以搭建BI信息系統為主，但在搭建數據倉庫過程中需要與業務人員進行充分配合，涉及大量業務咨詢與梳理過程。傳統BI廠商都建立有自身的BI實施方法論。以SAPBW為例，其實施過程大概分為項目計劃和準備、設計階段、開發階段、測試和部署階段以及系統上線階段等。

IT服務模式雖然充分結合的業務需求和技術實現，但其主要以傳統BI流程為主，通常涉及多個部門的協調配合，同時其高昂的部署成本難以靈活的適應現代企業的需要。

業務服務模式，基于一站式大數據分析平臺構建敏捷型BI產品，并以服務的方式支撐企業的業務分析需求。業務服務型廠商既要具備建立數據湖的能力，而不僅僅是建立數據倉庫，以便數據整合；通常以SaaS方式提供多樣化的服務。

1.4 BI商業智能行業圖譜

 BI商業智能行業圖譜從BI組件和整體解決方案兩個維度列舉了現有的BI-產品和BI廠家。BI組件以產品為主或者廠家主要產品所處的領域，BI組件中包含大量開源產品，通常為自建BI平臺廠商采用。整體解決方案主要從國內和國外兩個領域列舉了主要的供應商，從事整體解決方案的方案企業一般能夠提供完整的BI組件，不一一列出。

BI組件主要分為ETL工具、數據倉庫/數據集市、元數據管理、OLAP Tools/Server以及前端的查詢、分析與挖掘、報表和可視化等組件構成。BI組件可以分為商業產品和開源產品兩類，商業組件多集中在分析/挖掘報表、報表、可視化、ETL等領域，這些領域通常是性能要求高或者對業務變化比較敏感的部分。

BI組件開源產品中Apache系Hadoop、Impala、Hive、Drill、Atlas、Kylin、Superset幾乎涵蓋從存儲到分析的大部分模塊，此外Cloudera、Airbnb、Pivotal、Hitachi等企業也貢獻大量開源力量，由中國團隊主導的Druid和Kylin目前已經成為主流的OLAP開源工具。但開源產品主要應用于互聯網公司（如快手、美團等），如果沒有專業維護團隊，開源產品并不能滿足業務部門的需要。

圖5: BI商業智能行業圖譜

數據來源：愛分析

BI整體解決方案廠商，也可以成為一體化平臺廠商。傳統BI廠商的產品中如Oracle OBIEE、SAP BO、IBMCognos、MicroStrategy是傳統的四大BI廠商，其特點是具有從ETL到可視化的整套組件，并提供業務建模咨詢服務。而Pentaho是目前主流的BI開源解決方案。

敏捷BI廠商與傳統BI廠商相比，通常為具有數據源融合與管理能力的可視化產品。以敏捷BI的鼻祖Tableau來講，其不僅支持傳統BI的OLAP數據，還可以從AWS、AZURE、Dropbox、Excel等不同類型的數據庫和文件中獲取數據。國內領先的敏捷BI廠商永洪科技，目前支持的數據源多達27種。

二、BI商業智能的價值

2.1 BI商業智能不等于數據分析工具，是數據驅動決策的第一步

 企業數字化轉型的本質是經驗驅動決策向數據驅動決策的轉變。在這個過程中，為企業各個業務系統提供描述、診斷、預測等數據洞察能力的不是數據分析工具，而是BI數據分析平臺。這個BI平臺既能在功能上滿足業務需要，同時業務人員又方便操作，才能實現工具與業務的深度融合。

傳統數據分析過程與業務需求的割裂造成了數據驅動的第一障礙。以傳統數據分析工具SPSS為例，其提供了豐富統計分析模型和統計分析報告，但報告的分析結果僅僅是對統計模型的解釋而不是對業務的解釋。同時復雜的統計模型，通常只有統計專業人員才能理解，業務人員難以進行操作。

數據驅動管理要求數據平臺對業務需求負責，而不僅對數據分析結果負責。數據分析過程僅是進行業務決策的過程一個環節，將分析結果轉變為合理的決策依據才是BI的核心價值所在。企業應用BI的目標即是通過對不同業務源數據進行統一處理及管理，把數據變成信息、把信息變成決策、把決策變成行動，從而提高管理效率、增加企業的競爭優勢。

BI平臺通過對數據源接口與數據分析工具進行封裝，業務人員能夠輕易的獲取不同的業務數據，同時根據業務需要提取分析結果。同時，BI作為共享分析平臺，避免了部門間的數據混亂，極高提高了決策效率。

圖6: BI技術支撐平臺推進企業數字化轉型

數據來源：愛分析

企業進行數字化轉型的核心在于技術支撐平臺的建設，BI作為數據驅動決策的第一步，其主要推動者為企業中的運營、銷售和高層管理人員。企業在從“粗放式”向“精細化”管理過渡中，通過BI的幫助，企業/業務管理者能夠更好的引導決策、提高運營效率、增加客戶收入，從而更有效的提高企業競爭力。由于使用BI的人員是對業務負責人員，其分析效果相比傳統統計學人員更能復合業務需求。

2.2 海量數據的處理與分析，讓數據產生價值

 BI平臺成為數據產生價值的主要方式。隨著現代業務系統的越來越多，收集的數據越來越細，使用系統的時間越來越長，數據量的增長越來越快。但現有的系統無法對數據量比較大的數據進行快速響應。以BI建設為中心的數據中臺服務，逐漸成為海量數據處理與分析的核心平臺。

圖7: 海量數據價值的體現

數據來源：愛分析

BI平臺可以實現全域數據的精準分析，實現低價值密度數據的有效抽取。例如，企業的供應商信息、產品信息、庫存狀況、客戶信息、訂單數據、交易信息、時間和環境信息等重要的信息資源都分布在ERP/CRM/SCM等業務系統或者平面文件中，形成了一個個的“信息孤島”。只有依賴大數據BI平臺，才能使用挖掘全域數據的價值，而不是采用樣本進行粗略的統計分析。

海量數據間的關聯關系通常蘊含更為巨大的價值，BI平臺利用增強分析實現關聯關系價值挖掘。如客戶關系管理過程中，利用BI應用進行客戶劃分、客戶行為分析、重點客戶和潛在客戶發現等來了解客戶，進而為客戶提供個性化服務和交叉銷售，從而提高客戶的滿意度和持久度，為企業贏得市場機遇。

實時性海量數據分析能夠幫助業務人員快速應對業務變化。傳統的數據分析過程涉及大量報表制作；一般傳統報表工具響應時間慢。BI平臺中的高性能計算引擎可以滿足海量數據的秒級分析需求；流計算與實時計算平臺，對于實時性高的物聯網數據或者時序數據，實現實時或者準實時分析。

除此之外，BI平臺還具備預測式分析價值。通過預測式分析，結合外部數據和歷史事實，業務人員能夠更好地了解客戶，產品和合作伙伴，識別公司的潛在風險和機會。

2.3 讓管理層能夠基于數據制定決策    

BI平臺在數據整合方面的優勢，成為企業內部數據資產和外部數據資源的沉淀和管理中心。傳統的ERP、OA、CRM等系統并不具備整合與挖掘信息的能力，而僅靠企業內部數據不足以滿足企業管理決策的需要。BI平臺整合企業內部與外部數據后，這些數據成為可挖掘和可分析的數據資源，這是企業利用數據制定決策的前提。

在企業管理中提供更深刻的業務洞察力，是管理層依賴BI平臺進行決策的基礎。數據價值雖然得到管理人員的普遍承認，但是管理人員拒絕利用數據進行決策的原因在于，傳統數據分析工具只能提供片面、粗略的分析結果。BI輔助管理人員決策，取決于管理層對BI平臺的依賴性。只有不斷適應業務需求，才能體現BI平臺的決策價值。

大數據BI平臺提供了管理層決策所需數據的時效性和準確性。傳統業務部門間數據的匯總過程是漫長的，使用Excel從底層部門到高級管理層的數據匯總過程往往長達月余。即使用傳統BI產品，面對大數據體量工作時，仍然需要按小時計算才能完成所需的統計工作。顯然只有借助大數據BI平臺，管理層依據制定決策才成為可能。

圖8: 美的集團BI平臺使用現狀

數據來源：美的集團、永洪科技&愛分析

 美的集團曾使用Oracle BIEE作企業BI平臺，但是在高性能、輕量化運維、數據權限管理過程中，原有BI平臺并不能滿足企業級決策對靈活性、時效性和準確性的需要。同時，BIEE并不能對外部數據與客戶情況、競品特征以及網絡輿情進行整合挖掘，因此管理層對原有BI利用十分有限。

采用一站式大數據BI平臺后，平臺內部接入超過800種數據源，形成超過100T的數據存量。在平臺上，新型BI系統能夠在秒級時間內響應各種定制報表和圖表，從而快速響應市場變化。由于新系統滿足了管理層對數據決策的需求，該BI平臺在美的內部的大數據、國際部、金融部以及物流子公司快速推廣。

2.4 讓業務人員都能具備數據分析能力，提升業務效率

敏捷BI使得業務人員進行數據分析的門檻大幅降低。敏捷BI的重大價值在于使得業務與技術人員分離，業務部門能夠根據自身需要快速實現業務分析需求。目前，敏捷BI成為國內的中大型企業面向業務人員的首選數據分析工具，如咨詢、能源、電信等行業，它們對自服務分析越來越看重，采購需求不斷增加。

以艾瑞咨詢為例，艾瑞咨詢集團每天要分析的數據量達幾千萬條，且不同企業客戶的分析需求各不相同。面對動態的報表查詢，如果分析的維度和度量的計算方式已在建模時預先設定好，不能更改；通常不能滿足業務分析需求。

艾瑞集團采用包括分布式計算、內存計算、列存儲、庫內計算等新型計算架構，實現敏捷BI的分析需求。項目實施后，對比原先基于Excel和SQL編程的分析方法，艾瑞咨詢集團的業務效率獲得數倍的提升。線下報告交付周期從3至4周縮短至小于1周，軟件交付從半年縮短至一個月。采用敏捷BI工具后，艾瑞咨詢集團可以在幾天內快速搭建原型向客戶展示，任意的需求變更都可以一周內調整完畢。

圖9: 艾瑞咨詢采用BI平臺后的項目收益

數據來源：艾瑞咨詢、永洪科技&愛分析

 三、BI商業智能的重要場景分析 

3.1 金融 

金融業是實現數字化轉型最快的行業，數據資產已經成為金融企業的核心資產。隨著互聯網金融在金融業中的快速興起，除傳統業務系統數據外，針對互聯網客戶的風控、電商、渠道、信用等新業務數據給金融企業帶來巨大的數據使用壓力。

目前，BI在金融企業的運營、管理和風控三個領域，都具有重度使用需求。中信四川分行在處理全省的經營分析和客戶分析時，經營與客戶數據需要快速上線并通過合理權限控制交給業務部門自行分析。通常這些數據都是由業務部門進行匯總后，以周報、月報形式上報至省公司，決策周期長。

采用敏捷BI系統后，中信四川分行全局報表的響應效率從十幾分鐘提高到10秒以內。業務人員可以利用自助式建模系統，快速響應業務需求，任意分析需求均可在一天之內實現。

客戶分析領域，BI可以通過多維數據關聯，從用戶年齡、性別等不同維度構建用戶畫像，實時分析用戶的投資偏好，進行精準營銷。在內部風控方面，BI系統可通過趨勢分析、異常值預警等方式進行平臺風險管控。

圖10: 典型的銀行BI系統

數據來源：永洪科技&愛分析

BI系統中，響應效率、全量數據建模、業務人員自助分析通常是制約金融數據應用的關鍵因素。傳統的BI報表，需要先建模再分析，項目周期通常在一個月以上，而且無法響應快速的業務變化需求。而現代BI系統在金融類業務中通常可以實現秒級自助式分析與展現。

一個典型的銀行BI系統如上圖所示，可以看出BI不僅僅是可視化產品，更是一種業務解決方案。在項目實施過程中，BI高級咨詢師通常會根據金融業務制定相應的存儲與分析方案，而在項目上線后，則業務分析則可由業務人員自助完成。

3.2 零售

零售業通常面對成千上萬家店鋪的數據信息，通常零售企業會有統一的信息管理系統管理店面業務，積累了大量的會員、交易以及過程數據。由于缺乏數據應用體系，快速增長的業務中積累的數據不能快速有效的指導管理決策。

零售業在數據應用過程中面臨主要問題包括，多地數據存儲導致數據孤島嚴重、業務復雜導致數據融合困難、缺乏數據規劃導致數據質量不一致、分析維度單一導致數據利用率低、缺乏合理工具導致分析響應效率低下。

調研中發現，受限于IT投入的成本，大量的零售企業還在使用Excel制作固定報表。雖然Excel具有成本低廉、使用靈活方便的優點，但應對海量數據處理與深度分析場景卻無能為力。

BI可以在避免重度數據倉庫建設的同時，通過輕量級的ETL工具對接不同的數據源實現經營數據的快速分析與展現。國內大型零售商，如家樂福、永輝超市、大悅城、海天集團、國美集團都已經采用BI系統進行企業經營與店面的管理。

表2: 零售業采用BI后效果

數據來源：永洪科技

圖11: 典型BI分析效果

數據來源：永洪科技&愛分析

 低成本、高效率的敏捷BI在零售業應用中的巨大優勢。某零售企業采用敏捷BI后，“單店銷售收入提升16%，二店率提升12%，次年新開店增速20%。”國美互聯網零售CTO王增智先生也曾表示，國美利用人貨場數字化，實現了線上線下會員、訂單、商品、促銷與數據的統一，有效提升了管理效率和客戶體驗。

3.3 能源

能源行業的參與者大多數是大型國有電力、石油等類型的企業，能源企業的業務通常涉及關系國計民生的基礎性服務，在幾十年的國家基礎能源設施建設過程中沉淀了大量數據資產，如何盤活數據資產，優化管理，創造價值成為能源企業重點關心的問題。

能源行業實施BI的難點首先在于，海量、多源、異構的生產系統導致的數據復雜性和動態性。例如電力系統從電能生產、客戶購電，到電能銷售、電力傳輸，再到企事業單位用電、電力設備故障，每個環節都涉及到大量業務數據。每類數據基本都是TB級以上，且在持續增長。這對BI過程的數據的抽取、清洗和轉化環節提出了很高要求，同時BI系統的存儲結構也要采用相應的海量、異構存儲架構。

能源行業的難點其次在于，需要解決大量的歷史數據和生產經營實時數據。無論是電力系統，還是石油行業，沉睡的歷史數據資產猶如雞肋，食之無味、棄之可惜。傳統的BI系統在利用海量歷史信息時，建設成本高，可用性差。只有具備相應的存儲和快速處理技術的BI系統，才能在海量歷史數據的基礎上，實現全景實時的數據展現。

能源行業除生產經營數據(網架、設備、技術、管理)外，還需輔助氣象、地理、人文、交通等外部數據。例如，可以提取石油管網與GIS數據，可以發現管道維護與相關區域的多個問題，從而在區域范圍優化管網參數與運維人員的配置。同時，管網的歷史數據與氣象、人文等數據聯合分析后，有助于智能管道全壽命周期管理。

能源行業BI的應用最重要的是對于風險因素的挖掘和管控。例如，通過AI構建電費風險預測模型，大客戶的欠費預測命中率幾乎達到了90%；同時發現了大量未察覺的業務規律和管理盲點；通過“網絡可靠性特征模式“，可以根據線路的結構特性、電氣特性、供電可靠性等因素將線路分成若干類不同可靠性的線路組，為配電規劃提供依據。

圖12: 典型的能源BI示例

 3.4 制造 

制造業對BI系統的需求是產業全鏈條的，從設計、生產、物流、供應鏈、質量管控到銷售等一系列環節都有巨大的BI需求。目前，大部分中大型的制造企業已經建立了比較完善的CRM、ERP、MES、MRP、EAS等基礎信息化系統，幫助制造企業收集大量的歷史數據。如何利用數據實現精益生產，成為制造業的剛需。

制造業利用生產數據與用戶反饋可以有效的改進生產，如設備運維監控、質量監控、庫存分析、柔性生產，都需要借助實時的數據采集與反饋。在生物制藥領域，通過對生產線超過200個指標的監控，實現生產線的柔性控制，每條生產線可以節省500萬到1000萬美元的成本。蕪湖格力工廠，把MRP和MES的數據導入BI系統，實現實時多維數據分析，提高了30%以上的工作效率。

現代制造企業通過內部與外部的數據，結合敏捷BI，可以實時優化產品方案。美的集團在跟蹤產品銷售情況時，會根據用戶需求、產品特征、客戶評價以及用戶評價等多個維度挖掘用戶需求，從而及時反饋到生產線，實時優化產品方案。

制造業BI應用中的困難主要在于，內外部海量、異構數據的整合與精確、實時分析的實現，而數據采集經過多年發展已經相對成熟。以美的為例，美的從2012年開始投入超過10億元進行IT治理和全面重構系統，實現了集團級的企業標準和語言。

在實施過程中，其技術人員負責數據分析體系的搭建與技術實施，業務團隊的配合負責數據清洗、轉換、建模的部分。數據分析系統通過按月迭代的方式，持續釋放新的業務價值。

圖 13: 美的集團數據應用架構

數據來源：永洪科技&愛分析 

目前，美的集團實現了實現從研發、生產、庫存、營銷、收付全鏈條的動態可視化，將數據運營的結果展現出來。對于1.5億美的用戶，美的大數據平臺實現了用戶購買的記錄、購買渠道、地域、使用偏好等等信息全部標簽化，形成完整的用戶畫像，實現精準營銷。

BI一體化平臺通過降低數據應用構建門檻，幫助企業建立數據化運營體系，真正實現數據驅動決策，從而盤活數據資產和底層基礎設施，真正發揮數據給制造企業帶來的巨大價值。 

3.5 互聯網

互聯網行業與其他傳統行業對BI的有明顯的不同。互聯網公司自身業務通常面臨高并發和分布式的特點，又有自己的技術團隊，因此像美團、快手體量的互聯網公司通常通過開源組件搭建自身的BI平臺以滿足自身業務的需要。

但對于行業性或者一般規模的互聯網企業，仍然樂于采用成熟商業化的BI產品滿足自身數據分析與可視化的需要。

圖14: 典型互聯網BI架構

數據來源：永洪科技&愛分析

互聯網企業與傳統企業相比具有以下幾個特征：數據更加海量，數據增速更快。與傳統行業相比，互聯網企業更多涉及用戶的網上行為，包括用戶訪問、瀏覽、購買行為、出行方式、消費喜好等用戶行為數據。日新增數據量在幾十T級別，預計很快達到百T級別，對數據采集、處理能力要求非常高。

數據平臺性能要求更高。如何在有效有效時間內完成數據的采集、處理，是必須解決的難題。在互聯網企業同樣會遇到異構數據的問題，如原有系統選用不同的數據產品；某些半結構化數據采用XML、JSON和MongoDB存儲等。但總體上來看，互聯網企業數據的規范性要高于傳統行業。

例如，寶寶樹網站的訂單數據存儲在SQL Server中，客戶數據存儲在MySQL中，利用Excel進行數據整合，不僅效率低，而且極其消耗人工成本。數據分析需求的變化常常給研發人員帶來很大負擔，影響核心業務系統的開發。

利用BI大數據平臺，寶寶樹方便實現跨數據源整合數據，原本幾周得到響應的分析需求可以在當天完成。同時，高效率的存儲與分析引擎，避免了對服務器資源的浪費，有效節省成本。業務人員通過自助式查詢，不僅響應及時，而且減少研發人員負擔，優化員工的結構。

四、BI商業智能潛在市場

        規模測算與分析

未來，BI商業智能將成為企業智能化決策系統的重要入口。根據BI在不同場景的滲透情況，愛分析將BI市場分為當前市場、增量市場與潛在市場。

其中，當前市場為目前BI廠商的市場總和；增量市場為當前市場中存在但尚未被滿足的需求如CRM領域BI與AI結合以輔助銷售人員進行決策的需求。 

圖15: 當前市場、增量市場、潛在市場示意

數據來源：愛分析 

4.1 BI當前市場規模及發展趨勢 圖16: 2017-2020年全球BI市場規模預測 

數據來源：Gartner & 愛分析 

Gartner 2017年報告指出全球BI市場規模為183億美元，相比2016年增長7.3%。預計到2020年，全球BI市場將突破228億美元。

國內BI市場，根據愛分析調研，2019年規模約為50-60億元。這里面國內BI公司，如永洪科技、帆軟、海致BDP、億信華辰、潤乾等公司，合計收入約為25-30億元；國外BI公司國內收入將會與國內BI企業收入持平，包括SAP、IBM、Oracle、微軟、Tableau和Qlik等公司。  

4.2 BI的增量市場與潛在市場 2019年全球BI市場規模約215億美元，全球的IT投入大概是3.8萬億美元。同期，中國的IT投入將達到2.7萬億人民幣，假設中國BI市場總容量和全球市場BI投入占IT的比例應該大體一致，2018中國BI商業智能的總市場容量（當前市場規模+增量市場規模）大概是150億人民幣左右。據此估算，中國BI市場的存量市場仍然有90-100億人民幣。 圖17:  BI潛在市場的延伸方向                           

數據來源：愛分析

圖18: 當前市場規模、增量市場規模、潛在市場規模示意

數據來源：愛分析測算

由于BI是數據應用的入口，是各個行業數字化轉型過程中是必不可少的一環。未來，隨著BI向著分析端和數據端兩個方向延伸，BI解決方案最終并入大數據整體解決方案的賽道。

根據中國電子信息產業發展研究院發布的《中國大數據產業發展水平評估報告》，預計 2018 年我國大數據核心產業規模突破 5700 億元，未來2-3年的市場規模的增長率仍將保持35%左右。未來切入這部分應用環節，BI商業智能的潛在市場規模將在數百億的市場空間。 

4.3 BI商業智能在不同場景的滲透率  

根據當前BI市場規模與市場總容量計算，整體國內BI商業智能市場的滲透率（當前市場規模/市場總容量）約為36%，未來有很大的增長潛力。

從敏捷BI市場來看，國外市場敏捷BI市場份額快速提升，根據愛分析判斷，2019年敏捷BI市場規模將達到57億美元，占全球BI 215億美元市場規模的27%。

國內敏捷BI市場同樣在快速提升，滲透率僅為15%左右。綜合國內幾家BI廠商的業務表現，國內敏捷BI市場增速在50%左右，遠遠高出市場平均水平。

從具體行業來看，金融、零售、制造、能源、互聯網是BI應用發展較快的幾大行業。其中金融與零售行業整體的滲透率最高，制造業與能源行業其次。從公開市場看，由于互聯網行業頭部公司多有自建BI體系的能力，導致互聯網行業整體滲透率偏低。

圖19: 傳統BI與敏捷BI在五大行業的滲透率 

數據來源：愛分析測算

注： 

1. 各行業敏捷BI滲透率=各行業敏捷BI市場規模/各行業BI潛在市場規模；2. 各行業傳統BI滲透率=各行業傳統BI市場規模/各行業BI潛在市場規模；3. 各行業氣泡大小代表各行業敏捷BI市場規模與傳統BI市場規模之和。

五、BI商業智能的未來趨勢 

5.1 一站式大數據平臺是未來趨勢

進入2019年，傳統BI與敏捷BI出現明顯的融合趨勢。企業不再滿足于一般的報表與敏捷式圖表，能夠更加靈活、高效的利用數據和進行深度分析成為企業新的BI需求。以云BI平臺為基礎的一站式大數據平臺，成為新的趨勢。

一站式大數據平臺是集成業務咨詢、數據管理、深度分析、數據可視化、數據決策等流程，能夠提供完整BI解決方案的通用性平臺。通過配置不同的行業/企業模板，一站式大數據平臺可以靈活、方便的實現行業/企業BI平臺的功能。

圖20: 一站式大數據平臺與敏捷BI、傳統BI區別

數據來源：愛分析

與傳統BI相比，一站式平臺既可以利用傳統BI的數倉資產，更多時候會直接構建數據集市資產，更加靈活方便的對數據資產進行管理。同時，一站式平臺具有敏捷BI自助式服務的特性，業務人員可以利用預定義好的圖表模板，靈活配置數據指標，實現自助式業務分析。

與敏捷BI相比，一站式大數據平臺具有更強數據源管理能力和深度分析功能。敏捷BI一般情況下在數據源接口上做了大量工作，但涉及到海量數據分析，其只能利用數據源本身的分布式計算能力，缺乏對海量數據分析系統性的解決方案，導致性能達不到企業需求。

除前后端性能增強外，一站式平臺是面向企業服務和解決方案的產品。傳統BI產品在實施過程中具有很高的失敗率，通常不足50%。因為企業級數據分析是技術與業務高度耦合的工作，傳統數倉建立以后常因為結構不合理導致業務需求得不到滿足。

因此，專業解決方案和靈活的通用平臺是應用一站式平臺不可或缺的兩點。行業專家可以通過與業務人員的深入交流制定專業的數據框架，而靈活的通用平臺可通過模板配置，實現針對特定行業、企業的需求。

遇到數據框架不合理時，一站式平臺通常可以較低的成本迅速調整框架。如美的集團、聯通公司其BI系統都是構建在永洪通用一站式BI平臺之上，只是在企業應用時分別采用了制造業與電信行業模板。

以華夏銀行一站式BI平臺為例，其技術架構中數據源不僅包含原有的數據倉庫與數據集市，還通過大數據平臺實現實時數據采集和流式數據分析，同時還具備非結構化和半結構化數據處理方案。其中數據整合層的內容是傳統BI、大數據平臺、數據源的一個整合，提供了敏捷BI難以實現的數據源需求與性能需求。 

圖21: 一站式大數據平臺架構示意

數據來源：永洪科技 

 而對于業務人員，華夏銀行的一站式BI平臺又是輕量的，具備自助式的服務特征。業務人員根據自身的數據方案權限即可查詢所需的數據指標和規則模板，使用托拉拽的方式即能快速組建業務查詢需求。

因此，在大中型企業中，一站式大數據平臺逐步替代傳統BI和敏捷BI的趨勢將越來越明顯。但在小型業務中，正如Excel的廣泛應用一般，敏捷BI也會占有相當的市場。

5.2 BI與AI融合，降低數據分析的門檻，放大數據分析的價值

BI與AI將在未來進行深度融合。這一融合趨勢將快速數據分析的使用門檻,在貼近行業場景的前提下,快速放大數據分析的價值。 

圖22: 一站式大數據平臺數據管理與自助式服務

數據來源：永洪科技

AI技術分為三個流派，以知識圖譜為代表的符號學派，以機器學習為代表的連接學派以及以智能機器人為代表的行為學派。在BI行業，知識圖譜與機器學習將成為BI與AI融合的主流。AI技術將不局限于目前火熱的連接學派中的機器學習技術，而是多種流派技術的融合使用。 

圖23: BI與AI融合降低數據分析門檻的途徑

數據來源：愛分析

BI與自然語言處理NLP、知識圖譜等技術的融合，將促使語義搜索成為主流BI查詢接口，交互式BI將漸成潮流。根據2019年Gartner的報告預測，到2020年有50%的查詢分析通過自然語言搜索、語音搜索完成。在這個領域，基于行業的標注數據與基于專家知識的知識庫建設將構建新的行業壁壘。

BI與機器學習技術的融合將促成增強分析的功能快速豐富，這一方面數據科學平臺、機器學習平臺以及嵌入式分析將成為主要推動力，從而實現預測式分析。適用化更強的AI算法與基于行業的模型，將成為該領域增長的核心要素。

增強分析技術、語義搜索與自助數據準備的成熟將大幅降低現代BI平臺的使用門檻。業務人員使用自然語言即可實現預測式分析。需要注意到的是，這個過程并不是一蹴而就的事，IBM Watson近期的裁員表明這兩項技術在醫療領域并不能獲取比人更高的判別精度。 

BI與AI的深度融合將促使BI的行業標簽更加明顯。在行業內部有數據積累和長期實踐的企業，將建立長期優勢，迅捷、開放、移動、彈性、自服務、增強分析成為企業對數據技術的新需求，而單純的BI產品將會成為BI應用中簡單的一個環節。

永洪科技利用AI技術可以實現全鏈路的自服務數據準備工作，大幅增強了可視化分析能力。同時，其分析引擎內置AI深度分析算法，通過可視化工作流的方式，可以進行預測式分析。在金融、物流和公安等領域，專家+AI的應用模式獲得了極大的成功。

5.3 邊緣計算、IOT等技術成熟，基于大量設備聯網后的場景 

2020年，全球物聯網設備總數將達到340億，巨量物聯網終端的管理將成為巨大難題。物聯網一般劃分為感知層、傳輸層和應用層，所以物聯網天然的包含數據采集、傳遞、處理和應用環節。其中，在完成數據采集和傳遞基礎環節的鋪墊后，后臺數據處理將成為最關鍵的環節。

5G、邊緣計算、智能工廠等技術成熟將推動物聯網級的BI平臺在物聯網后臺數據處理中發揮關鍵作用。在這個過程中，數據實時采集與存儲、流計算、數據實時分析與預警以及BI平臺與智能工廠的結合將成為現代BI的關鍵。

目前，制造、能源、物流和交通等行業是對物聯網級BI平臺需求較高。大部分中大型的制造企業已經建立了比較完善的CRM、ERP、MES、MRP等基礎信息化系統，幫助制造企業收集大量的歷史數據；另一方面，終端傳感器、邊緣網關與服務器的部署使得對機器的性能測量和可追蹤性變成可能。

以物流行業為例，物流管理系統中包括物流跟蹤系統、播種墻分揀系統、RFID及AGV盤點系統等物流智能化系統和設備，時刻產生大量生產數據。現代物流BI系統通常需要進行全量數據分析，這類數據包括庫存、入庫、出庫三個維度的實時數據，以及通過上鉆和下鉆等功能實現省內與省間的數據聯動分析。

圖24: 物流行業物聯網級BI平臺示意

實時性作為物流BI系統的核心能力，其快速響應時間通常在10S以內，可實現全量數據聯動分析。通過BI的可視化能力，其不僅對外部客戶提供更好的可視化感知服務，也可對內加強運輸配送環節的安全管控。

5.4 BI商業智能與垂直場景融合，更加貼近客戶場景訴求 

BI作為企業決策解決方案，熟悉企業業務是必要環節。BI系統在實施過程中，需要重新梳理企業管理方法、流程、體系，并得到管理層、中層和業務層的支持，深入挖掘企業需求，有時還需要IT咨詢人員介入，才能制定有效的BI實施方案。在這個過程中，通過BI系統實現智能運維，是垂直行業場景融合的關鍵。

底層獲取數據能力增強，加速了BI與垂直場景融合。隨著大數據技術與物聯網技術的發展，現代BI可以實時獲取生產數據或者經營數據。這類直接獲得的數據更多與垂直場景相關，如廣告中利用精準營銷進行獲客引流，供應鏈管理中利用物聯網獲得的進出場信息獲取倉儲管理情況，越來越多的行業屬性信息，加速了BI與垂直場景融合。

自助式分析、增強分析的BI方案落地依賴于對垂直場景的深刻理解。通用的BI產品通常不能直接解決業務分析的需求，只有依據業務場景，確定問題邊界，才能選擇合適的模型和算法，使用增強分析技術，才能制定有效的BI實施方案。例如，交通出行場景，除獲取相關的業務數據外，BI系統還必須選擇合適的人工智能或者運籌學模型，才能計算相關的最短路程與出行時間。

云BI的快速發展，BI的客戶場景通過SaaS快速實現。BI云化后，BI產品的應用和部署將變得更加便捷，客戶將按照業務場景選擇BI服務，而不是簡單的選用BI的通用型服務。簡單的如營銷過程的用戶畫像、教育行業的教育評測、征信服務的征信評價均可以通過SaaS服務方式提供給客戶。而附加的行業解決方案，正成為現代BI著重開發的要點。

六、BI商業智能廠商競爭分析及典型廠商介紹 

6.1 BI商業智能廠商核心競爭力分析

愛分析認為，技術、產品、獲客、客群/LTV、場景理解能力五個方面，體現了BI廠商的核心競爭力，這五個方面通過影響客單價和客戶數量，對整體收入和利潤產生影響。

圖25: BI商業智能廠商核心競爭力分析模型 

數據來源：愛分析

技術了決定了廠商開拓新業務能力，影響解決客戶需求的復雜度，進而影響客單價。在領導者和遠見者象限中的廠商，除了本身扎實的技術基礎外，在市場前沿技術方面都各具特色。例如微軟、Tableau都推出了廣受歡迎的自然語言處理和自動化數據準備功能；ThoughtSpot、MicroStrategy則具備市場領先的增強分析功能；Qlik、TIBCO、Sisense在數據管理、混合數據集成具備強有力的競爭優勢。

產品與生態影響產品的規模化復制能力，產品/服務的易用性，以及業務發展對人力依賴，并直接影響毛利率空間。微軟無疑在這方面具有最強大的實力，其傳統BI產品、敏捷式的Power BI以及具有廣泛用戶基礎的Access和Excel，以及強大的云端部署能力，構成了全鏈條、全網絡的BI應用生態環境。Tableau則可以與Salesforce的SaaS構成生態協同，雙雄組合即使是微軟也需暫避鋒芒。

客群則直接影響客單價以及市場空間。客戶每年IT預算以及傳統BI系統投入占比、產品客單價、所服務客群的同行業和跨行業之間的復制能力等因素都影響BI廠商的發展潛力。例如，Tableau客群大客戶比例高于Qlik，增長潛力更大；而Looker的參考客戶中，有36%分析的數據超過1tb，行表的中位數為5.85億，在2018年的特殊領域象限中Looker獲得顯著提升。

獲客則直接決定企業能夠服務目標客群，影響成本結構中的銷售費用占比。這一點上傳統BI廠商如IBM、SAS、Oracle具有強大的渠道能力，但這部分廠商在面臨轉型的環節，在原有BI產品和新的發展趨勢上難以取舍。而云服務興起后，BI廠商大部分都推出了相應的SaaS服務，而在Salesforce與微軟具有強大的云獲客能力。

場景化理解則影響客單價以及客戶黏性，對場景理解越深，壁壘越高，競爭越小，客單價越高。可以看到，2019年簡單的BI產品已經不能滿足行業客戶的需要，同時還要匹配相應的行業人員，進行業務適配。

6.2 國內BI領域廠商競爭力分析   

國內BI領域廠商參與者眾多，但技術門檻不高，競爭非常激烈。國內BI市場基本分為三類，第一類為傳統IT巨頭，如IBM、SAP等；第二類為云計算廠商，如阿里云、百度云等；第三類為新型BI廠商，如永洪科技等企業。

從市場集中度看，國內BI市場集中度低，產品差異化不明顯。從國外市場來看，Tableau在市場占有率達3-5%時，增速已然放緩，大幅提升市場份額較難；但2017年，Tableau云化后，又恢復超過30%的增速。

Tableau被SaaS鼻祖Salesforce收購后，市值暴漲超過70%，BI與云的結合成為主流。從這一趨勢看，國內采用SaaS服務的一體化BI平臺將會獲得更加高速的發展。

傳統IT巨頭預計將逐步退出中國市場，國產場景受到政策扶持。受政策影響，IBM、SAP、Oracle等廠商會逐步退出部分中國市場，這也是國內廠商巨大機會。同時，從美國政府的實體禁運清單中看出，高級BI類產品屬于被禁運產品之列，所以國內廠商受政治風波影響，尤其在公共服務領域，彎道超車的機會大增。

隨著外退內進的發展，采用國外BI產品的國內廠商逐漸使用國產BI產品進行替代，典型的如美的集團采用永洪BI平臺替代原有的Oracle BIEE平臺產品。

互聯網巨頭將覆蓋中小企業市場，通用型廠商空間有限，業務領域廠商將各具優勢。通用型敏捷BI產品，將因技術壁壘低，快速失去競爭優勢。同時，由于中小客群價格敏感，需求簡單，通用產品即可滿足，將成為互聯網巨頭目標客群，新興創業公司在中小客戶市場很難與之抗衡；而扎根行業、給傳統大型企業提供深度行業解決方案的廠商，才有立足之地和長遠機會。

6.3 永洪科技

永洪科技成立于2012年，專注于為百億級數據量的大型企業和各個垂直行業的中小企業提供靈活易用的大數據應用解決方案。其一站式大數據構建平臺，可以幫助企業輕松構建數據應用。永洪科技是業內第一家用大數據技術去做數據分析平臺建設的公司，這一點上處于國內外領先水平。

通過提供精細化本地實施、完善的咨詢服務、成熟的客戶成功體系和數據化運營最佳實踐的積累，永洪的項目的成功率達95%，這一點遠高一般企業不到50%的成功率。

永洪科技的BI包括Yonghong Z-SuiteX-Suite及其SaaS服務，垂直應用與行業解決解決方案，并且能夠提供數據資訊、數據治理、項目實施及開發服務。與國外廠商更多將BI產品定位部門級產品不同，永洪科技則背道而馳，不斷擴張自己的產品線，將產品做得越來越厚。永洪科技從產品深度和廣度兩個角度加強數據分析能力，使得產品線具備了全面的一站式數據分析平臺能力。

圖26: 永洪科技BI產品與服務結構 

數據來源：永洪科技&愛分析  

永洪科技利用其高性能計算引擎Z-Data Mart，利用列存儲、庫內計算、內存計算、分布式計算以及分布式通訊技術，可以實現百億級數據秒級計算。強化數據處理能力，使得BI產品所能處理的數據量更大，由部門級產品轉向企業級產品，能夠支持更大數據量、更多應用場景，實現增強式自助式分析。

其深度分析引擎Z-Advanced Analytics，連通探索式分析和深度分析，提供一站式數據分析洞察能力。在深度分析引擎內部，封裝了機器學習等AI算法，擁有可視化工作流。可將探索式分析查詢數據作為深度分析的輸入，深度分析結果可以直接通過可視化進行展示，形成業務閉環。

深度分析引擎將自助式分析，升級為自助探索式分析。一方面業務人員可以直接使用平臺上現成場景模板進行分析，另一方面數據科學家可以基于平臺上的算法自己開發模型。

永洪科技并非只是BI產品提供商，其前期以咨詢方式切入大客戶，做好頂層設計，然后根據項目需要給企業配置合適的應用解決方案，在這個過程中永洪科技也實現了多個行業解決方案的積累。永洪科技認為BI廠商在平臺應用成熟之后，可以將平臺積累的成熟行業解決方案出售給客戶或者通過合作伙伴渠道出售給有此需求的企業。

永洪科技通過兩年時間打磨出國內首個“行業專家團隊”，實現差異化的行業、企業、業務場景下的整體解決方案，實現從“數據咨詢->實施服務->客戶成功->數據分析課程培訓”全程服務體系，全方位賦能客戶，幫助企業實現數據驅動業務增長。

6.4 Tableau

Tableau成立2003年，2013年登錄紐交所，目前市值接近150億美元。

Tableau是一款敏捷型BI產品，可以使用Tableau便捷的連接不同的數據源，進行探索式、自助式數據查詢。截止2019年，Tableau已經連續7年處于Gartner 商業智能和分析平臺的魔力象限領導者地位，并具有極強的客戶滿意度。

Tableau除具備高客戶滿意度外，還有以下幾點優勢：產品定位精準，技術方向引領行業發展；具有很高的易用性；成功建立了超過100萬的活躍社區。Tableau在2017年收購ClearGraph，并將自然語言查詢帶入BI領域，2019年其自然語言查詢功能正式推出后，大受客戶歡迎。

Tableau有五大產品系列：Tableau Desktop、Tableau Server、Tableau Online、Tableau Public以及Vizable，這些產品都是為了解決一個問題：數據可視化，僅通過提供服務的方式進行區別。

90%的Tableau產品都是買斷式的，客戶可以永久使用，只有很少一部分是按年付費使用。這一點上，大大提高了Tableau的客戶滿意度。雖然看似一次性買斷，會對Tableau的營收造成影響，其實不然，Tableau在上市之后仍然保持了較高的營收增速，近三年平均營收增速達到21%。

Tableau的強勁增長正通過其后續的服務能力體現，包括產品的更新迭代以及技術人員為客戶解答各類問題。第一年的服務費包含在產品里面，從第二年開始要收取一定比例的費用，這個比例與產品價格和服務等級有關。最高服務等級是配備專線電話，7天24小時有人接聽。經過多年發展，Tableau客戶每年的服務費大概為產品費用的50%。

2019年6月，Tableau被Salesforce收購。Salesforce與Tableau業務協同性與互補性很強：Salesforce具有完善的SaaS服務生態，擅長管理客戶關系，提升業務質量，而Tableau則擅長于通過對數據的分析，讓企業更好地發掘市場機會并作出相應決策。可以看到，兩者在客群上有很大重疊。

Tableau與Salesforce的聯姻另一方面可以看成兩家廠商應對微軟的一種策略。早在2017年，微軟已經在魔力象限中超越Tableau。微軟的BI堆棧對于兩者都具備無可比擬的優勢，兩者結合后，Tableau快速融入Salesforce生態，而Salesforce則可以借助Tableau擺脫對Oracle的依賴，提高自身的數據分析能力，相得益彰。

結語 

BI是數據實現價值的窗口。無論是數據倉庫還是敏捷式BI，都是使得數據分析變得越來越簡單、數據價值體現越來越直觀。從這個意義上看，BI的本質是整個數據分析乃至大數據領域的入口。所以Salesforce和微軟要牢牢把握住這個入口。

從發展趨勢看，BI分別向數據端及分析端延伸。在數據量越來越多的情況下，數據管理會變得越來越容易；而通過自然語言理解和深度分析技術，前端的數據分析工作也將會越來越容易使用。利用語音或者文字進行交互式分析，將成為BI發展的主流方向，并最終大幅超過現有BI的應用范圍。

在未來，能夠與業務場景深度融合的BI產品將更具備競爭力。在工業互聯網蓬勃發展的當今，業務核心系統的發展仍然較為緩慢，但BI作為輔助運營決策的主要方式，正在發揮越來越重要的作用。而對于業務系統的理解，將成為現有BI企業的巨大財富，并在未來競爭中構建競爭壁壘。