京公网安备 11010802034615号
经营许可证编号:京B2-20210330
商业智能(BI)努力的是企业与数据之间的“最后一公里”,而新一代商业智能云平台要做的,则是企业和数据之间的“额外一公里”,让你跟数据的关系从0距离变成负距离。深入,再深入一点。
传统BI:企业与数据的“最后一公里”
根据Tableau发布的《2017最需关注的十大云趋势看点》,由于各种设备与云技术的发展,大量数据都能够轻松存储在云端。企业的关注点从“如何获取数据”,变成了“如何分析数据”。企业需要能够无缝连接、集成不同云托管数据的分析工具,来弥合自己与数据之间“最后一公里”的距离。
以前,企业的选择是商业智能(Business Intelligence),它可以帮助企业收集、管理和分析数据,将这些数据转化为知识或洞察(insight),然后分发到企业各处。
但是,在Gartner发布的《2017BI和数据分析软件市场统计报告》中,发现了这样的趋势:
(1)传统的商业智能平台市场占有率正在逐年降低。从2013年的49%,降至2015年的41%。而与之相反的,是新一代商业智能平台,它的市场占有率从7%上升至14%,几乎“吃”掉了传统BI失掉的所有市场。

(2)根据预测,未来10年将有更多的分析工具/商业智能产品部署于云。

究竟新一代商业智能“新”在哪儿?为什么有能力蚕食传统BI的市场?Gartner2015年提出“Modern BI Platform”这一概念时,曾经从五个方面描述了传统BI与新一代BI之间的区别:

从上图中可以看出,新一代BI最大的变化,就是把商业分析全流程的中心从专家转向了业务人员,IT部门不再是数据采集、准备与内容创作的主力或灵魂,仅在分析的流程中提供一小部分的支持工作;以前业务人员跟数据之间隔着一个IT部门,像隔着一座大山;新一代商业智能,允许业务人员直接跟数据对话、直接创建分析内容、自由的用可视化进行数据探索,还可以彼此协作。
新一代BI赋予了业务人员与数据直接对话的能力,不要小瞧这个进步。这几乎是推翻了传统商业智能的产品框架,回到“让谁用”、“怎么用”的源头,把整个工具做了一个“民主化”的革新。
民主的好处,于社会不用多言;于数据,则是弥合了从信息到行动之间的距离。对于企业来说,这就是那“额外的一公里”——发生在企业内部的、全员与数据共舞的美妙。
“额外一公里”的before我们都经历过、或正在经历着;现在,让我们来具体解释展现一下“额外一公里”的after——
* 新一代商业智能中,因为全员可以访问数据,所以无论部门、职能、级别,每个人都可以得到自己需要的数据;
* 因为全员可以自己处理数据,所以每个人都能在最短时间内得到自己想要知道的答案,节省大量与IT部门或“第三者”解释需求、等待满足的时间;
* 因为全员可以自由地对数据进行可视化的交互分析,所以任何疑问答案都是“立等可取”的,而那些常规型的报告,也不用重复制作,打开界面就可以看到了,跟数据的亲密关系又进一层;
* 因为有了“数据协作”,全员基于唯一真实的数据展开工作,部门与部门之间不再是孤岛,从彼此扔锅到展开合作,不再是梦想。
以上所有的一切,都大大缩短了从信息到行动的距离。
新一代BI为“全员数据化”赋能,还有一个利好,就是让每一个“决策者”都有据可依,要知道,这可是一个企业人人都是“决策者”的时代。美国一家上市公司是这样形容的:“每个人都在做决策。每个小时,每一天。CXO们并不是影响运营和盈利的唯一因素:几乎所有的员工都可以通过他们的工作习惯、他们使用(或滥用)的技术、对突发事件及挑战的应对方式等,对运营产生影响。事实上,‘决策者’这个术语已经可以适用于任何人。”
1936年,查理-卓别林执导并主演的《摩登时代》里,曾经把工人比作城市大机器中的一个零件,在设定好的固定程序下每天重复。今天,工业社会已发展成为信息社会,我们的工作比过去需要更多的主动与创新,但企业依旧是一个环环相扣的生产线,每一个环节都影响着企业的最终盈利,每一个环节都不容出错。
因此,我们为什么不把最适合这个时代的利器,交到每一个环节的负责人手中呢?
这就是新一代BI存在的意义。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14