再度解析 Gartner 2016商业智能与分析平台魔力象限

1

如何看懂 Gartner 魔力象限

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、投机者

执行能力（Ability to Execute）和前瞻性（Completeness of Vision）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

执行能力（Ability to Execute）很强，但是前瞻性（Completeness of Vision）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（Leaders）区域的。

Visionaries 有远见者、愿景者

Visionaries 本身这个词的词义是指空想主义者、愿景者，但是放在这里还是用远见者描述更加合适。通常描述前瞻性（Completeness of Vision）很不错、了解未来的市场发展动态和前景，有潜力进行创新。在执行能力（Ability to Execute）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（Leaders）区域。

以 2016 Gartner 发布的有关数据仓库及数据管理解决方案市场的魔力象限（Magic Quadrant for Data Warehouse and Data Management Solutions for Analytics）为例。

在对全球21家厂商进行对比分析后，Gartner 分析报告首次出现了来自中国的公司星环科技 Transwarp，唯一一家出现在该领域的中国公司，也是魔力象限远见者 (Visionaries) 领域中全球最具有前瞻性（横轴最远）的公司。在 Hadoop 发行版厂商中，在前瞻性（Completeness of Vision）上已经超过了 Hadoop 领域的知名初创公司 Hortonworks、Cloudera 和 MapR。 星环科技在执行能力（Ability to Execute）上来看，目前也与以上提到的三大 Hadoop 厂商差距不大。如果能够在执行能力上继续得到提升的话，相信在不久的将来在数据仓库及数据管理解决方案（Data Warehouse and Data Management Solutions ）的领导者区域应该可以看到中国厂商的身影。

Leaders 领导者、行业领袖

执行能力（Ability to Execute）和前瞻性（Completeness of Vision）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。

还是以上图为例，在数据仓库及数据管理解决方案（Data Warehouse and Data Management Solutions ）的领导者区域还是以 Oracle、Teradata、IBM、SAP、Microsoft 这些传统巨头为主。同时也可以看到 Oracle 在执行能力上要远远高于其它厂商，在前瞻性上要稍微落后于 Teradata 和 IBM。但这幅图最可怕之处是这五大厂商在领导者区域的位置已经深入领导者象限腹地，与挑战者或是远见者的平均得分的差距还是非常大的，可以说是行业的绝对领袖。

2

Gartner 2016 年商业智能与分析平台魔力象限背景介绍

Gartner 在2016年发布了商业智能和分析平台的魔力象限 （Magic Quadrant for Business Intelligence and Analytics Platforms）报告。

每一个魔力象限报告都会附带相关领域的分析场景和核心指标，通过对这些核心指标对 BI 商业智能和分析平台厂商或供应商进行评测，结合执行能力和远瞻性最后划分各大厂商在魔力象限中的位置。以下对商业智能和分析平台的核心用例场景和指标做出说明。

五个核心用例场景

1. 敏捷和集中的 BI 准备平台：自带数据管理平台，能够支持敏捷化的 IT 工作流程，从数据到集中交付实现以及内容管理。
2. 分散化的数据分析：支持从数据到自助分析的工作流程，即数据可分发控制交由例如业务人员，以进行自主化的数据分析。
3. 数据治理与发现：实现对数据的自助分析、系统记录、IT 管理的控制性、可重用性和促进能力。
4. 嵌入式 BI：能够在其它流程或者应用中嵌入此 BI 平台分析结果或者内容。
5. 外部部署与访问：能够控制和支持外部用户、公共部分甚至市民对于分析内容的访问，即良好的权限和安全控制以及访问能力。

通过对这五个核心用例场景分解又具体形成了以下具体的四大类共计 14 项分析指标，分别是：

1. 基础架构 （Infrastructure）：侧重商业智能部分的基础应用组成，平台的管理、云服务、用户和安全性以及数据源支持等。
2. 数据管理 （Data Management）：侧重商业智能的数据集成与管理部分。
3. 分析和内容创建 （Analysis and Content Creation）：侧重分析部分，分析功能、报表组件与展现和交互能力、移动支持能力。
4. 发现与共享 （Sharing of Findings）：侧重分析部分，部署与发布、与其它应用集成以及平台协作与社交等。

可以看得出，这个魔力象限的分析一是侧重商业智能的定义域组成，二是突出和强调分析能力。

下面对这四大类和14项分析指标做出具体描述和分析。

基础架构 （Infrastructure）

• BI 平台的管理（BI Platform Administration）：支持对 BI 平台的检测、性能调优、高可用性和灾难恢复。
• 云 BI （Cloud BI）：平台即服务、分析即服务，用户可以在云端创建、部署和管理分析内容和分析应用，数据可以部署在云端或者本地。
• 安全性和用户管理 （Security and User Administration ）： 平台安全性管理、用户管理方面的控制能力。
• 数据源连接的支持 （Data Source Connectivity）：有能力支持用户连接结构化或者非结构化的数据，以及支持各种数据源的访问能力，无论是本地还是云端的数据存储平台。

数据管理（Data Management）

• 元数据管理和治理 ( Governance and Metadata Management）: 支持用户能够共享一些相同的记录系统语义模型或者元数据。能够提供强健的和集中化的方式供管理员查询、捕获、存储、重用和发布元数据结构，比如维度、层次结构、度量值、KPI 以及各种报表对象包括参数等等。管理员有能力提供业务人员所需要的数据模型以及一些元数据模型。
• 齐全的 ETL 功能和数据存储 ( Self-ETL and Data Storage）: ETL 功能的支持，平台有能力访问、集成、清洗转换和加载数据到自带的数据存储层，有能力建立索引数据、管理数据加载和定时刷新加载数据功能。
• 自助服务数据的准备（Self-Service Data Preparation）: 可拖放的、用户驱动的可链接多个数据源的数据获取能力，创建多种分析模型包括用户自定义的度量、集合、组和维度层级结构。高级的支持应该包括语义自动发现和转换、数据智能关联和识别、维度层次自动创建、基于多数据源甚至不同数据结构间的数据源中的数据关联。

分析和内容创建 ( Analysis and Content Creation )

• 自带的高级分析功能（Embedded Advanced Analytic）：用户很容易的就可以访问平台自带的分析内容，或者很方便的访问导入的或者外部部署的分析内容。
• 分析仪表盘 （Analytic Dashboards）： 有能力创建高可用的交互性的仪表盘或者其它内容，可视化的数据探索，支持高级的地理分析等内容。
• 可交互的可视化数据探索（ Interactive Visual Exploration）：提供丰富的图表、自定义的颜色、亮度、大小、形状以及各种基于数据集的可视化数据分析方式。远远不仅仅是普通的饼状图、柱状图、线状图，应该包括热点图、树状图、地理空间图表、散点图以及其它各种特别目的的图形。上面的一切图形图表能够支持用户的各种分析目的，通过可视化的方式直接在报表上交互并做出分析。
• 移动支持能力 （Mobile Exploration and Authoring）：有能力支持公司组织对于移动端的开发和部署，能够和移动端设备自身的本地功能例如触摸屏、照相机、地理位置识别包括本地语言查询等。

发现与共享 （Sharing of Findings）

• 可嵌入的内容分析（ Embedding Analytic Content）：有标准的 API 接口可供访问来创建或者编辑分析内容、可视化效果和应用程序。可将分析结果嵌入其它商业流程、商业应用或者发布至报表中心，这些分析结果是可被其它外部应用重复使用，能够很容易的无缝集成，并且不需要用户在不同的系统中切换。
• 发布和部署（ Publishing Analytic Content）：支持用户能够发布、部署和操控分析内容，有多种导出和分发方式，支持内容搜索、讲故事 Storytelling 以及定时和提醒等功能。
• 平台协作与社交（Collaboration and Social BI）：允许用户分享和讨论、在线分析、分析决策、聊天、备注与协作等。

3

Gartner 2016 年商业智能与分析平台魔力象限解析

我们再来回顾一下 2016年2月4日发布的 Business Intelligence and Analytics Platforms 商业智能与分析平台这幅魔力象限图。

商业智能和分析平台魔力象限的特点

在这幅图中，入选魔力象限的20多个厂商整体的表现特点大致总结如下：

• 整体执行能力（Ability to Execute）不高。即产品的使用难度、市场服务的完善、技术支持能力和团队管理的经验和能力在某些方面或者环节不高。即使是入选领导者（Leaders）象限的 Tableau、Qlik 和 Microsoft 并没有真正深入领导者（Leaders）的腹地。
• 具备前瞻性（Completeness of Vision）的产品很多。即产品底层技术基础的能力，市场的领导能力，创新能力等各个厂商的投入还是比较大，Microsoft 的表现尤为突出。
• 业务驱动分析的自助式分析厂商更受市场青睐。领导者象限（Leaders）在商业智能和分析领域只有三家，以 Tableau 和 Qlik 为例，两者都具备很强的可视化交互、探索和展现能力，而 Microsoft 具备完整的 BI 架构应用体系以及 Office Excel，Power BI 产品也在可视化领域有很大突破。

4

魔力象限 2015年对比2016年发生的变化

在 2015年的商业智能和分析平台中，位于领导者（Leaders）象限中挤进了 9 家厂商，挑战者（Challengers）2家，远见者（Visionaries）只有3家。而在 2016年，挑战者直接被清空了，更多的厂商挤进了远见者（Visionaries）象限，几个特点：

• 位于领导者（Leaders）象限的 Tableau 在过去的一年中，在执行力指标上面急剧下滑，Qlik 稍微下滑，最后落在去年同期与 Microsoft 几乎平行的位置。
• Microsoft 在前瞻性（Completeness of Vision）方面进步很快，已经处于领导者象限前瞻性的第一集团位置。说明 Microsoft 已经对现有的商业智能和分析平台的工具做出了大量的补充和创新，投入了较大的精力。从2015年收购了 Datazen 移动端产品（可参考我的另外一篇文章 - Microsoft BI 家族新成员 Datazen 移动BI 介绍）并且加快了 Power BI 产品的推进。
• 总体上在位于领导者（Leaders）象限中仍然没有一个深入腹地在执行力还是前瞻性上同时取得居中的位置，说明这一部分的市场还会有更多的发展机会。
• 传统的重型数据库服务商 BI 产品的代表 Oracle、IBM、SAP 统统移出领导者（Leaders）象限，他们的商业智能平台本身的基础架构和数据管理这两类指标还是具备很强大的实力，但是由于在分析和内容创建、发现与共享这两类指标上没有很好的提升而掉入远见者（Visionaries ) 象限，甚至 Oracle 已经被移除 2016年的魔力象限。这说明了在对于商业智能平台和分析两个方向的发展，市场的需求越来越多的是倾向于可视化分析这个主题。集成的 BI 平台固然重要，但是不能够提供敏捷的数据分析与自助式的分析服务以及各种移动端的分析支持能力，也最终会影响市场对于商业智能平台和分析工具的选择。Tableau 和 Qlik 就是一个很好的例子，都倾向于可视化分析的能力，Microsoft 对可视化分析的应用进行了补充配合强大的商业智能平台留在了领导者（Leaders）象限。
• 市场的变化必然会导致 BI 的实施流程和方法论的变化，由重型 BI 方法实施必然走向轻型 BI实施。关于这一点我会单独写一篇文章，请大家关注天善智能的微信公众号 tianshansoft 或者天善智能社区 BIWORK 的专栏。

5

领导者象限三产品

Tableau

定位为个人友好和部门级的报表展现和分析工具，业务驱动类型，业务人员驱动和主导的自助分析产品。拥有非常丰富的可视化组件和展现分析能力，使用者也通常是业务分析人员和管理层。但产品没有专门的 ETL 清洗能力和数据集成以及治理平台，对于数据格式的要求还是比较高的，通常为清洗之后干净的结构化的数据。

Qlik

包括 QlikView 和 QlikSense 两大产品，其中 QlikSense 可以理解为 Tableau 的直接竞争产品。Qlik 是一个半 IT 半业务主导的报表分析工具，后端可以通过脚本实现比较复杂的 ETL 功能，包括数据的抽取转换清洗等工作，但没有可视化的 ETL 操作能力。在前端分析上也可以交由业务人员自主开发报表和实现交互性分析，可以认为由 IT 主导数据的抽取与准备，由业务主导数据分析工作。

Microsoft

这次魔力象限实际上调研的是针对于微软的 Power BI。但是我要说的是微软的产品线还是非常丰富的，不仅具备完整的 BI 集成平台（从 SQL SERVER 数据库到 SSIS ETL, SSAS 多维分析 到 SSRS 报表展现），同时增强了 Office Excel , Power BI 等可视化产品的功能，包括对于移动端的支持。既能支持传统的 BI 实施，数据仓库建模，也能提供类似于 Tableau，Qlik 的业务主导型的自助式可视化分析能力。但在可视化分析、用户体验、交互性、移动端、实施能力和支持方面还是比 Tableau、Qlik 仍然有一定的差距，但正在投入和追赶。

在过去的 Power BI 使用上是基于 Office Excel 的插件支持（Power Pivot、Power View、Power Map），这些已经集成在新的 Office 2016 中，重点是 Power BI Desktop 的发布，直接竞争对手就是 Tableau，要抢占部门级的个人级的自主分析市场。关于 Power BI 和 Power BI Desktop 我会新写一篇文章来介绍，请关注天善智能微信公众号和本社区的 BIWORK 专栏。

6

国内市场的商业智能和分析平台的特点和机会

国内市场空间仍然非常巨大，个人总结有以下几个特点和变化：

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。

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。

7

国内商业智能和分析平台厂商的机会

国内商业智能和分析平台的厂商的机会主要体现在行业、本地化和服务技术体系、用户体验和市场响应速度上。

第一，国内厂商与传统行业结合程度比较高。与领导者象限的三巨头 Tableau、Qlik、Microsoft 不同，国内的一些商业智能和分析平台厂商大多起家于前端报表系统。像国产报表系统中出现比较早的像帆软、Smartbi、润乾、奥威 Power-BI 等，由于进入各个行业比较早，随着产品的不断迭代更新和完善，在某些行业已经打下了比较深厚的市场基础。特别是在金融、银行、制造等传统行业，大都拥有着自己的一批忠实的客户基础和市场渠道。而随着大数据时代的到来和自助分析的需要，国内也出现了像永洪科技这样的一些基于大数据可视化数据分析的优秀厂商，目前这些厂商也深入到一些互联网、金融、电信、物流等行业。

第二，国内厂商本地化程度更高、服务技术支持体系以国内客户为主，响应更快更直接。与国外厂商不同的是，国内厂商的产品本地化比较容易实现，比如像一些中国式的报表、数据补录与填报等这些特殊要求国外厂商基本是无法实现的。另外，国外厂商的服务与技术支持大多还是停留在官方的社区论坛（面向全球），对于国内本地的一些客户来说更愿意选择直接的电话与专门的售后服务技术群来进行沟通。

第三，市场反应更快，把握客户需求的响应速度更快，产品更新迭代效率更高。对于产品的迭代更新，国内很多厂商有充分的一手市场调研和客户接触机会，对于产品功能的调整与完善是完全随着市场的变化而变化的。而对于国外厂商来说，在中国市场的投入更多的是市场和销售方面的资源，产品和技术研发都在国外，基本上对于一些产品的改进建议至少在国内还是缺少非常直接的沟通渠道的。在我从事微软 BI 开发的那几年中，对于微软 BI 部分产品的吐槽几乎是得不到有效回应的，曾经也提交过产品的有关 BUG，即使被微软官方确认但是基本上也是经过多个版本才得到妥善解决的。

第四，国内技术的追赶和超越。其实时到今日，我们不得不承认在整个行业，从底层商业数据库、企业级商业智能 BI 产品、大数据商业产品、数据挖掘到数据分析工具基本上是被国外厂商所垄断。但是我们也欣喜的发现在某些领域已经有所改变，在我接触的一些客户项目案例中，国内永洪科技的大数据可视化分析工具在TB级以上PB级数据处理分析能力的表现要远远高于国外某同类产品。包括在本文开始前提到的星环科技 Transwarp 也已经进入了远见者象限，并且在前瞻性上领先于 Hortonworks、Cloudera、MapR，这些都是一些非常积极的变化，好的变化。

所以，我个人认为国内厂商的发展空间和市场潜力仍然非常巨大，结合产品本地化、技术支持与服务、用户体验和技术的进步与提升，用心面对客户，相信还是能取得不错的成绩。

最后也为中国的大数据技术厂商、商业智能和分析平台厂商祝福一下，希望在不久的将来也能在 Gartner 魔力象限看到你们的身影，越多越好！

原文作者：天善智能社区 BIWORK