全球BI发展史：落后十年中国如何通过BI实现企业决策智能化？

BI简单说来即通过数据原材料和相关分析技术，产生知识/信息/判断，应用于企业经营管理决策。本文主要讲述中国是如何通过BI应用企业经营管理决策的。

BI (Business Intelligence商业智能)的概念，是由全球最专业权威的IT研究咨询公司Gartner Group在1996年首次提出，定义为一类由数据仓库(或数据集市)、查询报表、 数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。

简单说来就是：即通过数据原材料和相关分析技术，产生知识/信息/判断，应用于企业经营管理决策。

在商业智能发展初期，报表是企业最大的痛点和需求。因为当时只有具备专业技术的IT人才会使用工具，大多数业务人员无法使用数据。特别是财务人员每天将大量的时间花在不同报表的数据导入上，往往需要耗费大量的时间精力。导致数据分析的速度，远远赶不上业务发展的速度，无法对决策提供及时有效的支持。

海外BI发展史

1、在全球范围内，第一批BI工具厂商在20世纪80、90年代诞生于欧美市场，并于2000年前后初步在全球形成一定规模。

比如：美国的MicroStrategy、Microsoft SQL Server、Hyperio、Salesforce，法国BusinessObjects，加拿大Cognos和Crystal Reports、Siebel Analytic，瑞典Qlikview等行业领军者。

2、第二阶段，自助式可视化商业智能阶段。进入21世纪，Facebook、YouTube、Twitter和苹果手机、安卓应用的落地，为BI创造了海量数据的温床。

3、后期，BI厂商开始分化为两类。一类是综合性BI服务商，主要是IBM、Oracle 、SAP和Microsoft。另一类是独立的专业厂商，代表是Qlik、MicroStrategy和Tableau。

值得一提的是：

Qlikview和Tableau两大自助式BI产品快速崛起，逐渐抢占了传统BI三巨头的市场份额。自助式BI（也被称为敏捷式BI）主要是侧重于业务端，帮助不具备IT背景的业务人员，通过直接拖拽等方便的形式，不用编写代码，可以对接导入多个数据源，一键形成复杂图形和视图，响应业务端的迅速决策需求。

从2010年开始，全球商业智能领域的年度变化，都可以在Gartner历年发布的《全球商业智能和分析平台魔力象限》中找到。对比2009年和2021年的象限图，从中我们可以看到，除了Tableau、Microsoft、Qlik三大应用，其它企业都没能长久地保持住领导者地位，比如IBM、甲骨文和SAP三大传统巨头，还有短暂冲进领导者的SAS、Information Builders、Tibco software和ThoughtSpot。

Power BI Desktop正式版

中国BI发展史

2000年——2012年

中国本土的商业智能萌芽于世纪之交。代表性的企业包括重庆，广州菲奈特、用友华表、北京润乾、南京帆软、珠海奥威、重庆宏信、亿信华辰等。这些品牌初期主要面向政府和大型企业，提供标准化的报表式Report 服务。

2012年——2015年

2013年开始，移动互联网应用带来中国C端市场消费大数据爆炸，将B端业务场景和C端用户数据之间连接起来。在日益成熟的数字化营销工具应用中，在流量、资本、市场、人才等多重要素驱动下，国产商业智能赛道迎来了第一轮行业洗牌。

从这一阶段开始中国商业智能的发展逐渐与全球发展趋势一致，都以可视化+自助化BI作为两大方向。同时，因为厂商更广泛的市场营销，中国中小型企业也开始对BI有了更加广泛和深入的认知。

2016年至2020年

2016年，中国BI 发展进入第三阶段——智能化阶段。在这一阶段，中国 ABC（Artificial Intelligence、Big Data、Cloud）技术爆发，对商业智能领域是重大利好。自然语言、机器学习和人工智能技术，进一步提升了BI的算力。因为云计算，企业开始将自身数据资产迁移到云端，大大降低了BI部署的成本。金融、电力、制造、消费、教育、政务等行业的大数据积累到了一定的量级，在质量和时效性（实时性）上进一步提升。

2020年疫情之后

天时地利人和，推动BI开始真正意义上助力企业智能决策，开始与一线业务场景深度结合，真正体现“数据驱动业务增长和创新”的业务价值。在使用人群上，BI不仅可以辅助管理层做好重大决策，各层级部门的业务人员可以通过移动端实现数据查询和分析功能，可以在任意时间/地点/层级随时赋能更加微观的业务决策，自助式商业智能需求稳步增长。

商业智能的常见应用场景：

一、生产质量分析，提高企业生产良率

质检是对已经生产出来的产品的质量检测，一方面可以保障企业能够对外提供合格产品，另一方面也能通过质检反映生产过程的疏漏。质检出的残次品无论多少对企业都是损失，如果能够在产品产出之前就通过产线状态及相关生产数据分析预测出产品质量，并将生产流程调整为最佳产出状态以避免残次品，这就是质量预测。

二、从被动式到主动式维修，设备故障预测

在制造企业中，机器往往是超负荷状态运行，任何工作中断都可能导致螺旋式上升的损失。大部分企业大部分公司采用的解决停机问题的最佳方案只不过是等故障发生后再解决的方式。通过整合大数据分析，能为不太容易解决的情况提供情报预警。通过大数据关联分析，能够洞察哪些机器容易发生故障，从而帮您由被动停机维修，改为主动式维修。

三、更好地产品需求预测，精准营销解决方案

需求预测很重要，因为它们能够指导生产链，如果预测失误，可能产生“一边是强劲的销售量”，而“另一边却是工厂缺乏大量的相应配件库存，无法满足需求”。制造商可以将现有数据与预测分析相结合，以更精确地预测购买趋势。这些预测性见解不仅基于先前的销售，还基于流程以及生产线的运行状况，从而可以更明智地进行风险管理并减少生产浪费。

大数据，一直致力于将复杂的数据转为清晰的见解，通过端到端的方案，将更好的满足企业定制化生产的需求，提高企业运营效率。

如果您的企业也有生产质量分析、设备故障预测、工业大数据分析、能耗异常分析等需求，欢迎拨打热线或在线咨询，为您免费提供大数据相关业务咨询！

标签：

来源：慧都