2022年1月31日，国际知名BI企业Tableau正式终止在中国大陆的现有合作伙伴关系。这标志着Tableau在进入中国7年、被Salesforce收购2年后，正式退出中国市场。

这意味着本土BI扩大了掘金契机，当然，也说明BI在中国并不是一件简单轻巧的事。

BI，商业智能，概念诞生多年，代际更迭了诸多厂商，但这个市场究竟有多大、怎么打，尚未有统一定义。

2022年2月25日，数睿数据将发布nextionBI。这意味着这家从大数据平台定位起步的厂商又有了新的战略动作。这之后，数睿数据将形成无代码平台Smartdata和nextionBI的双线产品布局。

从无代码到BI，两大产品一左一右，反映了数睿数据的哪般理解？

今日对话刘超，数睿数据联合创始人兼总裁，走进BI的过去、现在和未来。

1.谈布局：“入局BI是价值驱动的必然之举”

甲小姐：数睿数据即将发布nextionBI，是否意味着你们从无代码赛道向BI赛道的转身？

刘超：其实我们没有换赛道，BI我们一直在做，只是之前没有大规模宣传。这背后是一个贯通的逻辑：我们公司起步时是做大数据平台的，希望能让更多人把数据使用起来。这首先要解决“有数据”的问题，而仅仅靠过去的数据采集方式是不足以保证数据质量的，所以我们衍生出了无代码平台，让数据资产足够有价值。接下来的问题就是沉淀下来的数据资产怎么使用？怎么回归业务？价值怎么发挥？这是BI要去解决的。

甲小姐：入局BI，战略上的驱动力来自哪里？

刘超：价值。我们做BI，不是金钱驱动，是价值驱动的必然之举。我们的愿景是“让人人尽享数据价值”，这只靠无代码是不够的。打个比方，无代码做的是数字矿脉的探知和数字矿山的建设，实现价值的高速高质积累；BI做的是数字矿产的挖掘和输出，实现价值从地下到手中的流转，是不可忽视的一环。随着我们无代码产品部署得越来越多，客户对于价值提炼的需求愈发密集，也正是这点驱动我们发布nextionBI产品。

甲小姐：我是否可以这么理解，无代码让数据“用得上”，BI让数据“用得好”，二者是递进关系？

刘超：更准确地说，两个产品是立体关系，数据的产生和数据的使用是旋转着叠加的关系，不是可以拆开单独存在的。比如今天数睿数据沉淀了数据，变成了数据资产，可以递进使用一些数据分析工具，这样明天的数据资产可能又变得更好更多更丰富了。

甲小姐：当年用友提“数用分离”，而你们提“数用一体”，你们的布局和这个理念有关吗？

刘超：有关。很多问题是辩证统一的，你没法从单独视角解决问题。传统的数用分离方式会导致数据价值的浪费。事实上，数据怎么来和业务系统有关，数据定义成资产和业务系统有关，数据的使用和业务系统也有关，数据和应用本身就不应该分家。而你要通过工程技术手段去解决不分家的问题，所以我们提出“数用一体化”，让沉淀下来的数据自动变成数据资产，又能自动回到业务系统里去。可以说，数用一体是我们产品布局最底层的理念。

2.谈定义：“下一代BI需要面向知识”

甲小姐：一个最朴素的问题，你对BI怎么定义？

刘超：商业智能的核心就是为商业本身贡献价值，其基础和数据相关——我们需要一些工具去支持我们在数据中找到和使用好里面的知识，包括显性知识和隐性知识。

甲小姐：BI不是个新概念，你们的理解有什么不同？

刘超：当前BI存在的问题可以归纳成“三个依赖”：对机器的依赖、对知识的依赖、对环境的依赖。

首先，是对机器的依赖。目前BI分析的数据绝大多数来源于机器，但是使用这些数据的时候，会有很多质量、安全、标准等方面的问题。问题出自于机器，但却需要靠人去治理，产生了很多不必要的工作量。BI挖掘数据价值，需要依赖一个标准、稳定、安全的机器持续产出高价值的基础数据，这就是第一个问题，如何减少对于机器的依赖。

其次，是对知识的依赖。人类社会发展到今天，各个学科积累了很多知识，比如数学、化学、哲学、文学的知识。各个行业也都积累了自己的知识。这些知识如果运用到数据分析中，需要事先积累、吸收、融汇贯通，需要付出大量的努力。能不能让工具代替人去消化这些知识，降低运用知识的门槛，这是第二个问题。

最后，是对于环境的依赖。知识多是归纳后，高度统一的规律总结。但是运用知识的环境，却是纷繁复杂的。让基于一个系统分析形成的知识能够快速分享到另一个系统中产生价值，这是目前的BI所不具备的能力。

总的来说，BI走入了一个工具负责好看、工作靠人来干、知识难以沉淀的歧路。

甲小姐：那什么是下一代BI的“正路”？

刘超：下一代BI应该专注知识。按照“DIKW”模型理论，BI不能停留在数据阶段做统计与可视化，而要专注于把数据转变为知识。下一代BI与人的关系，应该是BI工具去数据中总结知识，人把知识和业务结合，产出智慧，创造价值。

甲小姐：瞄准下一代BI，nextionBI具备什么不一样的关键能力？

刘超：我们对于nextionBI的定位是数据融合的增强分析型敏捷BI平台。

首先，数据融合强化的是BI工具的业务半径，将不同类型数据资产的加工与分析在一个平台内闭环，以实现更多的连接和火花；

增强分析则是回归BI的初心，量化现状、识别关系、看见趋势，这才是商业对于智能的要求，而nextionBI投入大量研发力量在分析能力的全面化和智能化改造上，就为了实现这一原始的目标；

敏捷易用瞄准的是BI的未来，nextionBI做得“重”，是为了让知识变得“轻巧”，“轻”让业务人员可以自己完成对于知识的挖掘使用，“巧”让知识能够被抽象、封装、分享并巧妙地融合到其他系统中去。

甲小姐：数据融合、增强分析、敏捷易用，这三个词似乎在BI行业也并不新鲜？

刘超：相同的概念也需要看面向什么谈。面向数据和面向知识是不同的。

如果只是面向数据，数据融合可能做的是对更大数据量的支持，增强分析多做了几种统计函数，敏捷易用则是提供了API文档和详实的用户引导。

但如果是面向知识，数据融合需要关注对更多数据维度、种类的覆盖能力，结合相关性分析为维度选择提供指导；增强分析需要同时具备显性知识识别和隐性知识挖掘两种能力，将技术能力与场景结合；敏捷易用需要深入工业物联、数字孪生中去，与跨行业的数字化应用相互集成配合。

nextionBI是下一代专注知识的BI平台——关注知识的积累，让复杂数据高效融合，实现业务知识的持续积累；关注知识的发现，依靠AI驱动的增强分析能力，让知识发现变得简单；关注知识的应用，让知识可以敏捷地按照业务需要的方式被集成，让知识应用变得更灵活。

3.谈市场：“坚持做好自己的收割机”

甲小姐：nextionBI的客户是谁？

刘超：软件代理商。我们有一个代理商渠道部，专门做nextionBI。代理商把nextionBI卖给各个深耕行业的数据服务商，服务商再去服务具备数据资产的最终客户。

甲小姐：从商业模式看，似乎你们在故意“往后退”，不去触达最终客户。为什么？

刘超：原因很简单，我们知道自己不擅长什么，比如理解业务需求，做业务拓展，业务模型设计等我们不擅长，我们酒量也不行；而我们擅长的就是把软件开发好，把数据本身理解透，让数据能够用起来，我们想专注自己擅长的事。nextionBI重点解决数据变成资产之后的数据分析问题，在数据当中发现知识，发现规律，解决业务效能问题和风险问题，这相对是比较标准化的，所以客户面比较广，可以通过代理商或渠道进行推广。

甲小姐：不做直客，是否会让你们离终端客户的真实需求比较远？

刘超：不会。为了在不接触最终客户的情况下解决他的需求，我们做了三件事。第一，我们专注于数据，脱离业务之外，数据有自己本身的属性，我们只专注于数据本身，它的外部适应性比较高。比如，自动找数据之间的关系，自动发现数据的质量问题、安全问题、隐性逻辑，这些是抛开业务本身也能做到的。第二，客户给我们提的非业务属性的产品研发类需求，我们全部不收费，这让我们的团队可以通过客户需求经历千锤百炼。第三，我们与行业从业者和客户的互动还是蛮频繁的，我们也会做城市课堂，做一些行业论坛、交流、茶话会，不断收集最终客户的需求。这些保证了我们不会与市场的需求脱节，让nextionBI能够感知行业一线的需求变化，持续为我们的客户产生价值。

甲小姐：决定不做什么比决定做什么更难。很多科技创业公司往往把持不住，市场牵引力会让动作变形——最开始都希望产品导向，最后为了赚到钱，不得不去迎合客户千奇百怪的需求，然后就从数据公司变成服务公司，逐渐走向非标。你们的定力从何而来？

刘超：我们为什么那么笃定地做一些事、不做另一些事，核心原因是你发现了这个事物的本质到底是什么，BI到底要干什么，要把这个定义出来。

不能因为大屏能赚钱，天天做大屏；因为报表能赚钱，天天做报表；因为集成项目能赚钱，天天做集成；因为数据中台能赚钱，天天做中台。市场牵引力往往会让动作变形，而我们认为做事的逻辑是对客户本身创造价值，然后再变成钱，而不是因为有钱才去创造价值，不能本末倒置。

回归商业本质，BI的核心是把知识用好——没有数据就把数据准备好，有了数据就把知识发现出来，发现出来之后要能使用、能传播、能被引用，这件事做好了，对产业本身是有帮助的——我不相信为客户做了有帮助的事，客户连吃饭的钱都不给。所以我们就踏踏实实把本质性问题解决，而不是去求全。

甲小姐：为什么你相信你对BI本质的理解是正确的？

刘超：我们的价值观，第一条叫成就客户，第二条叫尊重科学。

甲小姐：成就客户和迎合客户有何不同？

刘超：如果以成就客户为价值观，不仅要去满足客户的直接需求，还要了解客户的生存环境——这不仅仅指客户自己本身的问题，还有产业界的问题，竞争对手的问题。我们希望守住客户的短期利益，也要建立客户的长期视野。

甲小姐：可能关注客户的直接需求和短期利益，客户腰包掏的更利索？

刘超：我们在乎的是“可持续掏腰包”——我们希望让客户掏出来腰包之后，他自己口袋里面还是鼓的，还是有钱的。

甲小姐：一种声音是，在企业朝向精细化运营管理的当下，通用型BI工具会走向被淘汰的结局，这种观点认为，能否深度理解业务场景，决定了BI平台技术能否真正落地。你怎么看？

刘超：所以中间我们有一层软件开发商，还有数据服务商，他们其实是我的客户，我就好比农业里生产收割机的角色。至于收割机收的是棉花还是水稻，这是应用软件层面的问题，而我做的是数据层面的问题——在这个层面上，稻子本身在南方还是在北方其实是一样的。

当种植大户买到收割机后，在不同的地上怎么开，那是他的事，所以开收割机的人就变成高手了；收割机在收割稻子的时候是不是效率很高，遇到沟沟坎坎的时候油会不会用得太多、成本会不会变得高，在这些方面也有其他高手。我相信未来的企业是“组装式企业”，每个人把自己擅长的领域组装之后再面向具体业务场景，而我们要解决的是在自己的领域做到“被他人选择”。

甲小姐：所以你不认同“通用BI会被淘汰”这一观点？

刘超：不能笼统地说通用平台行或不行。我们要去看，一个通用型工具在具体行业不适应的原因到底是什么，要解构之后才能下结论。

不同行业的业务知识本身是多样化的，但最底层的平台或工具是一致的，比如数据搬迁、数据清洗、数据加工、数据预测，从一定程度上来看，基础科学能够解决这个问题，把基础科学工程化，让上层业务的使用门槛变低、效率变高，这就可以了。拿个人举例，你在财务、汽车、医疗、保险方面的顾问可能不是同一个人，但记录工具都是你的笔记本——底层工具是一样的。所以，服务虽然是个性化的，但工具是普适的。

甲小姐：换一个方法问你，在千行百业数字化转型所涉及的各类科技产品中，什么产品具备可以通用地横着在不同行业打的条件？

刘超：有理论基础的，适合横着打。比如无代码平台的理论基础就是软件工程，软件工程三要素——过程、工具、方法，都已经定义好了，我们可以做工程化、工具化、平台化。如果没有理论基础，也许通过归纳法也能构建一个通用性平台，但我认为相对会难一点。

甲小姐：目前BI市场有帆软、易观、思迈特等老牌厂商，也有阿里数据中台产品等互联网大厂，BI市场的未来是会百花齐放，还是会形成垄断寡头？

刘超：我们认为最终会形成三类厂商，第一类是可视化分析项目型；第二类是分析型工具；第三类是面向行业服务的厂商，他们的工具不一定自己做，但对行业的理解要深。第一类和第三类最后留下的玩家会很多，但第二类壁垒更高，最终只会剩下两三家。目前国内很多BI厂商还是项目制居多，但我们要做的就是分析型BI。

甲小姐：nextionBI的下一步是什么？

刘超：主要任务还是要把增强分析做好，我们要追求极致的智能化，需要持续投入一些时间。

甲小姐：用什么来测量你的增强分析能力好不好？

刘超：第一，里面沉淀的显性知识量有多大；第二，通过数据能发现的隐性知识量有多少；第三，这些知识被引用了多少次。

甲小姐：数睿数据的终极目标是什么？

刘超：我们的终极目标是从服务组织走向服务个体，实现“让人人尽享数据价值”的企业愿景，让大家可以把自己衣食住行的数据管理起来，为自己所用，甚至共享、联合、分析，形成知识，服务他人。

甲小姐：你们现在在服务大B，这和服务一个个独立C端之间似乎隔着挺远？

刘超：我认为无论to B 、to C、to G，所有商业逻辑就是贡献价值。你现在为什么会用在线文档？是因为原来有了office，你已经养成那个习惯了。使用产品本身的人多了，就会形成这样的效应。当我们以成就客户为前提，就不仅仅要去了解客户，也要了解客户的周边环境，了解客户的过去、当下、未来。我们更要去了解用户，了解用户的需求，了解用户关注的价值，我们现在的用户还主要来自于客户，我们把该做的做了，用户越来越多，甚至不再来自于客户，下一步也就顺其自然而来。