商业智能（BI）作为一个历史悠久的技术领域，其核心在于基于OLAP的数据自助式分析和可视化呈现。
随着移动互联网时代的到来，从互联网上采集到的数据呈现爆炸式增长，促使了大数据相关技术的迅速成熟。同时，海量的数据源为AI领域中的机器学习算法提供了大量可供学习的数据样本，基于机器学习的预测性分析正成为商业智能下一步的一个重要发展方向。
可以说，商业智能正在从传统的数据采集、数据检测，向着基于AI的数据洞察、智能决策等“数据智能”方向不断演进。因此，能否成功把握“商业智能”到“数据智能”的转型契机，将成为传统的BI公司在商业上能否更进一步的关键因素。
一、历经曲折发展形成BI标准产品体系和两大战略
2011 年，曾在金融IT领域占据半壁江山，并一度在纽交所上市的东南融通因故退市解散，当时在东南融通从事BI产品研发的吴华夫带领原有的技术骨干独立出来，成立了思迈特软件（Smartbi）。
从成立以来，Smartbi经历国资控股、MBO独立发展，增长速度一直保持稳定，并继续深耕金融领域，服务于众多大型全国性银行，致力于为客户提供包括数据处理、分析和可视化等商业智能（BI）服务。
目前，Smartbi的标准化产品有三种，包括企业报表平台、自助分析平台、数据挖掘平台。
企业报表平台Insight是一个借助Excel的插件设计企业WEB报表的工具软件。针对企业中普遍存在的报表制作的需求，允许用户在Excel中进数据准备、样式设计、数据计算、数据可视化、互动逻辑、共享发布等操作，融合了Excel和传统报表软件的双重优势，提高了报表制作的效率和能力。
自助分析平台Eagle为企业中的业务人员提供自助式的数据分析工具，将IT人员从繁琐的对业务人员分析需求的技术响应中解放了出来，通过数据查询、OLAP分析、可视化探索等核心能力，缩短了业务人员提出需求到得出分析结果之间的时间周期。
数据挖掘平台Mining针对企业中的数据科学家、业务分析师、行业咨询师等职能人员的预测性分析需求，将机器学习算法与BI相结合，提供了流式建模、拖拽式操作的可视化建模界面。 立足于BI产品的核心能力，Smartbi目前服务的客户类型涵盖银行、保险、证券、基金、信托、互金等泛金融领域，能源、制造、通信、零售、地产、运输、科技等实体经济领域，以及各级政府、高校，主要应用场景涵盖销售、财务、生产、运营等各个业务部门。
二、技术能力出色 轻量化方案实现 异构数据源汇集
在BI工具诞生前，业务人员要按照某些维度来分析数据，完全依赖于IT人员的支持。针对业务人员提出的分析需求，IT人员的支持方式一般是是通过SQL语句从源数据库中将分析结果导出，或者是由IT人员开发一套供业务人员使用的后台页面。但是在这些方式下，多数据源的情况难以被有效应对，同时业务人员对需求的频繁变更会带来大量的沟通成本，加重了IT人员的负担。
因此，“自助式分析”的概念应运而生，它主要解决的问题就是如何让业务人员在离开IT人员支持的情况下，依然能够随心所欲地在自己设定的维度上进行分析，从而拿到自己需要的数据。
自助式分析的核心技术是联机分析处理（OLAP），它要求实施人员基于多个数据源为用户构建一个集中式的、关系型的的多维数据模型。用户基于多维数据模型，可以实现自由的切片、切块、钻取和旋转，无需直接接触数据源就能实现数据准备、数据查询和数据探索等操作。
在企业的实际IT架构中，往往会存在OA、ERP、CRM等多个数据互相独立的业务系统。金融领域客户一般会建设数据仓库来实现数据的汇集，因此BI自助分析平台的构建可以直接搭建在数据仓库之上。但是，更多的客户则没有建设数据仓库，但他们仍然希望对分散、异构的数据库进行自助式分析。面对这种情况，一些BI厂商的策略是亲自为客户搭建一套数据仓库或数据中台，在这个基础上再去搭建BI系统。
与这些厂商的策略不同，Smartbi的自助分析平台Eagle的解决方案是轻量化的，可以支持外建的多维数据库，也内置了SmartbiMPP、Vertica等多种类型的分布式大规模并行处理数据库接口，并通过ETL过程将来自OA、ERP、CRM等多个业务系统的数据进行统一汇集。同时，Eagle还可以构建语义层，使得业务人员无需直接接触表名、字段名以及它们之间的复杂关系，而是直接面对自己所熟悉的业务术语和指标名称。
这样，多个异构数据源的底层存储逻辑都被Eagle所展现的语义层逻辑所屏蔽，业务人员可以通过托拉拽等可视化操作，在Eagle中实现全自助式的数据集准备、数据查询、数据探索（交叉汇总、自由钻取）和仪表盘制作。
从选择轻量化解决方案实现对异构数据源的汇集，到AI赋能自助数据探索与预测性分析，Smartbi从始至终的理念是降低BI产品的使用门槛，以能够让基础设施建设不够完善的企业、技术能力不够强的业务人员也能够以低成本来进行自助式分析，表现出了较强的技术和产品能力。
三、ISV生态合作破解 BI项目实施难题 场景理解力强
与普通IT系统，尤其是SaaS产品相比，BI工具的一大特征就是项目制的交付方式，实施周期较长，这其中的原因是多方面的。
首先，并非所有客户都像银行那样有完善的数据仓库，BI项目往往要直接面对多个业务系统的数据源，这些数据源的结构千差万别，数据质量也参差不齐，往往还会出现“脏数据”。
其次，在不同行业中，存在大量的行业know-how（一般指不同行业的业务知识、技术诀窍），使得客户需求的数据模型也会存在很大差别。
另外，在BI项目推进过程中，客户的需求往往并非在开始阶段就十分明确，而是会在项目推进过程中根据进展而发生变化。因此，实施人员与客户之间必须进行大量且反复的沟通，才能完全确定其最终期望的数据模型。
因此，实施人员在数据集市建造、ETL构建等阶段，面临着大量不可控因素，这都使得BI工具的交付过程天然就是难以标准化的。面对BI项目重人力、长周期的现状，不同的BI厂商选择了不同的项目策略，部分BI厂商选择扩大实施团队规模，直接服务于最终客户。
但Smartbi选择的策略是深度依靠ISV生态合作伙伴，将自己的标准化产品交付给ISV，由ISV负责BI项目的具体实施。这样的方式一方面会降低人力成本，但在另一方面，由于BI项目对实施人员的要求很高，如果Smartbi无法对实施过程实现有效掌控，那么项目效果就难以保证。
为了解决资源占用与实施质量之间的矛盾，Smartbi提出了“BI+行业”的战略，通过对客户场景的深入理解，为不同的行业场景定制不同的行业模板。
在金融领域，由于基础设施建设相对成熟，行业模板很容易来提炼，大量成熟的模板也已经被积累下来。但在零售、制造业等领域，行业模板的积累仍然是欠缺的。针对这种现状，Smartbi目前的策略是引导行业ISV按照给出的模板格式，在项目实施过程中与Smartbi来共同积累和完善行业模板。
有了行业模板之后，Smartbi和ISV在遇到同行业客户的时候，就可以将来自异构数据源的数据直接对接到模板中，只需额外在模板基础上定制少部分特性就能完成数据模型构建，在一定程度上实现了实施流程的标准化。
通过与ISV在行业模板标准化上的深度合作，Smartbi的客户服务周期缩短，这也就意味着Smartbi能够依靠一支较为精干的实施团队服务于更多客户，规模化效应也将逐步体现。
免费申请试用