编辑导语：数据分析，是用统计分析方法对收集来的大量数据进行分析，提取有用信息从而形成结论。简单来说，就是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。随着数据分析被越来越多的企业所采用，出现了越来越多的数据分析平台，本文作者就对BI&数据分析平台产品的发展趋势进行了分析。

近十几年来，在互联网技术和业务快速发展的同时，商用BI&数据分析产品和行业发生了翻天覆地的变化。

十几年前，传统BI平台厂商占据着大部分市场；2010年前后，以Tableau为首的现代BI&数据分析平台厂商开始快速崛起，最后抢占了绝大部分的市场。

是什么让现代BI获得了企业和组织的青睐，最终在市场竞争中获胜？BI平台的发展趋势，又能给我们什么样的启示？通过对Garnter魔力象限和相关资料的解读，我总结出以下几点：

笔者在公司负责内部数据分析类产品的建设，后续的分析将围绕数据使用进行，其它如厂商市场策略、数据技术方面的内容将不会涉及。

一、数据使用的门槛不断降低

2005年来，技术发展和产品设计思路的创新，让BI平台在产品部署、数据的准备和使用方面的门槛都大幅降低，让业务人员以更低的成本获得所需的数据。

1.  从依赖IT部门到自助分析

企业中BI平台的用户，可以根据工作职责分到两类部门：业务部门和IT部门。

1）业务部门

是企业中直接负责业务经营的部门，业务部门往往直接面对企业的用户和市场，直接对企业的业务目标负责。业务部门会生产出一系列原始数据，并利用分析这些数据得出的结论优化业务结果。

2）IT部门

一般由技术人员或专业数据分析师组成，他们具备专业技术知识，能进行BI平台的部署和维护；他们也能够根据业务需求，进行数据分析和报表的开发。

IT部门主要的工作职责，是通过辅助和支撑业务部门的工作，间接推动公司的业务发展。

传统BI平台产品设计的重点是产品的标准化和功能性，而没有在易用性上投入足够的精力，导致传统BI平台有着较高的使用门槛，只有经过训练的IT部门的技术人员才能进行数据的开发和维护。

因此，所有业务部门的数据报表需求，都被集中到IT部门进行排期开发，IT部门成为了整个公司数据化的瓶颈。

对于IT部门，需求沟通和开发工作量巨大，每天疲于奔命；对于业务部门，业务需求沟通开发周期很长，无法满足业务发展对数据的需求。

尤其是业务方面的一些数据探索类分析需求，在这样的时间周期下，近乎无法实施，拖慢了整个组织的运营效率，更别提进入快速试错，迭代认知的正循环。

以Tableau为首的现代BI平台，被称为敏捷BI或者自助BI。这类BI产品提供了轻量的部署方式、易用的数据源连接功能和通过拖拉拽进行交互式数据可视化的能力，降低了BI平台的使用门槛。

业务部门的人员经过一定的学习就可以摆脱对IT部门的依赖，自行进行数据准备，数据报表的创建和数据分析。将原来按月、按周计算的开发周期，缩短到按天甚至按小时、分钟计算，数据需求实现的周期有了数量级级别的降低。

去IT部门中心化，让组织内部的数据应用的广度和深度都有所提升。

广度方面，原本IT部门资源有限，组织的数据使用场景更多的集中在企业经营的核心领域，比如：财务、销售、业绩管理这些直接跟公司业绩直接相关的领域；其它方面的数据应用，投入相对较少。

现代BI平台的诞生，让营销、供应链、仓储、HR、风险管理等等领域的负责部门获得搭建自身的数据分析体系的能力。

数据应用的深度的增加可以从两个角度理解：

1. 数据覆盖人员层次的纵深增加。一开始数据只能提供给高级管理者，作为企业的重要决策参考使用；数据门槛降低后，数据可以渗透到一线员工的具体工作中，让更多人形成分析-行动-反馈的正循环；
2. 数据在决策过程的覆盖率增加。数据在组织中的主要用途是减少决策的不确定性，提升决策质量。在决策链路或推理过程的诸多论证步骤中，得到的数据支撑越多越有力，决策的可靠性就会越高，最后决策的效果就会越好。

虽然去IT部门中心化的开发方式提升了业务数据需求的实现速度，帮助现代BI平台产品在市场竞争中获胜。

但各个部门独立进行数据准备和分析，缺乏统一的管理。在数据应用规模增大后，导致了数据的重复开发、数据口径不一致等诸多问题。

这些问题已经超出了BI平台本身产品的范围，更多的是组织结构、流程和数据管理的问题，建设企业级的数据中台是目前业界用于解决上述问题的方案，在此就不展开阐述了。

2. 自然语言查询

虽然现代BI平台已经让数据分析门槛下降了很多，但仍然存在一定的学习成本。用户需要具备一定的数据分析思路和方法，理解现代BI平台多维数据模型，掌握BI平台的界面逻辑和交互方式。

NLP技术的发展和对用户场景的理解，让BI平台开始尝试开发通过自然语言进行数据查询的功能。

用户只需要提出数据问题，BI平台就可以根据已知的数据，为用户提供可视化的数据分析结果，供用户进行进一步的决策使用。BI平台会真正成为个人专属的数据分析师，随时解答用户的数据问题。

主流数据分析平台都已经开始尝试这方面的探索，比如Tableau的Ask Data，PowerBI的Q&A功能等。

二、数据分析能力的持续增强

看数据只是业务数据应用的第一步，通过数据分析发现潜在问题、洞察机会，最后获得业务增长才是最终目的。

1. 静态报表

传统BI阶段，BI平台只能提供静态的基础报表工具。所有的报表要在需求沟通的阶段都明确好数据内容，在报表开发时写死到程序里。

这个阶段的报表，只能起到描述业务的作用，即告诉业务人员，当前业务的状态是什么样的。

当然，业务人员可以事先在报表需求中固化一些常规分析套路。但如果业务在使用过程中有更多的需求，哪怕只是对进行一个之前没有考虑到的维度细分，也只能再次给IT部门提需求进行数据分析或报表修改，排期开发后才能得到结果。

这种数据获取效率节奏，让组织无法快速响应市场变化，进行充分的数据化决策。

2. 数据探索

除了前面提到的降低数据使用门槛，现代BI的另一个优势，是为用户提供了交互式的数据探索功能。

业务人员可以在现代BI的多维数据模型（Cube）基础上，通过符合直觉的软件界面交互，快速进行数据的探索和可视化分析。

业务人员可以查看宏观的指标数据，再根据需要对指标进行细分下钻，在多个指标之间进行对比，利用现代BI的可视化图表功能，从数据中产生洞察。

在数据探索功能的支持下，业务人员的数据分析思路可以在第一时间落地，完成数据分析过程中的猜想和验证，加快了业务获取数据的效率。

在数据探索产品中，所谓的报表搭建只是在探索过程中固化下来的一个常用的分析思路。业务人员可以根据业务目标的变化，对业务理解的深入和分析思路的完善，不断调整和新建报表，达到数据应用效率的最大化。

数据探索功能可以让数据在组织内部更高效的流转起来。业务人员可以在现代BI中按照自己的分析思路，搭建一份完整的数据分析报告，并利用平台的分享功能在组织内部进行分发，达到信息同步和沟通的目的。

3. 增强分析

在现代BI的帮助下，业务人员获得了灵活的进行数据分析的工具，但数据分析的具体思路和对数据的判断和解读还是需要人工参与。

数据分析的整个过程依然需要消耗一定的时间精力，分析结果也很大程度上取决于分析人员的分析能力和业务理解能力。

增强分析是将常见通用的数据分析的场景沉淀为产品功能中，利用机器学习和统计学方法，辅助分析人员完成数据分析。

一方面，增强分析可以提升常见场景的数据分析效率，规范分析过程；另一方面，分析人员可以借助计算机的计算能力，从数据中挖掘到隐藏的信息。

1）细分分析

细分分析是数据分析的一种重要分析方法。

将一个指标按照某个维度拆成多个组成部分，再对每个部分进行进一步细分，直到产生洞察或者发现问题。在数据波动分析、问题原因排查的场景中，都会用到细分分析方法。

PowerBI和QuickBI都提供了在指标波动的场景下，自动进行原因定位的功能。

QuickBI的智能监控，可以展示出各维度和相关指标对波动指标的贡献度，方便用户发现问题原因；而PowerBI产品的波动分析则更进一步，使用自然语言生成技术和一系列辅助图表，直接为用户呈现波动分析的数据结论。

2）智能洞察

业务人员在接触到新业务或者新数据时，需要进行一定的数据探索，了解数据的基本情况；对于已经熟悉的数据，业务人员也可能因为数据分析不够充分，无法掌握数据所有的特征。

智能洞察可以利用统计模型和AI技术，对数据集进行初步探索，帮助业务人员发现数据中的隐藏规律，比如：平均值、极值、关键维度、主要分布情况、指标关系等。

智能洞察功能的代表有Tableau的Explain Data和PowerBI的Quick Insights。

三、数据和业务流程的结合愈发紧密

数据是手段，业务才是目标。

为了让业务人员可以更好的使用数据，组织倾向于业务流程和数据更紧密的结合起来，通过产品和AI手段，让数据可以更好的支持、辅助甚至代替业务人员进行决策。

与业务的结合越紧密，数据的业务定制程度越高，通用型也会越差。

所以下面描述的部分应用场景会超出现代BI平台的功能范围，创造业务价值才是BI平台存在的意义，让业务和数据更无缝的结合、尽可能缩短业务问题到业务决策的路径，必然会成为BI平台未来的发展方向。

1. 线下流程

无论是外部采购BI平台，还是自研数据产品，组织中的数据分析系统往往与已有的业务系统（CRM、营销系统等）相互独立。

这要求业务人员具备一定的数据应用主动性和分析能力，了解在业务的哪些过程中需要进行数据结论支撑，并且自行到BI平台中进行分析。

为了提高组织整体数据化决策水平，保障决策质量，组织会用规范业务流程、组织培训等方式，提升业务人员的数据应用能力，让决策环节中有充分数据支撑。

但线下流程终究会带来大量学习和管理成本，执行落地的效果也得不到很好的保障。

2. 数据分析嵌入业务工作流

现代BI平台提供了各种功能，将其提供的数据能力嵌入到业务系统中。业务人员可以在业务系统中，一站式完成数据分析到运营动作再到效果反馈整个流程闭环。

BI平台厂商期望产品具备足够强的通用性，这必然会牺牲BI平台在特定场景下的易用性。为了满足更细分的需求，需要选择针对业务场景设计和实现的产品。

比如网页和App用户行为分析场景下，可以选择Google Analytics、友盟、神策分析、GrowingIO等产品解决数据问题。

如果组织具备一定的开发能力，也可以自行将特定的数据分析方法集成到业务系统中，让业务人员可以按照系统设计的思路，轻松完成常规业务数据分析。

3. 智能分析直达决策

数据分析嵌入业务工作流后，业务人员的数据分析效率大幅提高，但分析过程仍需要人工介入，进行决策。能不能去掉人工分析的过程，让机器直接提出决策建议、甚至直接进行决策呢？

在AI已经深入人心的今天，机器智能决策已经在许多领域广泛应用。

业务数据分析作为BI平台主要使用场景，也出现了很多利用AI技术结合数据分析提出决策建议的应用。通过大量人工业务分析总结出的业务经验、再加上AI和机器学习技术的加持，让机器一次性完成业务分析和行动建议。

比如淘宝的生意参谋，可以分析出业务存在的主要问题，提出行动建议。

数据分析有四个层次：描述、诊断、预测和决策，BI平台的发展历程，正是按照这四个层次的顺序，不断为业务赋予更大能力的过程。

在互联网业务快速发展的大背景下，从业者对数据的理解和应用意识不断提升，各个领域的数据应用方法也随着行业发展不断沉淀完善。

这些都与BI平台自身的发展一起，形成合力，推动整个行业的数据应用水平迈上了新的台阶。

本文由 @季白 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议