Tableau の 157 億ドルの買収の背後にある、50 ページの詳細なレポートが BI の未来を明らかにする

レポート概要

BIビジネスインテリジェンスの核心は、意思決定の価値を反映することです。

• 企業のデジタル変革の本質は、経験主導の意思決定からデータ主導の意思決定への移行です。

• BI プラットフォームは、データから価値を生み出す主な方法になります。 BI構築を中心としたデータミドルオフィスサービスは、徐々に大量データ処理・分析の中核プラットフォームとなってきました。

• 企業内でより深いビジネス洞察を提供することは、経営陣が意思決定に BI プラットフォームを利用するための基盤となります。

• BIビジネスの発展により、ビジネス担当者がデータ分析を行うハードルが大幅に下がりました。

データと分析の両方のための統合プラットフォームを開発する傾向にある

• 企業はもはや一般的なレポートやアジャイルなダッシュボードに満足しておらず、BI に対するニーズはより柔軟で効率的になっています。クラウド BI プラットフォームをベースとしたワンストップ ビッグデータ プラットフォームが新たなトレンドになっています。

• データ管理の面では、最新の BI プラットフォームは、従来の BI のデータ ウェアハウス資産を活用するだけでなく、より強力なデータ ソース管理機能と詳細な分析機能も備えている必要があります。

• 使いやすさの面では、強化された分析、セマンティック検索、埋め込み分析により、最新の BI プラットフォームを使用するハードルが大幅に下がります。

テクノロジープラットフォームはより柔軟になり、シーンの統合が鍵となる

• マイクロサービス アーキテクチャとコンテナ テクノロジの発展により、より多くの BI 統合クラウド プラットフォームが疎結合アーキテクチャを採用し、基本プラットフォームの柔軟性とビジネス適応性が向上しました。

• BI システムの導入時には、企業のニーズを深く探究し、企業の管理方法、プロセス、管理システムを再検討する必要があります。このプロセスでは、テクノロジー プラットフォームと垂直業界シナリオの統合が鍵となります。

目次

1. BIビジネスインテリジェンス業界の概要

2. BIビジネスインテリジェンスの価値

3. BIビジネスインテリジェンスの重要な応用シナリオの分析

IV. BI市場規模の計算と分析

5. BIビジネスインテリジェンスの将来動向

6. BIビジネスインテリジェンスベンダーの競合分析と代表的なベンダーの紹介

結論

1. ビジネスインテリジェンス業界の概要

2019 年、国際ビジネス インテリジェンス業界の状況は大きな変化を遂げました。 6月6日、Googleはビジネスインテリジェンスソフトウェアおよびデータ分析プラットフォームのLookerを26億ドルの現金で買収しました。その4日後、SaaSの最初の銘柄であるSalesforceがBIリーダーのTableauを157億ドルで買収したという衝撃的なニュースが報じられ、Salesforce史上最大の買収となりました。

国際的な大企業が買収を通じて業界を統合することは目新しいことではありませんが、このような集中的な BI の合併や買収は歴史上初めてではありません。それは 12 年前に起こりました。 2007 年、Oracle は Hyperion を 33 億ドルで買収し、SAP は Business Objects (BO) を 68 億ドルで買収し、IBM は Cognos を 50 億ドルで買収しました。こうなると、IT 大手が BI 企業の買収になぜそれほど熱心なのか疑問に思う人もいるでしょう。

Cエンドインターネット市場では、トラフィックの入り口は常に企業にとっての戦場であり、BIソフトウェアはデータ分析の分野で最も重要な入り口の1つです。 BI および分析の分野における製品とテクノロジーは、すべてのユーザー、特に大規模な顧客にとっての厳しいニーズです。 2019 年、クラウド コンピューティングは 2.0 時代に入りました。ビッグ データにより、BI に膨大なデータ分析のニーズがもたらされました。ビジネスの複雑さとデータの複雑さによってもたらされた 2 つの課題が、BI の合併と買収の新たなラウンドの主な原動力となりました。

1.1 BIビジネスインテリジェンスの開発の歴史

BI (ビジネス インテリジェンス) は、企業がビジネス データの価値を発掘して表示したいというニーズから生まれました。 1989 年、BI の概念はハワード・ドレスナーによって定義され、広く普及しました。当時、BI は、企業の意思決定を支援することを目的として、データ ウェアハウス、クエリ レポート、データ分析、データ マイニング、データ保守などの機能で構成される技術アプリケーションとして定義されていました。

図1: 1968年から1989年までの伝統的なBI企業の設立のタイムライン

データソース: iAnalysis

ビジネス インテリジェンスはテクノロジーであるだけでなく、企業統合データ ソリューションでもあります。これには、ETL (抽出、変換、ロード)、データ ウェアハウス、DM (データ マイニング)、OLAP、データ視覚化、その他のツールが含まれます。 1968年から1989年にかけて、Cognos、SAP、Oracle、Teradata、MicroStrategyなどの伝統的なBIベンダーが次々と設立されました。

2013 年以前は、従来の BI 製品が常に市場の主流でしたが、これはあまり良い市場ではありませんでした。 IBM の統計によると、従来の BI プロジェクトの失敗率は 60% ～ 70% であり、多くの BI システムは効果的に使用されていません。従来の BI 製品では通常、技術者のみが設計されたディメンション モデルに基づいてデータ ウェアハウスを構築できます。これにより、技術担当者がビジネス担当者のニーズを完全に理解することが困難になり、データ ウェアハウスが常に変化するビジネス ニーズに対応できなくなるという 2 つの問題が発生しました。

アジャイル BI は、上記 2 つの問題を解決するために登場しました。アジャイル BI はセルフサービス BI とも呼ばれ、ビジネス担当者がセルフサービスでモデル化し、迅速な展開、データ ソースの統合、高性能コンピューティング、探索的分析を実現できる BI 視覚化製品を指します。ビジネス担当者が自分でモデルを作成できるため、データがビジネス ニーズを反映していない、または技術担当者がビジネス ニーズを理解していないというジレンマを解消できます。データがビジネスを直接反映できるようにすることが、アジャイル BI の大きな特徴となっています。代表的なアジャイル BI ベンダーには、Tableau、Yonghong Technology などがあります。

表1:従来のBI製品とアジャイルBI製品

データソース: iAnalysis コレクション

1.2 BIビジネスインテリジェンス技術のアーキテクチャと進化の道筋の分析

従来の BI ビジネス インテリジェンス アーキテクチャは、主にデータ ソース、データ ストレージと管理、OLAP エンジン、フロントエンド ツールで構成されています。データ ウェアハウス、データ マート、OLAP エンジンは、従来の BI システムの中核です。従来の BI テクノロジー システムは、膨大なデータ計算や動的なビジネスをサポートしておらず、システム構築とモデリングのプロセスを技術者が完了する必要があります。

BI ビジネス インテリジェンスが従来の BI 段階からアジャイル BI へと発展するプロセスにおいて、データ ソースとデータ管理、強化された分析、インタラクティブなユーザビリティが、BI テクノロジ アーキテクチャの急速な進化の主な方向性となります。具体的には、従来のデータ ウェアハウスは大規模なハイブリッド ストレージと効率的なガバナンスへと進化し、オフライン データ分析は強化されたリアルタイム分析へと進化し、静的レポートはセルフサービス チャートとインテリジェントなインタラクションへと進化します。

図2:従来のBIアーキテクチャ

データソース: iAnalysis コレクション

1.2.1 従来のデータウェアハウスは、大規模なハイブリッドストレージと効率的なガバナンスへと進化しています。

従来のデータ ウェアハウスと OLAP エンジンは、今日の BI ビジネスのデータ ストレージとクエリ効率のニーズには適していません。ビジネス データが急速に増加しているため、従来のデータ ウェアハウスではストレージとコンピューティングのニーズを満たすことができません。一方で、データ ETL の効率は急速に低下しており、1 時間以内に準備できたはずのデータが分析の 1 日前まで遅れることが多くなっています。また、データ クエリの効率も急速に低下しており、数秒以内にクエリを実行することがますます困難になっています。

MPP またはビッグデータ プラットフォームは、大量のデータを処理するための主要なソリューションになっています。 MPP (Massively Parallel Processing) はトランザクション処理データベースとは異なり、OLAP シナリオに適しています。 MPP ソリューションを採用した典型的な例は、1990 年に最初の MPP データベース製品をリリースした大手データ ウェアハウス企業である Teradata です。現在でも、MPP アーキテクチャは、高品質の構造化リレーショナル データを処理するための推奨ソリューションです。国産BIソフトウェアの中で、Yonghong Technologyのデータマート製品もMPPアーキテクチャを採用しています。

数年にわたる急速な発展の後、Hadoop は過去 2 年間で弱点の兆候を見せていますが、依然として主流のビッグデータ プラットフォームです。 Spark や Flink などの分散コンピューティング エンジンや、分散データベースや分散ストレージなどの新興テクノロジーが、ビッグ データ プラットフォーム エコシステムのギャップを急速に埋めています。現在、ビッグデータ プラットフォームは、構造化データ、半構造化データ、非構造化データを処理できるようになっています。Agile BI 製品には通常、Hive や Spark SQL などのビッグデータ プラットフォーム クエリ インターフェイスが備わっています。

動的なビジネス ニーズにより、BI ビジネス インテリジェンス データ ガバナンスに対する要件はより厳しくなります。従来の BI の成功の鍵は、メタデータを適切に定義することです。メタデータが定義されると、変更にかかるコストは非常に高くなります。しかし、技術者のビジネス理解が限られていることやビジネス フォームが変化していることから、適切なメタデータ定義を実現するのは通常困難です。データ ガバナンスとは、一貫性のないメタデータ標準、データ品質管理、データ統合効率の低さなどの問題を解決するための適切なツールと方法の出現です。 IBM や Qlik などの BI 企業は、すでに自社製品にデータ ガバナンス機能を提供または強化しています。

1.2.2 オフラインデータ分析から強化されたリアルタイム分析への進化

従来の BI のオフライン データ分析では、リアルタイム/準リアルタイムの要件を満たすことが困難です。通常、その日の業務が終了すると、BI システムは統合されたクエリ、計算、分析、およびプレゼンテーションを実行します。顧客は当日の分析結果をリアルタイムで入手することができないため、消費財、物流、航空など、高い効率性が求められるビジネスの BI ニーズを満たすことが困難になっています。

リアルタイム/準リアルタイム BI 分析の目標は、数秒以内にクエリ応答を実現することです。現在、リアルタイム BI 製品の開発方向は、MPP/ビッグ データ アーキテクチャ (Presto/Impala/SparkSQL/Drill) を使用してクエリ パフォーマンスを最適化すること、分散検索エンジン アーキテクチャ (Elasticsearch、Solr) と事前計算された分散 OLAP エンジン (Druid/Kylin) を使用することの 3 つがあります。

上記3つのソリューションは、インメモリコンピューティング、並列コンピューティング、分散コンピューティング、分散通信などのさまざまな方法を使用して、応答速度を向上させます。また、既存のBIベンダーもインライブラリコンピューティングテクノロジーを使用して、コストの高い計算をデータが保存されている場所で直接実行し、データの移動を大幅に削減し、通信負荷を軽減し、データ分析のパフォーマンスを向上させます。

リアルタイム要件に加えて、 AI 技術の急速な発展により、分析を強化するための自然言語処理と機械学習技術の使用が BI システムに対する厳格な要求となっています。 Microsoft、Tableau、ThoughtSpot、MicroStrategy はすべて関連製品を発売しました。今後は、データ予測やデータマイニングがよりインテリジェント化し、自動データ準備、モデルベースの拡張分析、予測分析などの強化された分析技術が主流になるでしょう。

1.2.3 静的レポート表示からセルフサービスチャートとインテリジェントなインタラクションへの進化

従来の BI のフロントエンドは静的なレポートであり、ビジネス担当者はレポートを直接調整できません。ビジネス ニーズが変化すると、技術担当者が協力して変更を加える必要があります。月次財務会計シナリオなどの一部のシナリオでは、このような静的レポートは効率性と正確性の点で利点がありますが、動的なビジネス シナリオでは、静的レポートでは現代の企業のデータ分析のニーズを満たすことができなくなります。

Agile BI は、ビジネス担当者に探索的分析とセルフサービス チャート作成ツールを提供します。既存のデータ インジケーターとディメンションがビジネス分析のニーズを満たせない場合、従来の BI は無力になることがよくあります。ただし、ビジネス担当者はアジャイル BI を使用して、ドラッグ アンド ドロップで新しいインジケーターとディメンションをカスタマイズし、探索的分析を実行できます。このプロセスでは、技術者の長期的な関与は必要なく、ビジネス担当者とデータの距離が大幅に短縮されます。大規模なストレージと効率的なクエリの技術サポートにより、Agile BI はセルフサービス チャートを使用してカスタマイズされたインジケーターをリアルタイムで表示し、ビジネス ニーズに迅速に対応できます。

インテリジェントな質疑応答テクノロジーによってサポートされるインテリジェントなインタラクションは、BI 表現の新しい形になりました。従来の BI とアジャイル BI はどちらもインテリジェント BI へと移行しています。自然言語理解を使用して自然な文章クエリを実行し、ナレッジグラフを使用してビジネスの早期警告を実現し、エキスパートシステムを使用してビジネスコンサルティングを提供することが、ビジネスインテリジェンスの新たな開発方向となっています。

セルフサービス プレゼンテーションとインテリジェントなインタラクションが BI プレゼンテーションの新しい形式になることに加えて、組み込み分析も主要な開発方向になっています。組み込み分析を使用すると、さまざまなシステムからの関連レポートを 1 つのグラフにリアルタイムで統合できるため、データ サイロの作成を正式に回避できます。

1.3 BIビジネスインテリジェンスのビジネスプロセスと主なビジネスモデル

1.3.1 ビジネスプロセス

BI ビジネス インテリジェンスのビジネス プロセスは、従来の BI とアジャイル BI の観点から 2 つのタイプに分けられます。 2 つの BI ビジネス プロセスは、適用可能なシナリオ、展開方法、展開/使用コストが異なります。

従来の BI ビジネス プロセスは、ビジネス要件の定義、BI プラットフォームの確立と展開、BI の使用と保守の 3 つのステップに分かれています。BI プラットフォームの確立と展開は、さらにデータ ウェアハウス モデルの確立、データの抽出、変換、読み込み、分析テーマの構築、分析レポートとダッシュボードの作成に分けられます。従来の BI ビジネス プロセスでは、BI プラットフォームの使用とビジネス要件の定義は主にビジネス担当者によって完了され、BI プラットフォームの構築と展開は主に技術担当者によって完了されます。

図3:従来のBIビジネスプロセス

データソース: iAnalysis

従来の BI ビジネス プロセスは長期間テストされており、成熟したモデリング手法を備えており、ビジネス データを適切に統合できます。データ ウェアハウスを構築するプロセスは、通常、企業のビジネス プロセスを整理し、データの価値を抽出するプロセスでもあります。そのため、データ ウェアハウスから取得されるデータは、通常、洗練され、整然としたビジネス データです。

同時に、従来の BI の構築プロセスは非常に複雑であるため、ビジネスの需要者、ユーザー、プラットフォーム構築者が分離されています。その結果、従来の BI プロセスには、導入コストが高い、導入サイクルが長い、ビジネス ニーズとプラットフォーム機能の不一致、調整が難しい固定したレポート、ビジネス担当者がニーズに合わせてレポートを準備するのが難しい、IT 部門への負担が大きいなどの欠点がありました。

そのため、従来の BI プロセスは、安定した要件とデータ フレームワークを備えた基本的な大容量データ分析ビジネスに適しています。

アジャイル BI ビジネス プロセスは、アジャイル BI ツールまたはプラットフォームを通じて実装されます。アジャイル BI ビジネス プロセスでは、技術的な実装とビジネス分析が分離されているため、データ ソースの接続、指標セットの定義、探索的分析、セルフサービス レポートの作成とダッシュボードの表示は、主にビジネス担当者のセルフサービスに依存しています。

図4:アジャイルBIビジネスプロセス

データソース: iAnalysis

アジャイル BI ビジネス プロセスは、迅速な導入、柔軟な変更、効率的なクエリ、セルフサービス分析を特徴としており、導入コストと使用コストは従来の BI よりも低くなります。同時に、アジャイル BI はビジネス担当者によって主導されるため、アジャイル BI のビジネス プロセスはビジネス分析のニーズに近くなります。

しかし、アジャイルBI業界は

ビジネスプロセスには複雑なデータモデリングプロセスがなく、高度なデータ管理機能を提供することができません。したがって、アジャイル BI ビジネス プロセスの実装時には、従来の BI で確立されたデータ ウェアハウスも必要です。通常、アジャイル BI のデータ ソース接続プロセスでは、Hadoop プラットフォーム、Excel などの他の複数のデータ ソースにも接続されます。したがって、アジャイル BI ビジネス プロセスは、従来の BI ビジネス プロセスを完全に置き換えることはできません。

1.3.2 ビジネスモデル

BI ビジネス インテリジェンスには、主に製品/SaaS モデルとサービス モデルの 2 つのビジネス モデルがあり、サービス モデルには IT サービス タイプとビジネス サービス タイプが含まれます。

製品/SaaS モデルは、BI 製品または SaaS を顧客に提供し、顧客がそれを自分で実装するというものです。 Tableau はこのモデルの代表的な例であり、主に Tableau Desktop および Server バージョンに焦点を当て、組み込み開発および SaaS サービスも提供しています。 Tableau の活用はコンサルティングサービスに加え、実際のニーズに基づいてビジネス担当者が主に行います。 Tableau に加えて、MicroStrategy やほとんどのアジャイル BI ベンダーおよび SaaS サービス プロバイダーもこのモデルに属しています。

製品/SaaS モデルでは、柔軟で機敏な BI 製品を顧客に提供し、顧客がビジネスの変化にタイムリーに対応できるようにします。ただし、通常、単一の製品では顧客のビジネス カスタマイズ ニーズを満たすことは困難です。

サービスモデルは、IT サービスまたはビジネス サービスの形式で、総合的な BI ベースのソリューションを顧客に提供することです。

IT サービス モデルを提供する企業は、主に Oracle、SAP、IBM、SAS などの従来の BI 企業です。このような企業は主に BI 情報システムの構築に重点を置いていますが、データ ウェアハウスを構築する過程では、業務担当者と全面的に協力する必要があり、多くの業務コンサルティングと整理のプロセスが伴います。従来の BI ベンダーは独自の BI 実装方法論を確立しています。 SAPBW を例にとると、その実装プロセスは、プロジェクトの計画と準備、設計フェーズ、開発フェーズ、テストと展開フェーズ、システム起動フェーズに大まかに分けられます。

IT サービス モデルは、ビジネス ニーズと技術的な実装を完全に組み合わせていますが、主に従来の BI プロセスに基づいており、通常、複数の部門の調整と協力が必要になります。同時に、導入コストが高いため、現代の企業のニーズに柔軟に適応することが困難です。

ビジネスサービスモデルは、ワンストップのビッグデータ分析プラットフォームをベースとしたアジャイルBI製品を構築し、企業のビジネス分析ニーズをサービスの形でサポートします。ビジネス サービス ベンダーは、データ統合を容易にするために、データ ウェアハウスだけでなくデータ レイクを構築する能力も備えている必要があります。通常、ビジネス サービス ベンダーは、多様なサービスを SaaS 形式で提供します。

1.4 BI ビジネス インテリジェンス 業界マップ

BI ビジネス インテリジェンス業界マップには、BI コンポーネントと全体的なソリューションの 2 つの側面から、既存の BI 製品と BI メーカーがリストされています。 BI コンポーネントは製品ベースであるか、メーカーの主要製品が配置されている領域に重点を置いています。BI コンポーネントには多数のオープン ソース製品が含まれており、通常は独自の BI プラットフォームを構築するメーカーによって使用されます。総合ソリューションには、主に国内と海外の 2 つの分野の主要なサプライヤーがリストされています。総合ソリューションに携わる企業は通常、個別にリストされていない完全な BI コンポーネントを提供できます。

BI コンポーネントは、主に ETL ツール、データ ウェアハウス/データ マート、メタデータ管理、OLAP ツール/サーバー、フロントエンド クエリ、分析とマイニング、レポートと視覚化のコンポーネントに分けられます。 BI コンポーネントは、商用製品とオープンソース製品の 2 つのカテゴリに分けられます。商用コンポーネントは、主に分析/マイニング レポート、レポート作成、視覚化、ETL などの分野に集中しています。これらの領域では、通常、高いパフォーマンス要件が求められたり、ビジネスの変化に敏感になったりします。

BIコンポーネントのオープンソース製品には、Apache Hadoop、Impala、Hive、Drill、Atlas、Kylin、Supersetがあり、ストレージから分析までほぼすべてのモジュールをカバーしています。また、Cloudera、Airbnb、Pivo​​tal、Hitachiなどの企業も多くのオープンソースの力を貢献しています。中国のチームが主導するDruidとKylinは、現在、OLAPオープンソースツールの主流となっています。しかし、オープンソース製品は主にインターネット企業（Kuaishou、Meituanなど）で使用されており、専門的なメンテナンスチームがなければ、オープンソース製品はビジネス部門のニーズを満たすことができません。

図5: BIビジネスインテリジェンス業界マップ

データソース: iAnalysis

BI 全体ソリューション プロバイダーは、統合プラットフォーム プロバイダーになることもできます。従来型BIベンダーの製品には、Oracle OBIEE、SAP BO、IBM Cognos、MicroStrategyの4つがあり、ETLから可視化までコンポーネントを揃え、ビジネスモデリングのコンサルティングサービスを提供しているのが特徴です。 Pentaho は現在主流の BI オープンソース ソリューションです。

従来の BI ベンダーと比較して、アジャイル BI ベンダーは通常、データ ソースの統合および管理機能を備えた視覚化製品を提供します。アジャイル BI の元祖である Tableau を例にとると、従来の BI の OLAP データをサポートするだけでなく、AWS、AZURE、Dropbox、Excel など、さまざまな種類のデータベースやファイルからデータを取得することもできます。国内有数のアジャイル BI メーカーである Yonghong Technology は、現在最大 27 のデータ ソースをサポートしています。

2. BIビジネスインテリジェンスの価値

2.1 BIビジネスインテリジェンスはデータ分析ツールと同じではありませんが、データ駆動型の意思決定の第一歩です。

企業のデジタル変革の本質は、経験主導の意思決定からデータ主導の意思決定への移行です。このプロセスでは、企業のさまざまなビジネス システムの説明、診断、予測などのデータ インサイト機能を提供するのは、データ分析ツールではなく、BI データ分析プラットフォームです。この BI プラットフォームは、機能面でビジネス ニーズを満たすだけでなく、ビジネス担当者が簡単に操作できるため、ツールとビジネスの深い統合を実現します。

従来のデータ分析プロセスをビジネスニーズから切り離すことが、データ駆動型開発の最初の障害となります。従来のデータ分析ツールである SPSS を例に挙げると、豊富な統計分析モデルと統計分析レポートが提供されますが、レポートの分析結果はビジネスの説明ではなく、単に統計モデルの説明にすぎません。同時に、複雑な統計モデルは、通常、統計の専門家にしか理解できず、ビジネス担当者が操作するのは困難です。

データ駆動型管理では、データ プラットフォームが単なるデータ分析結果ではなくビジネス ニーズに対応することが求められます。データ分析プロセスは、ビジネス上の意思決定プロセスの一部にすぎません。BI の核となる価値は、分析結果を合理的な意思決定の基盤に変換することにあります。エンタープライズ BI アプリケーションの目標は、さまざまなビジネス ソースからのデータを一様に処理および管理し、データを情報に変換し、情報を意思決定に変換し、意思決定をアクションに変換することで、管理効率を向上させ、企業の競争上の優位性を高めることです。

BI プラットフォームは、データ ソース インターフェイスとデータ分析ツールをカプセル化しているため、ビジネス担当者はさまざまなビジネス データを簡単に取得し、ビジネス ニーズに基づいて分析結果を抽出できます。同時に、BI は共有分析プラットフォームとして、部門間のデータの混乱を回避し、意思決定の効率を大幅に向上させます。

図6: BIテクノロジーサポートプラットフォームが企業のデジタル変革を促進

データソース: iAnalysis

企業のデジタル変革の核心は、テクノロジーサポートプラットフォームの構築にあります。BI は、データ主導の意思決定の第一歩として、主に企業内の運用、販売、上級管理職によって推進されています。企業が「広範囲」な管理から「きめ細かな」管理に移行するにつれて、BI の助けを借りて、企業/ビジネス マネージャーは意思決定をより適切に導き、運用効率を改善し、顧客収益を増やすことができ、それによって企業の競争力をより効果的に向上させることができます。 BI を使用する人はビジネスに責任を持つため、その分析結果は従来の統計学者の分析結果よりもビジネス ニーズを満たすことができます。

2.2 膨大な量のデータを処理・分析して価値あるものにする

  BI プラットフォームは、データから価値を生み出す主な方法となっています。現代のビジネス システムがますます増えるにつれて、収集されるデータはより詳細になり、システムの使用期間が長くなり、データ量はますます急速に増加します。しかし、既存のシステムでは大量のデータに迅速に対応できません。 BI構築を中心としたデータミドルオフィスサービスは、徐々に大量データ処理・分析の中核プラットフォームとなってきました。

図7:大量データの価値

データソース: iAnalysis

BI プラットフォームは、グローバル データの正確な分析と、低価値密度データの効果的な抽出を実現します。たとえば、仕入先情報、製品情報、在庫状況、顧客情報、注文データ、取引情報、時間および環境情報など、企業の重要な情報リソースはすべて、ERP/CRM/SCM などの業務システムやフラットファイルに分散され、「情報アイランド」を形成しています。大まかな統計分析にサンプルを使用するのではなく、ビッグデータ BI プラットフォームを利用することによってのみ、グローバル データの価値を活用できるようになります。

膨大な量のデータ間の相関関係には通常、より大きな価値が含まれており、BI プラットフォームは強化された分析を使用して相関関係の価値を掘り起こします。たとえば、顧客関係管理のプロセスでは、BI アプリケーションを使用して顧客をセグメント化し、顧客の行動を分析し、主要顧客と潜在顧客を特定して顧客を理解し、顧客にパーソナライズされたサービスとクロスセリングを提供することで、顧客満足度と顧客維持率を向上させ、企業の市場機会を獲得します。

膨大なデータをリアルタイムで分析することで、ビジネス担当者はビジネスの変化に迅速に対応できるようになります。従来のデータ分析プロセスには多くのレポート準備が含まれており、従来のレポートツールは一般的に応答時間が遅くなります。 BI プラットフォームの高性能コンピューティング エンジンは、膨大なデータの第 2 レベルの分析のニーズを満たすことができ、ストリーム コンピューティングおよびリアルタイム コンピューティング プラットフォームは、高いリアルタイム要件を持つ IoT データまたは時系列データのリアルタイムまたは準リアルタイム分析を実現できます。

さらに、BI プラットフォームには予測分析の価値もあります。予測分析を外部データや過去の事実と組み合わせることで、ビジネス担当者は顧客、製品、パートナーをより深く理解し、企業にとっての潜在的なリスクと機会を特定できるようになります。

2.3 経営陣がデータに基づいて意思決定できるようにする

BI プラットフォームはデータ統合における利点があり、企業の内部データ資産と外部データ リソースの蓄積と管理の中心となります。従来の ERP、OA、CRM などのシステムには、情報を統合およびマイニングする機能がなく、企業内のデータだけでは企業の経営判断のニーズを満たすのに不十分です。 BI プラットフォームが企業の内部データと外部データを統合すると、これらのデータはマイニングおよび分析可能なデータ リソースとなり、企業がデータを使用して意思決定を行うための前提条件となります。

企業経営においてより深いビジネス洞察を提供することは、経営陣が意思決定に BI プラットフォームを利用する基礎となります。データの価値は一般的に管理者によって認識されているにもかかわらず、管理者が意思決定にデータを使用することを拒否する理由は、従来のデータ分析ツールでは一方的で大まかな分析結果しか提供できないためです。 BI は管理者の意思決定を支援しますが、その判断は管理者の BI プラットフォームへの依存度に依存します。ビジネスニーズに常に適応することによってのみ、BI プラットフォームの意思決定価値を反映することができます。

ビッグデータ BI プラットフォームは、経営上の意思決定に必要なデータの適時性と正確性を提供します。従来のビジネス部門間でデータを集約するプロセスは長いです。Excel を使用すると、最下層部門から上級管理職までのデータを集約するプロセスに 1 か月以上かかることがよくあります。従来の BI 製品を使用する場合でも、大量のデータに直面すると、必要な統計作業を完了するのに何時間もかかります。明らかに、ビッグデータ BI プラットフォームの助けを借りてのみ、経営陣はビッグデータに基づいた意思決定を行うことができます。

図8： Midea GroupのBIプラットフォームの利用状況

データソース: Midea Group、Yonghong Technology、iAnalysis

Midea Group は、エンタープライズ BI プラットフォームとして Oracle BIEE を使用していました。しかし、高性能、軽量な運用と保守、データ権限管理のプロセスにおいて、元の BI プラットフォームでは、柔軟性、適時性、正確性に対するエンタープライズ レベルの意思決定のニーズを満たすことができませんでした。同時に、BIEE は外部データや顧客の状況、競合製品の特性、オンラインの世論を統合してマイニングすることができないため、経営陣による元の BI の使用は非常に限られています。

ワンストップビッグデータBIプラットフォームを採用した後、プラットフォームは800以上のデータソースに接続され、100Tを超えるデータストックを形成します。このプラットフォームでは、新しい BI システムがさまざまなカスタマイズされたレポートやグラフに数秒以内に応答できるため、市場の変化に迅速に対応できます。新システムはデータに基づく意思決定に対する経営陣のニーズを満たしているため、BI プラットフォームは、Midea 社内のビッグデータ、国際部門、財務部門、物流子会社で急速に推進されています。

2.4 すべてのビジネス担当者がデータ分析能力を持ち、ビジネス効率を向上できるようにする

Agile BI により、ビジネス担当者がデータ分析を行うハードルが大幅に下がりました。アジャイルバイの大きな価値は、ビジネス部門と技術者の分離にあるため、ビジネス部門は自分のニーズに応じてビジネス分析の要件を迅速に実現できます。現在、アジャイルBIは、コンサルティング、エネルギー、電気通信、その他の業界など、国内および大規模な企業におけるビジネス担当者向けの優先データ分析ツールになりました。

Iresearch Consultingを例にとると、Iresearch Consulting Groupが毎日分析しなければならないデータの量は数千万人に達し、さまざまな企業クライアントの分析ニーズはさまざまです。動的なレポートクエリに直面する場合、分析ディメンションとメトリックの計算方法がモデリング中に事前に設定されており、変更できない場合、通常、ビジネス分析のニーズを満たすことができません。

Iresearch Groupは、アジャイルBIの分析ニーズを満たすために、分散コンピューティング、メモリ内コンピューティング、列ストレージ、およびDATABASEコンピューティングを含む新しいコンピューティングアーキテクチャを採用しています。プロジェクトが実装された後、Iresearch Consulting Groupのビジネス効率は、ExcelおよびSQLプログラミングに基づく以前の分析方法と比較して数回改善されました。オフラインのレポート配信サイクルは3週間から4週間から1週間未満に短縮され、ソフトウェア配信は半年から1か月に短縮されました。アジャイルBIツールを採用した後、Iresearch Consulting Groupは数日以内にクライアントを表示するためにプロトタイプをすばやく構築でき、要件の変更は1週間以内に調整できます。

図9： IresearchがBIプラットフォームを採用した後のプロジェクトの利点

データソース：Iresearch、Yonghong Technology＆Ianalysis

3。BIビジネスインテリジェンスの重要なシナリオの分析

3.1ファイナンス

金融業界は、最速でデジタル変革を達成した業界であり、データ資産は金融企業の中核資産になりました。従来のビジネスシステムデータに加えて、金融業界でのインターネットファイナンスの急速な増加に伴い、インターネット顧客のリスク制御、eコマース、チャネル、クレジットなどの新しいビジネスデータは、金融会社に多大なデータ使用圧力をもたらしました。

現在、BIは、金融企業の3つの運用、管理、およびリスク管理の3つの分野で重い使用需要を持っています。 CITIC Sichuan Branchが州全体のビジネス分析と顧客分析を処理する場合、ビジネスと顧客のデータを迅速にオンラインで持ち込み、合理的な権限管理を通じて独立分析のためにビジネス部門に引き渡す必要があります。通常、これらのデータはビジネス部門によって要約され、毎週または毎月のレポートの形で州の会社に報告されており、その結果、意思決定サイクルが長くなります。

アジャイルBIシステムを採用した後、CITIC Sichuan Branchのグローバルレポートの応答効率は10分以上から10秒未満に改善されました。ビジネス担当者は、セルフサービスモデリングシステムを使用してビジネスニーズに迅速に対応できます。また、分析のニーズは1日以内に達成できます。

顧客分析の分野では、BIは多次元データ協会を通じてユーザー年齢や性別などのさまざまな側面からユーザーのポートレートを構築し、ユーザー投資の好みをリアルタイムで分析し、精密マーケティングを実施できます。内部リスク制御の観点から、BIシステムは、トレンド分析、外れ値警告、その他の方法を通じてプラットフォームリスク管理を実施できます。

図10：典型的な銀行BIシステム

データソース：Yonghong Technology＆Ianalysis

BIシステムでは、応答効率、完全なデータモデリング、およびビジネス担当者によるセルフサービス分析は、通常、財務データの適用を制限する重要な要因です。従来のBIレポートでは、分析の前にモデリングが必要であり、プロジェクトサイクルは通常1か月以上続き、急速なビジネスの変化に対応できません。最新のBIシステムは、通常、金融ビジネスの数秒以内にセルフサービス分析とプレゼンテーションを実現できます。

上記の図には、典型的な銀行のBIシステムが示されています。プロジェクトの実装プロセス中、シニアBIコンサルタントは通常、プロジェクトが開始された後、ビジネス担当者自身によって完了することができます。

3.2小売

小売業界は通常、数万の店舗からのデータ情報に直面しています。通常、店舗運用を管理し、大量のメンバーシップ、トランザクション、プロセスデータを蓄積しています。データアプリケーションシステムが不足しているため、急速に成長するビジネスに蓄積されたデータは、管理の決定を迅速かつ効果的に導くことはできません。

データアプリケーションの過程で小売業界が直面している主な問題には、複数の場所でのデータストレージによって引き起こされる深刻なデータサイロ、複雑なビジネス運営によるデータ統合の困難、データ計画の欠如による一貫性のないデータ品質、単一の分析ディメンションによって引き起こされる低データの利用、および合理的なツールの欠如によって引き起こされる非効率的な分析応答が含まれます。

調査では、IT投資のコストにより、多数の小売会社がまだExcelを使用して固定レポートを作成していることがわかりました。 Excelには低コスト、柔軟性、利便性の利点がありますが、大規模なデータ処理と詳細な分析シナリオに対処することは無力です。

BIは、軽量のETLツールを介してさまざまなデータソースを接続し、ビジネスデータの迅速な分析と提示を実現する一方で、重いデータ倉庫の構築を回避できます。 Carrefour、Yonghuiスーパーマーケット、Joy City、Haitian Group、Gome Groupなどの大規模な国内小売業者は、すでにビジネスオペレーションと店舗管理のためにBIシステムを採用しています。

表2：小売業界でのBI採用の影響

データソース：Yonghong Technology

図11：典型的なBI分析結果

データソース：Yonghong Technology＆Ianalysis

小売アプリケーションにおける低コストおよび高効率のアジャイルBIの大きな利点。特定の小売企業がアジャイルBIを採用した後、「1階建ての販売収益は16％増加し、2階建ての販売率は12％増加し、翌年の新しい店舗の成長率は20％でした。

3.3エネルギー

エネルギー産業のほとんどの参加者は、国家経済と人々の生計に関連する基本的なサービスを含む大規模な国家所有の企業です。

エネルギー産業にBIを実装することの難しさは、大規模、マルチソース、不均一な生産システムによって引き起こされるデータの複雑さとダイナミクスにおいて最初にあります。たとえば、電力システムには、電力生産、顧客の電力購入、電力販売、電力送信、企業や機関による電力消費、電力機器の故障など、すべてのリンクに大量のビジネスデータが含まれます。各タイプのデータは基本的に結核レベルを超えており、継続的に成長しています。これにより、BIプロセスのデータ抽出、クリーニング、および変換に大きな要求があります。また、BIシステムのストレージ構造は、対応する大規模で不均一なストレージアーキテクチャも採用する必要があります。

エネルギー業界の2番目の難しさは、大量の履歴データとリアルタイムの生産および運用データに対処する必要があることです。それが電力システムであろうと石油産業であろうと、休眠した歴史的データ資産は鶏肉のrib骨のようなものであり、食べるのは無味であり、捨てるのは残念です。従来のBIシステムには、膨大な量の歴史的情報を利用する場合、建設コストが高く、使いやすさが低くなります。対応するストレージと迅速な処理技術を備えたBIシステムのみが、大規模な履歴データに基づいてパノラマおよびリアルタイムのデータプレゼンテーションを実現できます。

エネルギー産業には、生産および運用データ（グリッド、機器、技術、および管理）に加えて、気象学、地理、人文科学、輸送などの補助外部データも必要です。たとえば、オイルパイプラインネットワークとGISデータを抽出して、パイプラインのメンテナンスと関連領域で複数の問題を発見し、パイプラインネットワークパラメーターの構成と地域規模での運用およびメンテナンス担当者を最適化できます。同時に、気象、文化、その他のデータと組み合わされたパイプラインネットワークの履歴データは、インテリジェントパイプラインの完全なライフサイクル管理に役立ちます。

エネルギー産業におけるBIの最も重要な応用は、リスク要因の発見と制御です。たとえば、AIを介して電気法案のリスク予測モデルを構築することにより、大規模な顧客の期間の支払い率はほぼ90％に達しました。配電計画用。

図12：典型的なエネルギーBIの例

3.4製造 

製造業のBIシステムに対する需要は、産業チェーン全体をカバーしています。現在、ほとんどの中規模および大規模な製造会社は、製造会社が大量の履歴データを収集するのを支援するために、CRM、ERP、MES、MRP、EASなど、比較的完全な基本情報システムを確立しています。データを使用して無駄のない生産を達成する方法は、製造業で厳格な需要となっています。

製造業は、生産データとユーザーのフィードバックを使用することにより、生産を効果的に改善できます。バイオ医薬品分野では、生産ラインの200以上の指標を監視し、生産ラインの柔軟な制御を達成することにより、各生産ラインは500万米ドルから1,000万米ドルのコストを節約できます。 WuhuのGree Factoryは、MRPとMESからのデータをBIシステムにインポートし、リアルタイムの多次元データ分析を可能にし、仕事の効率を30％以上改善しました。

現代の製造会社は、アジャイルBIと組み合わせた内部および外部データを通じて、リアルタイムで製品ソリューションを最適化できます。製品販売を追跡するとき、MIDEAグループは、ユーザーのニーズ、製品の特性、顧客評価、ユーザー評価などの複数の次元に基づいてユーザーのニーズを調査し、生産ラインに迅速にフィードバックし、製品ソリューションをリアルタイムで最適化します。

製造におけるBIの適用における主な困難は、大規模な内部および外部データの統合と正確なリアルタイム分析の実装であり、データ収集は長年の開発後に比較的成熟しています。 MIDEAを例にとると、MIDEAはITガバナンスに10億元を投資し、2012年以来システムを包括的に再構築し、グループレベルの企業標準と言語を達成しました。

実装プロセス中、その技術者はデータ分析システムの構築とテクノロジーの実装を担当し、ビジネスチームの協力はデータのクリーニング、変換、モデリングを担当します。データ分析システムは、毎月の反復を通じて引き続き新しいビジネス価値をリリースし続けています。

図13： MIDEAグループデータアプリケーションアーキテクチャ

データソース：Yonghong Technology＆AI分析

現在、MIDEAグループは、R＆D、生産、在庫、マーケティング、収集と支払いから動的視覚化を達成し、データ操作の結果を表示しています。 1億5,000万人のアメリカ人ユーザーの場合、Mideaのビッグデータプラットフォームは、ユーザー購入レコード、購入チャネル、地域、使用法、その他の情報を完全にラベル付けし、完全なユーザーポートレートを形成し、正確なマーケティングを実現しています。

データアプリケーションの構築のしきい値を下げることにより、BI統合プラットフォームは、企業がデータベースの動作システムを確立し、データ駆動型の意思決定を真に実現し、それによってデータ資産と基礎となるインフラストラクチャを再活性化し、データが製造会社にもたらす膨大な価値を真に活用するのに役立ちます。  

3.5  インターネット

インターネット業界は、他の伝統的な産業とBIに大きく異なります。インターネット企業の企業は通常、高い並行性と流通の特徴に直面しており、そのため、MeituanやKuaishouなどの大規模なサイズのインターネット企業は、通常、ビジネスニーズを満たすために独自のBIプラットフォームを構築します。

ただし、業界志向または一般的なインターネット企業の場合、彼らはまだ成熟した商用BI製品を使用して、独自のデータ分析と視覚化のニーズを満たすことをいとわない。

図14：典型的なインターネットBIアーキテクチャ

データソース：Yonghong Technology＆AI分析

従来の企業と比較して、インターネット企業には次の特性があります。データはより大きく、データの成長率はより速いです。従来の業界と比較して、インターネット企業には、ユーザーアクセス、閲覧、購入行動、旅行方法、消費の好みなどのユーザー行動データなど、より多くのユーザーのオンライン行動が含まれます。毎日の新しいデータボリュームは数十Tのレベルにあり、データ収集と処理機能の要件が非常に高いため、すぐに数百Tのレベルに達すると予想されます。

データプラットフォームのパフォーマンス要件は高くなっています。効果的で効果的な時間内にデータを収集して処理する方法は、解決する必要がある問題です。インターネット企業は、異なるデータ製品を使用した元のシステムなど、異種のデータに問題が発生します。しかし、全体として、インターネットエンタープライズデータの標準化は、従来の産業の標準化よりも高くなっています。

たとえば、BabyTree Webサイトの注文データはSQL Serverに保存され、顧客データはMySQLに保存されます。データ分析要件の変更は、多くの場合、R＆D担当者に大きな負担をかけ、コアビジネスシステムの開発に影響を与えます。

BayTreeは、BIビッグデータプラットフォームを使用して、データソース間でのデータの統合を促進し、数週間で最初に応答された分析のニーズを同じ日に完了することができます。同時に、効率的なストレージおよび分析エンジンは、サーバーリソースの無駄を避け、コストを効果的に節約します。セルフサービスの問い合わせを通じて、ビジネス担当者はタイムリーに対応するだけでなく、R＆D担当者の負担を軽減し、従業員の構造を最適化します。

4。BIビジネスインテリジェンスの潜在的な市場

スケールの推定と分析

将来、BIビジネスインテリジェンスは、企業のインテリジェントな意思決定システムへの重要な入り口になります。さまざまなシナリオでのBIの浸透によれば、AianalysisはBI市場を現在の市場、増分市場、潜在的な市場に分割しています。

その中で、現在の市場はBIメーカーの総市場です。増分市場は存在しますが、現在の市場では満たされていません。  

図15：現在の市場、増分市場、潜在的な市場概略図

データソース：AI分析

4.1 BIの現在の市場規模と開発動向 図16： 2017年から2020年までのグローバルなBI市場規模の予測

データソース：Gartner＆AI分析 

Gartnerの2017年のレポートは、世界のBI市場規模は183億米ドルであり、2016年と比較して7.3％の増加であると指摘しました。 2020年までに、グローバルBI市場は228億米ドルを超えると予想されます。

AianAlysisの調査によると、国内のBI市場の規模は2019年に約500万〜60億人民元になります。その中で、Yonghong Technology、Fanruan、Haizhi BDP、Yixin Huachen、Runqian、および他の企業などの国内のBI企業は、外国のBI企業の国内収益総収入を持っています。  

4.2 BIの漸進的市場と潜在的な市場  2019年、世界のBI市場規模は約215億米ドルで、世界のIT投資は約3.8兆米ドルでした。同じ期間に、中国のIT投資は2.7兆元に達します。この見積もりに基づいて、中国のBI市場の株式市場にはまだ900万人から人民元があります。  図17： BIの潜在的な市場の方向                           

データソース：AI分析

図18：現在の市場規模、増分市場規模、潜在的な市場規模の概略図

データソース：AI分析測定

BIはデータアプリケーションへの入り口であるため、さまざまな業界のデジタル変換プロセスの不可欠な部分です。将来、BIが分析の終わりとデータの終わりまで拡張されると、BIソリューションは最終的に全体的なビッグデータソリューションのトラックに組み込まれます。

中国電子情報産業開発研究所が発表した「中国のビッグデータ産業の開発レベルに関する評価レポート」によると、私の国の中核ビッグデータ産業の規模は2018年に5億700億元を超え、今後2〜3年の市場規模の成長率は約35％のままであると推定されています。将来的には、BI Business Intelligenceの潜在的な市場規模は、数千億の市場スペースにあります。  

4.3さまざまなシナリオでのBIビジネスインテリジェンスの浸透率 

現在のBI市場規模と総市場容量によれば、国内のBIビジネスインテリジェンス市場（現在の市場規模/総市場容量）の全体的な浸透率は約36％であり、将来的には大きな成長の可能性があります。

アジャイルBI市場の観点から、AI分析によると、外国市場のアジャイルBIの市場シェアは急速に増加しています。

国内のアジャイルBI市場も急速に増加しており、浸透率はわずか15％です。いくつかの国内のBIメーカーのビジネスパフォーマンスに基づいて、国内のアジャイルBI市場の成長率は約50％で、市場平均よりもはるかに高くなっています。

特定の業界の観点から、金融、小売、製造、エネルギー、インターネットは、急速に成長しているBIアプリケーションを備えたいくつかの主要な産業です。その中で、金融および小売業界の浸透率が最も高く、製造業とエネルギー産業がそれに続きます。オープンマーケットの観点から見ると、インターネット業界の大手企業のほとんどは独自のBIシステムを構築する能力を持っているため、インターネット業界の全体的な浸透率は比較的低いです。

図19： 5つの主要産業における従来のBIとアジャイルBIの浸透率 

データソース：AI分析測定

注記：

1。各業界のアジャイルBI浸透率=各業界の潜在的なBI市場規模2。各業界の従来のBI市場規模 /各業界のバブル市場規模と、従来のBI市場規模の合計を表しています。

5。BIビジネスインテリジェンスの将来の傾向

5.1ワンストップビッグデータプラットフォームは、将来の傾向です

2019年に入ると、従来のBIとアジャイルBIの間に統合の明確な傾向があります。企業は、一般的なレポートやアジャイルチャートに満足していません。 Cloud BIプラットフォームに基づいたワンストップビッグデータプラットフォームは、新しいトレンドになりました。

ワンストップのビッグデータプラットフォームは、ビジネスコンサルティング、データ管理、詳細な分析、データの視覚化、データの意思決定、その他のプロセスを統合する汎用性の高いプラットフォームであり、完全なBIソリューションに汎用性の高いプラットフォームを提供できます。さまざまな業界/エンタープライズテンプレートを構成することにより、ワンストップのビッグデータプラットフォームは、業界/エンタープライズBIプラットフォームの機能を柔軟かつ便利に実現できます。

図20：ワンストップビッグデータプラットフォームとアジャイルBIと従来のBIの違い

データソース：AI分析

従来のBIと比較して、ワンストッププラットフォームは、従来のBIのデジタル倉庫資産を利用するだけでなく、データマート資産を直接構築し、より柔軟かつ便利にデータ資産を管理することもできます。同時に、ワンストッププラットフォームには、アジャイルBIセルフサービスサービスの特性があります。事前に定義されたチャートテンプレートを使用して、セルフサービスのビジネス分析を実現するためのデータインジケーターを柔軟に構成できます。

アジャイルBIと比較して、ワンストップビッグデータプラットフォームには、データソース管理機能が強くなり、詳細な分析機能があります。アジャイルBIは一般に、データソースインターフェイスで多くの作業を行いますが、大規模なデータ分析を伴います。データソース自体の分散コンピューティングパワーのみを利用でき、大規模なデータ分析のための体系的なソリューションがありません。

ワンストッププラットフォームは、フロントエンドのパフォーマンス向上に加えて、エンタープライズサービスとソリューションの製品です。従来のBI製品は、実装中の故障率が高く、通常は50％未満です。エンタープライズレベルのデータ分析はテクノロジーとビジネスの非常に結合されたタスクであるため、従来のデータ倉庫の確立後、不合理な構造のためにビジネスニーズは満たされないことがよくあります。

したがって、プロのソリューションと柔軟なユニバーサルプラットフォームは、ワンストッププラットフォームを適用するための2つの不可欠なポイントです。業界の専門家は、ビジネス担当者との詳細な通信を通じて専門的なデータフレームワークを策定でき、特定の業界や企業のニーズを満たすために、テンプレートを介して柔軟な一般的なプラットフォームを構成できます。

不合理なデータフレームワークに遭遇すると、ワンストッププラットフォームは通常、低コストでフレームワークをすばやく調整できます。たとえば、MideaグループとChina UnicomのBIシステムは、Yonghong GeneralのワンストップBIプラットフォーム上に構築されていますが、企業に適用する際にはそれぞれ製造および通信業界のテンプレートを使用しています。

China Hua Xia BankのワンストップBIプラットフォームを例にとると、技術アーキテクチャのデータソースには、元のデータウェアハウスとデータマートが含まれるだけでなく、ビッグデータプラットフォームを介したリアルタイムのデータ収集とストリーミングデータ分析も実現し、構造化されていない半構造化データ処理ソリューションもあります。データ統合レイヤーの内容は、従来のBI、ビッグデータプラットフォーム、およびデータソースの統合であり、アジャイルBIが達成するのが難しいデータソース要件とパフォーマンス要件を提供します。  

図21：ワンストップビッグデータプラットフォームアーキテクチャの概略図

データソース：Yonghong Technology  

ビジネス担当者にとって、中国商人銀行のワンストップBIプラットフォームは軽量であり、セルフサービスサービスの特徴を持っています。ビジネス担当者は、必要なデータインジケーターとルールテンプレートを独自のデータプランの許可に基づいて照会でき、プルアップ方法を使用してビジネスクエリ要件を迅速に形成できます。

したがって、大規模および中規模企業の中で、従来のBIとアジャイルBIを徐々に置き換えるワンストップビッグデータプラットフォームの傾向がますます明らかになります。しかし、中小企業では、Excelが広く使用されているように、アジャイルBIもかなりの市場を占めています。

5.2 BIとAIの統合により、データ分析のしきい値が減少し、データ分析の価値が増幅されます

BIとAIは将来的に深く統合されます。この融合トレンドは、業界のシナリオに近い間、データ分析の価値を迅速に増幅します。  

図22：ワンストップビッグデータプラットフォームデータ管理とセルフサービスサービス

データソース：Yonghong Technology

AIテクノロジーは3つの学校に分かれています。知識グラフで表される記号論学校、機械学習に代表される接続学校、およびインテリジェントロボットに代表される行動学校に分かれています。 BI業界では、知識グラフと機械学習がBIとAIの統合の主流になります。 AIテクノロジーは、現在のHot Connectivity Schoolの機械学習テクノロジーに限定されませんが、複数の技術学校の融合になります。  

図23： BIおよびAIによるデータ分析のしきい値を減らす方法

データソース：AI分析

BIと自然言語処理NLP、知識グラフ、およびその他のテクノロジーとの統合により、セマンティック検索が主流のBIクエリインターフェイスになり、インタラクティブなBIが徐々にトレンドになります。 2019年のGartnerのレポートによると、クエリ分析の50％は、自然言語検索と音声検索を通じて2020年までに完了します。この分野では、専門知識に基づいた業界ベースのラベル付けデータと知識ベースの構築により、新しい業界の障壁が築かれます。

BIおよび機械学習技術の統合により、この点で拡張された分析機能が迅速に濃縮されます。より適用可能なAIアルゴリズムと業界ベースのモデルは、この分野の成長のコア要素になります。

強化された分析テクノロジー、セマンティック検索、セルフサービスデータの準備により、最新のBIプラットフォームの使用のしきい値が大幅に減少します。事業担当者は、自然言語を使用して予測分析を実現できます。このプロセスは一晩で達成されていないことに注意してください。  

BIとAIの深い統合により、BIの業界ラベルがより明白になります。業界内のデータの蓄積と長期的な慣行を備えた企業は、長期的な利点、オープン性、柔軟性、セルフサービス、および強化された分析が、データテクノロジーの企業の新しい需要になり、Simple BI製品はBIアプリケーションのシンプルなリンクになります。

Yonghong TechnologyはAIテクノロジーを使用して、リンク全体にわたるセルフサービスデータの準備を実現し、視覚分析機能を大幅に向上させています。同時に、その分析エンジンにはAIディープ分析アルゴリズムが組み込まれており、ワークフローを視覚化することで予測分析を実行できます。財務、ロジスティクス、公安の分野では、専門家 + AIのアプリケーションモデルが大きな成功を収めています。

5.3エッジコンピューティング、IoT、およびその他のテクノロジーは、多数のデバイスがネットワークに接続された後のシナリオに基づいて、成熟しています

2020年には、世界中のIoTデバイスの総数が340億に達し、膨大な数のIoT端子の管理が大きな問題になります。モノのインターネットは通常、知覚層、伝送層、アプリケーション層に分割されているため、インターネットのインターネットには当然、データ収集、伝送、処理、アプリケーションリンクが含まれます。その中で、データ収集と送信の基本的なリンクの準備を完了した後、バックエンドデータ処理が最も重要なリンクになります。

5G、エッジコンピューティング、スマートファクトリーなどのテクノロジーの成熟度は、IoTレベルのBIプラットフォームを促進し、IoTバックエンドデータ処理で重要な役割を果たすことができます。このプロセスでは、リアルタイムのデータ収集とストレージ、ストリーミングコンピューティング、リアルタイムデータ分析と早期警告、およびBIプラットフォームとスマートファクトリーの組み合わせが最新のBIの鍵となります。

現在、製造、エネルギー、物流、輸送などの産業は、IoTレベルのBIプラットフォームに対して高い需要があります。ほとんどの中規模および大規模な製造会社は、CRM、ERP、MES、MRPなどの比較的完全な基本情報システムを確立して、製造会社が大量の履歴データを収集するのを支援しています。

物流業界を例にとると、物流管理システムには、ロジスティクス追跡システム、シードウォールソーティングシステム、RFIDおよびAGV在庫システム、その他の物流インテリジェントシステムと機器が含まれ、常に大量の生産データを生成します。最新の物流BIシステムには通常、完全なデータ分析が必要です。これには、在庫、インバウンド、アウトバウンドの3つの次元のリアルタイムデータ、および上下などの機能を介した州と州間のデータリンケージ分析が含まれます。

図24：物流業界におけるIoTレベルのBIプラットフォームの概略図

リアルタイムはロジスティクスBIシステムのコア機能であり、その高速応答時間は通常10秒以内であり、完全なデータのリンケージ分析を実現できます。通过BI的可视化能力，其不仅对外部客户提供更好的可视化感知服务，也可对内加强运输配送环节的安全管控。

5.4 BI商业智能与垂直场景融合，更加贴近客户场景诉求 

BI作为企业决策解决方案，熟悉企业业务是必要环节。 BI系统在实施过程中，需要重新梳理企业管理方法、流程、体系，并得到管理层、中层和业务层的支持，深入挖掘企业需求，有时还需要IT咨询人员介入，才能制定有效的BI实施方案。在这个过程中，通过BI系统实现智能运维，是垂直行业场景融合的关键。

底层获取数据能力增强，加速了BI与垂直场景融合。随着大数据技术与物联网技术的发展，现代BI可以实时获取生产数据或者经营数据。这类直接获得的数据更多与垂直场景相关，如广告中利用精准营销进行获客引流，供应链管理中利用物联网获得的进出场信息获取仓储管理情况，越来越多的行业属性信息，加速了BI与垂直场景融合。

自助式分析、增强分析的BI方案落地依赖于对垂直场景的深刻理解。通用的BI产品通常不能直接解决业务分析的需求，只有依据业务场景，确定问题边界，才能选择合适的模型和算法，使用增强分析技术，才能制定有效的BI实施方案。例如，交通出行场景，除获取相关的业务数据外，BI系统还必须选择合适的人工智能或者运筹学模型，才能计算相关的最短路程与出行时间。

云BI的快速发展，BI的客户场景通过SaaS快速实现。 BI云化后，BI产品的应用和部署将变得更加便捷，客户将按照业务场景选择BI服务，而不是简单的选用BI的通用型服务。简单的如营销过程的用户画像、教育行业的教育评测、征信服务的征信评价均可以通过SaaS服务方式提供给客户。而附加的行业解决方案，正成为现代BI着重开发的要点。

六、BI商业智能厂商竞争分析及典型厂商介绍

6.1 BI商业智能厂商核心竞争力分析

爱分析认为，技术、产品、获客、客群/LTV、场景理解能力五个方面，体现了BI厂商的核心竞争力，这五个方面通过影响客单价和客户数量，对整体收入和利润产生影响。

图25: BI商业智能厂商核心竞争力分析模型

数据来源：爱分析

技术了决定了厂商开拓新业务能力，影响解决客户需求的复杂度，进而影响客单价。在领导者和远见者象限中的厂商，除了本身扎实的技术基础外，在市场前沿技术方面都各具特色。例如微软、Tableau都推出了广受欢迎的自然语言处理和自动化数据准备功能；ThoughtSpot、MicroStrategy则具备市场领先的增强分析功能；Qlik、TIBCO、Sisense在数据管理、混合数据集成具备强有力的竞争优势。

产品与生态影响产品的规模化复制能力，产品/服务的易用性，以及业务发展对人力依赖，并直接影响毛利率空间。微软无疑在这方面具有最强大的实力，其传统BI产品、敏捷式的Power BI以及具有广泛用户基础的Access和Excel，以及强大的云端部署能力，构成了全链条、全网络的BI应用生态环境。Tableau则可以与Salesforce的SaaS构成生态协同，双雄组合即使是微软也需暂避锋芒。

客群则直接影响客单价以及市场空间。客户每年IT预算以及传统BI系统投入占比、产品客单价、所服务客群的同行业和跨行业之间的复制能力等因素都影响BI厂商的发展潜力。例如，Tableau客群大客户比例高于Qlik，增长潜力更大；而Looker的参考客户中，有36%分析的数据超过1tb，行表的中位数为5.85亿，在2018年的特殊领域象限中Looker获得显著提升。

获客则直接决定企业能够服务目标客群，影响成本结构中的销售费用占比。这一点上传统BI厂商如IBM、SAS、Oracle具有强大的渠道能力，但这部分厂商在面临转型的环节，在原有BI产品和新的发展趋势上难以取舍。而云服务兴起后，BI厂商大部分都推出了相应的SaaS服务，而在Salesforce与微软具有强大的云获客能力。

场景化理解则影响客单价以及客户黏性，对场景理解越深，壁垒越高，竞争越小，客单价越高。可以看到，2019年简单的BI产品已经不能满足行业客户的需要，同时还要匹配相应的行业人员，进行业务适配。

6.2 国内BI领域厂商竞争力分析

国内BI领域厂商参与者众多，但技术门槛不高，竞争非常激烈。国内BI市场基本分为三类，第一类为传统IT巨头，如IBM、SAP等；第二类为云计算厂商，如阿里云、百度云等；第三类为新型BI厂商，如永洪科技等企业。

从市场集中度看，国内BI市场集中度低，产品差异化不明显。从国外市场来看，Tableau在市场占有率达3-5%时，增速已然放缓，大幅提升市场份额较难；但2017年，Tableau云化后，又恢复超过30%的增速。

Tableau被SaaS鼻祖Salesforce收购后，市值暴涨超过70%，BI与云的结合成为主流。从这一趋势看，国内采用SaaS服务的一体化BI平台将会获得更加高速的发展。

传统IT巨头预计将逐步退出中国市场，国产场景受到政策扶持。受政策影响，IBM、SAP、Oracle等厂商会逐步退出部分中国市场，这也是国内厂商巨大机会。同时，从美国政府的实体禁运清单中看出，高级BI类产品属于被禁运产品之列，所以国内厂商受政治风波影响，尤其在公共服务领域，弯道超车的机会大增。

随着外退内进的发展，采用国外BI产品的国内厂商逐渐使用国产BI产品进行替代，典型的如美的集团采用永洪BI平台替代原有的Oracle BIEE平台产品。

互联网巨头将覆盖中小企业市场，通用型厂商空间有限，业务领域厂商将各具优势。通用型敏捷BI产品，将因技术壁垒低，快速失去竞争优势。同时，由于中小客群价格敏感，需求简单，通用产品即可满足，将成为互联网巨头目标客群，新兴创业公司在中小客户市场很难与之抗衡；而扎根行业、给传统大型企业提供深度行业解决方案的厂商，才有立足之地和长远机会。

6.3 永洪科技

永洪科技成立于2012年，专注于为百亿级数据量的大型企业和各个垂直行业的中小企业提供灵活易用的大数据应用解决方案。其一站式大数据构建平台，可以帮助企业轻松构建数据应用。永洪科技是业内第一家用大数据技术去做数据分析平台建设的公司，这一点上处于国内外领先水平。

通过提供精细化本地实施、完善的咨询服务、成熟的客户成功体系和数据化运营最佳实践的积累，永洪的项目的成功率达95%，这一点远高一般企业不到50%的成功率。

永洪科技的BI包括Yonghong Z-SuiteX-Suite及其SaaS服务，垂直应用与行业解决解决方案，并且能够提供数据资讯、数据治理、项目实施及开发服务。与国外厂商更多将BI产品定位部门级产品不同，永洪科技则背道而驰，不断扩张自己的产品线，将产品做得越来越厚。永洪科技从产品深度和广度两个角度加强数据分析能力，使得产品线具备了全面的一站式数据分析平台能力。

图26:永洪科技BI产品与服务结构

数据来源：永洪科技&爱分析 

永洪科技利用其高性能计算引擎Z-Data Mart，利用列存储、库内计算、内存计算、分布式计算以及分布式通讯技术，可以实现百亿级数据秒级计算。强化数据处理能力，使得BI产品所能处理的数据量更大，由部门级产品转向企业级产品，能够支持更大数据量、更多应用场景，实现增强式自助式分析。

其深度分析引擎Z-Advanced Analytics，连通探索式分析和深度分析，提供一站式数据分析洞察能力。在深度分析引擎内部，封装了机器学习等AI算法，拥有可视化工作流。可将探索式分析查询数据作为深度分析的输入，深度分析结果可以直接通过可视化进行展示，形成业务闭环。

深度分析引擎将自助式分析，升级为自助探索式分析。一方面业务人员可以直接使用平台上现成场景模板进行分析，另一方面数据科学家可以基于平台上的算法自己开发模型。

永洪科技并非只是BI产品提供商，其前期以咨询方式切入大客户，做好顶层设计，然后根据项目需要给企业配置合适的应用解决方案，在这个过程中永洪科技也实现了多个行业解决方案的积累。永洪科技认为BI厂商在平台应用成熟之后，可以将平台积累的成熟行业解决方案出售给客户或者通过合作伙伴渠道出售给有此需求的企业。

永洪科技通过两年时间打磨出国内首个“行业专家团队”，实现差异化的行业、企业、业务场景下的整体解决方案，实现从“数据咨询->实施服务->客户成功->数据分析课程培训”全程服务体系，全方位赋能客户，帮助企业实现数据驱动业务增长。

6.4 Tableau

Tableau成立2003年，2013年登录纽交所，目前市值接近150亿美元。

Tableau是一款敏捷型BI产品，可以使用Tableau便捷的连接不同的数据源，进行探索式、自助式数据查询。截止2019年，Tableau已经连续7年处于Gartner 商业智能和分析平台的魔力象限领导者地位，并具有极强的客户满意度。

Tableau除具备高客户满意度外，还有以下几点优势：产品定位精准，技术方向引领行业发展；具有很高的易用性；成功建立了超过100万的活跃社区。 Tableau在2017年收购ClearGraph，并将自然语言查询带入BI领域，2019年其自然语言查询功能正式推出后，大受客户欢迎。

Tableau有五大产品系列：Tableau Desktop、Tableau Server、Tableau Online、Tableau Public以及Vizable，这些产品都是为了解决一个问题：数据可视化，仅通过提供服务的方式进行区别。

90%的Tableau产品都是买断式的，客户可以永久使用，只有很少一部分是按年付费使用。这一点上，大大提高了Tableau的客户满意度。虽然看似一次性买断，会对Tableau的营收造成影响，其实不然，Tableau在上市之后仍然保持了较高的营收增速，近三年平均营收增速达到21%。

Tableau的强劲增长正通过其后续的服务能力体现，包括产品的更新迭代以及技术人员为客户解答各类问题。第一年的服务费包含在产品里面，从第二年开始要收取一定比例的费用，这个比例与产品价格和服务等级有关。最高服务等级是配备专线电话，7天24小时有人接听。经过多年发展，Tableau客户每年的服务费大概为产品费用的50%。

2019年6月，Tableau被Salesforce收购。Salesforce与Tableau业务协同性与互补性很强：Salesforce具有完善的SaaS服务生态，擅长管理客户关系，提升业务质量，而Tableau则擅长于通过对数据的分析，让企业更好地发掘市场机会并作出相应决策。可以看到，两者在客群上有很大重叠。

Tableau与Salesforce的联姻另一方面可以看成两家厂商应对微软的一种策略。早在2017年，微软已经在魔力象限中超越Tableau。微软的BI堆栈对于两者都具备无可比拟的优势，两者结合后，Tableau快速融入Salesforce生态，而Salesforce则可以借助Tableau摆脱对Oracle的依赖，提高自身的数据分析能力，相得益彰。

結論

BI是数据实现价值的窗口。无论是数据仓库还是敏捷式BI，都是使得数据分析变得越来越简单、数据价值体现越来越直观。从这个意义上看，BI的本质是整个数据分析乃至大数据领域的入口。所以Salesforce和微软要牢牢把握住这个入口。

从发展趋势看，BI分别向数据端及分析端延伸。在数据量越来越多的情况下，数据管理会变得越来越容易；而通过自然语言理解和深度分析技术，前端的数据分析工作也将会越来越容易使用。利用语音或者文字进行交互式分析，将成为BI发展的主流方向，并最终大幅超过现有BI的应用范围。

在未来，能够与业务场景深度融合的BI产品将更具备竞争力。在工业互联网蓬勃发展的当今，业务核心系统的发展仍然较为缓慢，但BI作为辅助运营决策的主要方式，正在发挥越来越重要的作用。而对于业务系统的理解，将成为现有BI企业的巨大财富，并在未来竞争中构建竞争壁垒。