报告编委
报告指导人
李喆 爱分析 首席分析师
报告执笔人
姜凯燕 爱分析 高级分析师
陈宵雅 爱分析 分析师
特别鸣谢(按拼音排序)
报告摘要
信创产业建设如火如荼，BI将迎来国产化春风
随着国际环境日趋复杂，为避免关键技术被卡脖子，应逐步实现国产化替代。
BI的业务流程涉及数据挖掘、数仓建设等，需要对接企业核心业务数据，从应用安全性角度考虑，BI国产化替代将是未来发展趋势。
BI的应用持续深化，面向业务的智能决策是核心
随着企业数字化转型的深入推进，数据驱动的分析决策场景将无处不在，BI将在各个行业和业务场景落地。
长期来看，企业对于BI的应用将持续加深，呈现业务决策数字化、智能化的发展趋势。
建设开放生态，满足企业无处不在的BI需求
企业不仅需要成熟、易用的BI技术和工具，还需要结合对垂直业务场景的理解构建分析指标和模型，以实现BI应用价值的最大化。
从技术架构上来看，BI的应用涉及从数据接入、数据存储与计算、数据治理、数据分析与挖掘、数据展现的全链条，需要与企业IT基础设施和各个业务系统深度融合。
BI厂商需要建设开放的生态，在产品和技术等方面与其他IT基础设施和业务应用厂商紧密合作，以生态的力量更好地服务企业。
目录
一.新形势下，BI应用迎来新浪潮
二.各行业BI落地进展
三.企业对BI需求全面升级
四.新需求下，企业BI落地实践需要新方法
五.典型行业BI最佳实践
六.BI未来趋势展望
关于爱分析
研究咨询服务
法律声明
01 新形势下，BI应用迎来新浪潮
1.1. 中央“新基建”政策推动产业数字化迅猛发展
2020年3月，中央在政治局常委会议上提出，要加快5G网络、数据中心等新型基础设施建设。“新基建”政策的提出将加速大数据产业发展，BI商业智能作为大数据产业落地的重要场景，行业迎来新的发展契机。
“新基建”包含5G 基建、特高压、城际高速铁路和城际轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网等七大领域，其中大数据中心是“新基建” 建设的重点领域。
BI商业智能是大数据应用的重要一环，通过对企业业务数据进行展示、分析和挖掘，为企业业务决策提供指导，是释放数据价值最重要的系统之一，行业具有较大增长空间。
1.2. 国际环境日趋复杂，软件国产化替代加速
受美国技术出口管制等影响，中国大力推动信创产业体系建设，BI等数据分析技术作为企业必需的关键技术，国产化替代成为大势所趋。
近年来，美国出台的一系列管制措施，从硬件到软件对中国进行施压，相关关键领域的核心技术国产化势在必行。比如，美国先后将中兴、华为等中国实体列入出口管制“实体清单“，限制中国企业与美国间的商业交易，试图扼制中国科技企业的发展。2018年，美国国会通过《2018年出口管制改革法案》，对关键新兴和基础技术和相关产品设置出口管制。
在此国际环境之下，2019年起，国家大力推进信创产业建设，企业全面国产化替代加速渗透。
进入2020年，各地信创项目建设如火如荼地开展。在信创产业生态体系构建上，将实现从IT基础设施、基础软件、到应用软件、信息安全的全方位自主可控和国产化替代。
根据公开数据披露，CPU 的国产化率大约为 3%，操作系统和虚拟化国产化率为 5%，数据库国产化率为 10%，中间件和 ERP 国产化率达到30%。随着国产化替代进程加速，从IT基础设施到应用软件的国产化替代将持续走高，BI国产化替代也将加速渗透。
BI作为信创产业体系中的重要应用软件，是支撑企业数据分析的重要系统。尤其数据的挖掘分析涉及企业核心业务数据，从应用安全性、对业务需求理解角度考虑，BI国产化替代将是未来发展趋势。
1.3 企业数字化转型，助力BI新一轮发展
在数字化时代，企业面临用户需求变化、业务流程变化、以及数据量不断增长等一系列挑战，数字化转型已成为企业核心战略，是企业未来业务创新和增长的重要驱动力。在经历了人口红利、城镇化红利和互联网红利后，数字化转型成为企业未来增长的唯一红利。
根据中国信通院数据，2005-2019年产业数字化复合增速达24.9%，高于同期GDP增速，各行业数字化加速渗透。金融行业对数字化的投入和探索领先于其他行业，疫情影响下的零售行业数字化进程正在加速，政务、工业制造等行业的数字化转型已经提上日程。
当各行各业正被数字化重塑时，越来越多的企业发现，不同于信息化建设，数字化建设是完完全全的“一把手”工程，企业的数字化转型必须在企业CEO领导下进行，必须要有企业最高决策者站台。
推动企业“一把手”认知到数字化的价值，让CEO愿意全情参与到数字化建设中，是每一位企业CIO、科技部门负责人最重要的目标，也是企业数字化转型能否成功的关键。
BI是让“一把手”快速认知数字化价值的最佳手段，在企业数字化建设中扮演了极其重要的角色。
与数据中台等数字化建设相比，BI的建设具备诸多优势：
第一，BI可以直接将海量数据转变成业务指标，快速释放企业数据资产价值，支撑企业业务决策，让企业最高决策者看到数据的价值。
基于BI，企业可最大化数据资产价值，对企业经营情况进行全面洞察分析，优化企业经营决策，从而提升企业业绩，并实现成本控制以及运营效率提升。
第二，在初期BI投入相对较小，建设周期相对较短，能够让企业决策者和业务人员快速感受到数据价值。在如今越来越多的企业关注数字化建设的ROI时，BI成为企业数字化建设最佳切入点。
02 各行业BI落地进展
2.1. 各行业BI落地进展分析
2.1.1. 各行业BI预算投入分析
根据爱分析调研，2020年国内BI市场规模约为60-70亿元，BI占IT支出的比例约为0.4%，投入领先的行业为：金融、零售、制造、电力、政务、教育等6个行业。结合Gartner关于2020年这6个行业IT支出数据，测算得到各行业的BI投入情况。
金融行业BI投入约为13-16亿元，零售行业BI投入约为5-6亿元，制造行业BI投入约为11-13亿元，电力行业BI投入约为2-3亿元，政务行业BI投入约为10-12亿元，教育行业BI投入约为2-3亿元。
2.1.2. 各行业BI应用成熟度分析
BI在各行业应用成熟度不同。爱分析通过BI应用深度、数据基础设施情况两个维度，对BI行业应用成熟度进行评估。
其中，BI的应用深度可划分为：数据可视化、数据分析、数据挖掘三个阶段。
在数据可视化阶段，BI的作用是将企业日常业务数据报表以可视化图表的方式予以呈现，只是单纯用可视化图表代替了Excel报表，但缺少对数据的分析。
在数据分析阶段，BI可以实现对可视化图表中的数据进行描述性统计分析、关联分析等，发现数据背后的原因，实现数据辅助业务决策。
在数据挖掘阶段，通过算法对数据进行深度挖掘和预测分析，BI和AI结合，能够对未来业务进行预测分析，实现智能业务决策。
数据基础设施情况则由数据量、数据易得性、数据质量等子维度决定。
金融和零售两个行业在BI应用成熟度高：数据基础设施良好，且已进入数据挖掘的应用阶段。
金融行业对BI的典型应用场景包含营销、风控、财富管理等方面，与业务相关程度高、预算投入比例也高;零售行业同样将BI应用到核心业务场景，如销售管理、用户营销、忠诚度管理等。但由于零售行业IT投入能力不及金融，市场规模较小。
制造和电力两个行业BI应用成熟度中等。
其中制造行业企业数量庞大，但数据基础设施参差不齐，领先企业已经进入数据挖掘阶段，但总体制造业企业仍在数据分析阶段，通过BI优化成本控制、进行流程监控;电力行业则以国家电网为代表，各区域在BI应用上各自投入，总体投入规模、应用深度都有很大提升空间。
政务、教育行业的BI应用尚处于初级阶段，目前主要是对数据进行可视化展示，数据分析的程度有待加深。
由于各行业BI应用成熟度处于不同水平，对于BI的需求也存在差异。因此，厂商需要具备综合产品服务能力以支撑跨行业服务需求。
2.1.3. 永洪科技在代表行业头部公司中占有率高
永洪科技在代表行业头部企业中的覆盖度高。我们选取金融、零售、电力、制造等行业代表细分领域的头部20家企业，调研实际BI应用情况，发现永洪科技占有率高。
其中，永洪科技在银行Top20企业的客户覆盖率达80%，在金融、制造领域的市场占有率第一，表明永洪科技BI受客户认可，产品和服务具有强大竞争力。
永洪科技在金融行业的代表客户有中国银行、招商银行、阳光保险集团等，零售行业代表客户有家乐福、郎酒集团等，制造行业代表客户有美的、格力等，电力行业代表客户有国家电网，政务行业代表客户有国家财政部、工信部等，教育行业代表客户有北京理工大学、中国人民警察大学等。
2.2. 各区域行业布局与BI需求分析
2.2.1. BI应用具有区域差异性
由于各行业BI需求有差异，而各区域的行业分布又各具特色，因此，华北、华东、华南、华中四大区域对BI的需求也有很大区别。
考虑各区域历史发展、交通区位、劳动力成本等因素，各区域特色产业呈现不同特征。根据各区域产业特点，将各区域行业占比分为高、中、低三个层级，具体如下图所示。
华北地区以北京为中心，辐射京津冀、山西、内蒙古地区，北京作为全国政治中心，国家机关、政党机关数量均超过地区性基础水平。此外，北京金融业较发达，是仅次于上海的金融产业密集区，2018年地区生产总值贡献达16.8%。天津作为现代制造和研发转化基地，制造业在产业结构中占比重，2018年制造业占地区生产总值比例达70.7%，其中装备制造业占比达32.8%。山西作为煤炭大省，在产能置换背景下，逐步退出过剩煤炭产能，布局新能源产业。而目前国内发电仍以火电为主，2019年火电发电量占比达69.6%，能源电力产业在全国占有重要地位。
华东地区以上海为中心，覆盖江苏、浙江、安徽、福建、江西、山东六省。上海作为全国金融中心，2018年地方生产总值占比17.7%，同时聚集了汽车制造等优势产业。华东地区的浙江省、上海、江苏省零售业规模较高，从连锁零售企业门店数量来看，分别位列全国二-四位。同时，江苏、浙江、福建、山东四省是纺织服装及毛皮制造产业聚集地，纺织服装制造业较发达。另外，华东地区高校众多，其中江苏省高校数量居全国之首，共有167所。
华南地区以广州、深圳为核心，包括广东、海南、广西三个地区。深圳市以高新技术产业为主导，金融业较活跃，占地区生产总值比例达12.7%。广州市以电子信息、医药健康、先进制造产业为主导，东莞有“世界工厂”之称，制造业产业体系齐全，拥有家具制造、纺织服装制造、电子信息制造等八大支柱产业，生产制造全国约1/5的服装，是全国最大的家具出口基地。广东省连锁零售企业门店数量位居全国第一，零售业较发达。在全国高校数量上，广东省位列第二，共有154家。
华中地区包括河南、湖北、湖南三省，承接了钢铁、煤炭等传统产业转移，并在政策推动下形成半导体、通信设备等新兴制造业产业集聚。
可以看出，不同区域由于经济产业特点不同，对于BI的需求也存在差异。比如华北地区政府机关多，对于BI解决方案的需求覆盖经济发展、社会民生、政务服务、社会信用、舆情监控等方面。华东地区金融产业聚集，对于BI的需求覆盖风险监控、经营分析、客户情况等方面。华南地区则需要提供契合制造行业特点的BI解决方案，覆盖产品设计、生产制造、物流配送等方面。
2.2.2. 永洪科技在各大区域均具备服务能力
永洪科技作为一站式大数据平台服务商，解决方案覆盖金融、零售、制造、电力、政务、教育等行业，并提供财务、采购、营销等场景解决方案，能满足不同区域对BI的需求。
在区域建设布局上，永洪科技以北京为总部，在上海、深圳、成都、武汉、大连设立有分公司，为客户提供售前、销售、实施服务，满足各区域客户对不同行业BI解决方案的需求，并能及时响应客户的实施服务需求。目前已服务了众多区域代表客户，如华北地区有国家财政部、工信部，华东地区有格力，华南地区有美的集团等。
03 企业对BI需求全面升级
国产化替代和企业数字化转型浪潮下，企业对BI的需求也在不断升级，主要体现在实现平滑的国产化替代、赋能业务创新以及集团化BI三个层面。
3.1. 实现平滑的国产化替代、避免业务风险
随着数据分析技术被美国列入出口管制、国内信创产业建设加速，BI国产化替代是必然趋势。这一趋势下，如何实现平滑的国产化替代、避免业务风险，将是企业面临的共同课题。
从国产化替代进程上看，已有头部企业率先完成国产化替代。美的替换了Oracle BIEE、华为替换了Tableau、银联替换了IBM Cognos，这些实例为BI国产化替代树立了行业标杆，未来将有更多的企业逐步实现BI的国产化替代。
实现平滑的国产化替代，对企业和BI厂商提出以下两个方面的要求。
一是需要在产品、技术层面与国产软硬件产品适配，保证系统稳定运行。BI作为上层应用软件，应与国产操作系统、数据库、业务系统进行适配，保证BI在国产操作系统、数据库上的稳定运行，满足企业全面国产化替代的需求，并最终实现向国产软硬件产品的整体迁移。
二是需要引导BI产品用户使用习惯的转变。企业在早期使用的数据分析产品大多为国外BI产品，国外BI产品与国产化BI产品在使用逻辑上存在差异，体现在数据分析操作、权限管控等方面。
3.2. BI赋能业务创新，创造更大价值
作为企业数字化转型的重要组成部分，BI的价值更多体现在赋能业务创新层面。因此，在实际落地过程中，BI需要与业务场景深度融合，以数据分析驱动业务增长。
首先，企业数字化建设以实现业务增长为核心目标，以BI为代表的技术投入都需要在业务场景中才能发挥价值。
不同于信息化建设的目标是降本增效，数字化建设都是以实现业务增长、创造新的商业模式为核心目标，因此，所有技术投入都需要以业务价值、提升ROI为核心衡量标准，都需要与业务场景所绑定。
其次，BI的使用对象由原先的IT部门，延伸到决策层和业务部门，对满足业务需求的产品功能提出更高要求。
由于不同行业、不同业务场景下，业务人员需要的数据不同，通用的模板只能满足浅层次的报表展示工具，不能解决业务部门的业务诉求，因此，这就要求BI工具必须能够与业务场景融合，提供更多具备行业属性、职能属性的业务模板和产品功能。
在融合业务场景的基础上，随着企业对BI的应用不断加深，企业客户对BI的智能化提出更高要求，希望BI工具不仅仅能够分析过去，反映当前业务进展和问题，还能对未来业务提供预测性建议，支持业务决策。
过去，企业大多利用BI实现自助报表分析、可视化图表展示等;如今，随着机器学习、深度学习等人工智能技术成熟，越来越多的AI技术被应用到BI工具中;BI与AI的融合，企业能够通过分析过去的数据实现对未来的预测，实现决策智能化。
以某超市的补货场景为例，通过BI与AI融合进行销量预测，门店平均缺货率从15%缩减至10%，库存周转天数减少20%左右。对于该超市而言，缺货率的改善也意味着每年1亿左右的新增销售额，BI对业务增长的价值显而易见。
未来，BI和AI融合的应用场景将不断延伸。随着人工智能技术的发展、数据积累的不断增多，AI预测的准确度将进一步优化，BI和AI融合将有更广泛的应用场景，比如销量预测、财务预测、客户购买预测、客户流失率预测等。
随着业务价值不断凸显，企业对BI+AI融合进行智能预测的需求也将持续增加。
3.3. BI需具备集团支持能力，助力整体数字化转型
数字化建设是整个公司的新一轮变革，从公司战略、业务流程到组织架构都会发生巨大变化，BI对于整个公司来说，同样需要满足不同角色、不同部门的需求，因此，集团化是企业对于BI的新需求，BI不再仅仅是个人级产品、部门级产品，而是公司级产品、集团级产品。
首先，集团化BI能够满足集团的业务决策需求。
原来决策层只能依靠各部门上报数据来全面了解企业经营状况，拥有众多子公司、分部门的大型集团企业存在数据瞒报、数据漏报的情况，导致决策层缺乏对企业真实经营状况的了解，最终可能会影响业务决策制定。
BI能够帮助集团决策层获取各部门实时数据，决策层能够站在全局高度洞察经营全貌，实现集团内部跨部门的联动管理，优化集团决策，从而最大化数据分析在业务决策中的价值，助力整体数字化转型。
其次，集团化BI能够满足集团公司的数据整合共享需求，推动集团数据标准化，实现数据互联互通。
数据是数字化建设的核心，越来越多企业发现，在数字化建设过程中，单一场景、单一部门的数据价值度有限，很多数字化应用都需要不同场景、不同部门的数据统一，才能真正落地。
以最常见的门店销量预测为例，销量预测涉及到门店周边的人群画像、门店的库存品类分析、商品的促销策略，这些数据涉及到公司的供应链、市场、产品等多个部门，必须实现数据标准化和数据统一，才能实现销量预测。
再次，集团化BI能够满足集团公司的决策层、业务部门和IT部门的多样化需求。
决策层需要全公司整体的经营状况、各个部门的业务进展，IT部门需要对全公司的数据实现“监管控”、保障数据安全，业务部门则是需要借助分析工具实现业务探索，洞察业务价值。
随着BI在业务的渗透率不断提升，不同部门对于BI产品提出了多样性的需求，集团化BI能够针对不同业务部门需求，从底层数据平台到上层可视化应用，提供个性化的产品服务。
04 新需求下，企业BI落地实践需要新方法
4.1. 最佳实践方法论
新需求下，企业BI落地实践也需要新方法。
首先，企业需要数据整合、分析展现及应用的完整数据平台方案。为了满足集团化BI建设需求，企业决策层需要基于全局数据进行分析，需要提供数据整合、存储、计算到数据应用的端到端数据平台。
此外，决策层对于数据分析的实时性要求高，对系统高性能计算提出了更高要求。在实践中根据用户查看数据的习惯及数据使用频率，可将用户经常查看的汇总数据存放在内存数据库中，提升数据访问速度。将用户不经常查看的明细数据存放在硬盘中，允许一段数据加载时间，从而释放了内存空间。
针对业务人员探索式分析的需求，需要BI产品具备强大的自助分析能力。比如，业务人员对于数据会有探索式分析、小规模测试的需求，不同时间点关注的数据维度不同，BI平台需要支持业务人员自主进行数据分析。
其次，BI的实践落地需要全生命周期服务支持。BI的价值在于赋能业务决策，需要与业务场景深度融合，因此在前期需要全面洞察业务需求，并在项目推进及后期上线运营后能及时响应用户最新需求及使用问题，提供全生命周期服务支撑。
通过总结各行业BI落地实践，爱分析系统梳理BI平台建设方法论，将BI项目落地实践总结为三个主要步骤：咨询规划、项目落地和持续运营。在咨询规划阶段需要业务需求咨询支持，在项目落地阶段提供数据治理服务，在持续运营阶段提供国产化BI迁移培训等。
4.2. 咨询规划
咨询规划是企业实现业务数据驱动的第一步，重在业务梳理和流程优化，并在此基础上确定BI所需数据，可划分为业务需求梳理、数据分析指标体系梳理和明确报表开发需求三个环节。
业务需求应结合企业发展阶段、企业业绩目标、部门业绩目标而定，主要是确定BI建设的关键KPI指标。
关键KPI指标不应过多，否则会造成数据分析的精力分散、重点缺失。比如销售部门重点关注收入指标，运营部门重点关注成本指标，提升业务决策效率。
数据分析指标体系梳理阶段，需要确定KPI指标所需数据，需要由企业和BI厂商配合完成梳理。
主要是将KPI指标和具体数据对应起来，确定计算KPI指标需要抽取的数据。有些指标由多个数据计算得来，需要明确计算方式，为数据准备提供依据。
最后是明确报表开发需求，主要是明确用户对报表展示、指标排列、交付形式等方面的需求。比如，对于图表可视化、相关指标排列、移动端交付等方面的需求。
4.3. 项目落地
BI项目落地包括数据准备、数据治理、数据建模、报表开发、系统上线五个步骤。
其中，数据治理是核心步骤，因为数据治理决定数据分析结果的准确性，最终将影响业务决策。
数据治理由于耗时长、工作繁重，往往需要大量人工手动补录检查，且人工经验判断可能存在偏差，会影响最终数据分析的结果。为避免后期重复劳动，企业应建立完备的数据录入规范，确保各部门基于统一标准录入数据，减少后期数据治理工作量。
比如，针对数据治理常遇到的数据缺失问题，可在数据录入时应将必要字段设置为必填项;对于数据不统一问题，可将输入内容以选项的形式进行选择，确保数据录入的一致;对于数据错误问题，可以设置错误预警，降低数据错误出现频率。
4.4. 持续运营
衡量BI项目建设的成功与否，需要考察用户对系统的使用程度，用户对系统的长期使用与持续运营密不可分。
首先，降低BI使用门槛是提升用户使用率的重要因素。敏捷BI为用户自助式分析、建模提供便利，并支持在系统上进行二次开发，其出现大大降低了BI的使用门槛。
其次，BI厂商需要提供运营培训，引导用户使用习惯的转变，尤其是完成国产化BI替·换的企业。
第三，需要定期的系统运维，提升BI系统使用程度和效率。一方面，需要BI厂商提供定期的系统运维及服务支持，及时解决用户在使用中的问题，让BI产品在企业内部使用起来。另一方面，BI系统需要在数据归档、ETL性能、报表、系统稳定性等方面加强系统维护，以应对系统运行一段时间后，数据量增大、业务复杂度提升的情况。
最后，需要结合用户需求，对产品进行持续迭代更新。用户需求在不断变化，需要及时了解用户最新的需求反馈，在产品升级迭代中融入能满足用户新需求的功能，保证BI在企业业务经营决策中的长期使用价值。
05 典型行业BI最佳实践
BI应用的典型行业，金融、零售、制造、电力、政务、教育，由于应用成熟度、客户需求等因素不尽相同，各行业落地实践也存在明显差异，本章将逐一解析这几个行业的典型需求和BI实践案例。
5.1. 金融行业
金融行业BI应用成熟度领先，为金融机构建设BI项目需要注重数据价值挖掘。由于金融机构积累的交易记录、客户数据、资产数据大幅增长，传统报表系统数据分散、功能单一、界面交互性差、性能不佳，无法满足金融机构数据分析的需求，需要构建综合、全面、易用的BI数据分析平台。
对于BI应用，金融机构有以下几点需求：
赋能业务决策需求：金融行业数据基础设施情况较好，数据作为金融机构最重要的资产，有助于决策层和业务人员洞察客户需求、监控金融风险，释放数据价值将直接带来收益回报，因此，金融机构需要BI数据分析平台加深数据应用，赋能业务决策。
跨部门、跨职能的数据分析需求：金融机构普遍需要对客户、业务、营销、竞争等数据进行全方位分析，需要构建跨部门、跨职能的数据分析平台，对于全行及各分支机构的业务进行管理和追踪，行长驾驶舱成为行业标配。
固定报表需求：金融机构不同部门、 不同业务、不同分支机构需要构建各类报表，数目庞大但报表构建具有清晰的规则。过去业务人员利用Excel进行报表构建，过程繁琐耗时长，BI可以通过固定模板自动生成报表，并支持业务人员对报表进行手动调整，节约大量时间。
数据挖掘需求：金融行业整体信息化水平高，数据仓库、数据集市均已建成，对于数据分析、挖掘有更高的要求，比如借助机器学习，提供业务预测分析能力。
以中信银行为例，中信银行的全国客户数据和全辖机构客户各指标数据量非常大，需要建设BI平台提升数据分析效率，其核心需求如下：
全面了解各分行业务运营情况。省行长及支行长需要对综合经营分析、客户分析等指标进行对比及变化趋势分析，以全面了解整体业务运营状况。
提升数据分析效率。由于IT部门人手有限，系统需要快速上线，并通过合理权限控制移交给业务部门，使业务部门可以实现自助式分析，数据批量录入和填报。
针对中信银行的需求，永洪科技打造了“行长驾驶舱”系统，构建综合性分析、经营数据分析、客户结构分析、监控指标预警的数据分析指标体系。
通过建设“行长驾驶舱”，中信银行获得了以下收益：
优化数据分析效率，报表响应速度大幅提升。以往，业务人员需要手动对超过特定额度的客户做排名分析，并定位出有异常大额变动的客户，整个过程需要关联千万级数据表，数据量较大，服务器计算压力大，十几分钟才能出一张报表。项目成功上线后，新系统通过搭建分布式数据集市实现报表分析的提速，将报表响应速度提升到10秒以内，比过去快了50-60 倍。
数据分析灵活度高，减轻运营维护成本。业务人员可以实现自助式分析，并且任意分析需求可在一天内实现，减轻研发人员报表修改开发的负担，且成本开销仅为传统BI的1/4。
5.2. 零售行业
随着外部环境变化、行业竞争的加剧，零售行业普遍面临利润低的问题。如何降低成本、提升运营效率是零售行业重点关注的目标，行业整体步入精细化运营时代。因此，零售企业需要借助BI数据分析，发现产品研发、采购、营销、销售、运营等各环节的业务问题，提升企业内部经营管理效率，洞察新的增长机会。
具体而言，零售行业对于BI数据分析平台的需求包括以下几方面：
管理决策支持：以往决策层只能通过各部门上报业务系统数据或统计报表，在此基础上手动进行数据整合分析，数据分析过程繁琐耗时，且业务部门上报的数据可能存在瞒报、漏报的情况。因此，需要BI数据分析平台，为决策层提供管理决策支持，站在数据整合后的高度看问题。
业务数据支持：业务部门的数据分析需求存在变化，且有些为一次性需求，原来需要将新需求反馈给IT人员，由IT人员完成报表开发，需求响应周期较长，且对现有报表进行改动的成本高。因此，需要BI数据分析平台，为业务人员提供数据支持，满足业务人员的自助式分析需求。
海量数据响应：随着业务系统的增多，数据量不断增长，原有系统已无法满足对于海量数据的处理要求。因此，需要BI数据分析平台，实现对大规模数据的并行处理，支持海量数据的快速响应。
以宠物食品企业乖宝集团为例，乖宝集团在数字化转型过程中，面临海量数据、数据不匹配的问题，且存在数据烟囱，需要建设数据分析平台，对数据进行汇总分析，为业务决策提供支撑。
对此，永洪科技为乖宝集团搭建数据分析平台，赋能业务决策。
比如，在产品研发指导上，通过从线上渠道获取销售产品、策略、活动、评价等数据，并针对竞品企业的产品数据、销售情况、评价内容等方面进行分析，为企划部门的产品研发提供指导。
通过建设数据分析平台，乖宝集团获得了以下收益：
降低报表开发成本。过去，乖宝集团的报表通过技术进行底层代码编写完成，成本相对较高。永洪科技提供的产品只需要了解简单的SQL语句、报表逻辑和业务逻辑，即可完成报表开发。
提升业务迭代效率。基于运营和业务分析模型搭建预警系统，根据业绩指标上下限，提升业务迭代效率，且数据更新频率从过去以月为单位，提升为以天、小时为单位更新。
5.3. 制造行业
中国作为传统制造业大国，在全球产业链分工中扮演了重要的角色。为了进一步巩固中国制造的优势，实现制造产业的创新升级，国务院发布《中国制造2025》战略文件，旨在实现中国向制造强国的转型。其中，发展智能制造是中国从传统制造向中高端制造转型的核心战略目标。
智能制造的核心是数字化、网络化和智能化，需要充分利用数据，全面洞悉生产过程，保证订单按时生产，发现生产过程中的问题并及时解决，优化生产效率。
在智能制造时代，制造企业需要建设数据分析平台，通过数据分析实现对生产制造全流程的监控，优化运营效率、降低生产成本，提升制造企业的竞争力。
具体而言，制造行业面临以下挑战：
数据基础设施情况薄弱：制造企业仍然存在以手工记录数据的情况，数据基础较薄弱，缺乏数据管理机制，数据质量参差不齐，存在数据不统一、缺失，甚至存在数据上报不准确、瞒报等问题，难以为数据分析应用提供支撑。
数据孤岛严重：制造企业有MES、MRP、ERP等众多系统，但系统间未打通整合，数据无法实现整合联通，导致产销存等各环节无法协同工作，大量数据储存在业务系统中，未释放数据的价值。
数据分析形式固化：目前制造企业的数据分析采用传统的固定报表形式，形式单一，分析维度少，对分析需求的响应周期长，无法满足不同层级用户对于数据分析的需求。
因此，制造行业需要构建BI数据分析平台，对各业务系统数据进行整合，消除数据孤岛，释放数据价值，并提供多样的图表展示模板，提供数据填报功能，实现数据驱动的精细化管理。
产品生产制造不同环节，制造行业对于BI的需求有所差异：
在产品设计阶段，通过对用户数据、竞品数据、舆论数据进行分析，洞察用户需求、产品使用反馈等，为用户量身定制符合其需求的产品，满足小规模定制化生产需求。
在生产制造阶段，需要对生产过程数据进行监控，包括产品质量、产品成本、生产时间、产能利用等指标，对生产异常及时预警，保证生产成本、质量、交期在可控范围。
在物流配送阶段，通过数据分析实时监控物流配送、库存情况，优化物流配送效率。
在运营维护阶段，通过采集传感器数据，及时发现设备故障等问题，实现高效的产品运营维护。
在维修阶段，结合设备数据分析设备故障原因，制定合理的维修计划，延长设备使用周期。
实践中，格力物流管理部为整合各分厂间的物料配送管理、取代原有手工记录数据方式，需要对物料准备过程进行监控，优化物料准备、检查的全流程效率。
针对格力物流管理部的需求，永洪科技提供了以下解决方案：
建设BI数据分析平台，对物料配送全过程进行监控管理。通过采集物料配送过程中的库存数据、拣选备料数据、配送执行数据、分厂接收数据、点检数据等，实现从订单下达、物料点检，到上线生产的全过程信息化管理。
具体应用场景包括：
首先，对于物料配送的物流分析上，实现对业务运转情况、库存仓位物料比例及存量的实时监控，在出现问题后及时预警、快速补货。
第二，对于运营效率的监控上，实现对订单数量完成比例、拣选进度、订单齐套数量及比例的监控，并对生产车间里各生产机组的生产效率、下线比例进行实时监控，及时发现并解决生产运营问题。
第三，对于生产线的监控上，如对于物料齐套检查，可以实时展现检查结果，并根据需求调整检查指标体系。
第四，在质量控制上，实现对生产过程和质量管理的分析预测，降低生产线残次率。
通过上线BI数据分析平台，格力物流管理部获得了以下收益：
节省开销，优化流程管控效率。BI平台提供数据填报功能，减少物料准备、检查过程中的纸质单据，节省开支，提升管控效率。
提升物料生产配送的系统运行效率。对物料准备、生产、配送的全过程进行监控，及时发现生产配送过程中的异常，降低生产异常核查处理时间。
5.4. 电力行业
电力行业整个生产过程，包括发电、输电、变电、配电、用电及调度等环节，运行过程中会产生海量的数据。通过对这些数据进一步的分析、挖掘，电网企业可以更好地满足用户的用电需求、降低故障维护成本等。
具体而言，电力行业需要BI数据分析平台解决以下问题：
数据孤岛严重：电力企业有财务、MRP、ERP等众多业务系统，但系统间数据未打通融合，存在数据孤岛，企业无法以统一的视角获取业务数据全貌，未能真正释放数据价值。
缺乏数据管理机制：电力企业以国企居多，从总部到下属单位建有完善的信息化系统，但缺乏数据管理机制，数据质量较差，存在数据不一致等问题，给数据治理、数据应用带来不便。
数据分析应用深度不足：目前电力企业的数据分析停留在固定报表阶段，且数据可视化展示图形单一，数据分析应用深度不足，无法满足业务人员交互式分析需求。
降低开发成本，提升数据分析效率：传统的数据平台项目建设成本高、周期长、见效慢，不符合电力企业的需求。电力企业需要一款轻便、易操作的数据分析平台，业务人员可以进行自助式、探索式分析，通过简单拖拽完成业务数据分析，提升数据分析效率，快速输出数据分析平台建设成果。
以下为电力行业对数据分析平台的业务场景需求：
电力行业数据分析场景覆盖电网设备管理、电网运行管理、检修管理、供热管理等，通过数据分析对电网运行情况进行监控，对异常问题快速预警，提升电力系统运行能力。
以国家电网为例，其下属运营监测中心，需要对从电能生产、客户购电，到电能销售、电力传输，再到企事业单位用电、电力设备故障等环节业务数据进行分析监测。
对此，永洪科技为国家电网打造了“运监业务主题库”，具体解决方案如下：
首先，在问题识别上，通过对业扩工单流程终止原因进行归类统计，得到流程终止原因与地域分布的关联关系，并同电网GIS地理信息进行比对，发现问题深层原因，采取适当的解决方案，完成配网改造。
其次，在风险管控上，“运监业务主题库”通过对浙江某地区数十万客户的档案信息、用电行为、缴费行为、违约行为、客服记录等多个维度数千万条数据进行分析，通过机器学习，识别并构建客户欠费行为与客户特征、客户行为、行业趋势的关联关系，实现对当地大客户欠费概率的预测，对可能欠费风险进行提前预防。
另外，在辅助决策上，通过数据匹配关联， 建立配网投资评价模型，并将服务热线工单、设备状态、项目投资等数据以热力图形式在配网GIS地理信息图上进行展示，实现区域电力资源和运行状态的可视化，帮助投资决策者发现配网的薄弱点，为配网建设投资决策提供参考。
通过构建“运监业务主题库”，运营监测中心获得了以下收益：
构建应用场景丰富的数据分析主题库，实现对从发电、购电、用电等环节的监测。通过数据分析识别电力运行中的问题，对电费欠费等风险及时预警，辅助业务决策。
5.5. 政务行业
“运用大数据提升国家治理现代水平”是中国政务数字化的重要举措，要求各级政府部门建立健全大数据辅助科学决策和社会治理的机制，推进政府管理和社会治理模式创新。
BI数据分析平台的建立，能够解决政府部门间数据孤岛问题，对各部门数据进行关联整合，实现数据开放共享。
具体而言，政务行业面临以下问题：
数据孤岛严重：随着政务信息化的推进，政务服务、社会民生、应急安全等各部门逐渐完善信息化系统建设，但各部门系统间相互孤立，存在数据孤岛问题，缺乏统一的平台对数据进行关联整合，无法展现业务数据的全貌。
监管决策支撑不足：决策层需要从数据整合的高度看问题，且不同部门不同层级人员对于数据分析的需求差异大，现有的报表分析无法集中展现数据情况，难以支撑管理决策需求。
针对数据孤岛问题，永洪科技为国务院下属科技部搭建数据交换系统，解决系统间数据标准不统一的问题，实现系统数据的交换融合，为后续经费管理信息平台的建设奠定基础，并最终实现经费管理信息共享。
其中，数据交换管理系统包括数据描述管理，数据清洗、转换、装载，数据服务总线三个模块。
数据描述管理模块集中管理元数据，包括各系统对数据的组织描述以及数据文件内容与数据库的对应关系描述。
数据清洗、转换、装载模块根据数据描述管理模块中的描述内容，接收外部应用的数据文件清洗转换并加载到内部数据库。
数据服务总线模块集中管理平台各个应用数据交互接口的注册、发布，并提供各类数据交换服务。
通过建设数据交换管理系统，科技部获得了以下收益：
实现系统间数据共享、统一管理。通过建设数据交换管理系统，实现对各系统信息交互的统一管理，并对各系统数据交换过程中的数据进行存储、格式转换和数据稽核，避免每上线一个子系统需要分散建立数据库而带来的管理混乱。
为建立科技经费管理信息平台奠定基础。通过建立平台数据交换系统，简化数据交换管理流程，规范数据标准，便于在此基础上按主题进行分析，实现对科技经费的信息化管理。
5.6. 教育行业
国务院发布《促进大数据发展行动纲要》，明确提出建设教育文化大数据。此外，教育部对双一流大学、双一流学科建设有相应的评价指标体系，需要高校根据指标体系梳理数据，而高校在过往信息化建设中，各系统都是单独开发、独立运行，存在数据孤岛问题，无法实现数据共享，需要打通融合系统数据，对于高校的数据汇总、统计、分析提出了新要求。
比如，在疫情期间中国人民警察大学开展了在线课堂授课方式，但面临以下问题：
在线教学系统与教务系统数据未打通，需要大量的人工维护。师生在多个平台上课，有很多基础数据需要教师自行维护。比如，学生的成绩记录需要教师手工进行录入等。
数据分析响应不及时，加大教学管理工作难度。由于在线教学系统与教务系统对接不充分，师生无法看到及时精准的在线教学数据，各级管理人员、教学督导专家只能停留在浏览和查看平台数据层面，无法实时了解在线教学的真实状况，为管理和督导工作增加了难度。
针对以上问题，中国人民警察大学与永洪科技合作，打造了“1+N数据业务系统”。“1”即建立通用BI大数据平台，整合教育教学的所有业务系统;“N”为基于大数据平台，与岗位业务匹配的N个数据应用。
“1+N数据业务系统”的建设可实现以下收益：
首先，是实现业务数据的融合。通过打通教务系统、测评系统、考试系统、在线学习系统、实验系统、训练系统和资源系统等相关数据，实现业务系统数据的融合，并由教务系统进行统一管理。
第二，促进教育教学精细化管理。通过数据分析和监测，教师、辅导员可以在发现学生的问题后，提前介入，避免不好的结果发生。另外，学校管理人员可以通过数据平台，实时掌握教学开展的数据指标，如到课率、学生评测、教室和实验室的利用率等，实现精细化教育教学管理。
06 BI未来趋势展望
展望未来，随着BI成为企业实现数据驱动的标配，BI的应用将不断走向成熟。在这个过程中，BI在技术、产品和模式上将呈现新的发展趋势。
6.1. BI与AI融合，实现智能业务决策
BI经过多年的发展，经历了传统BI、敏捷BI两个主要阶段，未来将迈入智能BI阶段。
智能BI的显著特征是BI和AI融合，一方面是通过应用机器学习等算法增强BI的分析和预测功能，如在向业务人员提供分析结果的基础上延伸到智能决策;另一方面，是结合NLP、智能语音等技术实现自然语言查询等BI智能交互，降低BI使用门槛。
其中，面向业务的智能决策是核心，将进一步放大BI的业务价值。比如，在金融行业风险监测场景下，AI算法可以利用时间序列数据、用户行为数据等，更精准地预测广泛人群的金融风险。在精准营销场景下，结合机器学习算法，可以基于用户行为更精准地提供有针对性的营销策略。
BI与AI融合，将加深数据驱动业务决策的价值，改变业务决策流程。比如，在采购场景中，依靠BI对数据分析，仅可以得到已发生的采购数据，采购商品、价格、数量、采购供应商等，采购人员需要根据已有数据，结合个人经验，做出相应的采购决策。结合AI的BI，可以更加准确、及时地预测出未来的库存情况，何时需要补货，从哪家供应商进货，给出合理的采购数量、价格建议等，改变业务决策流程。
尽管关于BI和AI融合的探讨已久并已经落地了一些应用，但整体仍处于初级阶段，主要受制于数据和ROI两方面。
数据方面，BI和AI的应用都对企业数据质量提出了很高的要求，尤其是机器学习算法的模型训练对数据质量的依赖更为直接。例如，由于数据基础的差异，基于同样算法的销量预测模型在服装行业的预测准确率达60-70%，在能源化工行业有可能达到90%。
实际应用中，企业数据质量的提升是一个长期的系统性工作，一方面应该尽快推进数据治理、数据中台建设等工作，实现数据质量的长效提升;另一方面，可以选择从数据质量基础较好的特定业务场景出发，探索BI+AI的应用。
ROI方面，BI+AI的落地仍有较高的技术门槛，同时意味着较高的投入，如果企业对于业务应用价值缺乏明确的预期或强烈需求，将导致ROI不明确，从而限制相关投入。例如，现阶段自然语言查询对于大部分企业而言并非刚性需求。在需求明确的前提下，部分企业已经开始通过构建自主的机器学习平台等AI基础设施来支撑智能化应用，通过资源复用和降低开发门槛，来降低智能分析技术的总体应用成本。
尽管AI不一定能完全取代人工经验，但可以拓宽个人经验的能力边界，提升决策效率，而随着数据不断增多，预测准确度将逐渐提升，AI的优势将更加突出。随着企业对BI应用的加深，BI对企业的价值将从数据可视化展现，升级为对现有业务的数据分析，并进一步演化为对未来业务的预测分析，真正实现智能业务决策。
6.2. 加强数据实时处理能力，交互式、协同BI是趋势
从产品功能上，传统BI对技术人员依赖重，系统搭建、建模过程均需要技术人员完成，对海量数据计算与动态业务的支持不足，敏捷BI更加适应业务人员自助建模需求，能够实现系统快速部署、数据源集成、高性能计算、探索式分析等。
未来，BI需要进一步加强数据实时处理能力。以往的BI分析，大多建立在离线分析的基础上，将分析的数据以定期更新的方式导入数据仓库中，分析结果无法反映实时趋势。此外，企业每天的交易、营销、生产、物流等会产生大量数据，对于数据的实时分析能力要求高。以零售企业为例，零售企业商品SKU数量多，通常在全国有几百家的门店规模，每天单店单品库存数据量就达到上千万。因此，BI产品性能也需要跟上企业数据增长的速度，保证用户在亿级、十亿级数据量下可以实现数据的动态查询和分析。
在实践中，永洪科技一站式BI分析平台，利用MPP数据加速引擎，根据用户访问数据的习惯，自动筛选用户经常访问的数据、汇总数据等放入MPP引擎中，释放不常用的明细数据等，提升数据访问速度，自动维持用户的最高内存使用效率，并利用列存储和内存计算，实现对千万级到百亿级数据分析的秒级响应，既保证了用户数据查询和分析的效率，也降低了海量数据对内存的占用。
此外，除了增强数据的实时处理能力外，未来的智能BI应具备协同分析、交互式分析的能力。企业中除了各部门自主进行业务决策外，集团层面的决策往往需要跨部门协作，比如生产部门需要根据商品部门的商品计划进行智能排产、商品部门的选品计划将影响采购部门对商品的补货决策、销售部门的实际购买转化率将用来评估市场部门的营销效果等。在加强业务人员协作效率上，可将BI系统和协作工具进行集成，增加实时评论、在线会议等功能，实现跨部门的业务协作。
另外，由智能问答技术支撑的智能交互将成为新的BI表现形式。利用自然语言理解进行自然语句查询、利用知识图谱实现业务预警、利用专家系统提供业务咨询将成为BI新的发展方向。
6.3. 数据应用平民化，一站式桌面分析软件需求增加
一方面，随着敏捷BI技术的成熟，大大降低了BI等数据分析工具的使用门槛，数据分析不再是业务部门和IT部门共同配合才能完成的工作，越来越多的业务部门借助敏捷BI等数据分析工具，能够实现自助式分析，使得数据分析、数据应用变得平民化。
另一方面，数字化转型涉及到整个公司的各个业务链条，数据驱动业务增长是数字化转型的重要实践方式，从企业“一把手”到各个业务部门都有强烈的需求和动力实现数据驱动业务增长，对数据分析和数据应用的需求越来越强烈。
在技术和需求双轮驱动下，企业对一站式桌面分析软件的需求持续增长，包括永洪科技在内的多家厂商都推出了桌面智能数据分析工具，在销售分析、渠道分析、营销分析、财务分析等场景发挥重要价值，进一步推动数据应用平民化趋势。
6.4. 建设开放生态，满足企业无处不在的BI需求
随着企业数字化转型的深入推进，数据驱动的分析决策场景将无处不在，BI将在各个行业和业务场景落地。
企业的需求不仅仅是成熟、易用的BI技术和工具，还需要结合对垂直业务场景的理解构建分析指标和模型，以实现BI应用价值的最大化。此外，从技术架构上来看，BI的应用涉及从数据接入、数据存储与计算、数据治理、数据分析与挖掘、数据展现的全链条，需要与企业IT基础设施和各个业务系统深度融合。
上述需求，要求BI厂商建设开放的生态，在产品和技术等方面与其他IT基础设施和业务应用厂商紧密合作，保证开放性和拓展性，以生态的力量更好地服务企业。
同时，BI厂商也可以通过构建开放的生态体系拓展销售渠道，以标准产品“被集成”的模式，更高效地覆盖各行业和业务场景的BI需求，加速业务拓展;另一方面，也可以集成其他厂商能力，为企业提供整体解决方案，提升产品服务能力。
在生态体系建设上，永洪科技已与华为、腾讯、用友、蓝凌等1000+合作伙伴达成合作，比如永洪BI作为腾讯唯一BI合作产品，华为云严选商城自营首家BI产品，综合各自的能力优势为企业提供解决方案。同时，永洪科技还与蓝凌等OA软件厂商合作，将BI软件嵌入OA系统中，提供OA系统数据分析。通过提供开放的平台，支持合作伙伴在永洪科技的产品之上开发扩展性应用插件，顺应企业系统融合需求，实现合作共赢。
关注【永洪科技服务号】回复关键词【白皮书】即可获取电子版!
