国内如火如荼的数字化转型,正在各行各业快速展开。不过就数字化转型的概念,还是过于宽泛和模糊。而且,数字化转型的水平和进程参差不齐,效果也很难衡量。
好在数字化转型的先驱者,已经总结了关于数字化转型的SPEED能力模型,即:战略(Strategy)、产品(Product)、体验(Experience)、工程(Engineering)和数据(Data)。它基本上涵盖和表达了数字化转型的能力和内容要求。
虽然“数据”排在SPEED模型的末尾,但其重要性却是无可替代的。因此可以说,数字化转型的尽头是“数据”,而成为数据驱动型组织,是数字化转型的重要目标。
数据是组织的一项重要资产,这个理念已被大多数组织所接受。不过,这些未处理的数据本身,并不会为组织带来任何价值,因为它们还需要收集、设计、分析、可视化等复杂的处理过程。
在这种情况下,BI与分析平台就担负了数字化转型过程中,让数据产生价值的重任。因此也可以说,是数字化转型催生了对BI和分析的需求和机会。
BI软件的市场前景
据Business Research Insights的分析报告数据,2024年全球商业智能(BI)和分析平台市场规模为482亿美元,而到2032年的市场规模将达到1157亿美元,预测期内的复合年增长率为11.4%。
来源:Business Research Insights
我们已经可以看到,BI软件的全球化发展,以及国内数据分析市场的兴起,特别是BI的深入应用,已经从大企业向中小企业市场扩展,也迅速扩大了国产BI软件的市场。
其中,如FineBI、Quick BI、观远数据等国产BI,已经在很多行业和领域,初步具备了与国外厂商的一较高低的能力。比如瓴羊Quick BI已经连续第5年入选Gartner ABI魔力象限,2023年还进入了挑战者象限,也是唯一进入这一象限的国内BI。
国内BI市场需求分析
随着数字化转型的深入,更多组织对数据分析需求,也从“nice to have”向“must to have”转变,呈现出更大的“刚需性”。
这是因为,在这个消费行为和偏好都在迅速发生变化的时代,要想理解并跟上这种变化,数据能力是最重要和关键的因素。
虽然用户对数据分析的目的看起来千差万别,但基本上都可以归为四个方面。或者说,大部分需求场景,也都是围绕着这些方面展开。理解这些方面的要求,有助于BI厂商的投入更加聚焦,更快地切入这个市场。需求的四个方面包括:
1. 为了产生更好的客户体验
在客户体验这个大需求下,可以衍生出更丰富的场景。比如,怎样全方位了解你的客户。在客户眼中,你的产品或服务,如何表现得比竞争对手更具关联性。怎样利用数据触达目标客户。怎样利用历史数据,与客户进行个性化交互... ...
所有这些场景,其实都是为了一个目的:改善和提升客户体验。如果不依靠数据分析的话,想要快速得到相关的洞见,几乎是不可能的。
2. 有助于产品和服务的创新
产品和服务创新是企业永恒的主题,但创新并不能完全凭感觉。从增加还是减掉某个功能,到管理产品分类,再到发现一个新的业务机会,所有这些都离不开对数据的分析。
依靠数据分析将有助于向市场提供更有竞争力的产品,吸引到更多客户,并能有效提高客户的忠诚度,从而减少客户流失和增加复购。
3. 使业务运行更高效
无论是企业的运营还是决策,早已过了“拍脑袋”的阶段。而基于数据分析的运营和决策,已经成为大多数企业管理者的共识。
通过观察和分析当前的业务数据,以及业务流程数据,就可能找出业务过程中的阻碍点,并加以改进。比如,在一条生产线上,根据质量数据的偏差变化,利用数据分析就可能追溯到导致问题发生的生产环节。通过数据分析的帮助,使各个业务均达到最佳的状态。
4. 分析的自动化和智能化
当前,BI技术的发展与其应用深度其实并不同步。比如对易用性要求,不但与应用深度相矛盾,对易用性本身来说,也存在一个不现实的使用门槛。而另一个更难以跨越门槛,是为达到数据质量要求,所必须的数据准备投入,包括巨大的人工投入和时间投入。
现在,易用性问题和数据准备投入问题,在很大程度上,都可以通过人工智能和机器学习加以解决。
不仅如此,在提高易用性和降低使用门槛的同时,AI还可以使BI更加自动化,甚至使机器能够自主采取行动或做出决策。比如Quick BI的“智能问数”功能,因为能够理解自然语言查询,所以并不需要使用者具备任何数据查询语言知识,极大降低了用户与数据交互的复杂度。这就使非技术背景的业务人员,也能轻松进行数据查询和分析,使用门槛大大降低。
什么样的BI,更适合国内的用户?
市场上成功的BI产品,并不取决于你怎么卖,而是取决于客户将怎么买。相较于国外BI产品,根植于国内市场的国内BI产品,更符合国内用户的工作习惯。比如,操作更简单,权限更灵活,可以协作应用,与主流工作平台集成,更容易获得的SaaS订阅模式,以及方便的客户成功支持。
所以,如果搞清楚客户需求方向、衍生场景和使用习惯,就不难得出用户对BI软件选型时所看重的因素。
这些因素可以归纳为以下几个:
1. 业务需求的匹配程度
没有客户会无缘无故采购BI软件,他们必定是想要解决某一业务遇到的障碍,而选择通过数据分析方式,可能是一个最佳的解决方案。
因此,与当前业务需求匹配程度最高的BI产品,将成为客户选型的首要考虑因素。
2. 易用性
为了强调自己的BI产品功能丰富和分析能力强大,很多BI产品都做得过于复杂。由于过高的学习成本和较长的TTV(Time to Value),很可能导致用户在看到分析成果之前就弃用了。
因此,BI产品的易用性和体验,也是极为重要的选型考虑要素。
3. 数据整合能力
国内企业的数字化进程较晚,且缺乏规范,加上IT系统的采用先后不一,从而导致数据来源既多又杂,这最终会影响到数据质量。
因此,BI产品的数据整合能力如何,成为BI选型的一个非实际的考量要素。很多分析项目的失败或效果欠佳,都是因为对数据源的融合能力弱,数据的缺失或时间线偏差等原因所导致。
4. 分析能力和可视化效果
不管当前是否用得上,客户都希望从多个方面,对BI产品的分析能力进行测试评估,甚至有时还专门对“分析能力”一项进行打分。当然,这种考量也在情理之中,客户将分析能力归为可扩展性,为未来业务的扩展留有余地。
除分析能力外,可视化表达是客户关注的另一项指标。比如,客户更希望选择那些能够提供丰富可视化图表和图形、支持复杂数据分析和报表生成的产品。
5. 支持协作与个性化
好的BI产品有别于传统报表工具,体现在对数据协作的即时支持,以及高度的个性化。
6. 成本
成本往往是BI选型中难以绕过的问题。除了购买成本外,客户还要考虑实施成本、设施成本、运维成本、学习成本等总体成本。
不过,成本在很大程度上取决于BI厂商的提供方式。虽然全球以OP部署模式的BI系统仍占大多数,但SaaS化的BI服务正快速成为市场的主流。其中一个重要的原因,就是SaaS化可以降低客户的总拥有成本TCO。
7. 服务和支持
一个BI软件即使再简单,要实现业务分析的目标,还是离不开BI厂商的服务和支持。实际上,客户为了获得更大的确定性,BI厂商本地化的服务和支持,越来越成为选择厂商的必要条件。
国产BI面临的挑战及应对策略
与国际领先的BI和分析平台相比,国产BI除了技术方面的差距之外,还面临着其它特殊的挑战。比如:
1. 数据资产意识
虽然在大型企业和数字原生企业中,将数据作为有价值的资产,已经得到广泛的共识。但是对于中小企业,数据的资产价值意识还没有被广泛建立。这从根本上制约了BI和分析平台的发展和深度应用。
不过,随着国内企业数字化转型进程的加快,这个意识问题将最终得到解决。
2. 价值判断
经过多年长期的发展,很多企业都拥有了海量的数据,但它们并不知道该如何处理和使用这些数据,让其发挥价值。事实上,使用BI究竟能得到什么样的效果,以及对组织产生多大的价值,目前大多还停留在理论推演,而成功的实例验证还不多。
对于大多数企业来说,更多的BI应用还只是停留在浅层,比如,BI仅作为报表和展现使用。对BI的价值判断,会直接影响到BI产品和服务的价值和价格。
随着更多BI应用的成功实例,特别是行业化深度应用产生的价值,价值认知问题最终得以解决。
3. 数据质量的制约
尽管BI的云应用使广泛的数据收集成为可能,但实际提高数据质量和数据治理水平的难度还非常大。因为客户环境下数据源不同,数据质量也参差不齐,这使BI的应用效果大打折扣,甚至可能得出不正确的见解和据此做出错误的决策。这极大地阻碍了BI的应用效果,消减了BI的使用价值,也是大部分分析项目失败的主要原因。
因此,BI厂商对于客户的数据质量不能想当然,而是需要投入更多力量解决这一基础问题。在我们的调查中也发现,要想达到预期效果,一个BI项目中大约需要花费至多80%的时间,用于数据准备和数据设计。
4. 数据“烟囱”的存在
就像企业信息化建设初期一样,大多数企业的数据,由于来自不同的建设阶段,以及不同的业务系统,因此形成大大小小的数据“烟囱”。这使得创建统一的数据视图变得非常困难。
因此,BI产品或分析平台的数据整合与处理能力,就显得尤为重要。
5. 信任、合规与数字伦理
目前,所有企业都在一个未知的数据环境下竞争,BI既带来益处,同时也带来了责任。消费者想要知道的是,他们的数据能为他们带来什么价值。如果他们向你提供了自己的信息,这些信息将会如何提升他们的体验,以及是否可能带来负面体验。比如,大数据分析你的偏好还可以接受,但利用大数据“杀熟”,就违背了数字伦理。
其实不单是国内,数字伦理是一个全球化的发展中的问题。但底线是,在具体实施过程中,需要与客户就各方数据的合规使用达成共识。
6. 易用性和使用门槛
BI和分析平台已经不再是数据科学家和分析师专用,而是作为组织所有人的工具。因此,易用性就成为一项硬性要求。
但实际上,易用性与应用深度是有矛盾的,而BI使用门槛的降低也是有限度的。这足以说明,从易用性到分析成果之间,存在着一条难以跨过的鸿沟。
要解决易用性和使用门槛问题,除了使BI产品向自助式BI与敏捷BI方向发展之外,如果在BI的业务流程中,能增加一个SaaS业务常用的采用(Adoption)过程,就有可能跨越上述鸿沟。此外,AI的采用促使BI向智能化方向发展,而智能化可以提高易用性和降低使用门槛。
国内BI软件的发展趋势与展望
我始终认为,极力推崇国外BI工具的优越性,与对国产BI的盲目自信一样,都是不可取的。
因为离开发展阶段和数据环境谈BI工具的优劣,并没有什么实际意义。换言之,国产BI需要结合国内企业当前的数据环境和条件,才可能探索出适合国内现阶段要求的BI产品方向。
但这并不是说,国产BI就应该闭门造自己的车。而是必须跟上大趋势下的相关关键技术,并融合于自己的产品中。
在写这篇分析文章之前,恰逢Gartner发布了2024年中国数据、分析和人工智能技术成熟度曲线。
来源:Gartner
从曲线图中不难看出,处于较短成熟期(2~5年)内的关键领域重点,包括数据资产管理、数据治理、AI、GenAI和LLM等,这些都是需要抓住并具体落实的。
就此问题,我与进入Gartner挑战者象限的瓴羊Quick BI产品负责人进行了探讨,发现其智能化BI产品发展路径,与趋势有高度的吻合,特别是在GenAI和LLM领域。从近年Quick BI的快速发展结果来看,也证明了在这些关键领域的投入是十分值得的。
写在最后
随着国内信创产业的快速发展,以及数字化转型的普及和深入,数据要素的重要性已经提升到国家战略层面。因此,国内数据资产这座金矿也进入了亟待开发的阶段,这无疑为国产BI带来巨大的机会。
必须承认,与国际领先BI相比,国产BI虽然还存在较大的技术差距。但也要看到的是,在当前国内产业环境下,无论是在适应性、易用性、经济性、安全性和保障性等方面,国产BI应该是一个合适的选择。