引言：BI服务商思迈特软件，一方面立足于“BI+行业”战略，覆盖头部金融客户，不断拓宽行业应用场景。另一方面，立足于“BI+AI”战略，进一步降低BI使用门槛，提升其预测性分析能力。
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。
在刚刚过去的2019年10月28日，随着一站式商业智能解决方案提供商思迈特软件（Smartbi）宣布完成1.25亿人民币的B轮融资，这家服务了大量头部金融客户，却一直以来极为低调的老牌BI厂商得到大众关注。
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，包括企业报表软件、自助分析平台、数据挖掘平台。
企业报表软件Spreadsheet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。
四、泛金融领域影响力强 零售制造行业尚待开拓
银行、保险、证券等金融领域是Smartbi一直以来的重点领域，中国银行、交通银行、平安银行、中信银行、民生银行等全国性银行均是Smartbi的典型客户。
其中，民生银行是Smartbi帮助企业创造利润的典型案例。在Smartbi进入之前，民生银行已经建设了数据仓库，实现了多系统的数据汇集。但是由于缺乏有效的BI工具，业务人员日常进行的大量报表分析工作都需要IT人员来进行深度支持，效率较为低下。
Smartbi的自助分析平台在民生银行内部成功交付之后，业务人员基于Smartbi，一年在1万多个应用场景中对几千张表进行了自助式的数据探索，成功挖掘了一大批高净值客户，为民生银行的一线业务部门提供了超过10%的利润贡献。
但是未必所有客户的需求都像民生银行这样能在项目开始阶段就非常明确，有时候只有通过与客户的不断沟通才能挖掘出来，比如Smartbi的另一个典型的保险行业客户招商信诺。
招商信诺一直以来是用的某国外公司的BI平台。由于市场人员需要对营销活动的效果进行反馈分析，但是因为系统难以改动，需求无法得到完全满足。一开始Smartbi尝试用自助分析平台Eagle的功能去进行沟通，但后期却发现客户需求的实现必须进行用户分群，机器学习平台Mining相比于Eagle能够更好地满足这一需求。于是，Smartbi最后为招商信诺提供的解决方案是将自助分析（BI）和机器学习（AI）相结合，从而实现更精准的用户分群。
可以看出，思迈特的较强的场景理解力是其泛金融领域的广泛影响力的根本来源。除了金融行业之外，Smartbi在制造、零售、地产、科技等行业都有所涉猎，但这些行业的客户对BI的认知相比于金融行业存在较大差距，甚至仍然停留在dashboard、看报表等较浅的层次。
这种现状与不同行业的信息化建设进度存在很大关系。金融行业客户很早就需要面对大量数据存在于独立的数据库中的情况。同时，由于金融领域多变的市场环境，金融客户对OLAP分析的需求性也会比一般行业更加旺盛。因此，在数据仓库等基础设施的建设上，金融客户普遍领先于其他行业的客户。
但其他行业对BI认知度低，并不意味着他们对BI就没有需求点，关键是要深入理解客户的场景和痛点，将潜在的需求挖掘出来。一个典型的例子是某科技服务公司的销售提成制度，这家公司希望依照项目成本来对销售人员的提成进行计算，但是由于成本金额存在于ERP系统中，但客户信息存在于CRM系统中，想要进行分析和计算就非常困难。
在这种情况下，这类公司的业务人员能够认识到对不同系统进行打通，并进行综合数据分析的必要性，但很难知道怎样的打通方式才是最合适、最有效的。Smartbi对这类公司进行合理的引导，就能让客户明白BI工具是如何有效解决其需求和痛点的。
类似的案例在制药企业中也有不少。比如Smartbi的自助分析工具Eagle一开始用于某药企的财务分析，帮助财务人员提高工作效率，实现财务精细管理，节省开支。当财务部门认为BI确实能够带来价值，那么销售部门、生产部门都开始要求使用BI来帮助他们分析销售和生产情况，这个BI项目就会越做越大，ERP、CRM、MES等数据源逐步都接入了BI工具的数据集市。
因此，Smartbi要想更好地服务于零售、制造等尚处于起步阶段的行业，教育客户的过程十分必要。教育客户首先要依靠销售人员、交付人员的服务能力，优质ISV合作伙伴的选择同样十分重要，行业标杆客户对整个行业的示范效应也不容忽视。
五、AI为BI服务 避免同质化竞争 战略定位准确
Smartbi的核心能力是底层的一套多维数据模型的建模能力，以及建立在深入理解客户场景基础上的自助式数据分析能力。因此，Smartbi对自身的定位是技术中台，为客户的前台业务人员面向不同主题的自助式分析提供技术支持。
在技术中台基础上，Smartbi又提出“BI+AI”战略。该战略体现在Smartbi的产品中，就是Eagle的自然语言探索以及Mining的预测性分析。
第一，Smartbi在自助式分析平台Eagle中增加了基于深度学习的自然语言数据探索功能。Eagle通过语音识别来替代鼠标点击，同时可以分析用户的使用偏好，实现自助分析结果的自动呈现。
第二，Smartbi的另一款产品数据挖掘平台Mining，针对企业中普遍存在的预测性分析需求，内置了逻辑回归、决策树、随机森林、朴素贝叶斯、支持向量机、线性回归、K均值、DBSCAN、高斯混合模型等经典机器学习算法。
但是产品能力的拓展必然会增大同质化竞争的可能。目前，数据智能赛道上还存在像第四范式、九章云极等从成立之初就从数据科学、机器学习切入的技术中台公司，其产品与数据挖掘平台Mining存在一定相似度。这类公司的产品定位，一是作为大型公司内部的专业数据团队的工作平台，二是作为给前台业务系统提供数据支撑的技术中台。
Smartbi认为，“BI+AI”战略的提出并非是为了与这类公司进行同质化竞争，而是在紧抓一线业务人员的自助式分析需求的基础上，不断延伸BI产品的能力。
可以说，Smartbi的“BI+AI”战略成功实施的关键，在于AI能否帮助BI产品在提高数据分析能力的同时，更加切合不同行业内的一线业务人员的自助式分析需求，为他们提供从OLAP分析到预测性分析的低门槛使用体验。
近日，爱分析专访Smartbi创始人&CEO吴华夫，就Smartbi的公司战略、客群情况、市场现状进行了深入交流，现摘取部分内容如下。
六、定位于企业级服务 面向业务人员 提供自助式分析
爱分析：Tableau是国外最知名的BI厂商，Smartbi的定位和Tableau有哪些不同？
吴华夫：Tableau最开始的定位是面向个人的自助数据分析工具，他们的推广思路也是以做toC的思维来做toB，面对大客户，也是从某个部门开始做，然后让用户之间互相介绍。
这也就意味着Tableau的数据处理性能、权限体系都是为个人用户设计的。所以当Tableau面对企业级客户的复杂权限体系、超大数据量访问、统一语义模型等需求的时候，就很难推进下去。另外，Tableau的协作共享机制也是不足的，无法满足多人协作的需求。最后就是Tableau对中国式复杂报表的支持也比较缺乏。
所以不少客户以前用的Tableau，后来都换成了我们，因为我们的定位就是面向企业级客户的自助式分析需求。还有很多客户，会同时购买Tableau和Smartbi，让两个产品一起配合，为客户不同场景提供服务。
爱分析：自助式分析的需求一般是靠企业的什么部门来推动？
吴华夫：其实业务部门和IT部门都可能，但更多的情况还是业务部门推着IT部门来做的。
爱分析：在自助式分析上，业务部门一般有哪些诉求？
吴华夫：其实本质上就是销售、运营、财务、生产等各个业务环节的各种维度的分析。
比如销售环节，我做个营销活动，可能用户的购物行为就会和营销内容产生关系了，原来的几个表可能很快就不能满足了，所以这种情况下还会临时加一些表和字段进来。
如果没有BI，IT人员就要马上去通过SQL查询的方式来响应，其实根本响应不过来。于是，业务部门就经常对IT部门不满意，本身就会对自助式分析产生强烈需求。
爱分析：Smartbi的产品交付模式是怎样的？
吴华夫：我们有两种交付模式。比如说像VIVO这样的标杆性的制造业企业，它有销售分析的需求，并且销售管理思路在行业内还具备领先性，但是在这个领域内没有很好的ISV来做这个事情。这时候，我们需要让交付人员直接给VIVO进行实施。在这个过程中，我们就能够深度理解行业，积累行业Know-how模型。通过多个同行业头部客户的项目后，我们就能抽象共性、提炼行业分析模板，当遇到下一个类似的客户的时候，我们就把模板直接交给ISV，让他们来帮我们交付这个项目。
爱分析：如果客户已经有了数据仓库，Smartbi这边是直接去连接数仓吗？
吴华夫：这要看他们数据仓库的质量和性能，如果数据好用、性能够快，我们会直接连接数仓做分析。另外，我们的MPP本来就有数据仓库和数据集市的能力，如果数据质量不好、性能低下、或者要混合多数据源的话，我们会通过MPP做一个数据集市，而不需要依赖于原有的数仓。
爱分析：Smartbi做的dashboard与数据可视化公司做的有什么不同？
吴华夫：纯做数据可视化的公司，会更注重图形效果，但不提供交互式分析的能力。而我们的dashboard都是有交互能力和一部分自助式分析能力的，这在政府项目中的应用也比较多。
七、AI将与BI深度结合 不会独立成业务线
爱分析：现在Smartbi在战略上，对BI+AI的应用是怎么考虑的？AI会成为一条独立的业务线去做吗？
吴华夫：我们做BI产品，一切都是围绕一个本质，就是让数据为客户创造价值。现在客户在BI中已经有了大量的数据，自然而然就会对基于数据的AI，具体来说就是机器学习产生需求，这是一个市场的需求驱动的事。
所以对我们来说，数据挖掘平台这个产品仍然是与BI紧密结合的一部分，我们不会独立去做一条AI业务线。
你可能会觉得这个数据挖掘平台会跟有些公司的数据科学平台有些像，的确会有些像。但是我们的初衷不一样，一方面还是为了增强BI平台的预测分析能力，让BI发现更深层次的数据规律，另一方面就是为了让BI更简单，让数据分析更简单，让使用群体更广泛。
爱分析：Smartbi的机器学习平台有哪些比较成熟的落地案例？
吴华夫：现在挺多的，比如某个电网的项目，可以通过数据挖掘来发现坏掉的电力设备，从而来给设备做检修。
还有就是帮助某地的政府部门做的空间数据云平台的项目，无人机拍下来的图片会生成电子地图，在电子地图基础上通过数据挖掘来发现城市建设中各类问题。
还有一个招商信诺的项目，是同时结合我们的自助分析和机器学习两部分功能。
爱分析：Smartbi与招商信诺的合作项目是怎么落地的？
吴华夫：招商信诺是一家电销做得非常领先的保险公司，原来用的是国外公司的BI平台，但是因为他们要做营销活动，希望营销结果能够反馈回来，形成业务闭环；另外就是上了新的大数据平台，原来的BI工具不支持；最后，老的BI产品在性能上也存在问题但是国外产品也没法帮他们改，跟不上业务创新的节奏，所以他们当时用着很痛苦。
招商信诺找到我们的时候，当时还不知道我们有机器学习平台，也是希望买我们的自助分析平台。他们当时的一个需求是客户的分群，基于分群来做精准营销，我们就拿我们自助分析平台的组合分析功能去和他们聊。
后来，我们发现他们的需求和我们的自助分析平台的功能不完全匹配，于是我们就把机器学习平台通过模型来筛选客户的功能与自助分析平台手动筛选客户的功能结合起来。这时候，他们发现这就是他们期望的东西。
目前在市面上的这些数据智能公司的解决方案，似乎没有这种自助分析和机器学习相结合的方式。而我们用了两三个月时间，第一个自助分析辅助机器学习的版本就上线了，目前已经开始做新的一期，也已经在大部分场景都把原来的BI平台替换掉了。
八、企业需求度日益显现 看好未来BI市场
爱分析：Smartbi选择客户的时候有哪些标准？
吴华夫：第一，BI对他们来说刚需，能够给他们带来价值。第二，有足够的付费能力，给得起钱。第三，有规模效益，市场上有足够多的类似场景的客户，能够让我们的模板得到复用。
爱分析：目前Smartbi怎么看教育行业，尤其是高校这部分市场？还会继续重点发力去做吗？
吴华夫：目前高校客户是我们一个比较重要的客群来源，但它们普遍存在一些问题，主要是在信息化建设方面的付费意愿不强，根本原因是它们在数据分析、管理驾驶舱等方面基本没什么预算。所以，这部分市场要想真正做大，还需要相关的政策引导。
爱分析：深信服的投资进来以后，思迈特是不是可以在教育行业加大一些关注度？我们了解到深信服的超融合一体机在教育行业的推广还是挺多的。
吴华夫：的确是这样，深信服也是一个产品型公司，销售渠道做得比较完善。他们在超融合一体机当中也增加了大数据分析平台，所以我们的期望是能够将我们的BI产品结合到这里面去。
爱分析：您对未来中国BI市场发展的预期是怎样的？
吴华夫：BI市场的增速还是会越来越快的，因为背后的推动力就是中国企业的信息化。
现在还有相当一部分企业的信息化程度比较低，尤其是大部分中国企业对BI的应用都还处于看报表、做dashboard的初级阶段，而从这个阶段往后面走，自助分析、预测性分析的应用程度还是非常低的。
其实，中国企业的信息化就是一波一波来的，金融领域和大型企业普遍会早一些，后面中型企业、小型企业这一波潮流过来的话，BI市场的需求度应该还会更加旺盛。
所以，我们在过去没融资的时候，每年的增长率都有60%-70%，而且每年的现金流都是正的。现在融资之后，增长率一定会更快。
（注：文章内容转载自爱分析微信公众号）
