引言：BI服務商思邁特軟體，一方面立足於「BI+行業」戰略，覆蓋頭部金融客戶，不斷拓寬行業應用場景。另一方面，立足於「BI+AI」戰略，進一步降低BI使用門檻，提升其預測性分析能力。
商業智能（BI）作為一個歷史悠久的技術領域，其核心在於基於OLAP的數據自助式分析和可視化呈現。
隨著移動網際網路時代的到來，從網際網路上採集到的數據呈現爆炸式增長，促使了大數據相關技術的迅速成熟。同時，海量的數據源為AI領域中的機器學習算法提供了大量可供學習的數據樣本，基於機器學習的預測性分析正成為商業智能下一步的一個重要發展方向。
可以說，商業智能正在從傳統的數據採集、數據檢測，向著基於AI的數據洞察、智能決策等「數據智能」方向不斷演進。因此，能否成功把握「商業智能」到「數據智能」的轉型契機，將成為傳統的BI公司在商業上能否更進一步的關鍵因素。
在剛剛過去的 2019 年 10 月 28 日，隨著一站式商業智能解決方案提供商思邁特軟體（Smartbi）宣布完成1. 25 億人民幣的B輪融資，這家服務了大量頭部金融客戶，卻一直以來極為低調的老牌BI廠商得到大眾關注。
一、歷經曲折發展形成BI標準產品體系和兩大戰略
2011 年，曾在金融IT領域佔據半壁江山，並一度在紐交所上市的東南融通因故退市解散，當時在東南融通從事BI產品研發的吳華夫帶領原有的技術骨幹獨立出來，成立了思邁特軟體（Smartbi）。
從成立以來，Smartbi經歷國資控股、MBO獨立發展，增長速度一直保持穩定，並繼續深耕金融領域，服務於眾多大型全國性銀行，致力於為客戶提供包括數據處理、分析和可視化等商業智能（BI）服務。
目前，Smartbi的標準化產品有三種，包括企業報表軟體、自助分析平臺、數據挖掘平臺。
企業報表軟體Spreadsheet是一個藉助Excel的插件設計企業WEB報表的工具軟體。針對企業中普遍存在的報表製作的需求，允許用戶在Excel中進數據準備、樣式設計、數據計算、數據可視化、互動邏輯、共享發布等操作，融合了Excel和傳統報表軟體的雙重優勢，提高了報表製作的效率和能力。
自助分析平臺Eagle為企業中的業務人員提供自助式的數據分析工具，將IT人員從繁瑣的對業務人員分析需求的技術響應中解放了出來，通過數據查詢、OLAP分析、可視化探索等核心能力，縮短了業務人員提出需求到得出分析結果之間的時間周期。
數據挖掘平臺Mining針對企業中的數據科學家、業務分析師、行業諮詢師等職能人員的預測性分析需求，將機器學習算法與BI相結合，提供了流式建模、拖拽式操作的可視化建模界面。 立足於BI產品的核心能力，Smartbi目前服務的客戶類型涵蓋銀行、保險、證券、基金、信託、互金等泛金融領域，能源、製造、通信、零售、地產、運輸、科技等實體經濟領域，以及各級政府、高校，主要應用場景涵蓋銷售、財務、生產、運營等各個業務部門。
二、技術能力出色 輕量化方案實現 異構數據源匯集
在BI工具誕生前，業務人員要按照某些維度來分析數據，完全依賴於IT人員的支持。針對業務人員提出的分析需求，IT人員的支持方式一般是是通過SQL語句從源資料庫中將分析結果導出，或者是由IT人員開發一套供業務人員使用的後臺頁面。但是在這些方式下，多數據源的情況難以被有效應對，同時業務人員對需求的頻繁變更會帶來大量的溝通成本，加重了IT人員的負擔。
因此，「自助式分析」的概念應運而生，它主要解決的問題就是如何讓業務人員在離開IT人員支持的情況下，依然能夠隨心所欲地在自己設定的維度上進行分析，從而拿到自己需要的數據。
自助式分析的核心技術是聯機分析處理（OLAP），它要求實施人員基於多個數據源為用戶構建一個集中式的、關係型的的多維數據模型。用戶基於多維數據模型，可以實現自由的切片、切塊、鑽取和旋轉，無需直接接觸數據源就能實現數據準備、數據查詢和數據探索等操作。
在企業的實際IT架構中，往往會存在OA、ERP、CRM等多個數據互相獨立的業務系統。金融領域客戶一般會建設數據倉庫來實現數據的匯集，因此BI自助分析平臺的構建可以直接搭建在數據倉庫之上。但是，更多的客戶則沒有建設數據倉庫，但他們仍然希望對分散、異構的資料庫進行自助式分析。面對這種情況，一些BI廠商的策略是親自為客戶搭建一套數據倉庫或數據中臺，在這個基礎上再去搭建BI系統。
與這些廠商的策略不同，Smartbi的自助分析平臺Eagle的解決方案是輕量化的，可以支持外建的多維資料庫，也內置了SmartbiMPP、Vertica等多種類型的分布式大規模並行處理資料庫接口，並通過ETL過程將來自OA、ERP、CRM等多個業務系統的數據進行統一匯集。同時，Eagle還可以構建語義層，使得業務人員無需直接接觸表名、欄位名以及它們之間的複雜關係，而是直接面對自己所熟悉的業務術語和指標名稱。
這樣，多個異構數據源的底層存儲邏輯都被Eagle所展現的語義層邏輯所屏蔽，業務人員可以通過託拉拽等可視化操作，在Eagle中實現全自助式的數據集準備、數據查詢、數據探索（交叉匯總、自由鑽取）和儀錶盤製作。
從選擇輕量化解決方案實現對異構數據源的匯集，到AI賦能自助數據探索與預測性分析，Smartbi從始至終的理念是降低BI產品的使用門檻，以能夠讓基礎設施建設不夠完善的企業、技術能力不夠強的業務人員也能夠以低成本來進行自助式分析，表現出了較強的技術和產品能力。
三、ISV生態合作破解 BI項目實施難題 場景理解力強
與普通IT系統，尤其是SaaS產品相比，BI工具的一大特徵就是項目制的交付方式，實施周期較長，這其中的原因是多方面的。
首先，並非所有客戶都像銀行那樣有完善的數據倉庫，BI項目往往要直接面對多個業務系統的數據源，這些數據源的結構千差萬別，數據質量也參差不齊，往往還會出現「髒數據」。
其次，在不同行業中，存在大量的行業know-how（一般指不同行業的業務知識、技術訣竅），使得客戶需求的數據模型也會存在很大差別。
另外，在BI項目推進過程中，客戶的需求往往並非在開始階段就十分明確，而是會在項目推進過程中根據進展而發生變化。因此，實施人員與客戶之間必須進行大量且反覆的溝通，才能完全確定其最終期望的數據模型。
因此，實施人員在數據集市建造、ETL構建等階段，面臨著大量不可控因素，這都使得BI工具的交付過程天然就是難以標準化的。面對BI項目重人力、長周期的現狀，不同的BI廠商選擇了不同的項目策略，部分BI廠商選擇擴大實施團隊規模，直接服務於最終客戶。
但Smartbi選擇的策略是深度依靠ISV生態合作夥伴，將自己的標準化產品交付給ISV，由ISV負責BI項目的具體實施。這樣的方式一方面會降低人力成本，但在另一方面，由於BI項目對實施人員的要求很高，如果Smartbi無法對實施過程實現有效掌控，那麼項目效果就難以保證。
為了解決資源佔用與實施質量之間的矛盾，Smartbi提出了「BI+行業」的戰略，通過對客戶場景的深入理解，為不同的行業場景定製不同的行業模板。
在金融領域，由於基礎設施建設相對成熟，行業模板很容易來提煉，大量成熟的模板也已經被積累下來。但在零售、製造業等領域，行業模板的積累仍然是欠缺的。針對這種現狀，Smartbi目前的策略是引導行業ISV按照給出的模板格式，在項目實施過程中與Smartbi來共同積累和完善行業模板。
有了行業模板之後，Smartbi和ISV在遇到同行業客戶的時候，就可以將來自異構數據源的數據直接對接到模板中，只需額外在模板基礎上定製少部分特性就能完成數據模型構建，在一定程度上實現了實施流程的標準化。
通過與ISV在行業模板標準化上的深度合作，Smartbi的客戶服務周期縮短，這也就意味著Smartbi能夠依靠一支較為精幹的實施團隊服務於更多客戶，規模化效應也將逐步體現。
四、泛金融領域影響力強 零售製造行業尚待開拓
銀行、保險、證券等金融領域是Smartbi一直以來的重點領域，中國銀行、交通銀行、平安銀行、中信銀行、民生銀行等全國性銀行均是Smartbi的典型客戶。
其中，民生銀行是Smartbi幫助企業創造利潤的典型案例。在Smartbi進入之前，民生銀行已經建設了數據倉庫，實現了多系統的數據匯集。但是由於缺乏有效的BI工具，業務人員日常進行的大量報表分析工作都需要IT人員來進行深度支持，效率較為低下。
Smartbi的自助分析平臺在民生銀行內部成功交付之後，業務人員基於Smartbi，一年在 1 萬多個應用場景中對幾千張表進行了自助式的數據探索，成功挖掘了一大批高淨值客戶，為民生銀行的一線業務部門提供了超過10%的利潤貢獻。
但是未必所有客戶的需求都像民生銀行這樣能在項目開始階段就非常明確，有時候只有通過與客戶的不斷溝通才能挖掘出來，比如Smartbi的另一個典型的保險行業客戶招商信諾。
招商信諾一直以來是用的某國外公司的BI平臺。由於市場人員需要對營銷活動的效果進行反饋分析，但是因為系統難以改動，需求無法得到完全滿足。一開始Smartbi嘗試用自助分析平臺Eagle的功能去進行溝通，但後期卻發現客戶需求的實現必須進行用戶分群，機器學習平臺Mining相比於Eagle能夠更好地滿足這一需求。於是，Smartbi最後為招商信諾提供的解決方案是將自助分析（BI）和機器學習（AI）相結合，從而實現更精準的用戶分群。
可以看出，思邁特的較強的場景理解力是其泛金融領域的廣泛影響力的根本來源。除了金融行業之外，Smartbi在製造、零售、地產、科技等行業都有所涉獵，但這些行業的客戶對BI的認知相比於金融行業存在較大差距，甚至仍然停留在dashboard、看報表等較淺的層次。
這種現狀與不同行業的信息化建設進度存在很大關係。金融行業客戶很早就需要面對大量數據存在於獨立的資料庫中的情況。同時，由於金融領域多變的市場環境，金融客戶對OLAP分析的需求性也會比一般行業更加旺盛。因此，在數據倉庫等基礎設施的建設上，金融客戶普遍領先於其他行業的客戶。
但其他行業對BI認知度低，並不意味著他們對BI就沒有需求點，關鍵是要深入理解客戶的場景和痛點，將潛在的需求挖掘出來。一個典型的例子是某科技服務公司的銷售提成制度，這家公司希望依照項目成本來對銷售人員的提成進行計算，但是由於成本金額存在於ERP系統中，但客戶信息存在於CRM系統中，想要進行分析和計算就非常困難。
在這種情況下，這類公司的業務人員能夠認識到對不同系統進行打通，並進行綜合數據分析的必要性，但很難知道怎樣的打通方式才是最合適、最有效的。Smartbi對這類公司進行合理的引導，就能讓客戶明白BI工具是如何有效解決其需求和痛點的。
類似的案例在製藥企業中也有不少。比如Smartbi的自助分析工具Eagle一開始用於某藥企的財務分析，幫助財務人員提高工作效率，實現財務精細管理，節省開支。當財務部門認為BI確實能夠帶來價值，那麼銷售部門、生產部門都開始要求使用BI來幫助他們分析銷售和生產情況，這個BI項目就會越做越大，ERP、CRM、MES等數據源逐步都接入了BI工具的數據集市。
因此，Smartbi要想更好地服務於零售、製造等尚處於起步階段的行業，教育客戶的過程十分必要。教育客戶首先要依靠銷售人員、交付人員的服務能力，優質ISV合作夥伴的選擇同樣十分重要，行業標杆客戶對整個行業的示範效應也不容忽視。
五、AI為BI服務 避免同質化競爭 戰略定位準確
Smartbi的核心能力是底層的一套多維數據模型的建模能力，以及建立在深入理解客戶場景基礎上的自助式數據分析能力。因此，Smartbi對自身的定位是技術中臺，為客戶的前臺業務人員面向不同主題的自助式分析提供技術支持。
在技術中臺基礎上，Smartbi又提出「BI+AI」戰略。該戰略體現在Smartbi的產品中，就是Eagle的自然語言探索以及Mining的預測性分析。
第一，Smartbi在自助式分析平臺Eagle中增加了基於深度學習的自然語言數據探索功能。Eagle通過語音識別來替代滑鼠點擊，同時可以分析用戶的使用偏好，實現自助分析結果的自動呈現。
第二，Smartbi的另一款產品數據挖掘平臺Mining，針對企業中普遍存在的預測性分析需求，內置了邏輯回歸、決策樹、隨機森林、樸素貝葉斯、支持向量機、線性回歸、K均值、DBSCAN、高斯混合模型等經典機器學習算法。
但是產品能力的拓展必然會增大同質化競爭的可能。目前，數據智能賽道上還存在像第四範式、九章雲極等從成立之初就從數據科學、機器學習切入的技術中臺公司，其產品與數據挖掘平臺Mining存在一定相似度。這類公司的產品定位，一是作為大型公司內部的專業數據團隊的工作平臺，二是作為給前臺業務系統提供數據支撐的技術中臺。
Smartbi認為，「BI+AI」戰略的提出並非是為了與這類公司進行同質化競爭，而是在緊抓一線業務人員的自助式分析需求的基礎上，不斷延伸BI產品的能力。
可以說，Smartbi的「BI+AI」戰略成功實施的關鍵，在於AI能否幫助BI產品在提高數據分析能力的同時，更加切合不同行業內的一線業務人員的自助式分析需求，為他們提供從OLAP分析到預測性分析的低門檻使用體驗。
近日，愛分析專訪Smartbi創始人&CEO吳華夫，就Smartbi的公司戰略、客群情況、市場現狀進行了深入交流，現摘取部分內容如下。
六、定位於企業級服務 面向業務人員 提供自助式分析
愛分析：Tableau是國外最知名的BI廠商，Smartbi的定位和Tableau有哪些不同？
吳華夫：Tableau最開始的定位是面向個人的自助數據分析工具，他們的推廣思路也是以做toC的思維來做toB，面對大客戶，也是從某個部門開始做，然後讓用戶之間互相介紹。
這也就意味著Tableau的數據處理性能、權限體系都是為個人用戶設計的。所以當Tableau面對企業級客戶的複雜權限體系、超大數據量訪問、統一語義模型等需求的時候，就很難推進下去。另外，Tableau的協作共享機制也是不足的，無法滿足多人協作的需求。最後就是Tableau對中國式複雜報表的支持也比較缺乏。
所以不少客戶以前用的Tableau，後來都換成了我們，因為我們的定位就是面向企業級客戶的自助式分析需求。還有很多客戶，會同時購買Tableau和Smartbi，讓兩個產品一起配合，為客戶不同場景提供服務。
愛分析：自助式分析的需求一般是靠企業的什麼部門來推動？
吳華夫：其實業務部門和IT部門都可能，但更多的情況還是業務部門推著IT部門來做的。
愛分析：在自助式分析上，業務部門一般有哪些訴求？
吳華夫：其實本質上就是銷售、運營、財務、生產等各個業務環節的各種維度的分析。
比如銷售環節，我做個營銷活動，可能用戶的購物行為就會和營銷內容產生關係了，原來的幾個表可能很快就不能滿足了，所以這種情況下還會臨時加一些表和欄位進來。
如果沒有BI，IT人員就要馬上去通過SQL查詢的方式來響應，其實根本響應不過來。於是，業務部門就經常對IT部門不滿意，本身就會對自助式分析產生強烈需求。
愛分析：Smartbi的產品交付模式是怎樣的？
吳華夫：我們有兩種交付模式。比如說像VIVO這樣的標杆性的製造業企業，它有銷售分析的需求，並且銷售管理思路在行業內還具備領先性，但是在這個領域內沒有很好的ISV來做這個事情。這時候，我們需要讓交付人員直接給VIVO進行實施。在這個過程中，我們就能夠深度理解行業，積累行業Know-how模型。通過多個同行業頭部客戶的項目後，我們就能抽象共性、提煉行業分析模板，當遇到下一個類似的客戶的時候，我們就把模板直接交給ISV，讓他們來幫我們交付這個項目。
愛分析：如果客戶已經有了數據倉庫，Smartbi這邊是直接去連接數倉嗎？
吳華夫：這要看他們數據倉庫的質量和性能，如果數據好用、性能夠快，我們會直接連接數倉做分析。另外，我們的MPP本來就有數據倉庫和數據集市的能力，如果數據質量不好、性能低下、或者要混合多數據源的話，我們會通過MPP做一個數據集市，而不需要依賴於原有的數倉。
愛分析：Smartbi做的dashboard與數據可視化公司做的有什麼不同？
吳華夫：純做數據可視化的公司，會更注重圖形效果，但不提供交互式分析的能力。而我們的dashboard都是有交互能力和一部分自助式分析能力的，這在政府項目中的應用也比較多。
七、AI將與BI深度結合 不會獨立成業務線
愛分析：現在Smartbi在戰略上，對BI+AI的應用是怎麼考慮的？AI會成為一條獨立的業務線去做嗎？
吳華夫：我們做BI產品，一切都是圍繞一個本質，就是讓數據為客戶創造價值。現在客戶在BI中已經有了大量的數據，自然而然就會對基於數據的AI，具體來說就是機器學習產生需求，這是一個市場的需求驅動的事。
所以對我們來說，數據挖掘平臺這個產品仍然是與BI緊密結合的一部分，我們不會獨立去做一條AI業務線。
你可能會覺得這個數據挖掘平臺會跟有些公司的數據科學平臺有些像，的確會有些像。但是我們的初衷不一樣，一方面還是為了增強BI平臺的預測分析能力，讓BI發現更深層次的數據規律，另一方面就是為了讓BI更簡單，讓數據分析更簡單，讓使用群體更廣泛。
愛分析：Smartbi的機器學習平臺有哪些比較成熟的落地案例？
吳華夫：現在挺多的，比如某個電網的項目，可以通過數據挖掘來發現壞掉的電力設備，從而來給設備做檢修。
還有就是幫助某地的政府部門做的空間數據云平臺的項目，無人機拍下來的圖片會生成電子地圖，在電子地圖基礎上通過數據挖掘來發現城市建設中各類問題。
還有一個招商信諾的項目，是同時結合我們的自助分析和機器學習兩部分功能。
愛分析：Smartbi與招商信諾的合作項目是怎麼落地的？
吳華夫：招商信諾是一家電銷做得非常領先的保險公司，原來用的是國外公司的BI平臺，但是因為他們要做營銷活動，希望營銷結果能夠反饋回來，形成業務閉環；另外就是上了新的大數據平臺，原來的BI工具不支持；最後，老的BI產品在性能上也存在問題但是國外產品也沒法幫他們改，跟不上業務創新的節奏，所以他們當時用著很痛苦。
招商信諾找到我們的時候，當時還不知道我們有機器學習平臺，也是希望買我們的自助分析平臺。他們當時的一個需求是客戶的分群，基於分群來做精準營銷，我們就拿我們自助分析平臺的組合分析功能去和他們聊。
後來，我們發現他們的需求和我們的自助分析平臺的功能不完全匹配，於是我們就把機器學習平臺通過模型來篩選客戶的功能與自助分析平臺手動篩選客戶的功能結合起來。這時候，他們發現這就是他們期望的東西。
目前在市面上的這些數據智能公司的解決方案，似乎沒有這種自助分析和機器學習相結合的方式。而我們用了兩三個月時間，第一個自助分析輔助機器學習的版本就上線了，目前已經開始做新的一期，也已經在大部分場景都把原來的BI平臺替換掉了。
八、企業需求度日益顯現 看好未來BI市場
愛分析：Smartbi選擇客戶的時候有哪些標準？
吳華夫：第一，BI對他們來說剛需，能夠給他們帶來價值。第二，有足夠的付費能力，給得起錢。第三，有規模效益，市場上有足夠多的類似場景的客戶，能夠讓我們的模板得到復用。
愛分析：目前Smartbi怎麼看教育行業，尤其是高校這部分市場？還會繼續重點發力去做嗎？
吳華夫：目前高校客戶是我們一個比較重要的客群來源，但它們普遍存在一些問題，主要是在信息化建設方面的付費意願不強，根本原因是它們在數據分析、管理駕駛艙等方面基本沒什麼預算。所以，這部分市場要想真正做大，還需要相關的政策引導。
愛分析：深信服的投資進來以後，思邁特是不是可以在教育行業加大一些關注度？我們了解到深信服的超融合一體機在教育行業的推廣還是挺多的。
吳華夫：的確是這樣，深信服也是一個產品型公司，銷售渠道做得比較完善。他們在超融合一體機當中也增加了大數據分析平臺，所以我們的期望是能夠將我們的BI產品結合到這裡面去。
愛分析：您對未來中國BI市場發展的預期是怎樣的？
吳華夫：BI市場的增速還是會越來越快的，因為背後的推動力就是中國企業的信息化。
現在還有相當一部分企業的信息化程度比較低，尤其是大部分中國企業對BI的應用都還處於看報表、做dashboard的初級階段，而從這個階段往後面走，自助分析、預測性分析的應用程度還是非常低的。
其實，中國企業的信息化就是一波一波來的，金融領域和大型企業普遍會早一些，後面中型企業、小型企業這一波潮流過來的話，BI市場的需求度應該還會更加旺盛。
所以，我們在過去沒融資的時候，每年的增長率都有60%-70%，而且每年的現金流都是正的。現在融資之後，增長率一定會更快。