作者：闫鹏（公众号：yanpeng-info），转载请注明作者及出处。
商业智能发展这么久，依然不智能。
绝大多数商业智能系统沦为一个取数+可视化的工具。
而分析数据、得出结论依然主要依靠人力。
但是，数据分析的人才与人力是匮乏的，能力是参差的，整体水平是不高的。
这导致数据驱动难以落实，一些公司甚至认为数据分析是可有可无的。
我个人是这么看待数据分析的：完全不用数据分析可不可以做一款优秀的产品？当然也可以，但效率低。数据分析可以（极大地）提高产品优化的效率以及投放的投产比。
目前可借鉴的（开放的）且比较先进的BI系统，主要是以“用户行为分析”为核心的第三方BI系统（第2代BI）。第三方的优势是专业，尤其在技术层面，他们庞大且专业的团队只做这一件事。而他们的劣势也很明显，作为第三方，他们必须将模型尽量地抽象以适配更多的业务分析场景。他们在这条路上越走越远，模型越抽象，自由度就越高，可获取的数据信息就越多，却距离商业智能越来越远。因为我认为商业智能的最佳状态是直接给出决策建议，而不是一堆数据。
其实抽象模型也可以做得更智能。比如，渠道分析是一个非常通用的可抽象的需求，各类需要做投放的公司几乎都避免不了。目前大多数的BI系统，可以支持我们查询和对比各渠道的几乎所有数据，包括新增、活跃、留存（包括新增留存、功能留存、自定义留存等）、转化漏斗、用户画像、以及商业行为（如浏览广告、充值消费等）和其他关键行为（如使用核心功能、病毒传播等）的发生人数、次数、比例等等。但是能查到这么多数据，都不如直接告诉我这个渠道的人均价值，因为这才叫“智能”。
我所谓的“价值”，从来不仅指直接价值（如广告收益、充值消费等），间接价值也十分重要，如产出内容（UGC），正面影响他人（KOL），分享传播等等，当然价值也有负价值，如负面影响他人、作弊、扰乱秩序等等。我们完全可以根据上述的所有数据，制定一个复杂算法，或通过人工智能算法，来计算用户的价值，并将这个价值与收益做出映射，从而直接给出可供决策的数据。比如某渠道的用户平均价值得分为56分，映射收益为16元，那么我们花多少投放成本，选哪个渠道，就很易于决策了。
再比如，关键指标数据出现波动，不要让使用者自己挨个维度做数据对比来查原因，直接将所有事件及属性维度的数据与出现波动的指标数据做相关分析，然后根据相关度排序列举。这样效率很高，并且还降低了使用门槛，减少了人力浪费，也避免了人工可能产生的失误。
以上，原理说起来简单，做起来会有更多复杂的算法与方法要结合使用。如用户价值的计算要考虑用户的生命周期（LT）；如负面影响他人的评定可能会用到自然语言处理（NLP）等。此外，还有很多细节方案需要思量。难归难，但是这个大方向是我认为的趋势。
而公司自建的BI，因不需要适配太多不同的业务场景，可以做到“智能”的地方就更多了，也更简单。只要“数据→分析方法→结论”经验证有效，就可以让BI直接产出结论了。
因此，我认为下一代BI系统（第3代），是要尽可能地产出结论而非中间数据，也要更多地使用人工智能技术，其结论产出过程可能会复杂到使用者理解不了，但是他们也不必理解，只要验证其结论的有效性即可。
那么再下一代呢，第4代BI系统，我想可能会直接执行自己给出决策建议吧，并且会根据执行效果自动调整算法。
“商业智能”的“智能”将靠“人工智能”最终实现。