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。