2020年 Gartner 商业智能 BI 魔力象限 - 派可数据解读

说的小谎.

[md]在本篇文章中，您将看到以下几个部分：Gartner 和魔力象限介绍

ABI 的战略规划和假设

ABI 的市场定义说明

魔力象限 ABI 产品优势特点

派可数据对 Gartner 魔力象限的分析总结

Gartner ABI 发展趋势下的国内 BI 市场

商业智能 BI 国内的市场空间规模

文章作者：派可数据 吕品

全文 14,000 字，阅读可能需要 15 分钟

# 一、**Gartner 和魔力象限介绍**

Gartner Group，成立于 1979 年，全球最专业权威的 IT 研究咨询公司，研究的范围覆盖全部 IT 产业。在全球范围内差不多有 1000 多名 10-15 年 IT 技术工作背景的分析员，大多都有 CIO 背景，自身都有很强的专业技术能力，对 IT 行业的研究和解读也很具专业性。

Gartner 每年都会发布各个 IT 细分领域的分析报告，比如今年的 **Magic Quadrant for Analytics and Busin****ess Intelligence Platforms （ ABI ），分析与商业智能 BI 平台魔力象限。**在这里强调的是从业务角度的分析 Analytics 和工具角度的 BI 平台，共同组成了 ABI 的概念。

Magic Quadrant 魔力象限以二维模型来阐述各个厂商、供应商的实力与差异，基于两个分析指标方向：

**横轴，前瞻性（ Completeness of Vision ）**— 包括厂商或供应商提供的产品底层技术基础的能力、市场领导能力、创新能力和外部投资等等。

**纵轴，执行能力（ Ability to Execute ）**— 包括产品的使用难度、市场服务的完善程度和技术支持能力、管理团队的经验和能力等。


最后将这些分析指标综合起来定位在四个不同的区域：

### **Niche Players 利基者，特定领域者象限**

执行力和前瞻性都不足，但是可能在特定的某个市场做的不错，同时也不会超过那些特别大型的成熟厂商或者供应商。**通常是集中在某些特定领域、专业领域，或者是一些比较新的企业。**

### **Challengers 挑战者象限**

执行力很强，但是前瞻性不足。**通常情况下是指比较大型的成熟厂商，由于其本身特定市场比较成熟、市场执行能力很强，但是在新领域新市场的拓展上目前还没有做出太多的发展计划改变。**作为挑战者，在继续保持强有力的执行能力的同时，如果在市场前瞻性上能够调整和突破，是非常有希望进入领导者象限的。

### **Visionaries 远见者象限**

通常描述前瞻性很不错、了解未来的市场发展动态和前景，有潜力进行创新。在执行力上分为有远见但是短期内无法实现的早期创业者，和一些有远见但是执行反应能力调整不及时的比较成熟的大型厂商、供应商们。**所以对于在这个区域的厂商或者供应商，一般要么就是早期市场中刚成长起来的中小企业，有创新能力有远见，一旦在市场执行得到提升也是非常有希望进入到领导者象限。**

### **Leaders 领导者象限**

执行力和前瞻性得分均比较高的大型成熟公司、行业领袖。他们拥有大量的客户群体，在全球市场上都有极高的知名度。**这些行业领袖在市场中有很大的影响力，有能力有实力影响和引领整个行业的发展。**


2020 年分析与商业智能平台（ABI）魔力象限

**在 2020 年分析与商业智能魔力象限中，Microsoft、Tableau、Qlik 和 ThoughtSpot 共同进入了领导者象限，Microsoft 和 Tableau 已经深入领导者象限的腹地，其中 Microsoft 更是遥遥领先。**

两个比较新的 BI 品牌 Dundas 和 Alibaba Cloud 阿里云首次进入 ABI 魔力象限，阿里云也是目前唯一进入到 ABI 领域的中国厂商。 同时，2019 年的 GoodData 由于在市场吸引力方面的不足被排除在今年的 Gartner 魔力象限之外。同时，Oracle 和 Yellowfin 进入远见者象限。


2019 年分析与商业智能平台（ABI）魔力象限

# **二、Strategic Planning Assumptions ****战略规划假设 （ 发展趋势 ）**

在这一部分 Gartner 按照一些分析的预测，给出了 ABI 在未来 3-5 年有关个人、企业、产品对 ABI 的使用程度、场景、发展趋势的预判。

特别反复提到了一个关键词 **Augmented Analytics Technology 增加分析技术**，这也是 Gartner 在 2017 年首次提出的一个概念。

*Gartner 设想认为：*

到 2020 年，增强分析技术随处可见，但只有 10% 的分析师真正有能力使用。

到 2020 年，40% 有关机器学习模型开发、评分任务的工作将被产品取代，这些产品可能本来不是以机器学习模型开发为主要目标。

到 2023 年，90% 的全球 500 强公司将把数据的分析治理作为重点。

到 2025年，数据故事将成为最普遍的分析方式，增加分析技术可以自动创建 75% 的数据故事。

# **三、Market Definition / Description ****ABI 平台的市场定义和说明**

Modern analytics and business intelligence (ABI) platforms are characterized by easy-to-use functionality that supports a full analytic workflow — from data preparation to visual exploration and insight generation — with an emphasis on self-service and augmentation.

Gartner 对现代分析和商业智能 BI 平台（ ABI ）的定义是：**具备易于使用的、完整的从数据准备（ Data preparation ) 到可视化探索分析 ( Visual exploration ) 到见解洞察生成（ Insight generation ）到增强的自助分析（ Emphasis on selft-service and augmentation ) 等系列功能。**

ABI platforms are no longer differentiated by their data visualization capabilities, which are becoming commodities. Instead, differentiation is shifting to：Integrated support for enterprise reporting capabilities，Augmented analytics

数据可视化功能在现代的 ABI 平台中不再是很特别的亮点，更多的差异的地方应该突出在：**企业报告功能的集成和增强分析技术方面。**

Augmented analytics. Machine learning (ML) and artificial intelligence (AI)-assisted data preparation, insight generation and insight explanation

**增强分析中主要凸显的就是机器学习和人工智能相关的数据准备、见解洞察生成和解释。**

**数据准备增强 ( Augmented data preparation ) -** 实际上就是利用机器学习和人工智能自动的完成传统 BI 中对数据治理、ETL 数据清洗、数据建模、元数据管理等全部用来在数据分析之前的准备工作。

**洞察、解释增强( Augmented insight generation and insight explanation ) - **期望让更多的业务用户不需要专业的统计学知识、算法知识就可以得到很多深入的分析成果，比如可视化分析页面自动生成、引导性的可视化分析让业务用户自动的可以洞察到一些数据或者业务的规律，这些可能都是凭自身能力和经验无法直接获得的，甚至直接给出一些分析结果供用户参考和判断。

那么在对于 ABI 平台功能的定义，Gartner 列出了有 15 项关键功能，按照我对于 BI 各部分功能的划分，大概分为这么几类：


## **部署、管理与安全**

***云部署分析的能力 Cloud*** - 基于云和本地数据、跨多云部署，支持在云中构建，部署和管理分析的能力。

***管理能力 Manageability*** - 对平台使用情况的追踪，信息分享管理、影响分析、第三方程序一起使用的能力。

***目录 Catalog*** - 自动生成平台管理中所使用到的所有元素（ 数据、模型、可视化页面等相关内容 ） 的可以检索的目录。（The ability to automatically generate and curate a searchable catalog of the artefacts created and used by the platform and their dependencies，关于这部分没有准确的理解，特别这里所提到的 artefacts，按照我个人的理解，就是所有平台用户在平台上所创建的所有内容都可以被有效管理和随时搜索，比如找一个创建过的带有某各关键字的报告、指标、原始数据等 ）。

***安全性 Security*** - 平台安全性管理，用户管理、身份验证等。

## **数据准备**

***数据源连接 Data source connectivity*** - 本地和云端的各种存储类型的数据，比如结构化和非结构化的数据访问能力。

***数据准备 Data preparation*** - 用户自助的构建各类复杂的分析模型，数据来自于不同的数据源，组合各类分析模型，自定义的度量、维度和层次结构等。

***模型复杂性 Model complexity*** - 复杂数据模型的处理，多事实表，与其它分析平台的对接能力，支持知识图谱（ Knowledge Graph ）。

## **可视化分析**

***数据可视化 Data visualization*** - 高度交互的仪表板 Dashboard 等，各类丰富的可视化图表等，我认为目前市面上的 BI 可视化效果基本上都很丰富。

***报告 Reporting***** -** 创建可分发可视化报表，良好的布局方式、美观的报告能力。

***数据故事 Data storytelling*** - 数据可视化演示的一种方式，简单来说就是自动播放数据可视化的结果，类似于 PPT 的方式自动展现数据可视化页面，边看分析结果边讲解。

***嵌入分析 Embedded analytics*** - 考虑的是按照一定平台开放标准对外提供 API SDK，将分析的内容可以更好的嵌入到业务平台、应用程序或者门户。

## **增强分析**

***自动洞察 Automated insights***- 增强分析中最核心的能力，利用机器学习自动为用户生成可以洞察到业务细节、深度探索的能力。比如，分析一个部门中的费用关联因素，可能涉及到职位级别、人数、培训课程类型、供应商等很多相关因素，通过自动洞察在分析高费用支出的时候，哪一项因素属性对高费用的影响最大。实际上，将以往的可视化分析之后的由需要专业分析人员才能分析判断的过程交给了机器学习，最终由机器学习给出参考答案，相关度等等。

***高级分析 Advanced Analytics***- 用户易于访问，内置在 ABI 平台中或者通过导入导出的方式将外部模型放进来分析。

***自然语言查询 Natural language query** *- 用户直接在搜索框里输入或者通过对话的方式查询数据，早在国内的 16-17 年微软 Ignite 大会上的 BI 演示中也实现了这样的功能，目前已经有一些国内的 BI 厂商基本上实现类似这样的效果

***自然语言生成 NLG*** - NLG 是 NLP 的重要组成部分，NLU 负责理解内容，NLG 负责生成内容。自动理解用户在分析过程中、与数据交互的过程中大概判断出用户所期望找到的关键点，或者理解用户的意图，将用户所关心的分析内容或者结果呈现出来。

# **四、Magic Quadrant ****魔力象限解读**


2020 年分析与商业智能平台（ABI）魔力象限

## **利基市场 NICHE PLAYERS**

### ***Alibaba Cloud 阿里云***

作为魔力象限的新进入者，首次抵达利基市场象限，主要原因是当前阿里云主要的业务还是在大中华地区，但具备一定的全球化能力。入选的是阿里云中 Quick BI 分析产品，特别是 3.4 版本中 Quick BI 扩展了企业分析报告的功能。

**优势：**自助分析、数据洞察、类 Excel 报告和回写功能，阿里云平台自带产品。特别是阿里云的用户对阿里云整体的体验、服务支持等比较满意。

**注意：**阿里云目前只专注于中国市场，其它地方装机量并不高，离全球化还有一定的距离，新的 BI 产品，在自动洞察、数据故事、数据源连接方面的很多功能需要加强。

笔者在 2月12日 晚收到 Quick BI 产品团队一个朋友的信息，说他们的产品进 Gartner 了。当时还没有特别注意，以为只是进入到 Gartner 的市场指南或者被 Gartner 所提及，但确实没有意识到朋友所说的是进入到 2020 年的 ABI 魔力象限中。这也是第一次中国的 ABI 工具进入到 Gartner 魔力象限，在此向阿里云 Quick BI 团队表示恭喜。

### ***Birst ***

利基魔力象限，Infor 旗下子公司 ( Infor，全球第三大企业级应用软件及服务供应商 )，Birst 产品也主要服务于 Infor 的客户群体，提供端到端的数据仓库、分析报告和可视化平台服务。

**优势：**基于云的元数据管理的 BI，可以提供数据准备、仪表板、可视化分析和预定格式的报告。支持本地数据源的实时连接，支持在 Microsoft SQL Server、SAP HANA、Exasol、Amazon Redshift 上构建数据仓库模型。

Birst for CloudSuite 为 Infor ERP 客户提供了预先构建的 ETL、数据模型和仪表板，并且已经完全集成到 Infor 业务应用程序中。对于非 Infor 数据源，提供了行业化的像理财管理、销售、营销等分析应用。全球化能力也比较突出，跟着 Infor 支持全球 40 多种语言。

**注意：**在部署实施过程中的性能问题和客户支持上是目前大多数客户所反馈到的不足，希望有待改善，并且在自助分析部分客户使用并不多。

### ***BOARD International***

BOARD International，利基魔力象限，主要服务于财务领域的 BI 分析，全球 1/4 的市场在美国。

**优势：**在财务计划与分析 FP&A（financial planning and analysis ）领域具有很强专业性的两家 BI 供应商之一，在全球也具备比较完善的集成商合作伙伴渠道。

**注意：**切入点基本上都是财务部门，在财务领域非常知名，但作为独立的 BI 平台被客户接受还需要一定的时间。

### ***Domo***

利基魔力象限，云 ABI 平台，1000 多个数据连接器，用户友好的数据可视化和仪表板能力。主要面向业务部门，像销售、运营等，平台易用和快速部署比较吸引用户注意。2019 年末，Domo 和知名云数据平台 Snowflake 建立战略合作。

**优势：**客户在 Gartner 的调查反馈中评价比较高，无论是产品能力还是支持能力等。同时，Domo 的订阅服务全球发展势头迅猛。

**注意：**Domo 主要面向业务部门用户，非 IT 驱动，只是用于营销、财务、供应链特定的分析领域，也可以认为是部门级、个人及的分析工具。同时，全球化程度支持不高，目前也仅在美国、日本、澳大利亚和英国有相关的直接业务。在增加分析方面的能力不足，目前还是的仪表板方面优势较大。

***Dundas  ***

Dundas 和阿里云一样，都是魔力象限的新进入者，最初是为开发人员提供图表引擎服务的，后来逐渐将功能平台化，包括可视化分析、仪表板设计、内存引擎和内置数据仓库等。目前主要还是以嵌入式 OEM BI 对外合作为主，将 Dundas BI 进行扩展开发和集成。

**优势：**完全开放的 API，高度定制和嵌入式分析开发，支持本地和 SaaS 模式，全球合作伙伴计划，客户可以使用 Dundas 分析报告增强自己的 WEB 应用或者门户等。个性化的客户服务体验在比较热门的 BI 市场中还是有很高的支持力度和积极反馈。

**注意：**业务、数据的增长对 Dundas 会带来一些挑战，并且在增强分析部分投入有限，并且专注于北美、欧洲和澳大利亚市场，市场认可度有限。

### ***IBM ***

利基魔力象限，主要产品是 IBM Cognos Analytics，关于 IBM Cognos Analytics 在几年前天善智能的公众号中就有过介绍，主要也是面向原有的 IBM Cognos 升级客户。

**优势：**Gartner 对其评价就是功能全面 Comprehensiveness of functionality，少有的在单个平台上集成了企业报告（分析报表）、自助分析探索、增加分析等功能的产品。在产品愿景上，包括增加社交想法交流、人工智能驱动的数据准备、数据源数据质量分析和基于统一门户入口的 What-if 分析、预测等。

**注意：**Gartner 对 IBM 的评价是 Loss of momentum and perception as innovator，作为创新者的创新动力、洞察力有所缺失，面对很多 ABI 厂商的挑战，IBM Cognos Analytics 也不再是企业 ABI 平台唯一的选择标准。

### ***Information Builders***

简称 IBI，利基者魔力象限，主要产品 WebFOCUS（ Designer ），2019 年产品重新设计，UI 变更并迁移到基于云的微服务架构。

**优势：**外部大规模部署的能力，各种预置的分析模型和分析应用，数据源连接性和集成、实时数据流都是其核心优势。

**注意：**总体愿景和产品策略没有和竞争对手拉开差距，客户对增强分析功能（ 自动洞察、自然语言查询等 2020 年新规划的产品路线图）利用率比较低。

### ***Logi Analytics***

利基者魔力象限，嵌入式分析领域，和 Dundas 有些类似主要面向 OEM 软件和服务提供商。2019年2月收购了老牌的报表厂商 Jinfonet Software 金峰软件和它的 JReport 报表产品（ 之前在天善智能的相关文章中也做过相关的介绍 ）；2019年6月收购 Zoomdata 解决了流式数据问题。

**优势：**嵌入式 BI 和 OEM 合作，有专门的 OEM 团队来运营，平台开放性比较强，在预测分析方面也有建树。

**注意：**使用范围有限，少有用户用 Logi Analytics 做临时自助分析，一般用来看静态的数据报告，在自然语言功能方面的转变也比较慢。

### ***Pyramid Analytics***

利基者魔力象限，目前还是以私有化部署、私有云部署或混合架构部署方式，而不是以纯云架构的方式提供服务。具备一套完整的现代 ABI 功能能力，包括数据整理、即席分析、可视化交互、仪表板、移动分析协作等。

**优势：**在单一部署平台中支持敏捷的工作流和管理报告中心，包括报表水印、数据集的复用性和共享能力、元数据管理和血缘关系等。在增强的功能中也包括了智能探索发现、智能报告、NLQ 能力的 Ask Pyramid （ 自问金字塔 ）、人工智能驱动的建模、自动可视化、用户见解等等。

**注意：**产品的愿景和创新目前还处于一个追赶者的角色，在集成商和服务提供商第三方资源的可用性和支持能力还有待提升，市场增长也需要加速。

## **挑战者象限**

### ***Looker***

Looker 在去年 2019 年的时候受到了极大关注，主要是因为 Google 宣布了以 26 亿美元收购 Looker 的计划，但是到目前为止收购还未完成。Looker 在这次的魔力想象中首次从利基者成为了挑战者，从产品形态上来看主要竞争队手是微软的 Power BI、Domo、Tableau。比较有意思的是，在谷歌收购这家公司的消息宣布之后，竞争对手中，Tableau 股价下跌 3.7%，Domo下跌 0.4%。微软股价上涨 1.6%，谷歌母公司 Alphabet 股价上涨 0.3%。

Looker 提供现代的 ABI 可视化分析报告和仪表板展示能力，集中的数据模型管理和对各种云数据库进行优化的数据库架构。在产品增强功能方面，与 Slack 的集成，自动模型生成等，嵌入式开发等都值得关注。

**优势：**In-database design: Unlike most competing solutions, Looker’s offering does not require in-memory storage optimizations. Rather, it leaves data in the underlying database and uses its LookML modeling layer to apply business rules. This enables power users and data engineers to model data and then reuse data and calculations in other applications in a trusted and consistent way.

Looker 和大多数竞品不同，Looker 不需要进行内存存储优化，而是将数据仍然保留在基础的数据库中，并通过它的 LookML 模型来适应业务模型。这种方式让专业的高级用户和数据工程师可以对数据进行建模，并在在其它的应用场景中重复使用这些数据和计算规则。

嵌入式开发、OEM API 接口等面向开发人员友好，用户社区和培训等都评价较高。

**注意：**高级用户需要具备建模能力，通过编程的方式实现建模，欠缺相应的可视化数据准备方面的产品能力。

### ***MicroStrategy***

微策略，挑战者象限，功能强大，有一定的创新型，但市场动力不足。

**优势：**Gartner 认为 MicroStrategy 在 2019 年推出的语义图像（分析）semantic graph - HyperIntelligence （ 超智能、沉浸智能）是 ABI 平台领域最具创新型的产品功能之一，零点击模式下动态显示用户所需要的分析，包括：Hyper Card、Hyper Voice、Hyper Wall 等等场景化的 BI 分析。

**注意：**软件成本在客户印象中较高，对新客户的吸引有限，需要改善，在云部署和业务应用的解决方案竞争优势需要加强。

### ***TIBCO Software***

首次进入到挑战者象限，TIBCO Spotfire 在仪表盘、可视化分析、数据准备和工作流分析等都具备强大的功能，包括实时流数据处理，自动推荐的可视化分析结果等，最新的 Sportfire 也增加了对 Python 的支持。

2018年 TIBCO 已经把 TIBCO Sporfire Analytics 中文版投入到中国市场，主要面向的用户还是面向部门的一线业务人员和决策者。

**优势：**整体产品功能相对完整，基于机器学习 ML 的数据准备、构建复杂的数据分析模型、端到端的工作流程在统一的开发设计平台完成，最终通过可视化分析构建仪表板，业务用户也可以做些高级分析和分析自动洞察工作。

**注意：**早期连同 Tableau、Qlik 被认为是颠覆传统 BI 领域的产品之一，但现在发展的势头不如 Tableau 和 Qlik，还有软件成本也是产品规划化扩张的主要障碍。

## **远见者象限**

### ***Oracle 甲骨文***

2017年重新进入，远见者象限，之前一直专注于增强分析，并且同时可以在 Oracle Cloud 和本地使用。

**优势：**Oracle 比一般的供应商更早的实现了增强分析功能，Oracle Cloud 还具备 NLG 能力，也是市面上唯一支持 28 中语言的 NLQ 平台。提供了一个端到端的云解决方案，包括基础设施、数据管理、分析和可视化分析和全球各地的云数据中心。

**注意：**OAC ( Oracle Analytics Cloud  ) 有各种数据源对接能力，但目前只在 Oracle Cloud 中运行，目前最新的架构是否有所调整，需要进一步观察。

####

### ***Salesforce***

远见者象限，在增强分析功能方面非常强大，很多供应商都在追赶，目前 Salesforce 的 Einstein Analytics （ 爱因斯坦分析，三个软件产品报包 ）和 Tableau 在 Salesforce 的定位和未来走向目前还不是非常清晰。

2019年6月，Salesforce 花费 157 亿美元收购 Tableau，8月收购完成，这是2019年BI领域最大的一个市场变化。Tableau 为 Salesforce 带来了巨大的客户、产品和渠道能力，但同时 Salesforce 本已有的强大的产品线和 Tableau 产品线也严重重叠。目前 Salesforce 和 Tableau 还没有制定产品和公司整合计划，所以在 Gartner 中 Salesfoce 和 Tableau 还是单独展现。

**优势：**Salesfoce 最大的优势就是 Einstein Analytics 可以直接嵌入业务应用程序，完整一体的业务流程和分析流程优势非常明显。并且超过 36000 个的 Einstein Analytics 的社区成员对于推动市场开发发展有很强的动力。

**注意：**Salesforce 竞争对手在增强分析领域都在追赶，同时 Salesforce Einstein Analytics 用户使用成本相对其它平台而言也略高，并且对于大部分用户而言 Einstein Analytics 只是作为和 Salesforce CRM 一起使用的部门或个人级的分析工具，而非企业级的 BI 标准。

### ***SAP***

远见者象限，产品功能在不断的改变也富有远见力，SAP Analytics Cloud 具备多分析功能、多租户的云平台能力，但使用者大部分还是以企业中使用了 SAP 产品的客户为主。

**优势：**SAP Analytics Cloud 闭环的单一平台具备了计划、分析、预测的能力，这一点是其它平台所不具备的，关联的 SAP Digital Boardroom 对管理层有很强的吸引力，支持 What-if 分析和数据模拟能力。同时，SAP Analytics Cloud 为 NLG、NLP 和自动洞察提供了强大的支撑。

**注意：**SAP 品牌在很多客户眼中默认就是传统的 BI 代名词，无法让用户感知到 SAP Analytics Cloud 的不同，需要花时间去改变。同时，SAP Analytics Cloud 运行在 SAP 数据中心或公有云（ AWS 基础设施 ）中。

### ***SAS***

远见者象限，强大的产品和全球影响力。SAS 基于云和微服务平台 SAS Viya 上提供了 Visual Analytics，具备了端到端的视觉、数据准备增强、ABI、数据科学、机器学习和 AI 解决能力。

**优势：**端到端的平台愿景，让客户在单一的集成、可视化和增强设计平台中，进行可视化分析、数据科学、ML和 AI模型等操作，SAS 也是该魔力象限中唯一本地支持文本分析的厂商。在增强分析部分，SAS 在自动化方面投入巨大，包括个人数字助理的语音集成、聊天机器人集成和本地 NLG 能力等。

**注意：**SAS 支持开源数据科学和 ML 生态系统，并在 SAS Visual Analytics 引入了新的 SDK，但对于开源趋势反应较慢，导致市场默认 SAS 的成本较高，对于市场开拓有一定的影响。

### ***Sisense ***

远见者象限，嵌入式开发合作比较知名。Sisense 提供了数据准备、分析和视觉探索的功能，提供了一个可支撑复杂数据的 ABI 平台，差不多一半的平台客户都是通过 OEM 形式使用 Sisense 产品。2019 年发布的 Sisense 8.0.1 具备了新的 ML 功能，具备探索隐藏的见解、洞察和推荐可视化成果的能力。2019年5月，Sisense 收购了 Periscope Data 增强了高级分析功能。

**优势：**原生云 BI 平台，支持 Docker 和 Kubernetes ，可以在 Sisense 的托管云产品或客户端部署中灵活扩展基础组件。支持复杂的数据聚合，通过 ElastiCube 来实现超快的数据存储，实时分析而调整的高性能分析数据库。

**注意：**在客户深度的、复杂的数据项目中，只有少部分的 Sisense 用户进行了一些适当的、高度复杂的即席分析 ad-hoc analysis 和数据探索。另外 Sisense 面向高级用户 Power users 和开发人员友好的，对于一些普通的业务用户使用可能会遇到一定的挑战。

### ***Yellowfin ***

首次进入到远见者象限，规模较小，地域性限制也比较大，但产品创新较强。Yellowfin 最初是用于分析报告和可视化分析的 WEB 形态的 BI 平台，后来逐步扩展到数据准备包括 2018 年之后的增强分析。

2019年 Yellowfin 增强了增强功能中的时间序列，推出了新的移动应用程序，增加了嵌入式工作流程的支持。

**优势：**产品功能得分较高，功能涵盖数据准备、可视化探索分析和增强分析，基于浏览器界面进行访问。具备广阔和创新的产品愿景，包括提供了 基于 ML 算法的自动报警等。另外，在 Stories 模块支持数据新闻 data journalism ，并且可以嵌入 Tableau、Qlik Sense、Microsoft Power BI 的内容。客户体验得分较高，对服务支持满意度也很高，运营较为成熟。

**注意：**Yellowfin 平台提供的数据链接选择比其它厂商要少，在需要支持更加复杂、非结构化或者半结构化数据时，需要一定的技术技能使用 Freehand SQL 来实现。技术社区力量较小，市场吸引力还比较薄弱。

## **领导者象限**

### ***微软 Microsoft***

拥有全面和富有远见的产品路线图，并通过 Microsoft Office 渠道赢得了全球广泛的市场。

主要核心产品 Power BI 具备数据准备、可视化的数据发现、交互自助式分析、增强分析等能力，并且支持 Azure 云 SaaS 模式和 Power BI Report Server 本地模式，Power BI Desktop 也可以作为个人的分析工具独立使用。

**优势：**病毒式传播 Viral-Spread，Office 365、Excel 提示用户在 Power BI 中进行可视化分析等，影响广泛，拉新成本低。2019 年发布的 Power BI Pro 云服务在功能方面也已经超过了大多数竞争队手，比如在增强分析、自动化 ML 的创新等，包括 Power BI 还提供了基于 AI 的文本、情感、图像分析等。

**注意：**本地版本 Power BI Report Server 对比 Power BI Pro 云服务存在很大的功能性差异，包括仪表板、流分析、预置分析、自然语言问答、增强和警报等。同时，云平台仅限 Azure 环境。

### ***Tableau ***

多年领导者象限，通过基于可视化的探索能力，让用户可以进行数据访问、数据准备、数据分析和数据展现等操作，具备强大的市场营销影响力和产品功能的扩展能力。但是作为 Salesforce 的一部分，目前发展方向不是非常的明确。

在 2019 年，Tableau 通过引入 Ask Data 和 Explain Data 来提供自然语言查询和自动见解，增强分析能力得到很大提升。同时，在数据治理方面，改进了 Tableau Pre Builder 并引入了 Tableau Prep Conductor 来进行数据管理的计划和监控。将 Tableau Prep Conductor 和 Tableau Catalog 打包成为 Data Management 加载项的一部分，还通过 Tableau Online 将大部分的用户迁移到了云中。

Salesforce 在 2019 年 8 月对 Tableau 进行了收购，是机遇也是挑战，因为 Salesforce 自身在 ABI 平台已经具备了人工智能、云计算和嵌入式分析的能力，Tableau 在这些领域也已经有很大的进步，整个产品路线重叠面临调整。

**优势：**Tableau 的用户都是深度使用用户，高粘度、热情度极高，每年的年度用户大会深度和影响力就是最好的证明。操作简单，易上手，通过用户自己对产品的理解就可以很好的完成数据源数据的提取、数据合并、可视化分析和呈现的全过程。

2019年第一季度，Tableau 的市场总收入在 9 亿美金左右。

**注意：**Tableau 虽然在数据分析领域有很强的优势，包括在 2019 年 Tableau 加强了数据治理、管理等功能，但是客户的总体反映 Tableau 在数据治理和管理上面仍然需要改善。

### ***Qlik***

多年位于领导者象限，在机器学习和人工智能方面有很强的产品愿景并有所增强，但对比于其它竞争队手，在市场动力方面有所不足。Gartner 在产品层面提到的是Qlik 的重点 ABI 解决方案产品 - Qlik Sense，基本上可以满足任何技能水平的操作用户，快捷的进行组合数据分析和数据探索。在 Qlik 的认知引擎（ cognitive engine ）中已经加入了 AI / ML 功能，并和关联引擎（ Associative Engine ）一起提供了具备上下文感知的洞察分析能力。2019年6月推出的关联见解 associative insights，作为增强的分析功能，通过认知引擎发掘更加隐藏的数据价值。

**优势：**灵活部署，最早提供不影响用户体验和管理的跨多云部署架构模式的厂商之一。同时 Qlik 的产品矩阵也覆盖了分析生命周期的多个阶段，例如 Qlik Sense 为分析师和业务人员提供自助式的分析能力，Qlik Data Catalyst （ QDC ）可以助力企业加速向现代化数据管理模式过度，将原始数据转换为受治理的、可分析的信息资源。数据分析增强、关联洞察能力、数据自动揭示（ 业务 ）可以帮助到基本所有级别的用户。

**注意：**Qlik 在 2019 年经过了一些调整，采取了一些具有远见的措施，例如技术收购、主要产品的发布和产品更新，但对比其它领导者象限产品，市场方面需要加强。同时，在自助服务方面，用户还是更加偏向于参数化的报表分析，对于自助服务、自动发现和产生见解的能力如何体现到业务场景中还需要继续引导市场用户。

### ***ThoughtSpot***

领导者魔力象限，非常特别的创新，通过 Search-First 搜索优先的分析方法非常有吸引力，但是也比较容易被模仿, 将来这种产品区别将越来越小。

2019年 ThoughtSpot E轮融资 2.48亿美元，深化了增强的分析功能，引入了新的 AI 驱动并增加了业务指标自动监控的功能，以及数据库内查询的能力。

**优势：**大规模的搜索和 AI 能力，通过使用 NLP 能力，用户通过键入或者讲话的方式提出问题进行分析的交互。同时，支持大量数据进行复杂分析查询，超过三分之一的客户分析了超过 1 TB 的数据。目前 ThoughtSpot 的市场规模仍然还很小，但是基于搜索的分析方向认知度比较高，在优先考虑 NLP 和增强分析功能的时候，很多 Gartner 的用户推荐 ThoughtSpot 入围。

**注意：**ThoughtSpot 并不能完全满足 ABI 的定义要求，更多的是其它 ABI 产品的补充，比如通过第三方工具来准备和清理数据，将数据加载到 ThoughtSpot 进行大规模的处理，只有少量的用户将 ThoughtSpot 视为企业级 ABI 的标准。全球影响力有限，生态系统和社区用户影响力有限。ThoughtSpot 需要较强的 IT 能力来完成数据准备工作，包括特定的内容分析准备等。

# 五、**派可数据****对 Gartner 魔力象限的分析总结**

Gartner 差不多在每年 2 月份的时候都会发布一份有关分析和商业智能 BI 平台的分析报告，这份报告从全球的视角出发，对 BI 未来的发展趋势，各象限的厂商都有非常好的总结和分析，是一份很专业的分析报告，值得关注。

从这份分析报告中，我们可以看到以下几个特点：

## **更加突出分析 Analytics**

所以魔力象限的名称是 Analytics and Business Intelligence，特别反复的提及增强分析，不再单纯的只提 BI，所以整篇报告一直在描述的是 ABI。

## **更加强调端到端的能力 end to end**

不仅仅在分析端需要加强，同时更加关注从数据源开始、到数据治理、数据管理、复杂分析模型、前端可视化分析、分析报告和增强分析整个过程。

## **机器学习和人工智能 ML and AI**

通过 ML 和 AI 赋能实现增强分析，更加希望在数据准备 Data preparation 到数据管理 Data Management 到数据探索 Data Discovery 等各个阶段都可以接入 ML 和 AI 能力，让整个过程自动化和流程化，最后特别在数据洞察、见解方面由以往的业务发起-可视化-反馈决策被动反馈形式，到自动的推荐一些分析结果和见解的主动反馈形式，里面也提到了自然语言搜索和查询交流的方式。

## **业务、数据平台的融合加速**

Salesforce 收购 Tableau 就是一个很好的例子。企业 IT 信息化的两个阶段是必然趋势，业务信息化和数据信息化，业务信息化就如同 Salesforce CRM，数据信息化就是 ABI，两者必然结合。所以，在未来会有更多的 CRM、ERP 厂商要么自身加强 ABI 能力，要么寻找合作方共同拓展业务渠道，占领市场。

**派可数据 BI 产品被全国最大的企业管理软件服务商用友 OEM 也印证了这个趋势。**

## **云部署，但各家都有限制**

ABI 产品的云端化发展是一个趋势，但也能看到云 ABI 产品对云的依赖性和排他性，越是有云业务市场的越有限制。并且纯粹的云 ABI 化最好的使用场景是基于云端业务软件进行的嵌入式的，变成其中的一个子模块。但是这类 ABI 产品基本上的定位就是服务于业务软件自身、个人或部门级的分析工具，不会成为企业的 ABI 唯一建设标准。

## **各品牌特点比较鲜明、差异化的市场存在**

在前端可视化能力比较突出的，在数据准备、数据源方面就会比较薄弱；在数据准备、数据管理方面比较突出的，在前端增强分析领域就略显薄弱；包括一些 ABI 厂商差异化的市场打法，比如聚焦比较细分的应用分析市场领域，嵌入式的开放平台和 OEM 市场领域，搜索优先的分析领域，各自都有各自的特点。

## **把握市场入口的 ABI 产品市场空间巨大**

例如 Salesforce 把握众多的企业客户，手握两条 ABI 重点产品 Einstein Analytics 和去年收购的 Tableau，包括 Microsoft 微软海量的 Office 产品用户，把握着众多潜在客户资源。

国内的阿里云 Alibaba Cloud 这次能够进入 Gartner 魔力象限也是有这方面的原因，但目前从 Cloud 市场到 ABI 分析领域缺少类似于像 Salesforce 的 CRM 平台资源或者像 Microsoft 海量的 Office 用户资源，需要一个业务软件来支撑从 Cloud 到 Analytics 分析的业务纽带（ 业务平台产生数据，数据产生分析需求 ）。阿里云平台自身很难对业务用户产生很大的粘性，因为阿里云的直接使用者更多的是 IT 运维和技术支持，在阿里的体系下目前来看钉钉会是一个比较好的选择。

# 六、**Gartner ABI 发展趋势下****的国内 BI 市场**

国内分析和商业智能平台的发展阶段整体来看仍然处于 BI 阶段，与 Gartner 所定义的 ABI，缺少的就是 A - Analytics，特别是指增强分析技术领域，这种情况有一定的特定原因和背景：

**一方面国外的 BI 发展要远远早于国内 BI 市场，无论从技术成熟度、IT 成熟度、用户成熟度还是市场成熟度都较中国要高很多。**基本上从 2005 年开始或更早的时候，国外的 BI 产品已经进入到中国市场，而当时中国市场大部分企业用户解决的是基础的报表 Report 的问题，还远远没有到 BI 分析阶段。**国内 BI 产品基本上从 2013 年前后才逐步起步发展并逐步占领市场，从一线城市向二、三线城市覆盖。**

**另外一方面受限于国内企业基础信息化建设整体投入不足、基础薄弱，导致目前大部分的 BI 解决的重点还远远未能达到 A - Analytics 的阶段。**目前国内 BI 市场企业服务投入的大量的时间和精力仍然处于企业底层数据梳理、业务引导、数据意识灌输、BI 知识的普及和教育阶段。

这也就是为什么国外的 BI 产品品牌在国外市场表现突出，但到了国内市场仍然实现不了规模化的普及覆盖，最终陷入到一个一个的个性化项目交付上，无法实现轻量化运营。**并且在本地化、个性化服务、定制化开发方面对比国内 BI 产品并没有十分明显的优势，反而国内 BI 产品在国内的部分市场已经形成反超，这个趋势也会越来越明显。**

数据行业相对比较专业的玩家集中在互联网、电商领域或大的金融、银行、保险等领域， 这几个领域在企业业务起步的时候就需要有良好的信息化基础建设支撑，否则就无法开展其庞大的业务，因此具备了数据深度利用的基因，也具备对 ABI 的诉求前提。**但除此之外，国内大部分企业目前还停留在解决基础的信息化投入阶段，解决提升企业管理水平的阶段。**

国内本地企业信息化基础薄弱，包括在基础信息化领域还未形成专业分工，中小企业个性化需求不强但生命周期短，大型客户管理标准化程度低，各类繁杂的个性化需求疲于应对。**没有良好的土壤环境，也失去了标准化的分析场景和专业具备数据意识的专业化人才。**

因此，实际上上面所讲到的一些问题是说明我们在 BI 领域与全球 ABI 领域在技术、应用场景、使用深度、市场环境等各个方面存在较大的差异性，我们更需要关注当下国内 BI 市场用户的诉求。**国内 BI 市场整体还停留在 BI 分析的基础阶段，还需要很长的一段路要走。**就如同国内 SaaS 企业服务市场一样，各种商业模式轮番上场，仍然还停留在培养用户、培育市场的阶段。

我在过去几年时间面对面拜访过几百家企业，从大型集团到中小型企业，从一线城市到二、三、四线城市，往往当企业有意识想了解或者推进 BI 的时候，沟通后才发现大部分企业自身的信息化基础确实薄弱，数据意识也很缺失，需要花时间和精力去引导梳理。**即使是年销售额几十个亿、上百亿的企业，一些基本的业务数据还需要通过手工整理的方式提供，或者系统中有但不敢用，因为数据本身就是错的。**这个过程需要很长的时间才能让企业自身纠正过来，并且还需要解决管理者在面对诸如这样的问题： "我们这个要求一旦下去了，我们的业务人员就在抱怨，以后就不跟客户了，天天填数据报数据得了"，这些就是国内 BI 市场普遍的现状。

这种情况的形成有一定的原因，即在过去很长的一段时间内中国还处于一个供给时代，需求大于供给，生产什么卖什么，催生了很多传统行业。企业的焦点在渠道市场、生产能力，重资产运营什么都做，而很少去考虑协同分工、信息化、数据分析，不论对企业生产设备的升级改造、管理提升、信息化协同等都不是那么的迫切。**而当供给时代结束，产能过剩，高增长减速的时候，互联网时代新型商业模式的冲击，传统企业不得不在这些方面进行思考和转变。**

**所以，近几年我们看到国内的商业智能 BI 市场也在逐步的成熟起来，主要原因是企业在逐步成熟，在信息化方面有意识的进行改变和提升。在各个行业领域都有一些成熟的企业利用商业智能 BI 来提升企业自身的经营管理水平，逐步培养企业的数据意识和分析意识，这都是非常积极的变化。**

****国内商业智能 BI 市场空间仍然巨大，国内商业智能 BI 厂商也大有可为。****

# 七、**国内商业智能 BI 的市场空间和规模**

目前对商业智能 BI 应用比较广泛的企业，首先是完成了 IT 业务基础信息化的企业，代表性的软件投入就是 ERP，因此国内商业智能 BI 的发展离不开 ERP 市场的发展。**现阶段据观察分析，商业智能 BI 在 ERP 软件行业的渗透率大概在 10% 左右。**

但由于企业业务信息化的建设需要一段周期、数据的沉淀需要一定的周期、数据使用场景、市场教育推广普及、数据产品的形成、人才梯队的建设也存在着一定的周期，从短期内来看商业智能 BI 对比 ERP 市场至少存在着十到十五年的时间空间延后关系，但随着整体市场的增速和企业数字化转型，商业智能 BI 的成长趋势会越来越快。

在过去的 2019 年，整体商业智能 BI 在 30 亿左右的市场规模。**随着商业智能 BI 市场教育普及、传统 ERP 企业客户数字化转型的需要、BI 产品发展的多样性和各高、中、低市场的渗透和覆盖，商业智能 BI 在未来三到十年，将逐步进入一个高速发展的阶段。**


*ERP 是商业智能 BI 的市场根基*

据派可数据预测分析，自 2020 年起，按每年 15%-20% 的增长速度预计商业智能 BI 在国内的市场保守估计将分别达到 33.3亿、37.6亿、45.1 亿左右的规模。


* 商业智能 BI 市场在未来的三到十年发展迅猛*

**随着 ERP 市场的深度发展，商业智能 BI 在二、三线市场热度的逐步提升，和国内外商业智能 BI 厂商在市场上的共同推动和努力，预计在三年之后，商业智能 BI 市场每年的增速会达到 30%-40% 以上。在 2030 年，预计市场规模突破500亿，2033年前后，市场规模突破千亿级别。**

除了传统的 ERP 市场，像 OA、CRM、BPM 等各个专业业务软件领域对 BI 的诉求也是一样的高，商业智能 BI 是基于所有业务软件基础之上的，打通所有业务系统的数据，还涉及到企业外部数据的使用场景，是整个终端分析的出口。

**因此，BI 的应用场景是全行业、全领域、无处不在的。**

（全文完）

本文由派可数据原创，如需转载请必须注明来自派可数据 www.packingdata.com，否则按侵权处理。

[/md]