數睿數據深度 BI“亂世”出英雄，下一代BI應從何入手颠覆格局？
去年年底國際BI巨頭Tableau宣布退出中國市場，将業務打包整合到Salesforce與阿裡巴巴的合作關系中。從最近幾年技術發展趨勢來看，BI似有日薄西山之勢，BI這門生意還好做嗎?
關于BI的一個普遍質疑是商業智能到底如何産生價值，為什麼最後企業IT 部門或者業務部門完全淪為了做報表，能體現的價值隻是節省了我們做報表的工作量，僅此而已。
高度依賴系統、知識與環境，更多的問題而非答案
傳統BI關心的是數據漂不漂亮，展現的形式是不是讓人喜歡，門檻夠不夠低，對業務的價值反饋周期比較長。
數睿數據總裁劉超對當前BI行業“工具負責好看、工作靠人來幹、知識難以沉澱”的問題進行了總結分析，大緻歸納為“三個依賴”：對系統的依賴、對知識的依賴、對環境的依賴。
目前BI分析的數據大多數來源于各類業務系統，使用這些數據的時候會遇到很多質量、安全、标準等方面的問題。問題出自于機器，但卻需要靠人去治理，這既不合理也産生了很多不必要的工作量，因此下一代BI應該讓機器做機器該做的事，讓人做人該做的事。
其次，是對知識的依賴。人類社會發展到今天，各個學科、行業都積累了自己的知識，這些知識如果運用到數據分析中，需要事先積累、吸收、融彙貫通，需要付出大量的努力。能不能讓工具代替人去消化這些知識，降低知識運用的門檻，是第二個問題。
最後，是對環境的依賴。我們相信數據積累到一定規模，結合企業的知識曆史數據，就能實現智能化的知識共享。但是運用知識的環境是紛繁複雜的，如何讓基于一個系統分析形成的知識能夠快速分享到另一個系統中産生價值，如果知識嵌入到别的業務系統依舊需要做集成，本質上還是沒有擺脫大量的技術性工作。隻有解決知識傳播受阻的這個問題，企業才真正具備動态學習和積累的能力。
業界認為，按照“DIKW”模型理論，BI不能停留在數據階段，做統計與可視化，而要專注于把數據轉變為知識。下一代BI與人的關系，應該是BI工具去數據中總結知識，人把知識和業務結合，産出智慧，創造價值。
下一代BI的隐形巨擘：增強分析與機器學習算法
随着商業環境的變化，數據分析的維度和用戶使用習慣的要求也在不斷升級，面向下一個十年的BI該如何設計?筆者認為好的能力是“當用戶感知不到時，就是它無處不在的時候”，就是說它工作的時候你不會感知到它，當它不工作了，你才會強烈地感到不适。
目前包括nextionBI在内的一些國産BI已經後起而直追，很多功能組件裡都封裝了AI 算法，在看不到的地方，有更多的自動化和智能化。比如數據分析模型提供了時序分析、預測、分類、聚類這些通用算法，用戶過去想做一些預測或分類，都需要機器學習的一些模型訓練，現在用戶隻需要開箱即用，很快的一鍵操作就可以完成三維/時序/圖譜等分析。
數據分析儀的另一大亮點是基于NLG(自然語言生成)的智能數據解讀，解讀也是自然語言式的，讓枯燥乏味的數據自動說人話，對于數據不敏感人群可以提供友好的數據解讀輔助。當數據量和維度都比較繁多的時候，智能數據解讀可以快速告訴你數據的分布是什麼樣的，有哪些特征，特征之間是否有隐形關聯?關聯程度怎麼樣?整體數據分布是否有空值?
商業智能的表象是可視化分析報表的呈現，但它的本質還是業務問題、管理問題。增強分析就是盡量減少數據工程師的工作，釋放數據分析師的能力，讓機器替代開發者去完成很多事情。
從數據到知識的遷移，促進下一個十年BI的進化
“十年後回頭看，現在做的都不能算BI”，這是出自nextionBI發布會現場的原話。
口氣不小，如何實現?劉超将nextionBI的關鍵能力總結為：數據融合、增強分析、敏捷易用。從技術而言，似乎有舊詞新說的嫌疑，相同的概念也需要看面向什麼談，面向數據和面向知識有着本質的不同。
如果隻是面向數據，數據融合可能做的是對更大數據量的支持，增強分析多做了幾種統計函數，敏捷易用則是提供了API文檔和詳實的用戶引導。但如果是面向知識，數據融合需要關注對更多數據維度、種類的覆蓋能力，結合相關性分析為維度選擇提供指導;增強分析需要同時具備顯性知識識别和隐性知識挖掘兩種能力，将技術能力與場景結合;敏捷易用需要深入工業物聯、數字孿生中去，與跨行業的數字化應用相互集成配合。
從面向數據遷移到面向知識，越往上離業務側越近，不讓數據成為包袱，讓業務人員更專注于業務本身。筆者相信數字化一定是由離業務最近的人來實現的，某種程度上說，數字化轉型是對人的要求，如果人人都有數字化創新的能力，這個公司就是擁有強大數字創新能力的公司。
知識的積累、發現與傳播可以幫助我們看到更完整的世界，先相信你看不見的世界。nextionBI是否會人如其名，成為下一代國産BI神器我們無從得知，但我們更願意相信相信的力量，相信我們看不到的世界，相信一場奔赴數字創新藍海的理念、方法論、工具平台已經展開全圖景。
