市場(chǎng)用戶(hù)是否成熟的判斷

1. 自助式 BI可視化分析應(yīng)該成為常態(tài)，自助式BI分析已經(jīng)成為常態(tài)，業(yè)務(wù)人員已經(jīng)可以獨(dú)立的完成業(yè)務(wù)分析。傳統(tǒng)的由IT驅(qū)動(dòng)的數(shù)據(jù)分析轉(zhuǎn)變成為業(yè)務(wù)驅(qū)動(dòng)分析。

2.IT負(fù)責(zé)數(shù)據(jù)架構(gòu)的治理、數(shù)據(jù)質(zhì)量的梳理；業(yè)務(wù)人員自助分析；以前BI是大公司的專(zhuān)利，現(xiàn)在初創(chuàng)公司通過(guò)基本的分析工具就可以完成日常業(yè)務(wù)數(shù)據(jù)的分析工作。

3.傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)建模的方式會(huì)逐步消亡，取而代之的是更加敏捷的BI實(shí)現(xiàn)方式，通過(guò)表之間的關(guān)聯(lián)關(guān)系并及時(shí)的進(jìn)行可視化數(shù)據(jù)分析并獲得結(jié)果。

4. 移動(dòng) BI 應(yīng)該成為常態(tài)，但在新的趨勢(shì)中會(huì)有進(jìn)一步的增強(qiáng)。

5.人們不再單純的關(guān)注于工具本身，能夠?qū)崿F(xiàn)什么樣的可視化效果。而更加注重如何利用工具進(jìn)行業(yè)務(wù)價(jià)值的實(shí)現(xiàn)，需要更多行業(yè)咨詢(xún)和業(yè)務(wù)指導(dǎo)。以單純的工具作為唯一賣(mài)點(diǎn)在將來(lái)會(huì)被逐步淘汰。

通過(guò)以上這幾點(diǎn)基本上就可以判斷出在這變革的三年期間，用戶(hù)的成熟度是否隨著新型BI所帶來(lái)的用戶(hù)價(jià)值觀改變而得到提升。

第一，云端化是重要趨勢(shì)

1. BI SaaS 服務(wù)提供商和SaaS 服務(wù)提供商直接形成合作關(guān)系，直接將 BI SaaS 產(chǎn)品平臺(tái)化，基于BI工具形成標(biāo)準(zhǔn)的分析成果，作為產(chǎn)品附加值提供給 SaaS 租戶(hù)。但缺點(diǎn)是，租戶(hù)在當(dāng)前 SaaS 平臺(tái)上只能分析當(dāng)前 SaaS 平臺(tái)上的業(yè)務(wù)數(shù)據(jù)。

2. 在提供 SaaS BI 產(chǎn)品的時(shí)候同時(shí)提供了各種SaaS平臺(tái)上標(biāo)準(zhǔn)的數(shù)據(jù)接口，這是目前大多數(shù) SaaS BI 服務(wù)商的做法。比如國(guó)外的 Salesforce、Twitter、Google Analytics 等等已經(jīng)被一些 SaaS BI 廠商所打通。比如國(guó)內(nèi)的 Ptmind 公司，他們提供的用戶(hù)行為分析 SaaS產(chǎn)品 Ptengine 本身又為他們自己的 DataDeck SaaS 數(shù)據(jù)分析產(chǎn)品提供了 SaaS 數(shù)據(jù)源接口支持。

3. 最后，云端部署還有一個(gè)非常大的優(yōu)勢(shì)，價(jià)格便宜。關(guān)于更多的有關(guān) SaaS BI 的分析不再這里一一說(shuō)明，具體的可以參看《深入分析 BI 數(shù)據(jù)可視化市場(chǎng) SaaS 模式》。

未來(lái)的數(shù)據(jù)產(chǎn)品解決方案不僅僅是解決內(nèi)部取數(shù)和數(shù)據(jù)分析與展現(xiàn)的問(wèn)題，而可能通過(guò)云端的數(shù)據(jù)接口拿到更多的外部數(shù)據(jù)。大數(shù)據(jù)、小數(shù)據(jù)的邊界會(huì)越來(lái)越模糊，人們更加關(guān)注的是數(shù)據(jù)本身，要用數(shù)據(jù)解決什么樣的問(wèn)題，更加聚焦在數(shù)據(jù)產(chǎn)生價(jià)值上。

大數(shù)據(jù)和小數(shù)據(jù)不再有嚴(yán)格的區(qū)分，特別是當(dāng)云端 SaaS 服務(wù)模式越來(lái)越普及的時(shí)候，云BI也能解決大多數(shù)業(yè)務(wù)場(chǎng)景下的大數(shù)據(jù)和性能方面的困擾。

在我觀察到的國(guó)內(nèi)一些數(shù)據(jù)類(lèi)產(chǎn)品中，就發(fā)現(xiàn)了這樣的一些趨勢(shì)。前端用戶(hù)行為分析越來(lái)越朝著B(niǎo)I的方向走，而一些SaaS BI 產(chǎn)品也在解決好用戶(hù)內(nèi)部數(shù)據(jù)之外引入了外部數(shù)據(jù)包括用戶(hù)行為分析數(shù)據(jù)。

很多企業(yè)在內(nèi)部的數(shù)據(jù)管理和業(yè)務(wù)系統(tǒng)數(shù)據(jù)規(guī)范性上一樣存在很大的問(wèn)題，在 IT 部門(mén)對(duì)基礎(chǔ)的數(shù)據(jù)質(zhì)量做完梳理之后，業(yè)務(wù)人員在很多場(chǎng)景下也一樣需要相應(yīng)的數(shù)據(jù)準(zhǔn)備工作，可視化分析工具需要搭配一些簡(jiǎn)單易用的 ETL 工具能夠讓業(yè)務(wù)人員自助完成一些基礎(chǔ)的數(shù)據(jù)準(zhǔn)備工作。當(dāng)然，如果未來(lái)業(yè)務(wù)在云端，數(shù)據(jù)標(biāo)準(zhǔn)化的過(guò)程將會(huì)更加容易和便捷。

在今年Microsoft Ignite 技術(shù)大會(huì)上我們已經(jīng)看到了Microsoft Power BI Quick Insight 和 Anna Talk 的結(jié)合。IBM Waston Analytics 強(qiáng)大的自然語(yǔ)言進(jìn)行預(yù)測(cè)性分析和交互。這兩者都實(shí)現(xiàn)了預(yù)測(cè)性分析、對(duì)自然語(yǔ)言解析以及可視化推送的效果。以往的數(shù)據(jù)洞察需要靠人，靠拖拽數(shù)據(jù)、鉆取數(shù)據(jù)交互分析獲得，但在以后多了更多的方式 —— 機(jī)器洞察、智能洞察。雖然從數(shù)據(jù)的準(zhǔn)確度、合理性、語(yǔ)言處理維度的程度上都不能完全替代人們自助的數(shù)據(jù)分析方式，但無(wú)論如何，這種嘗試已經(jīng)在朝著成熟的方向來(lái)發(fā)展了。