BI的前世今生——寫給互聯網企業

當很多人還不知道BI(商業智能)是什麼的時候,其實就已經做過BI整條鏈路裏的相關工作。

 

BI具體做什麼?通俗點理解,就是從數據接入、數據準備、數據分析、數據可視化到數據分發應用的一系列動作。

 

 

而這些動作都只是過程,真正的目的是通過最終得出的數據結果發現問題,來改善業務決策。

 

以互聯網教育平臺爲例,每個企業都會配備類似銷售支持或者運營類型的崗位,去統計分析網站和APP的註冊、活躍、首次付費、再次付費、VIP、沉默、流失等數據。

 

將各個平臺產生的數據導出整合到一份Excel的過程就可理解爲數據接入;而將這些數據進行去重、清晰的過程可以理解爲簡單的數據準備;通過函數計算每個漏斗的轉化率可理解爲數據分析;將數據分析的結果用可視化化圖表展現稱之爲數據可視化;而將可視化圖表截圖到PPT中進行彙報又可看作是數據分發應用

 

那麼問題來了,數據接入是不是一定要做重複的導出導入工作?數據源來自多個系統又結構不一該如何融合?領導看數據除了PPT還有什麼?

 

設想一下,當你精心準備了一週的銷售數據報告,而老闆突然問起某個數據異常的原因時,你難道又要會後重新做一份針對這個異常數據分析的報告嗎?要多長時間,老闆等得及嗎?

 

當企業的數據量越來越大,要求的數據分析維度越來深越來越細,甚至對實時性和交互性提出了更高的要求。而這時,很多人工報表無法解決的事情,BI可以解決。BI的價值不是告訴你學員的轉化漏斗是多少,而是告訴你爲什麼是這個數字,從哪裏可以改進。

 

BI從工具到“決策大腦”的演進史

 

BI(商業智能)的概念在1996年最早由Gartner Group提出,而事實上IBM的研究員Hans Peter Luhn早在1958年就用到了這一概念。他將“智能”定義爲“對事物相互關係的一種理解能力,並依靠這種能力去指導決策,以達到預期的目標。”

 

追究到應用層面,BI其實也經歷了四個發展階段:

 

  1. Excel報表:在這個階段催生了一個職業羣體就是“表哥表妹”,他們每天都要從公司不同的ERP、CRM、財務系統中導出大量數據,再將多個表格用vlookup和sumif進行關聯計算,最後通過把可視化圖表截圖放到PPT裏進行日報和週報彙報。而至於領導到底會不會看,他們也不關心,因爲無力關心。

  2. 報表系統:也是傳統報表的升級版,可以直接對接某個業務系統的數據源,對於數據的響應速度比Excel明顯提升,已經可以支持權限管理等,但還是偏向於數據彙報,很難輔助決策。

  3. 傳統BI:首先可以對接多個系統的數據源,將所有數據整合到一個平臺中進行全局分析。其次就是支持實時數據展示,分析維度和深度也遠遠強於報表系統,支持下鑽、聯動等數據交互。最後在數據承載量和反應速度上具有明顯優勢,不僅是彙報工具,更能夠輔助決策。

  4. 智能BI:和傳統BI一樣都是支撐決策,但是用戶使用層面強調低代碼(或零代碼)開發、無縫對接、靈活部署,比如用觀遠Smart ETL托拉拽進可以做分析看板,無需重新建模,賦能普通業務人員做數據分析的能力,讓數據員有更多時間可以專注如何將分析與業務結合。並且,還可以藉助AI算法的能力構建基於未來的分析模型,比如銷售預測、智能排課等。

     

而從扮演的角色來看,BI的發展可以理解爲從數據分析工具到深入場景的“決策大腦”的演進。最開始企業只是想通過其提高做數據分析這項工作的效率,而到後面,更多企業的目的是爲了提高做決策的效率和科學性,以結果爲導向。

 

當四種產品共存時,企業該如何選擇

 

從Excel到現在前沿的智能BI,BI的演進一直是跟着市場需求而變。當然,大數據、雲計算、人工智能等技術的發展也給BI的發展創造了更多可能。

 

整個商業社會的發展是向前的,但是每個時期、每個行業都有發展程度不同的企業,這也是爲什麼BI演進如此進步,而這幾類數據分析產品依然可以共存的原因。

 

目前,在選擇時受爭議較多的是報表系統、傳統BI和智能BI。

 

數據分析軟件的選擇首先要明確企業想要引入相關係統的目的是什麼。如果企業的數據量一般,數據分析也只是爲了給各部門呈現最終的結果報告不需要幫助各級決策層做決策,那麼,報表系統就可以滿足基本需求。但同時你也要考慮,當企業數據量越來越大,當發現競爭對手的市場反應速度已經領先自己很多時,我們是不是還要去選擇BI,那現在有沒有必要一步到位。

 

自然,如果是賦能決策,已經受夠了之前想看的數據永遠要延遲一週,想知道的原因總是在會議上找不到答案,或者企業本身就有超前的數據意識,當然是選擇BI。更進一步,如果是希望簡化BI的對接流程和開發量,減輕數據分析員日常高代碼、高重複的工作量,我們會更推薦智能BI。

 

而智能BI也可以理解爲“AI+BI”,代表了BI在未來5年的發展趨勢,也是諸多行業龍頭和數據分析服務商在共同探索的領域。做AI項目首先企業得有足夠多的數據基礎,非常清晰的項目目標,並且有中長期的規劃,我們才建議去實施。其次一定要選擇一傢俱有AI基因的大數據分析公司。觀遠數據目前也是和近十家零售巨頭客戶合作了需求預測、智能配補貨、智能排班、銷售計劃等合作場景。

 

BI在各行各業的應用場景

 

伴隨着信息化建設的推進,每個企業都積累了海量數據基礎,而對於企業來說卻是把雙刃劍。數據量越多,能夠獲取的數據價值就越大,但是,如果沒有強大的數據分析能力,海量數據也會成爲企業高效決策的障礙。在這種情況下,BI自然成爲大數據時代企業提高自己競爭力的核武器。

 

社交電商代表小紅書的大數據負責人曾經表示:增長太快也是一種煩惱,在階段性近似指數級增長曲線下,意味着大數據運營部門將面臨更多的挑戰,只有擁有60倍的數據能力,才能支撐2倍的用戶量、30倍的數據量增長。

 

BI在每個領域都有自己的數據分析場景。在消費零售領域,觀遠數據總結了包含商品、門店、營銷、渠道、供應鏈、顧客關係、財務、人力資源等在內的八大業務場景。

 

而在零售之外的互聯網+行業、製造業、電子商務、金融、醫療等行業也都有對應的分析場景。

 

(觀遠數據產品demo-互聯網教育)

 

(觀遠數據產品demo-電商領域)

 

  • 互聯網教育:可以針對渠道轉化漏斗的轉化率、不同課程的受歡迎程度、家長的反饋以及講師評分等進行分析。

  • 電子商務:打造也客戶價值爲核心的用戶、營銷、商品、流量、倉儲、配送、客服等一體化分析場景。

  • 製造業:圍繞企業採購、生產、銷售、配送、庫存各場景進行分析。

  • 保險業:可以做賠償金和保險費用分析、客戶分析、風險分析、產品分析等。

  • 金融證券:可以針對理財產品、客戶收益、信貸管理、客戶流水等場景進行分析。

  • 醫藥行業:可以圍繞藥品運營、供應鏈、財務、市場營銷、電商渠道、生意等場景進行分析

  • 汽車市場:通過對車輛數據、道路數據、環境感知數據等海量信息的處理分析,汽車服務商對車主進行精細化的管理,提供一站式汽車服務方案。

 

企業可以根據自己的需要,找準切入點,循序漸進去構建一體化的智能數據分析指標體系。

 

BI未來會有哪些新的發展趨勢

 

過去幾十年,BI經歷了從工具到“決策大腦”的角色轉變,而未來一定是向“智能決策大腦”轉型。

 

觀遠數據創始人兼CEO蘇春園表示,BI的未來一定是AI+BI。

 

未來5年,BI不會只停留在對歷史數據的多維統計。通過與不斷普及的算法與算力融合,會實現更自動、更智能的數據探索、實時預警、未來預測、自動診斷以及行動建議。在使用體驗上,也一定會日趨“傻瓜”化,強調敏捷、易用與行業場景化,並且不斷接入整合更豐富、更細顆粒度的數據源,進一步延展數據驅動決策的應用場景。

 

未來每一個企業都需要構建一個基於數據的決策大腦,從BI切入、不斷AI化升級,看3年,做3個月,是一個理性可落地的路線圖。

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章