最近碰到很多社区朋友都在关心 BI 领域有关 SaaS 应用的话题，这是一个很好的现象，因为 SaaS 尽管在 BI 领域起步的不算非常早，但它是一个趋势，很值得大家关注。我最近也参加了一些厂商举办的关于大数据行业、产品类的话题交流，对于 BI 数据可视化分析领域的 SaaS 发展情况简单总结了一些个人看法，在这里与大家分享和交流。
以下几个话题针对一些不太了解 SaaS 服务的朋友
1. 什么是 SaaS 服务？
2. 和云计算有什么样的关系？
3. SaaS 的应用场景？
以下几个话题针对关注数据可视化市场 SaaS 应用的朋友
4. 大数据时代下商业智能 BI 的发展现状与特点
5. 数据可视化市场 SaaS 发展会遇到的问题
6. 数据可视化市场 SaaS 发展要解决好的几个问题
1. 什么是 SaaS 服务？
Software as a service 软件即服务，通过互联网提供软件的模式。服务商/供应商把应用软件统一的部署在自己的服务器上，用户可以根据自己的需求向服务商订购或者租赁所需要的应用服务。所有的服务器、相关硬件、网络设施、软件的维护与升级都是由服务商提供，用户只需要通过互联网就可以享受到非常便利的硬件、软件和维护服务。
比如针对个人的百度的云盘、有道云笔记、印象笔记，或者针对企业的 QQ 企业邮箱、网上会议系统、协同工具、多领域服务的 CRM 软件 Saleforce 等都是 SaaS 的典型应用模式。有免费也有收费的，收费模式大多是按租用费、用户数量、存储空间或者流量等收费。由于用户不承担软硬件维护成本，所以这种服务方式极大的降低了用户的开销成本。
比如说像我们天善团队在创立之初为了节省成本就是使用的 QQ 企业邮箱、Tower、Gotomeeting 等工具在北京、上海、长沙三地工作和协作办公。除了办公资源和人力资源的投入，在其它 IT 软硬件和设备维护上几乎没有投入，极大的降低了团队运营成本。弊端就是数据安全和稳定性，所有的数据存放在 SaaS 服务提供商那里，所有的服务都必须完全依赖服务商（通常情况下不会有太大问题）。
2. 和云计算有什么样的关系？
云计算 Cloud Computing，是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备。Saas 只是云计算的一种应用模式。
粗略来讲云计算可以分为三层（IaaS、PaaS、SaaS）
IaaS （Infrastructure as a Service 基础设施即服务），主要是涉及到一些 IT 应用基础架构，比如虚拟机、网络资源、防火墙、IP 地址等。比如国内的阿里云、青云，国外的亚马逊的 EC2、Microsoft Azure 等。通过 IaaS 服务我们不用购置服务器和存储设备，也不用考虑服务器机房环境等维护就可以享受计算机基础设施服务。
比如我们目前购置的就是阿里云服务，通常按年按项目进行付费，我们只需要在虚拟服务器上部署我们的网站、数据库等软件等，其它所有的网站服务器的维护和存储资源管理都由阿里云来提供，包括一般的网络攻击防护（最近天善受到了一些内部的来自阿里云上其它租户的攻击，有的攻击还是需要我们运维人员来解决）。
PaaS ( Platform-as-a- Service 平台即服务) ，PaaS 实际上是指将软件研发的平台作为一种服务，以 SaaS 的模式提交给用户，PaaS 介于 IaaS 和 SaaS 之间的一种服务。简单理解 IaaS 构建的是虚机、存储等 IT 基础设施环境，PaaS 则是面向开发人员提供了运行应用程序的开发环境。比如将操作系统、应用开发环境等平台级产品通过 WEB 以服务的方式提供给用户，用户写好应用程序上传即可完成编译、调试、发布整个流程。 这个环境就类似于 PHP 开发程序所需要的 Apache 引擎，Java 运行所需要的 JRE、Tomcat 等环境的支持。
国外的 PaaS 产品例如 GAE（Google App Engine）、Windows Azure （提供了 Microsoft SQL 数据库服务、.NET 服务等），国内的类似于百度应用引擎 BAE，腾讯云平台 QCloud、阿里云 ACE - Aliyun Cloud Enginee 等。
SaaS 略，参考之前的介绍。
3. SaaS 的应用场景？
1）. 需要较低的投入成本，较高的工作效率。特别是创业型公司、初创团队往往都会采用这种服务外包的形式来降低人力和资源投入，集中精力专注本身的业务发展。比如我们不仅仅是一些邮箱、协同办公方面我们使用了 SaaS 服务，甚至像社保、公积金的缴纳我们也使用了 SaaS 服务，降低成本和提高工作效率。
2）. 异地、协同办公与合作、快速增长的业务线。比如团队跨地域、工作跨地域、可以通过协同办公软件，比如在线的 OA、Office、CRM、协同办公的项目管理等，所有内容都保存在云端，也不需要额外的维护，在家和在办公室都可以完成工作的同步。特别在一些高速成长的团队中，当 IT 的支撑力度跟不上业务的快速发展，也没有精力来维护各条业务线上庞大的软件服务，那么各种细分领域的 SaaS 服务就可以解决这些问题、比如人力资源、供应链管理、财务服务等。
3）. 侧重细分领域的信息和行业标准化的应用。细分领域和标准化是 SaaS 服务的两个非常重要的因素，比如提供标准化的信息录入、流程管理、内容管理，并且这种标准化通常是基于某一个特定细分领域，比如上面所提到的人力资源、供应链管理、财务方面；或者基于某一个行业，比如零售行业、O2O 行业、互联网行业等 SaaS 应用服务。
4）. 需要大数据计算和高存储能力支撑的应用。比如通过各个渠道的海量数据采集、大数据分布式计算、海量存储等技术才能提供的一些市场数据分析与市场预测，这些作为一般的公司通常是没有这种能力支撑这么大的应用规模，无论是从技术能力或人力成本上都无法跟上，最好的方式就是购买 SaaS 服务，专业的事情交给专业的组织结构去做。
4. 大数据时代下商业智能 BI 的发展现状与特点
总的来说就是市场空间巨大，“大数据”这一词唤醒了更多的人愿意关注数据、了解数据。当然“大数据”在很多应用场景下也是被人们滥用了，言必谈“大数据”，但是其实很多企业还是需要从基础的数据治理做起，从小数据做起。
1） 传统的 IT 应用系统已经非常普及，数据多年的沉淀需要被挖掘利用。目前基本上没有哪一个传统行业没有 ERP、OA、CRM等业务系统，从北上广深一线城市到二线甚至三线城市，IT 应用的普及与发展已经非常成熟，没有业务系统的支撑是无法生存下去的。经过多年的数据积累和发展，已经具备商业智能BI和分析所需要的数据基础。
2） 商业智能 BI 和分析的门槛逐步降低，商业智能 BI已经成为企业 IT 部门的标配。在2010年、2011年以前，我们在招聘网站上搜索 ETL 相关的职位不过几页，可见企业多 BI 的需求并不是非常多。一方面是数据的积累没有到一定的量，第二方面是商业智能 BI 的成本，无论是软件成本还是人力成本都非常高。当时能够有能力采购商业智能BI 系统的基本上是以金融银行、保险以及大型医疗制造行业为主。涉及到软件也基本上是比如 Oracle、SAP、IBM 等旗下的 BI 产品，这些对于一般中小型企业成本太高。而人力成本则是传统的 BI 实施周期长、相关人才招聘困难导致。而目前虽然也需要采购商业 BI 产品，但是总体来说产品的选择性更加丰富，人才的储备比当时也容易很多。所以，在现在商业智能 BI 慢慢不再是奢侈品，已经逐渐成为企业整个 IT 架构的功能模块和标配环节。
3）市场竞争和经济环境的影响促使企业更加重视精细化运营和管理的投入。比起以前开放式的粗放型的管理，在遇到经济环境整体不利和更多的市场竞争情况下，势必会更加注重梳理和控制企业的各个环节，而用来找到“症结”和应对市场快速反应的唯一方式就是管理和利用好数据，用数据说话。
4） 以 IT 主导的商业智能 BI 和分析逐步演变为向以业务为主导的自助式分析过程。在过去的传统的商业智能 BI 系统开发和报表系统基本上都是以 IT 部门为主导的，从需求的提出到数据展现报表的分发通常需要很长时间，严重的阻碍了业务部门的日常运作需要。所以如何解放 IT 部门，让 IT 部门只负责 BI 系统的管理与维护，让业务部门自主进行数据报表的制作和展现分析就变得尤为重要。
我曾参加过大众金融的 BI 项目，通过 IT 部门部署和维护的 BI 系统，业务人员通过 BI 部门的培训可以自主制作报表用来支持日常的业务分析。据日志系统记录，200多个用户总共创建了近3000张自定义的数据分析报表，日常常用报表占报表总数 50%以上。如果这些数据分析报表全部由 IT 部门来承担，仅靠几个 BI 开发人员是无力支撑这么庞大的工作量的。好处显而易见，既减少了 BI 团队的投入，又提高了工作效率。
所以总结来说，目前在国内市场上商业智能 BI 和分析平台的空间仍然很大。商业智能BI和分析门槛降低，解放 IT 以业务驱动和导向的数据分析平台这是一个必然趋势。
5. 数据可视化市场 SaaS 发展会遇到的问题
为什么只谈 BI 领域的数据可视化市场 SaaS 产品发展存在的问题，而不谈 BI 市场 SaaS 产品的问题。因为 BI 领域涉及到的不仅仅是可视化数据分析，还包括了传统的 BI 报表，数据仓库建模、ETL 等流程。可视化数据分析是位于整个 BI 的最顶端，最能够体现将数据变成信息、信息产生价值的一个环节，是数据最终呈现的载体，通过分析挖掘价值并产生落地的决策。可视化分析领域也是最容易发展成 SaaS 服务模式的，因为它避免了底层复杂的数据清洗的过程，而数据清洗、数仓的建设恰恰是需要高度的定制化服务的。
最近在和一些国内可视化分析领域的 SaaS 产品服务商交流，有的已经在行业内树立了不少的标杆客户，也有正在努力打磨产品准备推出到市场上的潜在供应商，从产品的角度综合起来看我觉得有几个共性的问题是需要 SaaS 产品服务商考虑的 （假设读者了解 Domo 的情况下）：
1）在单纯的数据分析方面，包括数据的接入、工作表管理、可视化分析和仪表盘等功能方面，SaaS 分析应用和市面上大部分可视化工具差别不大，用户缺乏使用的动力。比如在可视化领域有很多免费的桌面版工具，QlikSense Desktop、微软 Power BI Desktop 等产品都是可以作为个人免费使用，并且可以完成非常不错的可视化效果和基本的数据分析工作。
2）数据的安全性、使用的稳定性该如何更好的保证。很多公司的信息保护意识是比较强的，信息安全的条例都是明确写入员工手册中的，包括最基本的邮件、文件、还有各种业务系统中的数据都是属于安全保护的重点。将数据上传云端来做一些其它工具可以完成的分析，这种挑战所付出的代价还是太大。除非是公司层面上允许员工的这种做法，或者公司已经是某 SaaS 可视化分析厂商的客户。
3）缺乏社交分享的动力，工作的数据很难进行对外公开分享，仅适用对内分享。在可视化分析的 SaaS 工具中，社交和分享是很大的两个亮点。但是这里的社交分享我的看法还是属于工作范围之内的，团队或部分之间的关于某些数据分析的结果、报表进行分享、批注、反馈的一个过程。其实在国内某些产品已经做到了这种批注回写、审阅的功能，但是并没有 SaaS 化。
4）对数据的质量要求也相对来说比较高，规范的数据格式，可分析的数据格式。对于数据格式的依赖会非常的高，对于可视化产品而言，工具的使用、图表的制作是一个标准化的使用过程。我们很难要求每一个业务人员都能独立的完成数据处理和清洗的过程，将规范化不可分析的或者不规范化也不可分析的数据变成一个规范化且可分析的结果，很多业务人员是没有这个能力的。
SaaS 可视化分析产品和用户教育目前总体都不是非常成熟，但是相信在未来的几年间会变得成熟，通常情况下也就 2-3 年的时间。就如同我们在2013年到现在2016年不过三年的时间，从传统 BI 到敏捷 BI、传统定制化报表到可视化数据分析的用户教育一样，大家都是从不成熟变得成熟，到如今可视化数据分析已经深入人心。
例如像 Tableau、Qlik (QlikView、QlikSense) 这些位居 2016年商业智能和分析平台的领导者象限的两大产品（另外一个是微软的 Power BI）最早也是在 2013年左右进入中国市场，像国内的永洪 BI 也是从数据可视化分析领域切入，时间点也正好是在 2013年。除此之外，帆软软件、Smartbi、奥威 Power-BI、国云科技等也都是从这个时间点重点推进了可视化分析的产品，并且也拥有了各自领域的标杆客户。老牌 BI 巨头 Oracle、IBM、Microsoft 也在逐步转身跟进，直接跨过可视化分析的市场教育阶段，走向 SaaS 服务，目前比如 Microsoft Power BI，Desktop 免费，比如每个月每用户 9.9 美金直接使用（目前的 Power BI 部署是国外的云，在2016年的11月份国内云将正式上线）。
所以，从2015年可视化分析 SaaS 服务逐步在国内市场发出声音到 2018也是一个三年的时间（有的可视化数据分析厂商早在 2013年就已经在布局 SaaS 市场，例如 BDP），那么在这个三年的时间里也一定会出现一批比较成熟和很成熟的可视化分析 SaaS 模式的产品。
6. 数据可视化市场 SaaS 发展要解决好的几个问题
尽管上面提了这么多的问题，但是作为我个人我还是比较看好 SaaS 可视化数据分析在国内的发展，它是未来 BI SaaS 模式的入口和切入点，同时从产品形态上来讲丰富了用户的选择。当然也可能结合 On Premise 本地化部署和 Mixed 混合模式来推进这个巨大的市场。
我觉得数据可视化市场 SaaS 的发展需要解决好以下几个用户会比较关心的问题：
1）安全、稳定、混合云部署需要多方面考虑。使用成本低，付费模式的多样化是 SaaS 服务的天然优势，但是从数据安全性上来如何保证用户的数据隐私不受侵犯，特别是在国内比较和谐的环境下会不会出现给某些机构留后台接口，还有公司的财务数据的特殊问题如何解决？ 服务稳定性上如何，灾备切换、网络攻防也是一大挑战。在这种比较特殊的环境下，一种能够比较能接受的方式是一部分比较敏感和核心的数据需要进行私有化部署，采取混合部署模式。当然，目前也有多数据进行加密的措施，在安全性上是比较有保障的。但这个就比如把自己的钱放在别人的保险箱里，多多少少会存在这样的顾虑。
2）云端的分析功能在用户体验，功能实现上要比桌面端至少一致或者要求更高。有别于 Desktop 版本的开发都在本地，并且这些桌面版工具相对来说也已经非常成熟。那么如果将数据放在云端开发和分析，至少在数据分析、图表制作等基本的操作流程上，云端的分析和展现能力至少要能够与一些比较普及的桌面版的展现能力持平，包括最基本的 UI 设计、报表美观程度等。
3）一定是结合行业特点，在行业细分领域提供很好的分析接口，标准化的分析模板。就像我之前所提到的，可视化数据分析的 SaaS 产品对比于普通的 Desktop 数据可视化分析产品 PK 上并没有太多的优势，但是它可以深入行业，在行业细分领域进行深耕。比如对于零售细分行业提供标准化的分析模板，提供标准化的数据分析接口，用户只需要按照相应的接口提供数据就可以得到全套的分析模型。同时，在细分领域的标准化分析模板同时，也有针对性的定制化分析组件提供。深入行业或细分领域也是 SaaS 的一大特点，并且这种方式也解决了标准化的问题。
4）可提供大量的辅助的第三方数据来源配合使用，辅助现有接口数据分析。在 SaaS 服务平台上可以和租户交换数据资源，租户获得相对应的数据分析与行业统计报告，即你对我开放，我则对你开放，公平且合理。
SaaS 服务商可以拿到更多的数据（不排除私自采集用户数据的可能），数据即价值，这部分价值随着租户的增长而无限放大。另外，由于大家都在使用同一套 SaaS 服务，则平台本身变成了一个统一的入口，在这个平台入口上可以提供很多的增值服务，比如提供行业相关的数据借口、用户数据（脱敏的）接口，和平台本身相结合，可能本身就能完成一站式用户画像、产品的舆情分析、竞品分析等。解决的是什么问题？ 解决的是各个企业，在他们解决了内部数据之后寻求外部数据资源的需求。
5）性能问题上有保障，上传下载、大量的聚合操作。性能上的问题一定是大问题，在很多场景下数据可视化 SaaS 服务在现有互联网环境下是满足不了的，比如上传几个 GB 的数据到云端，下载几个 GB 的数据到本地。所以需要定义使用场景，云端分析服务在目前这个阶段一定是基于两种方式：第一，汇总数据的上传分析，或者轻度汇总数据的上传分析。第二，通过实施将用户数据接口打通，大部分数据预先聚合汇总，前端在展现分析。
6）快速有效的开发和部署、发布和访问模式，降低人力和时间成本。这一点相对来说是比较容易做到的，也是 SaaS 服务的优势所在。
7）分享与互动，比如批注、注解、团队互动的模式，可以增加用户使用黏性。需要考虑到最终用户使用可视化分析产品的场景，以及他/她之后的动作。我们说将数据变为信息，信息产生决策，决策产生价值整个才是一个 BI 完整的逻辑生命线。可视化分析解决的是将数据变为信息的过程，这个信息的载体可以是一张纸、一份报表，最终这些内容都是需要经过展现、交流、博弈、确认等过程才能产生一个决策落地。那么我们的分享和互动就需要围绕着这些流程来思考，如何处理这样的场景。比如分享给团队一张报表，指派给某一个人审核、产生批注、提出质疑、提出意见、最后大家形成一个决策来指导某些行为的落地等等。比如通过分析发现某些产品销售量越大、亏损越大，并且有一组相关的报表分析明确的指出了一系列原因：成本增加、库龄长等等，最后的讨论结果就是砍掉这个产品。所以，这是真正把数据分析的场景延长了，延长到信息产生决策，而且决策可以落地的一个阶段。场景的延长，就意味着产品的生命线在延长，自身的价值在延长。
8）BI 的深入发展，BI SaaS 化。这个不是没有可能，BI 是随着业务系统的演变而发生演变的，当所有的基础环境，比如数据库环境、业务环境（其它的 SaaS 服务）全都云端化以后，数据在哪里，数据治理和分析的目标就在哪里。并且目前已经是从可视化分析领域切入，随之而来的就应该是可视化之下的各个层次切入。所以到时可能还不是简单的 SaaS 服务模式，是不是可能发展成为一个 PaaS 模式，我觉得很值得探讨。但是目前来说，我觉得上面提到的第三点 "一定是结合行业特点，在行业细分领域提供很好的分析接口，标准化的分析模板” 是完全可以用心做好的。
最近碰到很多社区朋友都在关心 BI 领域有关 SaaS 应用的话题，这是一个很好的现象，因为 SaaS 尽管在 BI 领域起步的不算非常早，但它是一个趋势，很值得大家关注。我最近也参加了一些厂商举办的关于大数据行业、产品类的话题交流，对于 BI 数据可视化分析领域的 SaaS 发展情况简单总结了一些个人看法，在这里与大家分享和交流。
以下几个话题针对一些不太了解 SaaS 服务的朋友
1. 什么是 SaaS 服务？
2. 和云计算有什么样的关系？
3. SaaS 的应用场景？
以下几个话题针对关注数据可视化市场 SaaS 应用的朋友
4. 大数据时代下商业智能 BI 的发展现状与特点
5. 数据可视化市场 SaaS 发展会遇到的问题
6. 数据可视化市场 SaaS 发展要解决好的几个问题
1. 什么是 SaaS 服务？
Software as a service 软件即服务，通过互联网提供软件的模式。服务商/供应商把应用软件统一的部署在自己的服务器上，用户可以根据自己的需求向服务商订购或者租赁所需要的应用服务。所有的服务器、相关硬件、网络设施、软件的维护与升级都是由服务商提供，用户只需要通过互联网就可以享受到非常便利的硬件、软件和维护服务。
比如针对个人的百度的云盘、有道云笔记、印象笔记，或者针对企业的 QQ 企业邮箱、网上会议系统、协同工具、多领域服务的 CRM 软件 Saleforce 等都是 SaaS 的典型应用模式。有免费也有收费的，收费模式大多是按租用费、用户数量、存储空间或者流量等收费。由于用户不承担软硬件维护成本，所以这种服务方式极大的降低了用户的开销成本。
比如说像我们天善团队在创立之初为了节省成本就是使用的 QQ 企业邮箱、Tower、Gotomeeting 等工具在北京、上海、长沙三地工作和协作办公。除了办公资源和人力资源的投入，在其它 IT 软硬件和设备维护上几乎没有投入，极大的降低了团队运营成本。弊端就是数据安全和稳定性，所有的数据存放在 SaaS 服务提供商那里，所有的服务都必须完全依赖服务商（通常情况下不会有太大问题）。
2. 和云计算有什么样的关系？
云计算 Cloud Computing，是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备。Saas 只是云计算的一种应用模式。
粗略来讲云计算可以分为三层（IaaS、PaaS、SaaS）
IaaS （Infrastructure as a Service 基础设施即服务），主要是涉及到一些 IT 应用基础架构，比如虚拟机、网络资源、防火墙、IP 地址等。比如国内的阿里云、青云，国外的亚马逊的 EC2、Microsoft Azure 等。通过 IaaS 服务我们不用购置服务器和存储设备，也不用考虑服务器机房环境等维护就可以享受计算机基础设施服务。
比如我们目前购置的就是阿里云服务，通常按年按项目进行付费，我们只需要在虚拟服务器上部署我们的网站、数据库等软件等，其它所有的网站服务器的维护和存储资源管理都由阿里云来提供，包括一般的网络攻击防护（最近天善受到了一些内部的来自阿里云上其它租户的攻击，有的攻击还是需要我们运维人员来解决）。
PaaS ( Platform-as-a- Service 平台即服务) ，PaaS 实际上是指将软件研发的平台作为一种服务，以 SaaS 的模式提交给用户，PaaS 介于 IaaS 和 SaaS 之间的一种服务。简单理解 IaaS 构建的是虚机、存储等 IT 基础设施环境，PaaS 则是面向开发人员提供了运行应用程序的开发环境。比如将操作系统、应用开发环境等平台级产品通过 WEB 以服务的方式提供给用户，用户写好应用程序上传即可完成编译、调试、发布整个流程。 这个环境就类似于 PHP 开发程序所需要的 Apache 引擎，Java 运行所需要的 JRE、Tomcat 等环境的支持。
国外的 PaaS 产品例如 GAE（Google App Engine）、Windows Azure （提供了 Microsoft SQL 数据库服务、.NET 服务等），国内的类似于百度应用引擎 BAE，腾讯云平台 QCloud、阿里云 ACE - Aliyun Cloud Enginee 等。
SaaS 略，参考之前的介绍。
3. SaaS 的应用场景？
1）. 需要较低的投入成本，较高的工作效率。特别是创业型公司、初创团队往往都会采用这种服务外包的形式来降低人力和资源投入，集中精力专注本身的业务发展。比如我们不仅仅是一些邮箱、协同办公方面我们使用了 SaaS 服务，甚至像社保、公积金的缴纳我们也使用了 SaaS 服务，降低成本和提高工作效率。
2）. 异地、协同办公与合作、快速增长的业务线。比如团队跨地域、工作跨地域、可以通过协同办公软件，比如在线的 OA、Office、CRM、协同办公的项目管理等，所有内容都保存在云端，也不需要额外的维护，在家和在办公室都可以完成工作的同步。特别在一些高速成长的团队中，当 IT 的支撑力度跟不上业务的快速发展，也没有精力来维护各条业务线上庞大的软件服务，那么各种细分领域的 SaaS 服务就可以解决这些问题、比如人力资源、供应链管理、财务服务等。
3）. 侧重细分领域的信息和行业标准化的应用。细分领域和标准化是 SaaS 服务的两个非常重要的因素，比如提供标准化的信息录入、流程管理、内容管理，并且这种标准化通常是基于某一个特定细分领域，比如上面所提到的人力资源、供应链管理、财务方面；或者基于某一个行业，比如零售行业、O2O 行业、互联网行业等 SaaS 应用服务。
4）. 需要大数据计算和高存储能力支撑的应用。比如通过各个渠道的海量数据采集、大数据分布式计算、海量存储等技术才能提供的一些市场数据分析与市场预测，这些作为一般的公司通常是没有这种能力支撑这么大的应用规模，无论是从技术能力或人力成本上都无法跟上，最好的方式就是购买 SaaS 服务，专业的事情交给专业的组织结构去做。
4. 大数据时代下商业智能 BI 的发展现状与特点
总的来说就是市场空间巨大，“大数据”这一词唤醒了更多的人愿意关注数据、了解数据。当然“大数据”在很多应用场景下也是被人们滥用了，言必谈“大数据”，但是其实很多企业还是需要从基础的数据治理做起，从小数据做起。
1） 传统的 IT 应用系统已经非常普及，数据多年的沉淀需要被挖掘利用。目前基本上没有哪一个传统行业没有 ERP、OA、CRM等业务系统，从北上广深一线城市到二线甚至三线城市，IT 应用的普及与发展已经非常成熟，没有业务系统的支撑是无法生存下去的。经过多年的数据积累和发展，已经具备商业智能BI和分析所需要的数据基础。
2） 商业智能 BI 和分析的门槛逐步降低，商业智能 BI已经成为企业 IT 部门的标配。在2010年、2011年以前，我们在招聘网站上搜索 ETL 相关的职位不过几页，可见企业多 BI 的需求并不是非常多。一方面是数据的积累没有到一定的量，第二方面是商业智能 BI 的成本，无论是软件成本还是人力成本都非常高。当时能够有能力采购商业智能BI 系统的基本上是以金融银行、保险以及大型医疗制造行业为主。涉及到软件也基本上是比如 Oracle、SAP、IBM 等旗下的 BI 产品，这些对于一般中小型企业成本太高。而人力成本则是传统的 BI 实施周期长、相关人才招聘困难导致。而目前虽然也需要采购商业 BI 产品，但是总体来说产品的选择性更加丰富，人才的储备比当时也容易很多。所以，在现在商业智能 BI 慢慢不再是奢侈品，已经逐渐成为企业整个 IT 架构的功能模块和标配环节。
3）市场竞争和经济环境的影响促使企业更加重视精细化运营和管理的投入。比起以前开放式的粗放型的管理，在遇到经济环境整体不利和更多的市场竞争情况下，势必会更加注重梳理和控制企业的各个环节，而用来找到“症结”和应对市场快速反应的唯一方式就是管理和利用好数据，用数据说话。
4） 以 IT 主导的商业智能 BI 和分析逐步演变为向以业务为主导的自助式分析过程。在过去的传统的商业智能 BI 系统开发和报表系统基本上都是以 IT 部门为主导的，从需求的提出到数据展现报表的分发通常需要很长时间，严重的阻碍了业务部门的日常运作需要。所以如何解放 IT 部门，让 IT 部门只负责 BI 系统的管理与维护，让业务部门自主进行数据报表的制作和展现分析就变得尤为重要。
我曾参加过大众金融的 BI 项目，通过 IT 部门部署和维护的 BI 系统，业务人员通过 BI 部门的培训可以自主制作报表用来支持日常的业务分析。据日志系统记录，200多个用户总共创建了近3000张自定义的数据分析报表，日常常用报表占报表总数 50%以上。如果这些数据分析报表全部由 IT 部门来承担，仅靠几个 BI 开发人员是无力支撑这么庞大的工作量的。好处显而易见，既减少了 BI 团队的投入，又提高了工作效率。
所以总结来说，目前在国内市场上商业智能 BI 和分析平台的空间仍然很大。商业智能BI和分析门槛降低，解放 IT 以业务驱动和导向的数据分析平台这是一个必然趋势。
5. 数据可视化市场 SaaS 发展会遇到的问题
为什么只谈 BI 领域的数据可视化市场 SaaS 产品发展存在的问题，而不谈 BI 市场 SaaS 产品的问题。因为 BI 领域涉及到的不仅仅是可视化数据分析，还包括了传统的 BI 报表，数据仓库建模、ETL 等流程。可视化数据分析是位于整个 BI 的最顶端，最能够体现将数据变成信息、信息产生价值的一个环节，是数据最终呈现的载体，通过分析挖掘价值并产生落地的决策。可视化分析领域也是最容易发展成 SaaS 服务模式的，因为它避免了底层复杂的数据清洗的过程，而数据清洗、数仓的建设恰恰是需要高度的定制化服务的。
最近在和一些国内可视化分析领域的 SaaS 产品服务商交流，有的已经在行业内树立了不少的标杆客户，也有正在努力打磨产品准备推出到市场上的潜在供应商，从产品的角度综合起来看我觉得有几个共性的问题是需要 SaaS 产品服务商考虑的 （假设读者了解 Domo 的情况下）：
1）在单纯的数据分析方面，包括数据的接入、工作表管理、可视化分析和仪表盘等功能方面，SaaS 分析应用和市面上大部分可视化工具差别不大，用户缺乏使用的动力。比如在可视化领域有很多免费的桌面版工具，QlikSense Desktop、微软 Power BI Desktop 等产品都是可以作为个人免费使用，并且可以完成非常不错的可视化效果和基本的数据分析工作。
2）数据的安全性、使用的稳定性该如何更好的保证。很多公司的信息保护意识是比较强的，信息安全的条例都是明确写入员工手册中的，包括最基本的邮件、文件、还有各种业务系统中的数据都是属于安全保护的重点。将数据上传云端来做一些其它工具可以完成的分析，这种挑战所付出的代价还是太大。除非是公司层面上允许员工的这种做法，或者公司已经是某 SaaS 可视化分析厂商的客户。
3）缺乏社交分享的动力，工作的数据很难进行对外公开分享，仅适用对内分享。在可视化分析的 SaaS 工具中，社交和分享是很大的两个亮点。但是这里的社交分享我的看法还是属于工作范围之内的，团队或部分之间的关于某些数据分析的结果、报表进行分享、批注、反馈的一个过程。其实在国内某些产品已经做到了这种批注回写、审阅的功能，但是并没有 SaaS 化。
4）对数据的质量要求也相对来说比较高，规范的数据格式，可分析的数据格式。对于数据格式的依赖会非常的高，对于可视化产品而言，工具的使用、图表的制作是一个标准化的使用过程。我们很难要求每一个业务人员都能独立的完成数据处理和清洗的过程，将规范化不可分析的或者不规范化也不可分析的数据变成一个规范化且可分析的结果，很多业务人员是没有这个能力的。
SaaS 可视化分析产品和用户教育目前总体都不是非常成熟，但是相信在未来的几年间会变得成熟，通常情况下也就 2-3 年的时间。就如同我们在2013年到现在2016年不过三年的时间，从传统 BI 到敏捷 BI、传统定制化报表到可视化数据分析的用户教育一样，大家都是从不成熟变得成熟，到如今可视化数据分析已经深入人心。
例如像 Tableau、Qlik (QlikView、QlikSense) 这些位居 2016年商业智能和分析平台的领导者象限的两大产品（另外一个是微软的 Power BI）最早也是在 2013年左右进入中国市场，像国内的永洪 BI 也是从数据可视化分析领域切入，时间点也正好是在 2013年。除此之外，帆软软件、Smartbi、奥威 Power-BI、国云科技等也都是从这个时间点重点推进了可视化分析的产品，并且也拥有了各自领域的标杆客户。老牌 BI 巨头 Oracle、IBM、Microsoft 也在逐步转身跟进，直接跨过可视化分析的市场教育阶段，走向 SaaS 服务，目前比如 Microsoft Power BI，Desktop 免费，比如每个月每用户 9.9 美金直接使用（目前的 Power BI 部署是国外的云，在2016年的11月份国内云将正式上线）。
所以，从2015年可视化分析 SaaS 服务逐步在国内市场发出声音到 2018也是一个三年的时间（有的可视化数据分析厂商早在 2013年就已经在布局 SaaS 市场，例如 BDP），那么在这个三年的时间里也一定会出现一批比较成熟和很成熟的可视化分析 SaaS 模式的产品。
6. 数据可视化市场 SaaS 发展要解决好的几个问题
尽管上面提了这么多的问题，但是作为我个人我还是比较看好 SaaS 可视化数据分析在国内的发展，它是未来 BI SaaS 模式的入口和切入点，同时从产品形态上来讲丰富了用户的选择。当然也可能结合 On Premise 本地化部署和 Mixed 混合模式来推进这个巨大的市场。
我觉得数据可视化市场 SaaS 的发展需要解决好以下几个用户会比较关心的问题：
1）安全、稳定、混合云部署需要多方面考虑。使用成本低，付费模式的多样化是 SaaS 服务的天然优势，但是从数据安全性上来如何保证用户的数据隐私不受侵犯，特别是在国内比较和谐的环境下会不会出现给某些机构留后台接口，还有公司的财务数据的特殊问题如何解决？ 服务稳定性上如何，灾备切换、网络攻防也是一大挑战。在这种比较特殊的环境下，一种能够比较能接受的方式是一部分比较敏感和核心的数据需要进行私有化部署，采取混合部署模式。当然，目前也有多数据进行加密的措施，在安全性上是比较有保障的。但这个就比如把自己的钱放在别人的保险箱里，多多少少会存在这样的顾虑。
2）云端的分析功能在用户体验，功能实现上要比桌面端至少一致或者要求更高。有别于 Desktop 版本的开发都在本地，并且这些桌面版工具相对来说也已经非常成熟。那么如果将数据放在云端开发和分析，至少在数据分析、图表制作等基本的操作流程上，云端的分析和展现能力至少要能够与一些比较普及的桌面版的展现能力持平，包括最基本的 UI 设计、报表美观程度等。
3）一定是结合行业特点，在行业细分领域提供很好的分析接口，标准化的分析模板。就像我之前所提到的，可视化数据分析的 SaaS 产品对比于普通的 Desktop 数据可视化分析产品 PK 上并没有太多的优势，但是它可以深入行业，在行业细分领域进行深耕。比如对于零售细分行业提供标准化的分析模板，提供标准化的数据分析接口，用户只需要按照相应的接口提供数据就可以得到全套的分析模型。同时，在细分领域的标准化分析模板同时，也有针对性的定制化分析组件提供。深入行业或细分领域也是 SaaS 的一大特点，并且这种方式也解决了标准化的问题。
4）可提供大量的辅助的第三方数据来源配合使用，辅助现有接口数据分析。在 SaaS 服务平台上可以和租户交换数据资源，租户获得相对应的数据分析与行业统计报告，即你对我开放，我则对你开放，公平且合理。
SaaS 服务商可以拿到更多的数据（不排除私自采集用户数据的可能），数据即价值，这部分价值随着租户的增长而无限放大。另外，由于大家都在使用同一套 SaaS 服务，则平台本身变成了一个统一的入口，在这个平台入口上可以提供很多的增值服务，比如提供行业相关的数据借口、用户数据（脱敏的）接口，和平台本身相结合，可能本身就能完成一站式用户画像、产品的舆情分析、竞品分析等。解决的是什么问题？ 解决的是各个企业，在他们解决了内部数据之后寻求外部数据资源的需求。
5）性能问题上有保障，上传下载、大量的聚合操作。性能上的问题一定是大问题，在很多场景下数据可视化 SaaS 服务在现有互联网环境下是满足不了的，比如上传几个 GB 的数据到云端，下载几个 GB 的数据到本地。所以需要定义使用场景，云端分析服务在目前这个阶段一定是基于两种方式：第一，汇总数据的上传分析，或者轻度汇总数据的上传分析。第二，通过实施将用户数据接口打通，大部分数据预先聚合汇总，前端在展现分析。
6）快速有效的开发和部署、发布和访问模式，降低人力和时间成本。这一点相对来说是比较容易做到的，也是 SaaS 服务的优势所在。
7）分享与互动，比如批注、注解、团队互动的模式，可以增加用户使用黏性。需要考虑到最终用户使用可视化分析产品的场景，以及他/她之后的动作。我们说将数据变为信息，信息产生决策，决策产生价值整个才是一个 BI 完整的逻辑生命线。可视化分析解决的是将数据变为信息的过程，这个信息的载体可以是一张纸、一份报表，最终这些内容都是需要经过展现、交流、博弈、确认等过程才能产生一个决策落地。那么我们的分享和互动就需要围绕着这些流程来思考，如何处理这样的场景。比如分享给团队一张报表，指派给某一个人审核、产生批注、提出质疑、提出意见、最后大家形成一个决策来指导某些行为的落地等等。比如通过分析发现某些产品销售量越大、亏损越大，并且有一组相关的报表分析明确的指出了一系列原因：成本增加、库龄长等等，最后的讨论结果就是砍掉这个产品。所以，这是真正把数据分析的场景延长了，延长到信息产生决策，而且决策可以落地的一个阶段。场景的延长，就意味着产品的生命线在延长，自身的价值在延长。
8）BI 的深入发展，BI SaaS 化。这个不是没有可能，BI 是随着业务系统的演变而发生演变的，当所有的基础环境，比如数据库环境、业务环境（其它的 SaaS 服务）全都云端化以后，数据在哪里，数据治理和分析的目标就在哪里。并且目前已经是从可视化分析领域切入，随之而来的就应该是可视化之下的各个层次切入。所以到时可能还不是简单的 SaaS 服务模式，是不是可能发展成为一个 PaaS 模式，我觉得很值得探讨。但是目前来说，我觉得上面提到的第三点 "一定是结合行业特点，在行业细分领域提供很好的分析接口，标准化的分析模板” 是完全可以用心做好的。
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
