本文主要介绍分析了BI的发展历程、新发展趋势下BI平台的能力、以及Gartner象限中的BI。一起来看看吧。
Gartner是国际权威的IT咨询和研究公司，其魔力象限受到Google、微软、甲骨文、IBM等科技巨头的热烈追捧；同时，73%财富500强的CIO，即首席技术官，在采购技术产品时，使用Gartner魔力象限当作一个重要评价依据。
为何世界巨头公司都以进入Gartner魔力象限为荣呢？
Gartner成立于1979年，全球范围内有1000多名10-15年IT技术工作背景的分析员，这里的分析员可不是市面上常见的数据分析员，其大多有CIO（首席技术官）背景，具有极强的专业能力，对IT行业研究和解读极具专业性。
甚至在美国国会要讨论有关推动当今经济的关键性商业及技术问题前，他们都会调用Gartner的分析员来辅助分析，由此也可见Gartner的专业性和权威性。
其研究范围覆盖全部IT产业，共有200多个研究主题，包含CRM、IT商业价值、供应链管理、BI技术等，我们这篇主要聊聊，BI的发展历程以及Gartner眼中的BI。
正如唐太宗所说：“以史为镜，可以知兴替”，这里对应在数据产品设计方法上为，了解产品的不同发展阶段，可以更好的知道自己的产品处于一个什么位置，可以借鉴一些历史经验，避免掉坑，那首先草帽小子带你了解一下BI的发展历程。按照BI平台历史演进，可分为3大发展阶段。
2013年前，传统BI一直是市场主流，但这并不是一个很好的市场。根据IBM的统计，传统BI的项目失败率为60%-70%。传统BI主要由数据源、数据存储与管理、OLAP引擎和前端工具组成，对海量数据计算与动态业务支持不足，通常由技术人员在设计好的维度模型上建立数据仓库。
这造成了2个问题：一是技术人员难以完全理解业务人员的需求；二是数据仓库不能满足不断变化的业务需求。
例如，当业务人员提出，想要下钻一些字段，来分析产品情况，此时却发现，产品的字段不在上游的数据仓库中，需要IT团队从数据库同步到数据仓库，然后才能将字段添加到展现层分析。首先业务部门提需求，接着产品分析需求出文档，然后进行测试、验收，这时的业务流程十分长。
为了解决传统BI的问题，敏捷BI应运而生。敏捷BI又称自助式BI，指由业务人员自助式建模，能够实现快速部署、数据源集成、高性能计算、探索式分析的BI可视化产品。这个过程不需要技术人员长期参与，大大缩短了业务人员与数据之间的距离，BI的主导对象从技术主导，变为业务主导。
智能BI：2017年以后，智能化的概念开始出现，各类BI应用的使用门槛进一步降低，比如自然语言等交互方式的加入。《Gartner2020年分析与BI平台魔力象限》报告中指出：
那在新的发展趋势下， BI平台应具备哪些能力呢？
Gartner对现代分析和商业智能BI平台（ABI）的定义是：具备易于使用的、完整的从数据准备到可视化探索、到洞察生成、到增强的自助分析等系列功能。
数据可视化功能在现代的BI平台中不再是很特别的亮点，更多的差异应该突出在：企业报告功能的集成和增强分析技术。增强分析中主要凸显的就是机器学习和人工智能相关的数据准备、见解洞察生成和解释。
数据源连接：用户能够连接本地和云端的各种存储类型的数据，支持结构化和非结构化的数据访问
数据准备：平台可拖拽不同来源的用户数据集，生成分析模型，比如根据不同数据来源，用户可自定义指标、维度、层次结构
数据可视化：高度交互的仪表盘dashboard等，各类丰富的可视化图表等，并通过图表图像的操作来探索数据。包含基础图形饼图、条形图、折线图以及其他特殊用途的可视化效果，如热力图、树状图、地图、散点图等。
自动洞察：增强分析中最核心的能力，利用机器学习自动为用户生成可洞察到业务细节、深度探索的能力。
比如，分析GMV关联因素，可能涉及到订单量、金额、人数、产品类型等多种因素，通过自动洞察可以在分析高费用收入时，找出哪项因素对高费用影响最大。
高级分析：指ABI平台应该具有深度学习、自然语言处理技术等一系列高级数据算法，一般来说起码具备分类、聚类、回归算法，进一步需要支持深度学习，如神经网络功能。这些功能可以既包含在ABI平台本身，也可以通过导入和集成外部模型来使用。
Gartner的分析师认为深度学习将迅速成为最有用的预测性分析工具之一，深度学习和组合建模正快速成为构建预测分析模型最有用的技术之一。
自然语言查询（NLQ）：用户直接在搜索框输入或通过对话的方式查询数据，Gartner预测到2020年，50%的分析查询将通过搜索、自然语言处理或语音生成。
早在国内16-17年微软lgnite大会上，BI演示中已实现了这样的功能，目前已经有一些国内的BI厂商基本上实现类似这样的效果。
这会带来几个变化：
一是，任何用户均可以文本或语音的形式提问，使问题和回答日益复杂化；
二是，自然语言处理被当作查询接口使用，甚至会成为ABI平台的主要交互方式；
自然语言生成（NLG）：自动理解用户在分析过程中的意图，判断用户期望找出的关键点，将用户关心的分析内容或结果呈现出来。
安全性：平台安全性管理、用户管理、身份验证、审核平台访问等能力。
数据管理：追踪使用情况，管理信息共享方式和共享者、执行影响分析以及第三方应用程序协作功能。
云部署：基于云和本地数据部署，支持跨云部署，云中构建、管理分析以及分析应用程序的能力。
目录：自动生成平台管理中所使用的元素，如数据、模型、可视化页面等内容，形成可检索的目录
BI未来将会真正往智能化的方向发展，但目前智能化还未普遍化，那有没有哪些较为先进的BI产品，可作为指导呢？接下来我们聊聊，报告中讲到的部分比较优秀的BI平台。
横轴，前瞻性：即愿景的完整性，包含市场理解、产品战略、营销战略、商业模式、 产品定位和创新性，其实质是在解释企业在业内的领先度。
纵轴，执行能力：包括产品与服务等整体可行性、销售执行力与定价、市场状况、营销团队的执行、客户体验及公司整体运营，实质揭示企业在市场的成功度。
可划分为4大象限：
（1）Niche players，特定领域者：在特定细分市场和区域取得了成功，但也难以超过哪些大型及成熟的厂商，代表企业有IBM、Birst、Domo、Information Builders、Pyramid Analytics、Board International、Logi Analytics、Alibaba cloud（Quick BI）、Dundas。
①Alibaba cloud（Quick BI）
魔力象限新进入者，首次抵达特定领域者象限，入选的是阿里云中的Quick BI产品，具备一定全球化能力，特别是3.4版本中扩展了企业分析报告的功能。
优势：自助分析、数据洞察、类Excel报告和回写功能，阿里云平台自带产品，用户体验好、服务满意度高。
不足：阿里云目前专注于中国市场，海外装机量不高，离全球化有一定的距离，新的BI产品，在自动洞察、数据故事、数据源连接等方面需要加强。
②Birst
Infor旗下子公司（Infor，全球第三大企业级应用软件级服务供应商），Birst产品主要服务于Infor的客户群体，提供端到端的数据仓库、分析报告和可视化平台服务能力。
优势：基于云的元数据管理BI，提供数据准备、仪表盘、可视化分析、预定格式的报告。支持本地源数据的实时连接，支持在Microsoft SQL server、SAP HANA、Exasol、Amazon Redshift上构建数据仓库模型。
不足：部署实施过程中的性能问题和客户支持上有所不足，自助化分析部分客户使用率不高。
③Domo
云ABI平台，1000多个数据连接器，用户友好的数据可视化和仪表盘能力，主要面向业务部门如销售、运营等，平台易用和快速部署比较能吸引用户注意。
优势：仪表盘能力较强，产品能力和支持能力强，Domo的订阅服务在全球发展势头迅猛。
不足：Domo主要面向业务部门用户，非IT驱动，只是用于营销、财务、供应链等特定的分析领域，可以认为是部门级、个人的分析工具。全球化支持程度不高，增强分析能力不足。
（2）Visionaries，有远见者：了解市场发展方向，或有改变产业规则的愿望，但市场执行力不佳；在执行力上分为有远见但短期内无法实现的早期创业者，和有远见但执行反应能力调整不及时的成熟大厂，代表企业有salesforce、SAS、SAP、Oracle、Yellowfn、Sisense。
（3）Challenges，挑战者：现有经营状况良好，有足够的市场，市场执行力强，但是前瞻性不够，在新市场未做出改变和发展计划，代表企业有Microstrategy、Looker、TIBCO Software。
（4）Leaders，领导者：执行力和前瞻性得分均比较高的大型成熟公司、行业领袖。拥有大量客户群体，在全球市场上享有极高的知名度，这些行业领袖在市场中有很大影响力，有能力和实力影响和引领整个行业的发展，代表企业Microsoft、Tableau、Qlik、Thoughtspot。
④Microsoft power BI
视化具备数据准备、可视化的数据发现、交互自助式分析、增强分析等能力，支持azure云saas模式和Power BI Report Server本地模式，Power BI Desktop也可以作为个人分析工具使用。
优势：病毒式传播，影响广泛，拉新成本低，云服务如增强分析、自动化ML的创新已超过大多数厂商，Power BI还提供了基于AI的文本、情感、图像分析。
不足：本地版的power BI Report Server对比Power BI Pro云服务存在很大的功能性差异，包括仪表盘、流分析、预置分析、自然语言问答、增强和警报等。
专栏作家
草帽小子，公众号：一个数据人的自留地，人人都是产品经理专栏作家。《大数据实践之路：数据中台+数据分析+产品应用》书籍作者，专注用户画像领域。
本文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。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。