報告編委
報告指導人
李喆 愛分析 首席分析師
報告執筆人
姜凱燕 愛分析 高級分析師
陳宵雅 愛分析 分析師
特別鳴謝(按拼音排序)
報告摘要
信創產業建設如火如荼，BI將迎來國產化春風
隨著國際環境日趨復雜，為避免關鍵技術被卡脖子，應逐步實現國產化替代。
BI的業務流程涉及數據挖掘、數倉建設等，需要對接企業核心業務數據，從應用安全性角度考慮，BI國產化替代將是未來發展趨勢。
BI的應用持續深化，面向業務的智能決策是核心
隨著企業數字化轉型的深入推進，數據驅動的分析決策場景將無處不在，BI將在各個行業和業務場景落地。
長期來看，企業對于BI的應用將持續加深，呈現業務決策數字化、智能化的發展趨勢。
建設開放生態，滿足企業無處不在的BI需求
企業不僅需要成熟、易用的BI技術和工具，還需要結合對垂直業務場景的理解構建分析指標和模型，以實現BI應用價值的最大化。
從技術架構上來看，BI的應用涉及從數據接入、數據存儲與計算、數據治理、數據分析與挖掘、數據展現的全鏈條，需要與企業IT基礎設施和各個業務系統深度融合。
BI廠商需要建設開放的生態，在產品和技術等方面與其他IT基礎設施和業務應用廠商緊密合作，以生態的力量更好地服務企業。
目錄
一.新形勢下，BI應用迎來新浪潮
二.各行業BI落地進展
三.企業對BI需求全面升級
四.新需求下，企業BI落地實踐需要新方法
五.典型行業BI最佳實踐
六.BI未來趨勢展望
關于愛分析
研究咨詢服務
法律聲明
01 新形勢下，BI應用迎來新浪潮
1.1. 中央“新基建”政策推動產業數字化迅猛發展
2020年3月，中央在政治局常委會議上提出，要加快5G網絡、數據中心等新型基礎設施建設。“新基建”政策的提出將加速大數據產業發展，BI商業智能作為大數據產業落地的重要場景，行業迎來新的發展契機。
“新基建”包含5G 基建、特高壓、城際高速鐵路和城際軌道交通、新能源汽車充電樁、大數據中心、人工智能、工業互聯網等七大領域，其中大數據中心是“新基建” 建設的重點領域。
BI商業智能是大數據應用的重要一環，通過對企業業務數據進行展示、分析和挖掘，為企業業務決策提供指導，是釋放數據價值最重要的系統之一，行業具有較大增長空間。
1.2. 國際環境日趨復雜，軟件國產化替代加速
受美國技術出口管制等影響，中國大力推動信創產業體系建設，BI等數據分析技術作為企業必需的關鍵技術，國產化替代成為大勢所趨。
近年來，美國出臺的一系列管制措施，從硬件到軟件對中國進行施壓，相關關鍵領域的核心技術國產化勢在必行。比如，美國先后將中興、華為等中國實體列入出口管制“實體清單“，限制中國企業與美國間的商業交易，試圖扼制中國科技企業的發展。2018年，美國國會通過《2018年出口管制改革法案》，對關鍵新興和基礎技術和相關產品設置出口管制。
在此國際環境之下，2019年起，國家大力推進信創產業建設，企業全面國產化替代加速滲透。
進入2020年，各地信創項目建設如火如荼地開展。在信創產業生態體系構建上，將實現從IT基礎設施、基礎軟件、到應用軟件、信息安全的全方位自主可控和國產化替代。
根據公開數據披露，CPU 的國產化率大約為 3%，操作系統和虛擬化國產化率為 5%，數據庫國產化率為 10%，中間件和 ERP 國產化率達到30%。隨著國產化替代進程加速，從IT基礎設施到應用軟件的國產化替代將持續走高，BI國產化替代也將加速滲透。
BI作為信創產業體系中的重要應用軟件，是支撐企業數據分析的重要系統。尤其數據的挖掘分析涉及企業核心業務數據，從應用安全性、對業務需求理解角度考慮，BI國產化替代將是未來發展趨勢。
1.3 企業數字化轉型，助力BI新一輪發展
在數字化時代，企業面臨用戶需求變化、業務流程變化、以及數據量不斷增長等一系列挑戰，數字化轉型已成為企業核心戰略，是企業未來業務創新和增長的重要驅動力。在經歷了人口紅利、城鎮化紅利和互聯網紅利后，數字化轉型成為企業未來增長的唯一紅利。
根據中國信通院數據，2005-2019年產業數字化復合增速達24.9%，高于同期GDP增速，各行業數字化加速滲透。金融行業對數字化的投入和探索領先于其他行業，疫情影響下的零售行業數字化進程正在加速，政務、工業制造等行業的數字化轉型已經提上日程。
當各行各業正被數字化重塑時，越來越多的企業發現，不同于信息化建設，數字化建設是完完全全的“一把手”工程，企業的數字化轉型必須在企業CEO領導下進行，必須要有企業最高決策者站臺。
推動企業“一把手”認知到數字化的價值，讓CEO愿意全情參與到數字化建設中，是每一位企業CIO、科技部門負責人最重要的目標，也是企業數字化轉型能否成功的關鍵。
BI是讓“一把手”快速認知數字化價值的最佳手段，在企業數字化建設中扮演了極其重要的角色。
與數據中臺等數字化建設相比，BI的建設具備諸多優勢：
第一，BI可以直接將海量數據轉變成業務指標，快速釋放企業數據資產價值，支撐企業業務決策，讓企業最高決策者看到數據的價值。
基于BI，企業可最大化數據資產價值，對企業經營情況進行全面洞察分析，優化企業經營決策，從而提升企業業績，并實現成本控制以及運營效率提升。
第二，在初期BI投入相對較小，建設周期相對較短，能夠讓企業決策者和業務人員快速感受到數據價值。在如今越來越多的企業關注數字化建設的ROI時，BI成為企業數字化建設最佳切入點。
02 各行業BI落地進展
2.1. 各行業BI落地進展分析
2.1.1. 各行業BI預算投入分析
根據愛分析調研，2020年國內BI市場規模約為60-70億元，BI占IT支出的比例約為0.4%，投入領先的行業為：金融、零售、制造、電力、政務、教育等6個行業。結合Gartner關于2020年這6個行業IT支出數據，測算得到各行業的BI投入情況。
金融行業BI投入約為13-16億元，零售行業BI投入約為5-6億元，制造行業BI投入約為11-13億元，電力行業BI投入約為2-3億元，政務行業BI投入約為10-12億元，教育行業BI投入約為2-3億元。
2.1.2. 各行業BI應用成熟度分析
BI在各行業應用成熟度不同。愛分析通過BI應用深度、數據基礎設施情況兩個維度，對BI行業應用成熟度進行評估。
其中，BI的應用深度可劃分為：數據可視化、數據分析、數據挖掘三個階段。
在數據可視化階段，BI的作用是將企業日常業務數據報表以可視化圖表的方式予以呈現，只是單純用可視化圖表代替了Excel報表，但缺少對數據的分析。
在數據分析階段，BI可以實現對可視化圖表中的數據進行描述性統計分析、關聯分析等，發現數據背后的原因，實現數據輔助業務決策。
在數據挖掘階段，通過算法對數據進行深度挖掘和預測分析，BI和AI結合，能夠對未來業務進行預測分析，實現智能業務決策。
數據基礎設施情況則由數據量、數據易得性、數據質量等子維度決定。
金融和零售兩個行業在BI應用成熟度高：數據基礎設施良好，且已進入數據挖掘的應用階段。
金融行業對BI的典型應用場景包含營銷、風控、財富管理等方面，與業務相關程度高、預算投入比例也高;零售行業同樣將BI應用到核心業務場景，如銷售管理、用戶營銷、忠誠度管理等。但由于零售行業IT投入能力不及金融，市場規模較小。
制造和電力兩個行業BI應用成熟度中等。
其中制造行業企業數量龐大，但數據基礎設施參差不齊，領先企業已經進入數據挖掘階段，但總體制造業企業仍在數據分析階段，通過BI優化成本控制、進行流程監控;電力行業則以國家電網為代表，各區域在BI應用上各自投入，總體投入規模、應用深度都有很大提升空間。
政務、教育行業的BI應用尚處于初級階段，目前主要是對數據進行可視化展示，數據分析的程度有待加深。
由于各行業BI應用成熟度處于不同水平，對于BI的需求也存在差異。因此，廠商需要具備綜合產品服務能力以支撐跨行業服務需求。
2.1.3. 永洪科技在代表行業頭部公司中占有率高
永洪科技在代表行業頭部企業中的覆蓋度高。我們選取金融、零售、電力、制造等行業代表細分領域的頭部20家企業，調研實際BI應用情況，發現永洪科技占有率高。
其中，永洪科技在銀行Top20企業的客戶覆蓋率達80%，在金融、制造領域的市場占有率第一，表明永洪科技BI受客戶認可，產品和服務具有強大競爭力。
永洪科技在金融行業的代表客戶有中國銀行、招商銀行、陽光保險集團等，零售行業代表客戶有家樂福、郎酒集團等，制造行業代表客戶有美的、格力等，電力行業代表客戶有國家電網，政務行業代表客戶有國家財政部、工信部等，教育行業代表客戶有北京理工大學、中國人民警察大學等。
2.2. 各區域行業布局與BI需求分析
2.2.1. BI應用具有區域差異性
由于各行業BI需求有差異，而各區域的行業分布又各具特色，因此，華北、華東、華南、華中四大區域對BI的需求也有很大區別。
考慮各區域歷史發展、交通區位、勞動力成本等因素，各區域特色產業呈現不同特征。根據各區域產業特點，將各區域行業占比分為高、中、低三個層級，具體如下圖所示。
華北地區以北京為中心，輻射京津冀、山西、內蒙古地區，北京作為全國政治中心，國家機關、政黨機關數量均超過地區性基礎水平。此外，北京金融業較發達，是僅次于上海的金融產業密集區，2018年地區生產總值貢獻達16.8%。天津作為現代制造和研發轉化基地，制造業在產業結構中占比重，2018年制造業占地區生產總值比例達70.7%，其中裝備制造業占比達32.8%。山西作為煤炭大省，在產能置換背景下，逐步退出過剩煤炭產能，布局新能源產業。而目前國內發電仍以火電為主，2019年火電發電量占比達69.6%，能源電力產業在全國占有重要地位。
華東地區以上海為中心，覆蓋江蘇、浙江、安徽、福建、江西、山東六省。上海作為全國金融中心，2018年地方生產總值占比17.7%，同時聚集了汽車制造等優勢產業。華東地區的浙江省、上海、江蘇省零售業規模較高，從連鎖零售企業門店數量來看，分別位列全國二-四位。同時，江蘇、浙江、福建、山東四省是紡織服裝及毛皮制造產業聚集地，紡織服裝制造業較發達。另外，華東地區高校眾多，其中江蘇省高校數量居全國之首，共有167所。
華南地區以廣州、深圳為核心，包括廣東、海南、廣西三個地區。深圳市以高新技術產業為主導，金融業較活躍，占地區生產總值比例達12.7%。廣州市以電子信息、醫藥健康、先進制造產業為主導，東莞有“世界工廠”之稱，制造業產業體系齊全，擁有家具制造、紡織服裝制造、電子信息制造等八大支柱產業，生產制造全國約1/5的服裝，是全國最大的家具出口基地。廣東省連鎖零售企業門店數量位居全國第一，零售業較發達。在全國高校數量上，廣東省位列第二，共有154家。
華中地區包括河南、湖北、湖南三省，承接了鋼鐵、煤炭等傳統產業轉移，并在政策推動下形成半導體、通信設備等新興制造業產業集聚。
可以看出，不同區域由于經濟產業特點不同，對于BI的需求也存在差異。比如華北地區政府機關多，對于BI解決方案的需求覆蓋經濟發展、社會民生、政務服務、社會信用、輿情監控等方面。華東地區金融產業聚集，對于BI的需求覆蓋風險監控、經營分析、客戶情況等方面。華南地區則需要提供契合制造行業特點的BI解決方案，覆蓋產品設計、生產制造、物流配送等方面。
2.2.2. 永洪科技在各大區域均具備服務能力
永洪科技作為一站式大數據平臺服務商，解決方案覆蓋金融、零售、制造、電力、政務、教育等行業，并提供財務、采購、營銷等場景解決方案，能滿足不同區域對BI的需求。
在區域建設布局上，永洪科技以北京為總部，在上海、深圳、成都、武漢、大連設立有分公司，為客戶提供售前、銷售、實施服務，滿足各區域客戶對不同行業BI解決方案的需求，并能及時響應客戶的實施服務需求。目前已服務了眾多區域代表客戶，如華北地區有國家財政部、工信部，華東地區有格力，華南地區有美的集團等。
03 企業對BI需求全面升級
國產化替代和企業數字化轉型浪潮下，企業對BI的需求也在不斷升級，主要體現在實現平滑的國產化替代、賦能業務創新以及集團化BI三個層面。
3.1. 實現平滑的國產化替代、避免業務風險
隨著數據分析技術被美國列入出口管制、國內信創產業建設加速，BI國產化替代是必然趨勢。這一趨勢下，如何實現平滑的國產化替代、避免業務風險，將是企業面臨的共同課題。
從國產化替代進程上看，已有頭部企業率先完成國產化替代。美的替換了Oracle BIEE、華為替換了Tableau、銀聯替換了IBM Cognos，這些實例為BI國產化替代樹立了行業標桿，未來將有更多的企業逐步實現BI的國產化替代。
實現平滑的國產化替代，對企業和BI廠商提出以下兩個方面的要求。
一是需要在產品、技術層面與國產軟硬件產品適配，保證系統穩定運行。BI作為上層應用軟件，應與國產操作系統、數據庫、業務系統進行適配，保證BI在國產操作系統、數據庫上的穩定運行，滿足企業全面國產化替代的需求，并最終實現向國產軟硬件產品的整體遷移。
二是需要引導BI產品用戶使用習慣的轉變。企業在早期使用的數據分析產品大多為國外BI產品，國外BI產品與國產化BI產品在使用邏輯上存在差異，體現在數據分析操作、權限管控等方面。
3.2. BI賦能業務創新，創造更大價值
作為企業數字化轉型的重要組成部分，BI的價值更多體現在賦能業務創新層面。因此，在實際落地過程中，BI需要與業務場景深度融合，以數據分析驅動業務增長。
首先，企業數字化建設以實現業務增長為核心目標，以BI為代表的技術投入都需要在業務場景中才能發揮價值。
不同于信息化建設的目標是降本增效，數字化建設都是以實現業務增長、創造新的商業模式為核心目標，因此，所有技術投入都需要以業務價值、提升ROI為核心衡量標準，都需要與業務場景所綁定。
其次，BI的使用對象由原先的IT部門，延伸到決策層和業務部門，對滿足業務需求的產品功能提出更高要求。
由于不同行業、不同業務場景下，業務人員需要的數據不同，通用的模板只能滿足淺層次的報表展示工具，不能解決業務部門的業務訴求，因此，這就要求BI工具必須能夠與業務場景融合，提供更多具備行業屬性、職能屬性的業務模板和產品功能。
在融合業務場景的基礎上，隨著企業對BI的應用不斷加深，企業客戶對BI的智能化提出更高要求，希望BI工具不僅僅能夠分析過去，反映當前業務進展和問題，還能對未來業務提供預測性建議，支持業務決策。
過去，企業大多利用BI實現自助報表分析、可視化圖表展示等;如今，隨著機器學習、深度學習等人工智能技術成熟，越來越多的AI技術被應用到BI工具中;BI與AI的融合，企業能夠通過分析過去的數據實現對未來的預測，實現決策智能化。
以某超市的補貨場景為例，通過BI與AI融合進行銷量預測，門店平均缺貨率從15%縮減至10%，庫存周轉天數減少20%左右。對于該超市而言，缺貨率的改善也意味著每年1億左右的新增銷售額，BI對業務增長的價值顯而易見。
未來，BI和AI融合的應用場景將不斷延伸。隨著人工智能技術的發展、數據積累的不斷增多，AI預測的準確度將進一步優化，BI和AI融合將有更廣泛的應用場景，比如銷量預測、財務預測、客戶購買預測、客戶流失率預測等。
隨著業務價值不斷凸顯，企業對BI+AI融合進行智能預測的需求也將持續增加。
3.3. BI需具備集團支持能力，助力整體數字化轉型
數字化建設是整個公司的新一輪變革，從公司戰略、業務流程到組織架構都會發生巨大變化，BI對于整個公司來說，同樣需要滿足不同角色、不同部門的需求，因此，集團化是企業對于BI的新需求，BI不再僅僅是個人級產品、部門級產品，而是公司級產品、集團級產品。
首先，集團化BI能夠滿足集團的業務決策需求。
原來決策層只能依靠各部門上報數據來全面了解企業經營狀況，擁有眾多子公司、分部門的大型集團企業存在數據瞞報、數據漏報的情況，導致決策層缺乏對企業真實經營狀況的了解，最終可能會影響業務決策制定。
BI能夠幫助集團決策層獲取各部門實時數據，決策層能夠站在全局高度洞察經營全貌，實現集團內部跨部門的聯動管理，優化集團決策，從而最大化數據分析在業務決策中的價值，助力整體數字化轉型。
其次，集團化BI能夠滿足集團公司的數據整合共享需求，推動集團數據標準化，實現數據互聯互通。
數據是數字化建設的核心，越來越多企業發現，在數字化建設過程中，單一場景、單一部門的數據價值度有限，很多數字化應用都需要不同場景、不同部門的數據統一，才能真正落地。
以最常見的門店銷量預測為例，銷量預測涉及到門店周邊的人群畫像、門店的庫存品類分析、商品的促銷策略，這些數據涉及到公司的供應鏈、市場、產品等多個部門，必須實現數據標準化和數據統一，才能實現銷量預測。
再次，集團化BI能夠滿足集團公司的決策層、業務部門和IT部門的多樣化需求。
決策層需要全公司整體的經營狀況、各個部門的業務進展，IT部門需要對全公司的數據實現“監管控”、保障數據安全，業務部門則是需要借助分析工具實現業務探索，洞察業務價值。
隨著BI在業務的滲透率不斷提升，不同部門對于BI產品提出了多樣性的需求，集團化BI能夠針對不同業務部門需求，從底層數據平臺到上層可視化應用，提供個性化的產品服務。
04 新需求下，企業BI落地實踐需要新方法
4.1. 最佳實踐方法論
新需求下，企業BI落地實踐也需要新方法。
首先，企業需要數據整合、分析展現及應用的完整數據平臺方案。為了滿足集團化BI建設需求，企業決策層需要基于全局數據進行分析，需要提供數據整合、存儲、計算到數據應用的端到端數據平臺。
此外，決策層對于數據分析的實時性要求高，對系統高性能計算提出了更高要求。在實踐中根據用戶查看數據的習慣及數據使用頻率，可將用戶經常查看的匯總數據存放在內存數據庫中，提升數據訪問速度。將用戶不經常查看的明細數據存放在硬盤中，允許一段數據加載時間，從而釋放了內存空間。
針對業務人員探索式分析的需求，需要BI產品具備強大的自助分析能力。比如，業務人員對于數據會有探索式分析、小規模測試的需求，不同時間點關注的數據維度不同，BI平臺需要支持業務人員自主進行數據分析。
其次，BI的實踐落地需要全生命周期服務支持。BI的價值在于賦能業務決策，需要與業務場景深度融合，因此在前期需要全面洞察業務需求，并在項目推進及后期上線運營后能及時響應用戶最新需求及使用問題，提供全生命周期服務支撐。
通過總結各行業BI落地實踐，愛分析系統梳理BI平臺建設方法論，將BI項目落地實踐總結為三個主要步驟：咨詢規劃、項目落地和持續運營。在咨詢規劃階段需要業務需求咨詢支持，在項目落地階段提供數據治理服務，在持續運營階段提供國產化BI遷移培訓等。
4.2. 咨詢規劃
咨詢規劃是企業實現業務數據驅動的第一步，重在業務梳理和流程優化，并在此基礎上確定BI所需數據，可劃分為業務需求梳理、數據分析指標體系梳理和明確報表開發需求三個環節。
業務需求應結合企業發展階段、企業業績目標、部門業績目標而定，主要是確定BI建設的關鍵KPI指標。
關鍵KPI指標不應過多，否則會造成數據分析的精力分散、重點缺失。比如銷售部門重點關注收入指標，運營部門重點關注成本指標，提升業務決策效率。
數據分析指標體系梳理階段，需要確定KPI指標所需數據，需要由企業和BI廠商配合完成梳理。
主要是將KPI指標和具體數據對應起來，確定計算KPI指標需要抽取的數據。有些指標由多個數據計算得來，需要明確計算方式，為數據準備提供依據。
最后是明確報表開發需求，主要是明確用戶對報表展示、指標排列、交付形式等方面的需求。比如，對于圖表可視化、相關指標排列、移動端交付等方面的需求。
4.3. 項目落地
BI項目落地包括數據準備、數據治理、數據建模、報表開發、系統上線五個步驟。
其中，數據治理是核心步驟，因為數據治理決定數據分析結果的準確性，最終將影響業務決策。
數據治理由于耗時長、工作繁重，往往需要大量人工手動補錄檢查，且人工經驗判斷可能存在偏差，會影響最終數據分析的結果。為避免后期重復勞動，企業應建立完備的數據錄入規范，確保各部門基于統一標準錄入數據，減少后期數據治理工作量。
比如，針對數據治理常遇到的數據缺失問題，可在數據錄入時應將必要字段設置為必填項;對于數據不統一問題，可將輸入內容以選項的形式進行選擇，確保數據錄入的一致;對于數據錯誤問題，可以設置錯誤預警，降低數據錯誤出現頻率。
4.4. 持續運營
衡量BI項目建設的成功與否，需要考察用戶對系統的使用程度，用戶對系統的長期使用與持續運營密不可分。
首先，降低BI使用門檻是提升用戶使用率的重要因素。敏捷BI為用戶自助式分析、建模提供便利，并支持在系統上進行二次開發，其出現大大降低了BI的使用門檻。
其次，BI廠商需要提供運營培訓，引導用戶使用習慣的轉變，尤其是完成國產化BI替·換的企業。
第三，需要定期的系統運維，提升BI系統使用程度和效率。一方面，需要BI廠商提供定期的系統運維及服務支持，及時解決用戶在使用中的問題，讓BI產品在企業內部使用起來。另一方面，BI系統需要在數據歸檔、ETL性能、報表、系統穩定性等方面加強系統維護，以應對系統運行一段時間后，數據量增大、業務復雜度提升的情況。
最后，需要結合用戶需求，對產品進行持續迭代更新。用戶需求在不斷變化，需要及時了解用戶最新的需求反饋，在產品升級迭代中融入能滿足用戶新需求的功能，保證BI在企業業務經營決策中的長期使用價值。
05 典型行業BI最佳實踐
BI應用的典型行業，金融、零售、制造、電力、政務、教育，由于應用成熟度、客戶需求等因素不盡相同，各行業落地實踐也存在明顯差異，本章將逐一解析這幾個行業的典型需求和BI實踐案例。
5.1. 金融行業
金融行業BI應用成熟度領先，為金融機構建設BI項目需要注重數據價值挖掘。由于金融機構積累的交易記錄、客戶數據、資產數據大幅增長，傳統報表系統數據分散、功能單一、界面交互性差、性能不佳，無法滿足金融機構數據分析的需求，需要構建綜合、全面、易用的BI數據分析平臺。
對于BI應用，金融機構有以下幾點需求：
賦能業務決策需求：金融行業數據基礎設施情況較好，數據作為金融機構最重要的資產，有助于決策層和業務人員洞察客戶需求、監控金融風險，釋放數據價值將直接帶來收益回報，因此，金融機構需要BI數據分析平臺加深數據應用，賦能業務決策。
跨部門、跨職能的數據分析需求：金融機構普遍需要對客戶、業務、營銷、競爭等數據進行全方位分析，需要構建跨部門、跨職能的數據分析平臺，對于全行及各分支機構的業務進行管理和追蹤，行長駕駛艙成為行業標配。
固定報表需求：金融機構不同部門、 不同業務、不同分支機構需要構建各類報表，數目龐大但報表構建具有清晰的規則。過去業務人員利用Excel進行報表構建，過程繁瑣耗時長，BI可以通過固定模板自動生成報表，并支持業務人員對報表進行手動調整，節約大量時間。
數據挖掘需求：金融行業整體信息化水平高，數據倉庫、數據集市均已建成，對于數據分析、挖掘有更高的要求，比如借助機器學習，提供業務預測分析能力。
以中信銀行為例，中信銀行的全國客戶數據和全轄機構客戶各指標數據量非常大，需要建設BI平臺提升數據分析效率，其核心需求如下：
全面了解各分行業務運營情況。省行長及支行長需要對綜合經營分析、客戶分析等指標進行對比及變化趨勢分析，以全面了解整體業務運營狀況。
提升數據分析效率。由于IT部門人手有限，系統需要快速上線，并通過合理權限控制移交給業務部門，使業務部門可以實現自助式分析，數據批量錄入和填報。
針對中信銀行的需求，永洪科技打造了“行長駕駛艙”系統，構建綜合性分析、經營數據分析、客戶結構分析、監控指標預警的數據分析指標體系。
通過建設“行長駕駛艙”，中信銀行獲得了以下收益：
優化數據分析效率，報表響應速度大幅提升。以往，業務人員需要手動對超過特定額度的客戶做排名分析，并定位出有異常大額變動的客戶，整個過程需要關聯千萬級數據表，數據量較大，服務器計算壓力大，十幾分鐘才能出一張報表。項目成功上線后，新系統通過搭建分布式數據集市實現報表分析的提速，將報表響應速度提升到10秒以內，比過去快了50-60 倍。
數據分析靈活度高，減輕運營維護成本。業務人員可以實現自助式分析，并且任意分析需求可在一天內實現，減輕研發人員報表修改開發的負擔，且成本開銷僅為傳統BI的1/4。
5.2. 零售行業
隨著外部環境變化、行業競爭的加劇，零售行業普遍面臨利潤低的問題。如何降低成本、提升運營效率是零售行業重點關注的目標，行業整體步入精細化運營時代。因此，零售企業需要借助BI數據分析，發現產品研發、采購、營銷、銷售、運營等各環節的業務問題，提升企業內部經營管理效率，洞察新的增長機會。
具體而言，零售行業對于BI數據分析平臺的需求包括以下幾方面：
管理決策支持：以往決策層只能通過各部門上報業務系統數據或統計報表，在此基礎上手動進行數據整合分析，數據分析過程繁瑣耗時，且業務部門上報的數據可能存在瞞報、漏報的情況。因此，需要BI數據分析平臺，為決策層提供管理決策支持，站在數據整合后的高度看問題。
業務數據支持：業務部門的數據分析需求存在變化，且有些為一次性需求，原來需要將新需求反饋給IT人員，由IT人員完成報表開發，需求響應周期較長，且對現有報表進行改動的成本高。因此，需要BI數據分析平臺，為業務人員提供數據支持，滿足業務人員的自助式分析需求。
海量數據響應：隨著業務系統的增多，數據量不斷增長，原有系統已無法滿足對于海量數據的處理要求。因此，需要BI數據分析平臺，實現對大規模數據的并行處理，支持海量數據的快速響應。
以寵物食品企業乖寶集團為例，乖寶集團在數字化轉型過程中，面臨海量數據、數據不匹配的問題，且存在數據煙囪，需要建設數據分析平臺，對數據進行匯總分析，為業務決策提供支撐。
對此，永洪科技為乖寶集團搭建數據分析平臺，賦能業務決策。
比如，在產品研發指導上，通過從線上渠道獲取銷售產品、策略、活動、評價等數據，并針對競品企業的產品數據、銷售情況、評價內容等方面進行分析，為企劃部門的產品研發提供指導。
通過建設數據分析平臺，乖寶集團獲得了以下收益：
降低報表開發成本。過去，乖寶集團的報表通過技術進行底層代碼編寫完成，成本相對較高。永洪科技提供的產品只需要了解簡單的SQL語句、報表邏輯和業務邏輯，即可完成報表開發。
提升業務迭代效率。基于運營和業務分析模型搭建預警系統，根據業績指標上下限，提升業務迭代效率，且數據更新頻率從過去以月為單位，提升為以天、小時為單位更新。
5.3. 制造行業
中國作為傳統制造業大國，在全球產業鏈分工中扮演了重要的角色。為了進一步鞏固中國制造的優勢，實現制造產業的創新升級，國務院發布《中國制造2025》戰略文件，旨在實現中國向制造強國的轉型。其中，發展智能制造是中國從傳統制造向中高端制造轉型的核心戰略目標。
智能制造的核心是數字化、網絡化和智能化，需要充分利用數據，全面洞悉生產過程，保證訂單按時生產，發現生產過程中的問題并及時解決，優化生產效率。
在智能制造時代，制造企業需要建設數據分析平臺，通過數據分析實現對生產制造全流程的監控，優化運營效率、降低生產成本，提升制造企業的競爭力。
具體而言，制造行業面臨以下挑戰：
數據基礎設施情況薄弱：制造企業仍然存在以手工記錄數據的情況，數據基礎較薄弱，缺乏數據管理機制，數據質量參差不齊，存在數據不統一、缺失，甚至存在數據上報不準確、瞞報等問題，難以為數據分析應用提供支撐。
數據孤島嚴重：制造企業有MES、MRP、ERP等眾多系統，但系統間未打通整合，數據無法實現整合聯通，導致產銷存等各環節無法協同工作，大量數據儲存在業務系統中，未釋放數據的價值。
數據分析形式固化：目前制造企業的數據分析采用傳統的固定報表形式，形式單一，分析維度少，對分析需求的響應周期長，無法滿足不同層級用戶對于數據分析的需求。
因此，制造行業需要構建BI數據分析平臺，對各業務系統數據進行整合，消除數據孤島，釋放數據價值，并提供多樣的圖表展示模板，提供數據填報功能，實現數據驅動的精細化管理。
產品生產制造不同環節，制造行業對于BI的需求有所差異：
在產品設計階段，通過對用戶數據、競品數據、輿論數據進行分析，洞察用戶需求、產品使用反饋等，為用戶量身定制符合其需求的產品，滿足小規模定制化生產需求。
在生產制造階段，需要對生產過程數據進行監控，包括產品質量、產品成本、生產時間、產能利用等指標，對生產異常及時預警，保證生產成本、質量、交期在可控范圍。
在物流配送階段，通過數據分析實時監控物流配送、庫存情況，優化物流配送效率。
在運營維護階段，通過采集傳感器數據，及時發現設備故障等問題，實現高效的產品運營維護。
在維修階段，結合設備數據分析設備故障原因，制定合理的維修計劃，延長設備使用周期。
實踐中，格力物流管理部為整合各分廠間的物料配送管理、取代原有手工記錄數據方式，需要對物料準備過程進行監控，優化物料準備、檢查的全流程效率。
針對格力物流管理部的需求，永洪科技提供了以下解決方案：
建設BI數據分析平臺，對物料配送全過程進行監控管理。通過采集物料配送過程中的庫存數據、揀選備料數據、配送執行數據、分廠接收數據、點檢數據等，實現從訂單下達、物料點檢，到上線生產的全過程信息化管理。
具體應用場景包括：
首先，對于物料配送的物流分析上，實現對業務運轉情況、庫存倉位物料比例及存量的實時監控，在出現問題后及時預警、快速補貨。
第二，對于運營效率的監控上，實現對訂單數量完成比例、揀選進度、訂單齊套數量及比例的監控，并對生產車間里各生產機組的生產效率、下線比例進行實時監控，及時發現并解決生產運營問題。
第三，對于生產線的監控上，如對于物料齊套檢查，可以實時展現檢查結果，并根據需求調整檢查指標體系。
第四，在質量控制上，實現對生產過程和質量管理的分析預測，降低生產線殘次率。
通過上線BI數據分析平臺，格力物流管理部獲得了以下收益：
節省開銷，優化流程管控效率。BI平臺提供數據填報功能，減少物料準備、檢查過程中的紙質單據，節省開支，提升管控效率。
提升物料生產配送的系統運行效率。對物料準備、生產、配送的全過程進行監控，及時發現生產配送過程中的異常，降低生產異常核查處理時間。
5.4. 電力行業
電力行業整個生產過程，包括發電、輸電、變電、配電、用電及調度等環節，運行過程中會產生海量的數據。通過對這些數據進一步的分析、挖掘，電網企業可以更好地滿足用戶的用電需求、降低故障維護成本等。
具體而言，電力行業需要BI數據分析平臺解決以下問題：
數據孤島嚴重：電力企業有財務、MRP、ERP等眾多業務系統，但系統間數據未打通融合，存在數據孤島，企業無法以統一的視角獲取業務數據全貌，未能真正釋放數據價值。
缺乏數據管理機制：電力企業以國企居多，從總部到下屬單位建有完善的信息化系統，但缺乏數據管理機制，數據質量較差，存在數據不一致等問題，給數據治理、數據應用帶來不便。
數據分析應用深度不足：目前電力企業的數據分析停留在固定報表階段，且數據可視化展示圖形單一，數據分析應用深度不足，無法滿足業務人員交互式分析需求。
降低開發成本，提升數據分析效率：傳統的數據平臺項目建設成本高、周期長、見效慢，不符合電力企業的需求。電力企業需要一款輕便、易操作的數據分析平臺，業務人員可以進行自助式、探索式分析，通過簡單拖拽完成業務數據分析，提升數據分析效率，快速輸出數據分析平臺建設成果。
以下為電力行業對數據分析平臺的業務場景需求：
電力行業數據分析場景覆蓋電網設備管理、電網運行管理、檢修管理、供熱管理等，通過數據分析對電網運行情況進行監控，對異常問題快速預警，提升電力系統運行能力。
以國家電網為例，其下屬運營監測中心，需要對從電能生產、客戶購電，到電能銷售、電力傳輸，再到企事業單位用電、電力設備故障等環節業務數據進行分析監測。
對此，永洪科技為國家電網打造了“運監業務主題庫”，具體解決方案如下：
首先，在問題識別上，通過對業擴工單流程終止原因進行歸類統計，得到流程終止原因與地域分布的關聯關系，并同電網GIS地理信息進行比對，發現問題深層原因，采取適當的解決方案，完成配網改造。
其次，在風險管控上，“運監業務主題庫”通過對浙江某地區數十萬客戶的檔案信息、用電行為、繳費行為、違約行為、客服記錄等多個維度數千萬條數據進行分析，通過機器學習，識別并構建客戶欠費行為與客戶特征、客戶行為、行業趨勢的關聯關系，實現對當地大客戶欠費概率的預測，對可能欠費風險進行提前預防。
另外，在輔助決策上，通過數據匹配關聯， 建立配網投資評價模型，并將服務熱線工單、設備狀態、項目投資等數據以熱力圖形式在配網GIS地理信息圖上進行展示，實現區域電力資源和運行狀態的可視化，幫助投資決策者發現配網的薄弱點，為配網建設投資決策提供參考。
通過構建“運監業務主題庫”，運營監測中心獲得了以下收益：
構建應用場景豐富的數據分析主題庫，實現對從發電、購電、用電等環節的監測。通過數據分析識別電力運行中的問題，對電費欠費等風險及時預警，輔助業務決策。
5.5. 政務行業
“運用大數據提升國家治理現代水平”是中國政務數字化的重要舉措，要求各級政府部門建立健全大數據輔助科學決策和社會治理的機制，推進政府管理和社會治理模式創新。
BI數據分析平臺的建立，能夠解決政府部門間數據孤島問題，對各部門數據進行關聯整合，實現數據開放共享。
具體而言，政務行業面臨以下問題：
數據孤島嚴重：隨著政務信息化的推進，政務服務、社會民生、應急安全等各部門逐漸完善信息化系統建設，但各部門系統間相互孤立，存在數據孤島問題，缺乏統一的平臺對數據進行關聯整合，無法展現業務數據的全貌。
監管決策支撐不足：決策層需要從數據整合的高度看問題，且不同部門不同層級人員對于數據分析的需求差異大，現有的報表分析無法集中展現數據情況，難以支撐管理決策需求。
針對數據孤島問題，永洪科技為國務院下屬科技部搭建數據交換系統，解決系統間數據標準不統一的問題，實現系統數據的交換融合，為后續經費管理信息平臺的建設奠定基礎，并最終實現經費管理信息共享。
其中，數據交換管理系統包括數據描述管理，數據清洗、轉換、裝載，數據服務總線三個模塊。
數據描述管理模塊集中管理元數據，包括各系統對數據的組織描述以及數據文件內容與數據庫的對應關系描述。
數據清洗、轉換、裝載模塊根據數據描述管理模塊中的描述內容，接收外部應用的數據文件清洗轉換并加載到內部數據庫。
數據服務總線模塊集中管理平臺各個應用數據交互接口的注冊、發布，并提供各類數據交換服務。
通過建設數據交換管理系統，科技部獲得了以下收益：
實現系統間數據共享、統一管理。通過建設數據交換管理系統，實現對各系統信息交互的統一管理，并對各系統數據交換過程中的數據進行存儲、格式轉換和數據稽核，避免每上線一個子系統需要分散建立數據庫而帶來的管理混亂。
為建立科技經費管理信息平臺奠定基礎。通過建立平臺數據交換系統，簡化數據交換管理流程，規范數據標準，便于在此基礎上按主題進行分析，實現對科技經費的信息化管理。
5.6. 教育行業
國務院發布《促進大數據發展行動綱要》，明確提出建設教育文化大數據。此外，教育部對雙一流大學、雙一流學科建設有相應的評價指標體系，需要高校根據指標體系梳理數據，而高校在過往信息化建設中，各系統都是單獨開發、獨立運行，存在數據孤島問題，無法實現數據共享，需要打通融合系統數據，對于高校的數據匯總、統計、分析提出了新要求。
比如，在疫情期間中國人民警察大學開展了在線課堂授課方式，但面臨以下問題：
在線教學系統與教務系統數據未打通，需要大量的人工維護。師生在多個平臺上課，有很多基礎數據需要教師自行維護。比如，學生的成績記錄需要教師手工進行錄入等。
數據分析響應不及時，加大教學管理工作難度。由于在線教學系統與教務系統對接不充分，師生無法看到及時精準的在線教學數據，各級管理人員、教學督導專家只能停留在瀏覽和查看平臺數據層面，無法實時了解在線教學的真實狀況，為管理和督導工作增加了難度。
針對以上問題，中國人民警察大學與永洪科技合作，打造了“1+N數據業務系統”。“1”即建立通用BI大數據平臺，整合教育教學的所有業務系統;“N”為基于大數據平臺，與崗位業務匹配的N個數據應用。
“1+N數據業務系統”的建設可實現以下收益：
首先，是實現業務數據的融合。通過打通教務系統、測評系統、考試系統、在線學習系統、實驗系統、訓練系統和資源系統等相關數據，實現業務系統數據的融合，并由教務系統進行統一管理。
第二，促進教育教學精細化管理。通過數據分析和監測，教師、輔導員可以在發現學生的問題后，提前介入，避免不好的結果發生。另外，學校管理人員可以通過數據平臺，實時掌握教學開展的數據指標，如到課率、學生評測、教室和實驗室的利用率等，實現精細化教育教學管理。
06 BI未來趨勢展望
展望未來，隨著BI成為企業實現數據驅動的標配，BI的應用將不斷走向成熟。在這個過程中，BI在技術、產品和模式上將呈現新的發展趨勢。
6.1. BI與AI融合，實現智能業務決策
BI經過多年的發展，經歷了傳統BI、敏捷BI兩個主要階段，未來將邁入智能BI階段。
智能BI的顯著特征是BI和AI融合，一方面是通過應用機器學習等算法增強BI的分析和預測功能，如在向業務人員提供分析結果的基礎上延伸到智能決策;另一方面，是結合NLP、智能語音等技術實現自然語言查詢等BI智能交互，降低BI使用門檻。
其中，面向業務的智能決策是核心，將進一步放大BI的業務價值。比如，在金融行業風險監測場景下，AI算法可以利用時間序列數據、用戶行為數據等，更精準地預測廣泛人群的金融風險。在精準營銷場景下，結合機器學習算法，可以基于用戶行為更精準地提供有針對性的營銷策略。
BI與AI融合，將加深數據驅動業務決策的價值，改變業務決策流程。比如，在采購場景中，依靠BI對數據分析，僅可以得到已發生的采購數據，采購商品、價格、數量、采購供應商等，采購人員需要根據已有數據，結合個人經驗，做出相應的采購決策。結合AI的BI，可以更加準確、及時地預測出未來的庫存情況，何時需要補貨，從哪家供應商進貨，給出合理的采購數量、價格建議等，改變業務決策流程。
盡管關于BI和AI融合的探討已久并已經落地了一些應用，但整體仍處于初級階段，主要受制于數據和ROI兩方面。
數據方面，BI和AI的應用都對企業數據質量提出了很高的要求，尤其是機器學習算法的模型訓練對數據質量的依賴更為直接。例如，由于數據基礎的差異，基于同樣算法的銷量預測模型在服裝行業的預測準確率達60-70%，在能源化工行業有可能達到90%。
實際應用中，企業數據質量的提升是一個長期的系統性工作，一方面應該盡快推進數據治理、數據中臺建設等工作，實現數據質量的長效提升;另一方面，可以選擇從數據質量基礎較好的特定業務場景出發，探索BI+AI的應用。
ROI方面，BI+AI的落地仍有較高的技術門檻，同時意味著較高的投入，如果企業對于業務應用價值缺乏明確的預期或強烈需求，將導致ROI不明確，從而限制相關投入。例如，現階段自然語言查詢對于大部分企業而言并非剛性需求。在需求明確的前提下，部分企業已經開始通過構建自主的機器學習平臺等AI基礎設施來支撐智能化應用，通過資源復用和降低開發門檻，來降低智能分析技術的總體應用成本。
盡管AI不一定能完全取代人工經驗，但可以拓寬個人經驗的能力邊界，提升決策效率，而隨著數據不斷增多，預測準確度將逐漸提升，AI的優勢將更加突出。隨著企業對BI應用的加深，BI對企業的價值將從數據可視化展現，升級為對現有業務的數據分析，并進一步演化為對未來業務的預測分析，真正實現智能業務決策。
6.2. 加強數據實時處理能力，交互式、協同BI是趨勢
從產品功能上，傳統BI對技術人員依賴重，系統搭建、建模過程均需要技術人員完成，對海量數據計算與動態業務的支持不足，敏捷BI更加適應業務人員自助建模需求，能夠實現系統快速部署、數據源集成、高性能計算、探索式分析等。
未來，BI需要進一步加強數據實時處理能力。以往的BI分析，大多建立在離線分析的基礎上，將分析的數據以定期更新的方式導入數據倉庫中，分析結果無法反映實時趨勢。此外，企業每天的交易、營銷、生產、物流等會產生大量數據，對于數據的實時分析能力要求高。以零售企業為例，零售企業商品SKU數量多，通常在全國有幾百家的門店規模，每天單店單品庫存數據量就達到上千萬。因此，BI產品性能也需要跟上企業數據增長的速度，保證用戶在億級、十億級數據量下可以實現數據的動態查詢和分析。
在實踐中，永洪科技一站式BI分析平臺，利用MPP數據加速引擎，根據用戶訪問數據的習慣，自動篩選用戶經常訪問的數據、匯總數據等放入MPP引擎中，釋放不常用的明細數據等，提升數據訪問速度，自動維持用戶的最高內存使用效率，并利用列存儲和內存計算，實現對千萬級到百億級數據分析的秒級響應，既保證了用戶數據查詢和分析的效率，也降低了海量數據對內存的占用。
此外，除了增強數據的實時處理能力外，未來的智能BI應具備協同分析、交互式分析的能力。企業中除了各部門自主進行業務決策外，集團層面的決策往往需要跨部門協作，比如生產部門需要根據商品部門的商品計劃進行智能排產、商品部門的選品計劃將影響采購部門對商品的補貨決策、銷售部門的實際購買轉化率將用來評估市場部門的營銷效果等。在加強業務人員協作效率上，可將BI系統和協作工具進行集成，增加實時評論、在線會議等功能，實現跨部門的業務協作。
另外，由智能問答技術支撐的智能交互將成為新的BI表現形式。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將成為BI新的發展方向。
6.3. 數據應用平民化，一站式桌面分析軟件需求增加
一方面，隨著敏捷BI技術的成熟，大大降低了BI等數據分析工具的使用門檻，數據分析不再是業務部門和IT部門共同配合才能完成的工作，越來越多的業務部門借助敏捷BI等數據分析工具，能夠實現自助式分析，使得數據分析、數據應用變得平民化。
另一方面，數字化轉型涉及到整個公司的各個業務鏈條，數據驅動業務增長是數字化轉型的重要實踐方式，從企業“一把手”到各個業務部門都有強烈的需求和動力實現數據驅動業務增長，對數據分析和數據應用的需求越來越強烈。
在技術和需求雙輪驅動下，企業對一站式桌面分析軟件的需求持續增長，包括永洪科技在內的多家廠商都推出了桌面智能數據分析工具，在銷售分析、渠道分析、營銷分析、財務分析等場景發揮重要價值，進一步推動數據應用平民化趨勢。
6.4. 建設開放生態，滿足企業無處不在的BI需求
隨著企業數字化轉型的深入推進，數據驅動的分析決策場景將無處不在，BI將在各個行業和業務場景落地。
企業的需求不僅僅是成熟、易用的BI技術和工具，還需要結合對垂直業務場景的理解構建分析指標和模型，以實現BI應用價值的最大化。此外，從技術架構上來看，BI的應用涉及從數據接入、數據存儲與計算、數據治理、數據分析與挖掘、數據展現的全鏈條，需要與企業IT基礎設施和各個業務系統深度融合。
上述需求，要求BI廠商建設開放的生態，在產品和技術等方面與其他IT基礎設施和業務應用廠商緊密合作，保證開放性和拓展性，以生態的力量更好地服務企業。
同時，BI廠商也可以通過構建開放的生態體系拓展銷售渠道，以標準產品“被集成”的模式，更高效地覆蓋各行業和業務場景的BI需求，加速業務拓展;另一方面，也可以集成其他廠商能力，為企業提供整體解決方案，提升產品服務能力。
在生態體系建設上，永洪科技已與華為、騰訊、用友、藍凌等1000+合作伙伴達成合作，比如永洪BI作為騰訊唯一BI合作產品，華為云嚴選商城自營首家BI產品，綜合各自的能力優勢為企業提供解決方案。同時，永洪科技還與藍凌等OA軟件廠商合作，將BI軟件嵌入OA系統中，提供OA系統數據分析。通過提供開放的平臺，支持合作伙伴在永洪科技的產品之上開發擴展性應用插件，順應企業系統融合需求，實現合作共贏。
關注【永洪科技服務號】回復關鍵詞【白皮書】即可獲取電子版!
