谁是国内 BI 普及的“绊脚石”？
进入公司后用过不少 BI 软件，如 brio、BO、BIEE 等等，现在很热的 Tableau、FineBI、Qlikview 没用过，据说提供了很多自助式的能力，但我印象中的 BI 软件大多是概念很好，但实用性不强的家伙。陈果的文章《为什么 BI 软件在中国很难做》谈到了商业智能（BI）在中国很难做的现象。他认为 BI 是个开放式、探索式工具，国外的数据科学家依赖 BI 工具来进行快速的数据探索和分析，这种工作模式使得 BI 有很好的群众基础。中国人的思维方式不是探索式 (Exploration) 的，而是“结果导向式”的。中国管理者都习惯看固定格式报表、基于指标的图表，中国企业里很少有数据科学家 (data scientist) 这样的角色，而是“表哥表姐”们围绕各种指标做报表给领导或业务决策者看。文章给了一个很形象的比喻，体现了中西方文化差异。打个比方，BI 就像下面这个工具箱，在西方很多家庭中都有这样的工具箱，使用这个工具箱建个木房子，还需要有设计、拉线、施工的端到端过程，对使用者本身的能力是有要求的。而中国家庭很少有自己动手使用电钻、锤子的，就算是家里要修个啥，小区里也有物业，使用这种工具箱的都是物业维修工。陈果的文章更多是从数据文化的角度谈了这个问题，我身处传统服务业，曾经有大量的报表取数实践，今天就从业务驱动的角度谈谈原因。中国企业里很少有 title 叫数据科学家的，互联网起来后，数据分析师成了热门岗位，但在传统行业业务部门里，一般不存在独立的数据分析师岗位。业务部门从事数据分析相关工作的有些叫经营分析师，有些叫业务分析师，非专门做分析的业务人员也会做自己条线的数据分析工作，这些人对于业务的理解往往比较深，但对于数据和 IT 的理解有限。IT 部门跟数据分析相关的一般叫做数据开发或数据建模工程师，这些人员对于 IT 和数据的掌握比较好，但业务理解就差远了。传统企业数据分析的需求也很多，有些非常复杂。数据分析一般是通过业务人员和 IT 人员配合完成的，大致步骤如下：3. 将取数样张提交给 IT 部门需求人员并明确口径4. IT 部门需求人员分派给数据开发人员（SQL boy）取数7. 业务人员审核数据可用性，如发现数据有问题返回到步骤8. 业务人员用 EXCEL 进行数据分析，如发现数据有问题返回到步骤 39. 业务人员获得分析结论并通过 PPT，WORD 等形式形成最终报告在这个流程中你会发现，传统企业并没有把数据分析看成是一个独立的工种，而是拆分成了几个阶段。需求分析可以让业务人员做，取数可以让 IT 人员做，取数结果的探索又让业务人员做，最后出报告也是业务人员做，如果取数达不到要求就再让 IT 人员做一遍。这种数据分析的分工模式对于一些企业或数据分析师来讲，往往不可接受，因为会认为数据分析是个需要快速迭代的工作。取数、探索和分析是不允许割裂开来的，否则就会极大降低数据分析的效率。比如，发现分析的结果不合常理就需要能马上调整原始数据，而不能依赖别人来给你喂数据。BI 正是由于具备一站式的取数，探索和分析能力，才成为了数据分析师信赖的工具。但一旦数据分析可以拆分出多个独立的环节让独立的角色去做，如果每个环节的效率更高，而且衔接的还不错，BI 的优势也就不明显了。比如，单就取数环节来讲，数据开发人员的取数水平不会弱于数据分析师，所采用的 SQL 取数工具更是比大多 BI 工具灵活。再拿数据分析环节来讲，EXCEL 的能力显然也不会弱于 BI 工具，甚至更为平民和灵活。更为重要的一点是，理解业务才是数据分析成功的基础。我们大多数的数据分析都是先做业务假设再去论证，业务人员的主要精力就应在业务上。至于取数能力和分析技巧，都是次要的，这让传统数据分析的分工模式具备合理性。很多 IT 部门的数据科学家最缺的也不是什么分析挖掘技能，而是离业务太远了。在复杂多变和不确定的市场环境下，传统企业的这种数据分析模式的短板还是很明显的，突出一个字就是“慢”。由于一次数据分析要涉及多个部门、三类角色的协作配合，一个取数少辄一天多辄一礼拜。业务人员在提出需求后要干等几天，数据分析的连贯性被打断，关键是取数完成后还有大量数据可用性的问题要解决，这其中又会涉及到大量沟通协调，管理成本非常高。业务人员为了降低风险，也会倾向于提出更多可能冗余的取数需求，这会导致一个公司大量 SQL BOY 的出现，也意味着资源的浪费。也许国外企业雇佣不起一支 IT 团队专门为业务人员提供个性化的取数服务，因此只能自力更生，这样 BI 自然有了市场，但国内情况不一样，不仅劳动力相对廉价，而且可以外包。但 SQL BOY 再多，很快也会达到速度的瓶颈。你取数再快也快不过业务人员的一天三变，况且总是对外求人也不是办法。因此很多企业的业务部门开始培养自己的数据分析师岗位来彻底解决问题。这原来对于 BI 软件来说是个机会，但国内不少业务部门的数据分析师似乎又选择了不同的道路，即让 IT 部门直接开放数据集市或大数据租户给他们自己取数，这样的模式又让 BI 软件失去了切入的机会。从以上的分析可以看到，两种数据分析模式各有利弊，但 BI 软件其实还有一项隐性核心能力，就是可以沉淀出好的分析方法和知识在软件内。这样可以确保数据分析的下限不会很低。知识化、智能化一定是 BI 软件的一个核心卖点。比如在做分析的时候让 BI 软件推荐一些常用的宽表、字段或图表模板 (比如埃森哲分析图表)、元数据驱动，这是我能想到的打动我的点，自己曾经就想为数据分析制作一套分析模板，不要让新人乱画图表、乱标数字，会显得非常不专业，后来实在没精力就放弃了。
最后我们要终极追问一下，为什么国内 BI 软件使用的习惯始终没养成呢？想当年，数据仓库大行其道的时候，BI 软件也是喧嚣之上，但一方面使用体验一般、灵活性不高、开放性还差，另一方面要归结于数据探索的场景实在太少了。虽然有些企业也采买了，但业务人员使用 BI 软件的习惯并没有培养起来。大家更喜欢从报表门户上把报表下载下来，然后用 EXCEL 去做各种处理和分析，因为这样已经足够应付工作了。
也许，BI 软件跟国内整个 SaaS 软件市场面临的困境一样。正如《中国为啥没有大的企业软件产品公司》一文说的那样：第一，缺乏职业经理人阶层。很多企业家并不接受非核心能力要依靠标准化软件产品和外部服务的想法，既不信任集成商、也不信任软件商，大家都想做别出心裁的技术和管理创新。对专业服务的轻视，有碍于产品公司对产品力的打造。产品公司热衷于乱炒概念，把用户低水平的需求糊弄过去就好；第二，缺乏 Gartner、Forrester、AMR 等为代表的第三方行业研究和评测机构，难以形成事实性的行业标准，无法帮助软件公司提高产品标准化水平。2）企业讲不清楚需求，中国企业内部普遍没有形成企业架构管理能力。很多企业 IT 架构委员会形同虚设。没有好的架构管理，企业描述需求就会大而化之。“数据中台”“业务中台”“智能制造”“工业互联网”这种模棱两可的概念在业界大行其道，相应地，对企业级信息技术应用的分级、分类就很乱。讲不清楚的东西都叫“中台”，软件产品就无法体现专业化，这跟第一点有关系。中国某些企业软件产品特有的分销模式使得客户都控制在分公司（分销商）手上。一方面，产品商不直接接触最终用户，分销商又是纯利益导向而非交付价值导向，造成客户的价值实现差，原厂产品服务又下不去。最终，导致这些厂商虽然广告做得满世界都是，知名度高，但满意度低，产品力没法提升；另一方面，软件产品厂商为了取悦用户、尽可能地争取到客户钱包份额，客户的需求都想做，但凡客户 IT 支出跟自己能力能沾点关系的，每分钱都想挣，最终，造成产品的专业深度浅，产品最后做成了服务。互联网公司的数据分析师实在是太异类了，无形中拔高了大家对数据分析软件的期待。事实上，BI 的必要性远低于预期，当然随着企业数字化的深入和探索性需求的不断增加，也许 BI 软件还是有机会，至少它应该比普通的 SaaS 软件更有前途。也许，BI 软件还要等更长的时间，直到那批老顽固退出江湖，毕竟像我这种经历过 SQL BOY 阶段的人，说服成本有点高，因为已经改不动习惯了。
To B 领域投融资 / 行业资讯 / 行业洞察 / 人物专访
本文来自牛透社
