18、商业智能与商业分析的终结：迈向通用分析时代

商业智能与商业分析的终结：迈向通用分析时代

在当今时代，我们正经历一场数据革命，对于大多数企业而言，有效利用相关数据已成为生存和发展的关键。成功运用分析技术，即从数据中提取有价值的见解，不仅是当下企业立足的标准，也将是未来商业竞争的核心要素。新技术的涌现让数据获取变得更加便捷，新型分析解决方案也改变了组织决策的前提条件。在这个分析时代，企业渴望实现“数据驱动”，并运用更复杂的技术和流程来获取支持决策的见解。在当前的新冠疫情危机以及后疫情时代，数据、分析和人工智能被认为对企业的成功至关重要。

然而，期望所有公司都掌握先进的分析技术是不现实的。这为信息技术咨询公司提供了引领数字化转型的机会，它们可以开发解决方案、产品和服务，帮助组织克服技术障碍，充分利用数据。但这些变化也打乱了组织利用分析技术提升核心业务价值的能力发展。我们认为，企业需要分析技术来挖掘数据中的见解，但应该从业务角度出发来决定方法和工具的使用，而非相反。

分析技术变革的速度带来了一些问题，主要包括话语混乱和术语浮夸。在分析时代，商业学生、研究人员和专业人士需要一种共同的语言和理解。分析领域定义的不一致导致了困惑、误解和沟通问题，阻碍了分析变革充分发挥潜力。

1. 商业智能与商业分析：概念模糊，定义多样

商业智能（BI）和商业分析（BA）是与数据驱动和基于证据的决策制定密切相关的两个术语。然而，无论是在实践还是学术界，对这两个概念的定义都存在冲突和竞争。学术研究和商业实践对BI和BA的定义和处理方式各不相同，学术定义与实际应用中的理解也常常存在差异。

BI的使用可以追溯到20世纪50年代末，但直到90年代才广泛传播。尽管时间已久，但学术界和商业界并未就其含义达成共识。不同的理解层出不穷，使得这个概念更加模糊。例如，有人将BI定义为工具、技术和软件，也有人认为它是知识管理、决策支持系统等。商业和学术界对BI的定义也不尽相同，这使得在追求改进数据驱动决策的道路上设置了障碍。

BA概念相对较新，起源于20世纪90年代末。然而，它的定义同样混乱。对于BA是否仅限于定量数据、是否具有描述性、预测性或规范性目标等问题，都没有达成一致。BA有时被定义为一种运动，有时又被视为一系列实践和技术。商业实践和学术研究对BA的定义也存在差异。

比较BA和BI同样令人困惑。一些人认为两者同义，而另一些人则认为BI是BA的一部分，或者反之。哈佛商业分析试图理清这种混乱局面，建议将BI视为BA的子集，认为BI侧重于描述性特征和日常运营，而BA与规范性目标和战略问题相关。但这种关系并没有消除概念上的混淆，从业者和研究人员坚持使用这两个概念，似乎陷入了一种自我困扰的境地。

概念	起源时间	定义特点	使用情况
商业智能（BI）	20世纪50年代末，90年代广泛传播	定义多样，包括工具、技术、知识管理等，商业和学术界定义不同	使用频率高，但受欢迎程度呈下降趋势
商业分析（BA）	20世纪90年代末	定义混乱，对数据类型、目标等无共识，商业和学术定义有差异	使用频率相对较低，但受欢迎程度呈上升趋势

2. 商业智能与商业分析：渐失光彩的概念？

尽管BI和BA仍频繁出现在职位描述、营销材料和战略文件中，但趋势已经发生了变化。全球顶尖的咨询公司在描述服务时，开始避免使用这两个术语。例如，波士顿咨询集团在营销服务时提及先进分析、人工智能和大数据；贝恩公司也提到先进分析；麦肯锡公司谈论数据和分析，刻意避开BI和BA；安永在描述服务时也使用“分析”一词。不过，并非所有管理咨询公司都一致避免使用这两个术语，埃森哲和毕马威将BI和BA作为核心概念，德勤和凯捷在营销材料中提及BA。但总体而言，BI和BA已不再是识别旨在改善组织数据驱动决策服务的主要标签。

在学术研究中，BI长期以来是向数据驱动决策转型的核心概念，比BA更受欢迎。但根据谷歌学术的出版物数据，BI的使用在2012年达到顶峰，此后呈下降趋势，这表明围绕这个概念的热度正在消退。BA在学术研究中的频率目前低于BI，但基于标题中包含“商业分析”的研究论文数量，其受欢迎程度正在上升。不过，目前还不能确定是否会从BI转向BA。

谷歌趋势的数据也显示了类似的趋势，且更为明显。自2004年以来，对BI的兴趣呈稳步下降趋势，而对BA的兴趣则有所增加。这些趋势表明，未来几年对BA的兴趣可能会继续上升。有人曾认为BI和BA不仅仅是流行语，但现在看来，它们可能只是分析革命早期的时髦词汇，有可能像“网络空间”“科学管理”和“精益六西格玛”一样被淘汰。然而，由于许多人和组织在这些概念上投入了大量资源，它们不会突然消失。

3. 打破概念隔阂

咨询行业的趋势转变、BI使用的减少以及BA概念的有限传播，可能与这些概念的混淆有关。对概念的含义、定义及其与其他概念的关系缺乏共识，会导致混乱和清晰度丧失。因此，一些领先的咨询公司不愿使用BI和BA这两个术语并不奇怪，它们不想让潜在客户对支持数据驱动决策的产品和服务产生困惑。

我们建议学术界应寻找一种更可靠的方式来描述分析革命的下一阶段。摒弃BA和BI概念将为新的开始扫清障碍，摆脱历史包袱，降低理解和运用分析语言的门槛，促进数据驱动的决策制定。考虑到它们的模糊性，逐步淘汰这些概念的成本相对于整体变革的程度来说并不高。当然，那些在这些概念上投入了时间和资源，并依赖其专业声誉的人可能会反对。

一种解决方案是不再强调“商业”，因为分析革命的影响将不仅局限于商业领域。公共部门和非营利组织在数据驱动的决策制定中也有重要利益，并可能从中受益。去除对商业的强调，将使更多的参与者能够从与数据驱动决策相关的技术、流程、思维方式、技能和文化中获益。

此外，“智能”和“分析”这两个术语也可能存在问题。我们建议放弃“智能”的概念，更注重朴实的“分析”理念。这将使分析运动与通用分析领域及其发展保持一致，也更符合领先咨询公司的做法。“智能”暗示着隐蔽的行为者和行为，而“分析”更直接地指对数据的分析，不指定数据类型、方法或目标，在向数据驱动业务的转型中更有用。

4. 以通用分析取代商业智能与商业分析

我们建议采用一种广泛而包容的方式来概念化分析，以反映历史上对BA和BI的综合定义方法。分析是一个从数据中生成见解的结构化过程，是一个从明确目的出发，针对决策问题获取不同见解的思维过程。这个过程包括开发相关的视角和框架、收集数据以及运用分析技术来产生目标见解。这与运筹学和管理科学研究所的定义一致：“分析是将数据转化为见解以做出更好决策的科学过程”。

我们支持这种强调为商业带来见解的观点，并且认为不应排除定性数据和定性分析方法，因为数据驱动的决策应基于最适合问题的方法。结构化和非结构化数据在分析中都有其位置，不同的问题可能需要不同类型的数据和分析技术。我们也认为不应排除描述性和规范性目标，分析的目标是实现相关的数据驱动和基于证据的见解，以适应不同类型的问题和情况。

分析依赖于一个可靠的过程（或“方法”）来解释数据，同时考虑和尊重结果的局限性。这包括标准化和非标准化的分析程序，以提供见解。为避免概念混淆，我们避免引入文化、思维方式、应用、技能和技术等术语，因为这些概念应与分析术语分开处理。

graph LR
    A[明确决策问题] --> B[开发视角和框架]
    B --> C[数据收集]
    C --> D[分析技术应用]
    D --> E[生成见解]
    E --> F[支持决策]

5. 商业分析的未来展望

展望未来，企业将逐渐认识到数据驱动不仅仅意味着投资于IT系统，更重要的是整个企业具备与业务相关的分析技能。无论数据量有多大，脱离上下文的数据价值有限。分析技能与相关领域知识的结合，对于使数据满足特定业务需求至关重要。

摆脱BI和BA的“产品化”观念，将使组织能够掌控自身流程，从数据中获取见解，支持决策制定并增加业务价值。组织的数据所有权和使用责任应交给首席分析官（CAO），而不是首席信息官（CIO），这强调了分析应该是全公司的责任，而不仅仅是IT问题。识别和应对分析带来的机会和挑战是一种人类和组织的技能，目前还不能完全依赖BI和BA产品。

6. 总结

更多数据的可用性将加速数字化转型，为企业和组织创造从数据中获取价值的机会。对于希望发展数据驱动决策的人来说，应避免被商业智能和商业分析等模糊的中间概念误导。这些概念可能成为构建内部能力的障碍，组织可能会倾向于依赖IT顾问、软件公司和学术研究人员推广的“产品化”解决方案。“商业智能”的使用频率高于“商业分析”，但其受欢迎程度正在下降。我们建议用更通用的“分析”概念取代这两个概念，它强调了通过数据分析创造见解的根本目标，表明数据驱动是一种组织努力，而不仅仅是通过投资IT来实现。这也与通用分析领域的发展以及强大的方法和技术相契合。

总之，在分析革命的浪潮中，我们应摒弃模糊的概念，拥抱更清晰、更通用的分析理念，以推动数据驱动的决策制定，实现企业的可持续发展。

商业智能与商业分析的终结：迈向通用分析时代

7. 通用分析的优势与价值

通用分析的提出，为企业和组织带来了诸多优势和价值。以下是具体分析：
- 消除概念混淆 ：商业智能（BI）和商业分析（BA）概念的模糊性导致了沟通和理解的障碍。通用分析的采用将消除这种混淆，使各方在同一语境下交流和工作，提高决策效率。
- 促进跨领域合作 ：不再强调“商业”，通用分析可以吸引公共部门、非营利组织等更多领域的参与。不同领域的合作将带来更多的创新和机会，推动分析技术在更广泛的范围内应用。
- 强调核心目标 ：通用分析明确了从数据中提取见解并为决策提供支持的核心目标。这有助于企业和组织将注意力集中在关键问题上，避免被复杂的概念和技术所迷惑。
- 与先进技术融合 ：通用分析能够更好地与人工智能、大数据等先进技术融合，发挥这些技术的优势，提升分析的准确性和效率。

优势	具体说明
消除概念混淆	统一语言，减少沟通障碍，提高决策效率
促进跨领域合作	吸引多领域参与，带来创新和机会
强调核心目标	聚焦关键问题，避免技术干扰
与先进技术融合	结合人工智能、大数据，提升分析能力

8. 企业实施通用分析的步骤

企业要成功实施通用分析，需要遵循一定的步骤：
1. 明确战略目标 ：企业首先要确定实施通用分析的战略目标，明确通过分析想要解决的问题和实现的价值。这将为后续的工作提供方向。
2. 评估数据资产 ：对企业现有的数据资产进行评估，包括数据的质量、数量、类型等。了解数据的现状有助于确定分析的可行性和重点。
3. 建立分析团队 ：组建专业的分析团队，包括数据分析师、业务专家等。团队成员应具备跨领域的知识和技能，能够协同工作。
4. 选择合适的工具和技术 ：根据企业的需求和数据特点，选择合适的分析工具和技术。这可能包括数据分析软件、机器学习算法等。
5. 开展试点项目 ：在全面推广之前，选择一些关键业务领域开展试点项目。通过试点项目验证分析方法和工具的有效性，积累经验。
6. 推广和优化 ：在试点项目成功的基础上，将通用分析推广到整个企业。同时，不断优化分析流程和方法，以适应企业的发展和变化。

graph LR
    A[明确战略目标] --> B[评估数据资产]
    B --> C[建立分析团队]
    C --> D[选择合适的工具和技术]
    D --> E[开展试点项目]
    E --> F[推广和优化]

9. 通用分析在不同行业的应用案例

通用分析在各个行业都有广泛的应用，以下是一些具体案例：
- 金融行业 ：银行可以利用通用分析对客户数据进行分析，了解客户的需求和风险偏好，为客户提供个性化的金融产品和服务。同时，分析市场数据，预测市场趋势，帮助银行做出更明智的投资决策。
- 医疗行业 ：医院可以通过分析患者的病历数据、医疗记录等，提高疾病诊断的准确性和治疗效果。还可以对医疗资源进行优化配置，提高医院的运营效率。
- 零售行业 ：零售商可以利用通用分析分析消费者的购买行为和偏好，进行精准营销。同时，优化供应链管理，降低库存成本，提高利润。

10. 应对通用分析实施中的挑战

企业在实施通用分析的过程中，可能会遇到一些挑战，需要采取相应的措施来应对：
- 数据质量问题 ：数据质量是通用分析的基础。如果数据存在错误、缺失等问题，将影响分析结果的准确性。企业需要建立数据质量管理体系，确保数据的准确性和完整性。
- 人才短缺 ：通用分析需要具备跨领域知识和技能的人才。目前，市场上这类人才相对短缺。企业可以通过内部培训、招聘等方式解决人才问题。
- 文化障碍 ：企业内部的文化和思维方式可能会对通用分析的实施产生阻碍。企业需要加强员工的培训和教育，改变员工的观念，营造支持数据分析的文化氛围。
- 安全和隐私问题 ：随着数据分析的深入，数据安全和隐私问题变得越来越重要。企业需要采取相应的安全措施，保护数据的安全和隐私。

11. 结论

在数据革命的大背景下，商业智能（BI）和商业分析（BA）概念的模糊性和局限性逐渐显现。通用分析作为一种更清晰、更通用的概念，为企业和组织提供了新的发展方向。通过采用通用分析，企业可以消除概念混淆，促进跨领域合作，提高决策效率，实现可持续发展。

企业在实施通用分析时，需要明确战略目标，评估数据资产，建立分析团队，选择合适的工具和技术，并开展试点项目。同时，要应对实施过程中可能遇到的挑战，如数据质量问题、人才短缺、文化障碍和安全隐私问题等。

未来，随着技术的不断发展和应用的不断深入，通用分析将在各个行业发挥更大的作用。我们期待更多的企业和组织能够拥抱通用分析，在数据驱动的时代取得成功。