去年年底国际BI巨头Tableau宣布退出中国市场，将业务打包整合到Salesforce与阿里巴巴的合作关系中。从最近几年技术发展趋势来看，BI似有日薄西山之势，BI这门生意还好做吗？
关于BI的一个普遍质疑是商业智能到底如何产生价值，为什么最后企业IT 部门或者业务部门完全沦为了做报表，能体现的价值只是节省了我们做报表的工作量，仅此而已。
高度依赖系统、知识与环境，更多的问题而非答案
传统BI关心的是数据漂不漂亮，展现的形式是不是让人喜欢，门槛够不够低，对业务的价值反馈周期比较长。
数睿数据总裁刘超对当前BI行业“工具负责好看、工作靠人来干、知识难以沉淀”的问题进行了总结分析，大致归纳为“三个依赖”：对系统的依赖、对知识的依赖、对环境的依赖。
目前BI分析的数据大多数来源于各类业务系统，使用这些数据的时候会遇到很多质量、安全、标准等方面的问题。问题出自于机器，但却需要靠人去治理，这既不合理也产生了很多不必要的工作量，因此下一代BI应该让机器做机器该做的事，让人做人该做的事。
其次，是对知识的依赖。人类社会发展到今天，各个学科、行业都积累了自己的知识，这些知识如果运用到数据分析中，需要事先积累、吸收、融汇贯通，需要付出大量的努力。能不能让工具代替人去消化这些知识，降低知识运用的门槛，是第二个问题。
最后，是对环境的依赖。我们相信数据积累到一定规模，结合企业的知识历史数据，就能实现智能化的知识共享。但是运用知识的环境是纷繁复杂的，如何让基于一个系统分析形成的知识能够快速分享到另一个系统中产生价值，如果知识嵌入到别的业务系统依旧需要做集成，本质上还是没有摆脱大量的技术性工作。只有解决知识传播受阻的这个问题，企业才真正具备动态学习和积累的能力。
业界认为，按照“DIKW”模型理论，BI不能停留在数据阶段，做统计与可视化，而要专注于把数据转变为知识。下一代BI与人的关系，应该是BI工具去数据中总结知识，人把知识和业务结合，产出智慧，创造价值。
下一代BI的隐形巨擘：增强分析与机器学习算法
随着商业环境的变化，数据分析的维度和用户使用习惯的要求也在不断升级，面向下一个十年的BI该如何设计？笔者认为好的能力是“当用户感知不到时，就是它无处不在的时候”，就是说它工作的时候你不会感知到它，当它不工作了，你才会强烈地感到不适。
目前包括nextionBI在内的一些国产BI已经后起而直追，很多功能组件里都封装了AI 算法，在看不到的地方，有更多的自动化和智能化。比如数据分析模型提供了时序分析、预测、分类、聚类这些通用算法，用户过去想做一些预测或分类，都需要机器学习的一些模型训练，现在用户只需要开箱即用，很快的一键操作就可以完成三维/时序/图谱等分析。
数据分析仪的另一大亮点是基于NLG（自然语言生成）的智能数据解读，解读也是自然语言式的，让枯燥乏味的数据自动说人话，对于数据不敏感人群可以提供友好的数据解读辅助。当数据量和维度都比较繁多的时候，智能数据解读可以快速告诉你数据的分布是什么样的，有哪些特征，特征之间是否有隐形关联？关联程度怎么样？整体数据分布是否有空值？
商业智能的表象是可视化分析报表的呈现，但它的本质还是业务问题、管理问题。增强分析就是尽量减少数据工程师的工作，释放数据分析师的能力，让机器替代开发者去完成很多事情。
从数据到知识的迁移，促进下一个十年BI的进化
“十年后回头看，现在做的都不能算BI”，这是出自nextionBI发布会现场的原话。**
口气不小，如何实现？刘超将nextionBI的关键能力总结为：数据融合、增强分析、敏捷易用。从技术而言，似乎有旧词新说的嫌疑，相同的概念也需要看面向什么谈，面向数据和面向知识有着本质的不同。
如果只是面向数据，数据融合可能做的是对更大数据量的支持，增强分析多做了几种统计函数，敏捷易用则是提供了API文档和详实的用户引导。但如果是面向知识，数据融合需要关注对更多数据维度、种类的覆盖能力，结合相关性分析为维度选择提供指导；增强分析需要同时具备显性知识识别和隐性知识挖掘两种能力，将技术能力与场景结合；敏捷易用需要深入工业物联、数字孪生中去，与跨行业的数字化应用相互集成配合。
从面向数据迁移到面向知识，越往上离业务侧越近，不让数据成为包袱，让业务人员更专注于业务本身。笔者相信数字化一定是由离业务最近的人来实现的，某种程度上说，数字化转型是对人的要求，如果人人都有数字化创新的能力，这个公司就是拥有强大数字创新能力的公司。
知识的积累、发现与传播可以帮助我们看到更完整的世界，先相信你看不见的世界。nextionBI是否会人如其名，成为下一代国产BI神器我们无从得知，但我们更愿意相信相信的力量，相信我们看不到的世界，相信一场奔赴数字创新蓝海的理念、方法论、工具平台已经展开全图景。