观远数据logo_商业智能BI BI Copilot
{{item.title}}
400-880-0750 登录 体验Demo
{{product.title}} >
{{sub.title}}
   

对观远BI感兴趣,可免费体验产品。

体验Demo

波士顿咨询陈果:BI应该是能让业务人员应用的工具

文 | BI分析员

说到商业智能(BI),很多人会立马想起“报表”“可视化”,但其实这些关键词仅仅是BI的一个部分。一个成功的BI,应该是一个辅助决策的智能系统,它的核心是帮助企业汇集数据、用好数据,让业务人员、决策者、管理者能够随时随地从数据中获取关键信息,了解业务变化,基于数据采取决策,最终提高决策水平。

在给各种企业提供BI平台的这些年,观远数据发现在企业内部,老板有老板的需求,业务部门有业务部门的需求,而技术团队也各有自己的诉求。尤其是对于大型企业、处于规模化发展阶段的企业来说,业务条线更加复杂的同时,需求也就更加复杂。

碎片化的需求就像一幅拼图。如果企业在建设BI,或者选择BI平台的时候,不能从宏观的视角,高瞻远瞩地了解这幅拼图的框架、边界和最后的样子,那么就很难用一块块碎片拼起这幅图。

这就意味着,BI建设需要一个成体系的思路和框架。也正是因为这些挑战和问题存在,观远数据于日前发布了业内首部《企业级BI平台白皮书》,深入规模型企业数字化转型,探寻让业务真正广泛、高频、活跃用起来的BI平台企业级能力建设方法论。

👆👆👆
扫码免费下载观远数据《2022企业级BI平台白皮书》
6月9日,观远数据邀请到波士顿咨询董事总经理陈果、宁波银行大数据智能分析平台负责人韦达、观远数据产品商业化负责人王璀,三位重磅嘉宾于线上直播间以各自不同的视角,分享了他们对于大型企业BI建设问题的看法。

作为首位分享嘉宾,波士顿咨询董事总经理陈果是业内非常知名的数字化专家,所供职的波士顿咨询(BCG)对于“企业商业智能的能力”也有着一套清晰的评估方法。陈果认为:商业智能是企业的一种运营能力,必须持之以恒地打造。

以下为波士顿咨询董事总经理陈果的分享实录:

首先感谢观远数据邀请我来跟大家分享关于BI的看法。这是我第三次出席观远数据的活动,上次是在去年的智能决策峰会上,我跟大家分享的是企业怎样去建立BI的组织。我个人非常赞同且欣赏观远数据BI产品的理念,即BI赋能要“让业务用起来”。

“BI”这个词听起来很技术,对企业来说也好像是IT部门要做的事,而且确实很多公司是把BI当做一个信息系统来建设。但事实上,我们认为BI应该是一种企业的能力。

BI(Business Intelligence)意为商业智能,但I(Intelligence)所代表的这个词,我个人觉得还不是那么准确,更加准确的词应该叫洞察(Insight),即商业洞察(Business Insight)。它在软件圈里的应用领域更多,比如洞察软件的性能等等。

BI其实是用数据分析的方法,来发现业务中的事实或真相,这是BI本身的含义。所以,BI应该是能让业务人员应用的工具。

今天我要给大家分享的,是BCG针对“企业建立BI数据分析能力应从何处入手”这一问题的研究结果。

01
企业数据的商业价值实现的三个阶段
前面我们有谈到,BI应成为一种企业的商业能力,BI是释放企业数据的商业价值的一种方式。因此在这张图中,我们将企业BI转型分为三个阶段:

第一阶段:分析洞察

即企业利用新技术,替换或建立企业级的数据仓库,包括现在流行叫的数据湖或者一体化等等。但大家不用关心这些技术术语的词语表述,简单来说就是将企业相关的数据,例如消费品企业内部会员系统、ERP系统、经销商系统、电商系统等等不同数据源中的数据整合起来。

整合的方式,不论是用传统意义上的数仓,还是今天比较流行的所谓数据湖或湖仓一体化平台等等,甚至是现在更新的一个术语——数据编织,总之就是将数据收集起来,然后通过数据分析能力来支持业务。这是我们用数据产生业务洞察的第一阶段。

第二阶段:资产价值

就是我们不仅能够在需要数据的时候取用数据,更重要的是数据本身能够变成产品,能够产生变现能力,能够发挥数据的资产价值。

近几年,这个话题在国家层面都非常重视,如果大家有关心我们国家的一些政策,就会发现在党的十九届四中全会首次将数据作为新的生产要素之后,相关话题甚至写进了国务院印发《“十四五”数字经济发展规划》中,提出“加快数据要素市场化流通”这一点。国家层面已经认可了数据是一种社会生产要素,跟人力、土地一样,是一种要素资产。很多地方也已经开始了这方面的探索,比如上海数据交易所。很多企业也在将数据做成数据产品,进行数据交易和变现。

第三阶段:转型重塑

在第二阶段,企业要有自己分析的能力,才能产生数据的商业价值,但第三阶段,数据要成为推动企业商业模式转型的一个手段。例如我们看到很多互联网公司,谷歌、阿里、美团、滴滴等等互联网巨头,它们的实质其实就是用数据来变现的公司,是用数据去重新组合的商业模式。

今天我们在这里所谈的BI,对企业来讲,基本上是指第一到第二阶段的能力。所以,企业要打造数据分析能力,才能够实现企业的业务转型。

那么,基于这样一个大背景,企业要如何才能管好数据、用好数据?

BCG推出了一个企业BI能力评估框架,这其实是一套问卷,但对于企业思考如何构建企业BI能力是非常好的参考模型。

02
BCG的企业数据能力评价体系
BCG推出的企业数据能力评价体系,大家可以在BCG官网上找到介绍。最传统的就是数据管理能力成熟度评估,主要是评估企业的数据的生态、数据的资源、数据的治理、数据的管理、数据的利用、数据的技术等等与数据相关的能力。它的成熟度模型与现在市场上主流的如国内DCMM、国外的DAMA等等数据能力成熟度模型都有一定的兼容。在企业大的数据管理能力成熟度评估之下,BCG还有一些小的评估框架,比如数据的组织,我们有一个叫DOMA的评估框架。

今天我想重点给大家介绍一下我们在数据分析和应用这一层,即商业智能的成熟度评估模型。

我们究竟要从哪些角度来思考一个企业的BI水平、发展的成熟度?

我们给到了这样一个企业BI转型的旅程图。我非常同意观远数据的一个观点,即BI不仅仅是一个报表或仪表盘、图表等各种各样数据可视化的方式。

但现状可能并不理想,例如我观察到市场上“数据中台”这个词,至少已经成为热词两年以上,2018年、2019年时就开始在市场涌现。很多企业也在这方面投入很大,用巨大的投入去建数据中台,数据确实是汇聚起来了,因为数据质量不好,也花了很多时间去对数据做清洗。但即便这么大量的投入,最后的产出可能也就十几张报表。我已经见到不下十个大中型企业花了上千万的投入做数据中台,最后产出十几个报表。这让企业觉得整个数据分析的投入产出非常不成比例。

那我们要如何改变这种现状呢?其实对于企业来讲,是应该要建立企业数据分析的场景蓝图。数据分析的应用不仅仅是报表,它其实是要看我们怎样发掘数据本身的商业价值,要去找到数据的应用场景,这是一个非常长远的过程。企业未来要走到这个旅程中间,去实现一个非常宏伟的愿景的话,就要做好起点。

所以BCG的这个问卷,也是对企业BI转型起点的一个评估。企业要和国际上这些数据驱动的先进的标杆企业相比,去看自身的差距、改进点在哪里。找到差距、找到抓手,才能真正让企业在数据方面的投入,发挥真正的价值。

03
商业智能(Business intelligence)的概念
传统上,我们按分析产出形式,将数据分析分为BI和高级分析,这也是传统上对数据分析的两个水平或两个阶段的拆分。

过去以数据可视化为代表的分析方式,传统意义上被称为BI。BI通常又有两种,一种是所谓的描述性分析,即对“过去发生了什么事情”通常以报表的方式进行展现。另一种是诊断性分析,即根据过去历史发生的事件的数据分析,找到内在原因。例如利润的提升是因为成本的降低,还是因为促销的有效性等,我们要通过数据分析找到里面的原因,是对过去历史数据的分析或对历史业务真相的洞察。

高级分析则通常是面向未来的,也有两种方式。一种是预测性分析,另一种是规范性分析。

预测性分析通过一些统计学的方法找到数据中的规律,通过对历史规律的仿真模拟,来验证预测模型的可靠性,并通过可靠的预测模型来预测未来将发生什么。常见的预测场景有通过时间序列模型,对销量、库存、客流等进行预测。消费品企业里的推荐引擎也是一个典型的预测,根据已购用户的行为预测消费者发生某个行为时,可能会购买某商品并进行推荐,这就是预测性的推荐引擎。金融行业里的风控模型也是预测性的,当用户信用卡出现异常刷卡,即代表可能出现风险。

比预测性分析更为高级的,是规范性分析,即根据企业在未来可能出现的场景,通过一些运筹学的算法,根据已有的优化条件,例如收入最优、成本最优、交付周期最优等,从多个优化方案中,以基于约束的规划方式,找到最适合自身、能够达到优化目的的一个方案。

尽管过去将预测性分析和规范性分析称为高级分析,描述型分析和诊断性分析称作BI(商业智能),但当前,随着人工智能、云服务等技术越来越通用化,我们在使用高级分析的时候,从算法、模型到分析,较之过去都越来越易用、越来越贴近业务。所以,今天我们说BI和高级分析(AI范畴)的分界点也越来越模糊,不再有严格区分。

这也印证了观远数据提到的我们今天所谈的商业智能,不仅仅是报表图标,而是智能分析,这也已经被划入到商业智能的范畴。

04
BI能力评估问卷框架
商业智能就是数据分析,至此我们回到数据分析成熟度的评估方法。

首先我们可以看到企业建立数据分析体系时常见的一个组织环境。今天直播的另一位嘉宾来自宁波银行,我也跟很多银行的技术部门有非常多的交流,很多技术部门都会有一个困惑,就是数据分析究竟是不是属于技术部门的责任。

我见过的银行里,每个银行业务部门用数的能力是参差不齐的,有些银行的用数能力水平很高,有些银行或者银行内部某些部门数据能力相对来说就较弱。

而关于用数,首先要关注的是企业整个数据平台能否提供标准的指标,或数据清洗之后,能否提供高质量的面向数据分析的准备。到了前端,则是要关注是否能通过类似观远数据的这些数据分析工具,更好地去消费数据服务。我们会看到从数据的生成到数据的消费的整个管道,分成所谓的后中前台。观远数据主要提供的是前台的应用,是已预先对数据进行处理的标准化的数据分析产品,可以让数据分析师等角色快速去使用。

所以,数据分析一方面要关注的是数据源。这些数据源包括了我们前面谈到的一些相对来说比较规范的数据,例如ERP、CRM等核心系统的数据;也会包含一些质量不太高、不太规范的数据,例如电商平台的数据;甚至也会有一些外部的数据,例如社交媒体数据。观远数据有很多客户是做消费品的,消费品的销售预测就可能会用到社会统计学,数据源中就可能会有类似自然气象等外部数据源。

从数据源到数据消费之间,整个数据管理的过程或数据通道,有些人会把它叫做数据中台,最近还有一个流行的词,我个人比较欣赏,叫做“数据编织”。

那么,从“数据中台”到“数据编织”,最大的区别在哪里呢?

数据中台,它非常强调要有个“台”,要先将数据集中到一个平台之上,再进行处理,这是所谓“数据中台”的概念。“数据编织”的概念则本身并不强调一定要将数据集中化,而是通过一些虚拟化的方式,将数据变成资产,从物理上来讲是将数据放在不同的地方,但从逻辑上来讲依然是将数据集中管理,这是所谓“数据编织”的概念。

但不管是数据中台也好,还是数据编织也好,核心处其实涉及到了不同的角色,包括通常叫做信息管家的数据标准管理方,主要管理数据源的数据标准;数据工程师,用技术方法从数据源中提取数据做数据产品;数据科学家,做高级分析模型,在数据平台之上,让前端数据消费时能够调用;数据分析师,对数据产品做预处理;数据资产的高管,对企业数据资产进行盘点、分门别类、估值、计价、交易等等商业行为。

以上种种角色,如果要将商业智能应用起来,支持企业的数据分析,就会涉及到一些常见的挑战。例如:

第一,数据治理。从数据源头到数据应用之间既然涉及到这么多角色,每个人承担什么样的职责;

第二,数据质量。怎样保证数据的可信度,保证数据的可得;

第三,数据技术栈。数据从源头到使用,中间通常涉及到很多技术组件,怎样去管理这些技术组件;

第四,数据服务标准化。要将数据变成数据服务来供数据消费,就对数据服务产品本身数据格式的规范化、标准化有要求;

第五,业务分析/公民分析。这也是我们和观远数据一直在提倡的“让业务用起来”,让业务部门先用起来,即业务分析怎么样真正能够实现所谓的“公民分析”。

“公民分析”是最近很流行的一个词,指的是非技术人员也能够运用分析工具来用数据做分析,以及另一个当下的流行词“低代码”所指意义也与之相近。对业务人员来讲,他不能在做数据整理的时候还像技术一样去写Python、SQL等代码,他需要的是能够简单采用拖拉拽的方式,就能够实现数据的获取、表格或图表的编辑,甚至包括人工智能算法的叠加之后能实现数据分析的结果,这就是所谓的“公民分析”。

以上是数据分析的大背景,那么下面,就是BCG对于企业BI能力分析的评估框架。这个评估框架分为三个方面,涵盖了一百几十个问题,包含选择题、简答题和详细问答题等不同的问卷方式,这些问题总体分为三类:

第一类是宏观问题,对企业总体的评估,例如企业认为数据能否给企业业务带来价值等相对宏观的问题;

第二类是从业务视角上来看,包括对于数据分析的愿景企业领导是不是足够的支持,是否有比较明确的分析指标,指标本身的设计的有效性,数据的可信度、数据质量;

第三类是从技术视角上看,包括企业BI平台从前端的可视化到数据分析工具、数据集成工具,到数据的存储(数据库或数据平台)、存放(数据库或数据分析工具是在云上还是本地)。以及开发工具是否足够完善,对技术的各个角色和技能的拉通是否到位,数据治理体系是否到位。

通过这三个大方面下若干个小方面的研究,共同构成了BCG对企业BI能力评估的问卷。通过这个问卷,BCG会给予企业一个BI能力的评估报告,并从八个方面让企业总体认识到企业BI能力所处的水平。

第一,总体调研结果。从业务和技术两个角度,以全球水平4分为满分,进行打分;

第二,业务团队的BI能力。即从前面提到的业务视角的五个点,通过红绿黄不同的颜色就成熟度进行评估表示;

第三,数据和技术能力。从技术体系上通过红绿黄不同的颜色就成熟度进行评估表示;

第四,预算和成本投入。BCG会与已经参与调研的全球几百家企业的行业平均水平来进行对比,看看企业在BI方面的投入是否足够。

第五,人员。也就是前面我们介绍过的相关的五种角色,尤其是在数据消费方,不同业务部门有多少数据消费者;

第六,现有报表和驾驶舱。BCG会进行一个统计,目前企业BI中存在多少报表或者数据的用例;

第七,数据质量和可信度。以4分为满分,对各个数据域的数据可信度进行评估。顺便一提,BCG对企业数据资产有一个五级分类的体系,五级分类中最高的一类即所谓“数据域”,通常是营销、财务、人力资源等等,被称作企业级的数据域。按照数据域来看,从数据的可信度、可得度、新鲜度、准确度、及时性等等,评估数据质量。

第八,应用速度。即数据应用的交付速度,无论是一个新的数据源产生后,能够多快被利用,或者一个新的报表或图表需求提出后,多久能够交付。从数据应用的交付速度来看BI应用的成熟度。

BCG就是从这八个维度来评估企业BI能力的成熟度。

05
企业BI能力的最佳实践
最后我也想再跟大家分享一下,基于BCG的这个BI能力评估框架,以及我们目前为止对全球几百家企业调研后,从收集到的调研结果中总结出的一些比较好的企业应用BI的实践,我们也是从业务和技术两个角度来看,我大概地给大家做一些分享。

业务团队的BI能力

从业务角度来看,首先是强调自助服务的能力。这点跟观远数据所说的“让业务用起来”非常匹配,即我们非常强调无论是数据的可得性,还是数据的使用,成熟度越高的企业,越能够摆脱过去“做报表是业务部门提需求,IT部门来开发”这种模式。BI用得好,业务部门自己就能够用起来,不需要IT部门去开发。

但IT部门也仍然很重要,是因为它要提供好的数据服务。要把数据资产分门别类,要记录良好,要让数据容易找到,例如使用数据目录。所以我们会看到数据中台,国内有些会叫它数据资产管理,数据中台中也会叫它所谓的“数据编目”,怎样将数据资产从数据源里拉到数仓里,进入数仓后又用例如元数据分析的方法,知道我们有什么数据编目。现在因为数据源性质不一样,甚至会用一些先进的工具,例如人工智能的方法来对数据源进行自动编目。对此通常也叫做Data Intelligence,即所谓数据智能,指的就是怎样去洞察数据资产,看到我有什么数据资产,它是按照什么方式进行编目。

总之,从业务上来讲,就是对数据管理得越好,数据质量越好,分析的效率就越高,对业务价值的贡献就越大。

另外一些实践,就要讲到让业务人员先用起来,这里同时更表示一定要让领导先用起来。对于BI能力很强的企业来说,它们有一个很重要的特征,就是领导亲自在参与BI驱动业务决策这件事。我们会看到很多BI在领导级的应用,例如典型的BI在企业预算管理场景的应用,以及营销费用管理场景的应用。

以上是我们看到的一些业务团队应用BI时的最佳实践,另一方面就是技术。

数据和技术能力

从技术角度来看最佳实践,主要涉及到八个方面,包括可视化、分析、集成、存储、存放、工具、角色和技能、数据治理。

可视化方面,传统的可视化相对来讲是比较静态的,例如格式化的报表,但今天比较先进的BI应用,可视化是更加支持动态特性和机器学习模型集成的分析。例如我们在做数据分析的时候,分析条件可以通过自然语言输入,就像我们在百度里搜索网页的时候只用输入关键词,就会自动跳出网页。我想生成报表,我就只用输入一句话,想看什么产品的品类、某个区域今年上半年的利润和去年同期的变化情况,我只要输入这句话,报表就会自动出现,这就是动态的数据可视化,而在这背后,是很多机器学习模型的集成,这也是典型的BI能力先进度的提升。

分析方面,这里也是非常强调要具备高度的自助服务的能力,而且能够实现分析能力的邦联化。所谓“邦联化”,即企业尤其是大型企业中,它的各个业务单位,包括不同的事业单位、不同管理职能体系,例如财务、人力资源等等,它们都有自己的一些数据分析的需求。这就要求企业的数据分析能力一方面要存在于这些业务单位里,又要在企业内部实现互通。

所以,企业内部分析能力从组织上来讲,要能够建立数据分析的COE,这些COE既要有拉通能力,又能形成在各个业务单位中形成自有的COE。先进组织内部的分析能力,就是一种实现了能力的互通,以及建立在基层之上的一种分析能力。

数据集成方面,现在大多数企业数据服务处在一种解耦的状态,前面我有讲到数据编织,现在大家会认为数据编织相对于前些年讲的数据中台来说,是相对比较先进的一种架构,因为很多企业做数据中台的投入非常大,它要建立一个数据的平台,要建立很多数据分析的工具,对企业来讲开支非常大,且对技术人员要求非常高。那么有没有一种低成本的方法,不去建立很复杂的数据中台,依然能够让处于分布式的数据源,用虚拟化的方式集中管理,并且能够服务于数据分析的场景,并且当新的数据源出现的时候,也能够用低成本的方式快速集成到我所部署的数据集成框架里呢?这也是我们谈到BI能力时,技术角度上一个非常重要的能力。

存放方面,也就是数据分析上云。数据分析本身是非常耗费计算资源的,所以今天我们会看到企业应用的数据源本身也越来越多在云上,所以企业也在思考怎么样能够更好地做多云管理,能够让数据上云为企业带来规模效应。过去两年我看到很多企业,尤其是中大型企业,也会担心一个问题,即如果数据不在企业内部,会不会出现数据泄密等问题。当然每个企业都会有它自己的IT策略,不能一概而论,但从我个人观点上来讲,我是非常坚定的一个企业上云的拥护者。我个人认为本地化这种数据存储的方式很快会消失。

从大的宏观环境上来看,国家的东数西算,整个云计算的基础设施也越来越发达,国外尤其是美国所有新兴的跟数据相关的供应商全都是纯云的,无论是去年前年比较火的Snowflake的云数仓的SaaS服务,还是一些主流的云平台提供的服务、基于云上的机器学习的平台等等,美国先进的数据工具全部是在云上的。所以我认为对中国企业来说,是否采用云的架构,是否有云管理的能力,也是衡量BI能力一个非常重要的指标。

最后,我还想要强调一点,数据的人才。今天我们都在谈数字化,数字化转型最大的挑战就是人才。企业的数字化分为两个方面,第一个是所有的业务要数字化,那就需要业务数字化的人才;另一个是当你的业务数字化后,产生大量的数据,要利用数据,就要具备足够的人才,没有人才,就没有办法打造企业的BI能力。

                                   

热门文章

 
盘点国内外4大免费的数据可视化SAAS工具,让你事半功倍

因为数据规模扩大、数据类型的多元化等问题,增加了数据可视化分析的难度,人们迫切需要更加敏捷的BI产品,有免费的数据可视化的工具,也有付费的,应用类型还有saas类。

文 | BI分析员
 
 
数字化转型浪潮,观远率先开创智能BI时代
如果将 Excel 的历史看作原始商业的历史,那么 BI 的历史或许可以看作现代商业的历史,BI起源于决策支持系统(Decision Support System),发扬于大数据技术的普及。
文 | BI分析员
 
 
观远数据四大优势,助力智能BI决策
观远数据作为一站式智能分析平台,拥有领先的技术与完善的运维体系,产品打通了数据采集-数据接入-数据管理-数据开发-数据分析-AI建模-AI模型运行-数据应用全流程。
文 | BI分析员
 
 
选择一款大数据展示软件,要几步?
众所周知,选择一款好用的大数据展示软件是很多企业的共同问题。现在市面上,有很多的大数据展示软件,国内外的,价位也不同。
文 | BI分析员
 
企业为什么需要商业智能公司管理平台?
公司相比与个人来说,数据量有着量级的差距。为了企业的长远发展,一个合适的商业智能公司管理平台就显得尤为重要。
文 | BI分析员
 
 
如何搭建领导想要的集团管理驾驶舱?
随着企业在资本市场运作,对于资产、财务的可视化程度以及生产和销售的精细化程度要求也越来越高。
文 | BI分析员
 
 
如何建设更好的企业数据决策分析平台
随着信息分析系统的进步,企业业务规模的扩大,原有独立的业务系统模式在一定程度上成为了企业进一步搭建大数据软件平台的阻碍。
文 | BI分析员
 
 
深度测评7款热门的开源报表系统
开源报表系统最吸引人的就是免费、自由开发的特点了,如何选择一个更有效、更适合自己企业业务的开源报表工具?本文就来深度测评7款热门的开源报表系统。
文 | BI分析员
 
 
什么是好的数据可视化分析工具?
如使用过Excel就能够使用的数据分析软件,或者是经过简单的学习就可以上手使用的,有一些数据分析工具在网站上就有不少公开的课程,比如观远数据的观远学堂中就有很多公开课,并且每个月都有对外开放的产品培训,可以经过学习快速的掌握工具的使用,这一点很良心
文 | BI分析员
 
 
更聪明的大数据分析软件,快速挖掘企业数据价值!
想像阅读书本一样阅读数据流?这只有在电影中才有可能发生。在现实世界中,企业必须使用数据可视化工具来读取原始数据的趋势和模式。
文 | BI分析员
 
 
产品矩阵 观远BI BI Copilot 复杂报表Pro BI场景应用 数据接入 智能ETL 数据大屏 移动轻应用
BI解决方案 消费品BI解决方案 泛零售BI解决方案 金融BI解决方案 先进制造BI解决方案 互联网BI解决方案
资源中心 客户案例 行业洞察 产品干货 企业动态 观远学堂 下载中心 帮助中心 技术服务
关于我们 公司介绍 观远招聘 荣誉奖项 行业资质 合作伙伴 商机推荐 最新活动 品牌活动 直播活动
联系我们 电话:400-880-0750 邮箱:hello@guandata.com
微信公众号 微信公众号
微信客服 微信客服
@Copyright 2021-2037 杭州观远数据有限公司 浙 ICP 备15006424号-3 隐私政策 | 友情链接