2020年推开BI的门，数据能不能找到对的人？
【IT168 评论】2020年已经过去了一半多，疫情的肆虐以及外部经济、政治环境的变化，几乎让所有人都身处不确定性的泥淖中。有公司倒闭，有人失业，有的产业加速进行整合。然而危与机并存，在艰难中复工复产，在变革的洪流中，找准方向奋力一搏，才可能转危为机。
金融、零售、制造、教育等各行各业，在疫情严重时，基本只能采取线上方式，被动或者主动，都加速了数字化进程，有的由纯线下转为“线上+线下”双轮驱动，有的在线上方面做了更多的探索，向着数据驱动迈进。
在数字经济时代，数据的重要性越来越凸显。
4月9日晚，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》(以下简称《意见》)对外公布，数据作为一种新型生产要素写入文件中，与土地、劳动力、资本、技术等传统要素并列为要素之一。
越来越多的企业也把数据作为资产管理，BI(商业智能)承载着重要的一环，既可以单个部门试水，也能支持全员参与，尤其是近年来所提倡的自助式分析，有望帮助企业全员参与，让数据的价值不被埋没。业内人士总结BI的三个重要方面：完整收集数据，合理整理展现数据，以方便快捷的形式把数据送到需要的人手里。
数据是金子，要收集起来送到需要的地方，才能更好地发光发热。阻碍重重，更需各方协力破局。2020年推开BI的门，数据能不能找到对的人?
数据释放价值三大难题待解
“企业从经营决策角度来说，企业需要看到一个统一的视图，去发现企业现在经营过程中的优势与不足之处，痛点和难点。此时，单一系统来源的数据已经很难满足企业的这种经营决策需求，跨系统跨部门之间数据统一、集成，统一视图的展现，包括数据分析和数据挖掘就显得异常重要，只有实现这一点，才能够真正释放数据价值。”永洪科技客户部副总经理李波在接受IT168采访时指出，在愈发激烈的竞争中，越需要及时决策快速响应市场的变化。
李波总结真正释放数据价值还面临数据孤岛、数据价值挖掘、人才短缺三大难题。
数据孤岛是沉疴痼疾，国内企业从信息化到数字化过程中，企业经营管理包括运营等越来越多的环节都靠IT系统支撑，大部分规模以上企业部署了CRM、ERP、OA、HR等系统，后面也引入了钉钉、企业微信等各类办公软件，将系统武装到牙齿，系统后台记录了各种各样的数据。比如OA审批数据，ERP运营数据、生产数据、供应链数据，包括数据仓库管理系统的数据，现在还有仓库中智能机器人的拣货数据、运输物流卡车的跟踪数据等。但由于各系统由不同软件供应商搭建，不同的年代、不同技术平台，数据格式、数据标准没有统一，无法互联互通，最终形成了数据孤岛。沉淀下来的数据无法归集起来使用，反而会成为一种负担。
大数据平台、数据中台、数据湖、数据仓库等技术解决多源异构系统的打通和数据孤岛问题。
数据孤岛解决后，第二步就是数据价值挖掘，在企业沉淀好的数据中发现对经营决策有帮助的内容，发现经营决策中的痛点，需要BI厂商和AI厂商的帮助。
永洪科技的客户家乐福非常典型，涉及到数据采集、存储管理，最后到数据分析挖掘的一系列问题。家乐福原来运行着100多个业务管理系统，既有20年前也有最近刚上线的。通过永洪科技搭建的数据湖平台，将上百个业务系统里面的数据集中到数据湖平台中，统一数据标准和格式，消除数据孤岛。永洪科技作为其数据分析、数据可视化解决方案的核心供应商提供的BI平台提升了其经营分析能力，例如在供应链领域解决了供应商绩效考核问题，在营销方面提升了例如商品优化、促销管理、会员分析及盈利分析的能力与效率等。
人才短缺是第三个待解的难题，制约着企业数据价值的释放。一方面是大数据产业本身相关人才短缺，猎聘2019年大数据人才就业趋势报告显示，中国大数据人才缺口高达150万。另一方面有的企业数据人才流失严重，甚至会发生项目停摆事件，可能几百万的投资打了水漂。据悉，一个传统行业的企业从2008年左右开始试水BI，今年第三次重启BI，而前两次都是因为人员变更和人员流失造成停摆。李波介绍数据人才流失在传统行业比较常见，在传统行业比如制造业企业薪资体系有统一的规范，新引入的数据分析和数据挖掘人才，本身工资较高，如果该企业没有做好相关准备，尤其是有一定项目经验的人比较容易流失。
国家政策鼓励数据人才培养，在社会上也涌现了一些新的相关职业，比如数字化管理师，根据7月人社部中国就业培训技术指导中心联合阿里钉钉发布的《新职业在线学习平台发展报告》，数字化管理师从业人员已超过200万。越来越多的企业与高校联合打造产学研一体化，培养面向未来的数据人才。
在释放数据价值过程中，这些待解的难题中产品、技术层面的会慢慢解决，而另一些所有变革与转型都会遇到的问题，则会持久相伴，但办法总比问题多。
那些不愿明说的利益抵触
“数据项目做深了以后，会发现其实技术不是核心的难题，现在技术发展这么快，总有解决的办法，关键是利益相关方。数据分析平台的应用会使企业更加透明、运营效率更高、决策更加科学合理，同时也会使问题暴露的更快也更精准。这会导致有人支持，有人抵触，他抵触肯定不会直接说，会找一些其他能摆到面儿上的问题，找一些理由来抵触，这才是做数据项目的真正的难点。”一位从业多年的企业信息化负责人告诉IT168。
企业数据文化以及打破原有利益格局是BI等数据项目落地的真正难点，李波指出之前企业数据分散管理，不同部门使用不同系统，很少有部门能够掌握全局洞察细节，如果企业上马数据湖、数据仓库类项目，不同系统数据打通，比如采购方面，有权限的人都可以查到每一笔采购的订单、采购价格、付款条件、退货数据，部门问题直接暴露出来。“很多部门会设置一些障碍，一些阻挠，然后让你在数据质量、数据管理方面，很难去达到你想要的效果。”
永洪科技一个客户是大型传统企业，团队前期调研每个部门都说没有痛点没有问题，三个月项目没有任何进展。后来出身ERP实施的新总经理上任，更明白技术和数据的价值，新任总经理以身作则，提出所需看到的数据指标等需求，打破了僵局。
李波认为打破利益格局有两种方法，相对传统保守的企业，需要决策层意识到数据的价值自上而下推动。如果想长期解决此问题，需要企业构建基于数据决策的企业文化，让每个部门，每一层级的人，自觉自愿使用数据，解决自身业务问题。
当然，有的企业一开始是自下而上延展，这种大多是先局部试点，然后全局推广，在初始阶段，IT和业务需要更多的沟通和磨合找到业务的真实痛点，在局部试点时让业务人员自身发现数据分析的价值，从而引起更高层级的管理人员的注意，而在企业大范围全员推广时，决策层的支持和推动则必不可少。
万事开头难，BI项目的切入点尤为重要，也是很多企业组织困惑的地方。李波建议从三个维度考虑，增加项目成功率。一是当下最紧急的业务痛点，二是解决问题后投资收益率最大的痛点，三是考虑数据和技术最成熟的业务痛点。从紧急、收益、可行性三个维度上选交叉点，作为第一期项目的切入点，通常成功率最高。
不可否认BI项目也有一些失败的案例，许多BI项目失败，做了一堆报表业务人员不用，最后沦为鸡肋。如果报表老旧固化跟不上业务多元化发展的步伐，可以通过升级迭代解决问题。李波进一步分析指出BI报表用不起来还有另外的主要原因：“一是不通过BI系统，业务也能得到他所需要的一些数据，还有一套类似Excel、PPT这样的体外循环汇报体系在正常运行，即便BI系统的数据颗粒度、时效性更强，但是对业务而言不是必须的。此外，这里面涉及到一些利益的问题，就是他不希望有些数据被你发现。”
数据透明度终究是一个相对的概念，而关于“度”的把握需要企业决策者依据业务发展情况和战略规划来裁定，技术的引入是走向数据驱动万里长征的开端。要有的放矢，某集团企业信息化负责人认为引入BI报表分析要对业务或运营效率提升有帮助。
根据IDC发布的《2019年下半年中国商业智能软件市场数据跟踪报告》，国内BI市场，目前最主要的需求是报表分析软件，2019年全年年市场份额占比为79.0%。高级分析和预测分析市场份额占比21.0%。受疫情影响，2020年中国商业智能软件市场增速有所放缓，同比增长18.1%。到2024年，中国商业智能软件市场规模将达到11.9亿美元，未来5年整体市场年复合增长率(CAGR)为19.2%。
BI的需求与日增长，要做到“以方便快捷的形式把数据送到需要的人手里”，才能发挥数据的最大价值。
BI的误解和数据的误区
我们期待是金子总会发光，是数据总能产生价值。在李波看来，企业应该从数据应用的广度和深度两个维度去拓展数据的价值。数据应用的广度更多通过BI实现，让所有需要用到数据的人能够访问所需的数据，自己做业务分析。深度则体现在AI的应用，对数据进行深度分析预测趋势等。
敏捷BI的发展伴随着自助分析时代到来，强调用户使用自己能访问的数据，通过可拖拉拽的方式组合成自己的需要的报表，做自动数据准备和数据分析，永洪科技7月发布的Yonghong Z-Suite V9.0在性能、场景、敏捷等方面都有较大提升，自助分析已经成为市场的主流选择。
BI数据分析有自己的能力边界，“做数据分析主要是分析现象，现在发生的这种现象代表着什么意味着什么，并不去给你解释你这种现象最底层的原因。”李波强调，很多时候只能做预警，无法进行根因分析。
比如代理商管理方面，可以通过BI数据分析发现其流失倾向，提供预警，但具体原因是资金链断裂还是其自身运营问题，由于BI系统没有其资金链数据，需要业务部门介入去探查。
AI的应用目前离不开数据、算法、算力三要素，需要数据的积累作为前提条件，比如钢铁企业产品质量控制的场景应用，生产过程中的数据都可以采集到，出现产品的缺陷和产品合格率问题，可以构建质量分析模型，找到最终原因。
不过有时候企业容易走入误区，李波介绍影响一个结果的因素有多方面，如果只能采集其中几个因素数据，有时候会给企业造成误导。比如说做销售预测，影响销量因素有很多，企业有自己的经验，有的数据采集不到，如果只分析能够采集到的数据，所得结论和真实情况相比可能会出现偏差。以服装行业为例，其受季节周期影响大，天气数据是很重要的一个影响因素，天气预报预测更多的是做短期预测，企业做生产计划、供应链的调货和运输计划时，至少需要一个月以上的数据，此时天气预报的数据起不到太多作用。
数据不全是否可以进行数据分析和AI预测?有CIO反映企业自身数据和外部数据相对而言外部数据的准确性和完整性不可控，做预测和分析的时候有一定挑战。
“很多人有的时候就捧着金碗要饭吃。”李波强调第三方数据不全的时候企业依然可以挖掘企业内部数据的价值，还是以预测为例，永洪科技通常把影响因素分为内部和外部两个部分，价格、促销、货物调转等内部因素相对可控，而竞争对手、天气、宏观经济等外部因素不可控，但是企业积累了一些历史数据，而基于时间序列的历史数据所做的预测也有价值。预测不了具体值，可以基于历史数据、概率和不同的应对方案预测一个区间，企业据此做决策。
“无论说项目要做什么，肯定是在一个受限的环境里面去做事情。”李波指出，以BI为代表的数据项目的落地和应用更多不是具体的技术和模型问题，而是方法问题，如何把技术上模型和能力与业务场景结合起来最为重要。
2020年，国内BI依然在路上，在通向数据驱动的途中，并没有放之四海皆准的实践路径。
