版中国商业智能市场策略研究报告Word文档格式.docx

版中国商业智能市场策略研究报告Word文档格式.docx

《版中国商业智能市场策略研究报告Word文档格式.docx》由会员分享，可在线阅读，更多相关《版中国商业智能市场策略研究报告Word文档格式.docx（17页珍藏版）》请在冰豆网上搜索。

2013年以来商业智能产业发展迅速，2015年市场规模已达140亿元，新兴的创投企业大量出现，市场活跃度高。

有鉴于此，我们针对商业智能产业发展的大浪潮，对商业智能的概念、产业链关键环节、市场规模和发展态势进行了细致梳理，并指出了可能的投资热点。

主要结论：

我们认为商业智能产业的未来发展将呈现出四大趋势：

（1）自服务BI将成为商业智能新战场；

（2）商业智能将逐步基础设施化；

（3）商业智能的混合云化成为必然趋势；

（4）商业智能的普及将促进全社会数据资源的开放和共享。

同时，针对未来的投资热点，我们认为应重点聚焦自服务商业智能、探索式分析和自然语言查询等技术的应用，关注整合流数据处理的商业智能整体解决方案，拓展涵盖商业智能企业在垂直行业领域的业务整合。

一、商业智能产业概念界定及发展演进

（一）概念界定

综合国内外权威机构对商业智能（BusinessIntelligence，BI）的定义，我们研究认为，商业智能是一种综合各类数据，应用大数据、云计算、ETL、OLAP、机器学习和可视化等技术，为组织提供数字化的决策支持，发掘组织潜在增长空间的解决方案。

商业智能产业则是指与商业智能解决方案相关的产品和服务所组成的业态的总称。

（二）产业演进

商业智能产业的演进经历了三个阶段：

传统的商业智能阶段，大数据时代的商业智能阶段和自服务的商业智能阶段。

前两个阶段间的转变，主要体现为所分析数据的多元化。

大数据时代的商业智能系统，不仅涉及传统阶段的结构化数据，还拓展涵盖了半结构化数据、非结构化数据和流数据，从而提供了更全面的分析结果。

后两个阶段间的转变则主要体现为在开发思路上对客户真实需求的回归。

自服务的商业智能更加强调敏捷分析，以及探索式分析和实时分析技术，它通过提供高度弹性的交互操作界面和自服务数据准备，将分析和洞察的权利从传统的IT部门移交给一线的业务人员。

图表1：

商业智能产业演进路线图

1、传统的商业智能

传统的商业智能是应用ETL（Extract-Transform-Load）、数据仓库（DataWarehouse，DW）和联机分析处理（OnlineAnalysisProcessing，OLAP）等技术，在搜集、整理并存储企业内部各业务单元数据（通常为结构化的数据）的基础上，进行分析和可视化展现（通常为各类定制化的报表）的解决方案。

ETL技术为收集和整理各业务单元数据，并将其存入数据仓库提供了良好的解决方案。

通过数据抽取、数据清洗、数据转换和数据加载四个过程，ETL可以将零散分布于组织各业务单元的数据汇聚在数据仓库中。

数据仓库技术是数据库技术的延伸。

20世纪70年代，关系型数据库技术得到推广，用户可以通过SQL查询语言灵活方便地访问数据。

而到20世纪80年代中后期，随着数据收集、存储和计算机设备的发展，数据库技术逐渐演化出两大应用：

联机事务处理（OnlineTransactionProcessing，OLTP）和联机分析处理（OLAP）。

OLTP系统用于分析细节性的当前数据，支持日常事务运作，其数据可更新，实时性高，普通用户数量大。

而OLAP系统多用于分析综合性的、面向主题的历史数据，以支持决策分析，其数据不可修改，对实时性要求不高，但处理量较大。

数据仓库就是OLAP应用的主要场景，它可以为企业高层和决策分析人员提供全面的、多维度的数据存储、查询和分析方案。

图表2：

传统商业智能解决方案

综上，通过搭建数据仓库，利用ETL和OLAP工具进行整合分析，并以报表和企业驾驶舱等形式进行展示，一个传统的商业智能分析框架就被构建起来。

这种框架可以为管理层和决策制定者提供定量化的数据支撑。

大型的数据库企业通常也提供数据仓库商品，如Oracle、SAP、IBM、达梦和南大通用等企业的数据仓库产品，以及东软BI和南大通用的GbaseBI等商业智能产品。

2、大数据时代的商业智能

“大数据时代”通常具有显著的3V特性，即数据容量大（Volume），数据类型繁多（Variety），以及数据分析和处理的速度快（Velocity）。

大数据时代的商业智能与传统商业智能的区别主要体现在“数据类型的多样化”和“分析技术的多样化”两个方面。

通过应用先进的分析技术，大数据时代的商业智能解决方案可以涵盖更广阔的信息源，提供更多元化、更全面的分析结论。

图表3：

大数据时代的商业智能解决方案.

从数据类型来看，这一时期的商业智能不仅分析结构化数据，还拓展涵盖半结构化数据、非结构化数据和流数据。

结构化数据被组织成二维表形式，通常受到较严格限制（如数据类型、字符数和可选项等）并被用于关系型数据库系统。

非结构化数据是缺乏预定义数据模型或没有被组织成预定义形式的数据类型，它通常无法被程序快速识别和应用，涉及文本和多媒体等资源，如文本文档、图像、视频、网页和电子邮件等。

半结构化数据介于结构化数据和非结构化数据之间，它是通过对非结构化数据进行一定程度的加工和组织，形成可以在一定程度上被程序分析和处理的数据，如应用标签进行信息组织的XML文件等。

流数据指代一组顺序、大量、快速、连续到达的数据序列，一般情况下可被视为随时间延续而无限增长的动态数据集合，如传感器数据、监控数据和金融交易数据等。

从分析技术来看，传统商业智能中的数据库和数据仓库技术主要用于结构化数据的分析，而在大数据时代的商业智能情景下，以Hadoop生态系统为代表的大数据技术可用于处理非结构化和半结构化数据，而以Storm和Spark平台为代表的实时分析技术可用于处理流数据。

通过将这三大类数据分析技术相结合，形成了大数据时代的商业智能整体解决方案。

大数据时代的商业智能典型的产品有：

视界信息的“八爪鱼-大数据”，数据工匠、乾润报表、诸葛IO、图聚、神州融和依图科技等。

这些商业智能产品侧重于分析过程，其后续的“可视化展示”过程大多采取预先设定的方式（如应用MOLAP构建数据立方体），无法为应用者提供交互式的分析体验。

它们主要采用各类大数据技术，为企业提供不同行业应用场景下（如用户行为分析，征信分析，以及广告和营销策略推荐等）的决策支撑。

3、自服务商业智能

自服务的商业智能解决方案，是对大数据时代商业智能解决方案的延伸，两者的差异主要体现在提供服务的思路上。

传统商业智能和大数据时代的商业智能解决方案通常都很倚重IT部门，由IT部门通过集中管控来构建项目框架、设计模式并实施。

这个相对集中而僵化的体系，导致了业务部门在提出新的分析需求时，IT部门很难给出及时的反馈，缺乏敏捷性和灵活性。

实践中发现，如果把IT部门从数据分析的具体事务中分离出来，构建“自服务的商业智能”，将数据分析的权利交给一线的业务人员，整个流程就会变得更加敏捷，企业也更容易通过持续的反馈，来满足自身对商业智能项目的需求。

当前，越来越多的企业希望借助业务主导型、高性能、具备大数据处理分析能力的自服务商业智能平台来解决它们的问题。

这种商业智能平台通过倡导探索式分析方法，将灵活分析的权利交给业务人员，放弃了事前对分析模式的设定，直面需求充分释放数据的价值。

相应的，IT部门则可以将更多的精力用于构建完善的、高度友好的一站式商业智能分析平台。

通过将平台建模层与业务层分离，自服务的商业智能平台可以让用户通过简单拖拽和勾选等操作方式，实现诸如预测和统计建模等功能，从而达到深度数据分析的效果。

同时，在实际部署上，这类商业智能既可以应用于本地硬件，也可以运行于云端。

国内外的典型产品有：

Tableau的Desktop、Server和Online，Qlik的QlikSense，Microsoft的PowerBI，以及国内的永洪科技的YonghongZ-Suite，FineBI，奥威软件的Power-BI，思迈特的SMARTBI，以及国云大数据的“大数据魔镜”。

近来，很多大数据时代的商业智能公司都在竭力向“自服务的商业智能供应商”转型，比如：

IBM发布的CongosAnalytics11和WatsonAnalytics，SAP新发布的BusinessObjects，以及SAS的VisualAnalytics系列产品。

二、商业智能产业链分析

（一）产业链全景图

依照数据在整个产业链上流动中的所处位置和角色，本研究将商业智能的产业链拆分为数据基础层、数据处理层和数据应用层。

图表4：

商业智能产业链全景图

数据基础层是商业智能的出发点，它涵盖了企业内部的各类业务数据、统计数据、第三方交易平台数据、互联网数据（如SDK采集数据）和各类监测数据（如传感器数据）等。

这些数据作为商业智能分析的标的物，直接关系着项目的实际需求，其类型、质量和粒度等属性会对最终的分析结果产生较大影响。

因此，明确数据基础层中所涉及的各类数据内容和属性是商业智能项目至关重要的前期工作。

数据处理层是商业智能项目的核心环节之一，它涵盖了数据导入、数据存储和数据分析三个子过程。

其中，数据导入不仅仅是将数据引入处理层，它还包括了对引入数据的清洗、转换、加载和校验等过程。

数据存储是指将规整后的数据存入数据库和数据仓库的过程。

相关技术涵盖传统的关系型数据库技术、NoSQL技术、NewSQL技术，以及分布式存储和计算技术等。

数据分析过程既包括应用SQL语句从数据库中提取结构化的信息，也包括应用自然语言处理和机器学习等技术对非/半结构化数据和流数据进行挖掘，以及通过特征工程和建模催生新知识。

数据应用层是商业智能项目的另一个核心环节，它的主要工作是对数据分析的结果进行展示，以辅助组织决策。

常见的形式有各类可视化图表，以及针对不同场景的解决方案。

从可视化图表来看，针对不同的数据类型（如多维数据、层次数据、网络数据、时序数据和文本数据）通常有对应的图形展示方式。

从应用场景来看，数据应用层涉及数字化营销、安防、征信评价和舆情监测等诸多情景。

图表5：

数据基础层的数据来源

（二）主要环节分析

1、数据基础层

数据是商业智能项目的起点和所有分析的源头。

它包括了企业中的各类业务单元（如ERP，CRM，SCM等系统）中的数据、不同尺度的统计数据（如按地域分和按行业分的数据）、区域或企业性质的第三方数据交易平台（如贵阳大数据交易所、东湖大数据交易中心、数据堂、发源地和ApiX等）数据、互联网企业（如XX、阿里和腾讯等）数据，以及各类监测数据（如传感器数据，通信和金融交易数据，智能家居收集的用户行为数据）等。

2、数据处理层

数据处理层是商业智能项目的核心和高价值环节之一，它包含数据导入、数据存储和数据分析三个子过程。

数据导入涵盖数据抽取、清洗、转换和质量控制等具体操作，是实现多源数据集成的主要手段。

ETL（Extract-Transfrom-Load）作为数据导入的主要工具，无论在传统的数据仓库时代和大数据时代均具有不可替代的作用。

当前的ETL工具市场可分为三类：

（1）数据库厂商自带的ETL工具，如IBM的InfoSphereDataStage，Oracle的DataIntegrator和WarehouseBuilder，微软的SQLServerIntegration