最近碰到很多社區朋友都在關心 BI 領域有關 SaaS 應用的話題，這是一個很好的現象，因爲 SaaS 儘管在 BI 領域起步的不算非常早，但它是一個趨勢，很值得大家關注。我最近也參加了一些廠商舉辦的關於大數據行業、產品類的話題交流，對於 BI 數據可視化分析領域的 SaaS 發展情況簡單總結了一些個人看法，在這裏與大家分享和交流。
以下幾個話題針對一些不太瞭解 SaaS 服務的朋友
1. 什麼是 SaaS 服務？
2. 和雲計算有什麼樣的關係？
3. SaaS 的應用場景？
以下幾個話題針對關注數據可視化市場 SaaS 應用的朋友
4. 大數據時代下商業智能 BI 的發展現狀與特點
5. 數據可視化市場 SaaS 發展會遇到的問題
6. 數據可視化市場 SaaS 發展要解決好的幾個問題
1. 什麼是 SaaS 服務？
Software as a service 軟件即服務，通過互聯網提供軟件的模式。服務商/供應商把應用軟件統一的部署在自己的服務器上，用戶可以根據自己的需求向服務商訂購或者租賃所需要的應用服務。所有的服務器、相關硬件、網絡設施、軟件的維護與升級都是由服務商提供，用戶只需要通過互聯網就可以享受到非常便利的硬件、軟件和維護服務。
比如針對個人的百度的雲盤、有道雲筆記、印象筆記，或者針對企業的 QQ 企業郵箱、網上會議系統、協同工具、多領域服務的 CRM 軟件 Saleforce 等都是 SaaS 的典型應用模式。有免費也有收費的，收費模式大多是按租用費、用戶數量、存儲空間或者流量等收費。由於用戶不承擔軟硬件維護成本，所以這種服務方式極大的降低了用戶的開銷成本。
比如說像我們天善團隊在創立之初爲了節省成本就是使用的 QQ 企業郵箱、Tower、Gotomeeting 等工具在北京、上海、長沙三地工作和協作辦公。除了辦公資源和人力資源的投入，在其它 IT 軟硬件和設備維護上幾乎沒有投入，極大的降低了團隊運營成本。弊端就是數據安全和穩定性，所有的數據存放在 SaaS 服務提供商那裏，所有的服務都必須完全依賴服務商（通常情況下不會有太大問題）。
2. 和雲計算有什麼樣的關係？
雲計算 Cloud Computing，是一種基於互聯網的計算方式，通過這種方式，共享的軟硬件資源和信息可以按需求提供給計算機和其他設備。Saas 只是雲計算的一種應用模式。
粗略來講雲計算可以分爲三層（IaaS、PaaS、SaaS）
IaaS （Infrastructure as a Service 基礎設施即服務），主要是涉及到一些 IT 應用基礎架構，比如虛擬機、網絡資源、防火牆、IP 地址等。比如國內的阿里雲、青雲，國外的亞馬遜的 EC2、Microsoft Azure 等。通過 IaaS 服務我們不用購置服務器和存儲設備，也不用考慮服務器機房環境等維護就可以享受計算機基礎設施服務。
比如我們目前購置的就是阿里雲服務，通常按年按項目進行付費，我們只需要在虛擬服務器上部署我們的網站、數據庫等軟件等，其它所有的網站服務器的維護和存儲資源管理都由阿里雲來提供，包括一般的網絡攻擊防護（最近天善受到了一些內部的來自阿里雲上其它租戶的攻擊，有的攻擊還是需要我們運維人員來解決）。
PaaS ( Platform-as-a- Service 平臺即服務) ，PaaS 實際上是指將軟件研發的平臺作爲一種服務，以 SaaS 的模式提交給用戶，PaaS 介於 IaaS 和 SaaS 之間的一種服務。簡單理解 IaaS 構建的是虛機、存儲等 IT 基礎設施環境，PaaS 則是面向開發人員提供了運行應用程序的開發環境。比如將操作系統、應用開發環境等平臺級產品通過 WEB 以服務的方式提供給用戶，用戶寫好應用程序上傳即可完成編譯、調試、發佈整個流程。 這個環境就類似於 PHP 開發程序所需要的 Apache 引擎，Java 運行所需要的 JRE、Tomcat 等環境的支持。
國外的 PaaS 產品例如 GAE（Google App Engine）、Windows Azure （提供了 Microsoft SQL 數據庫服務、.NET 服務等），國內的類似於百度應用引擎 BAE，騰訊雲平臺 QCloud、阿里雲 ACE - Aliyun Cloud Enginee 等。
SaaS 略，參考之前的介紹。
3. SaaS 的應用場景？
1）. 需要較低的投入成本，較高的工作效率。特別是創業型公司、初創團隊往往都會採用這種服務外包的形式來降低人力和資源投入，集中精力專注本身的業務發展。比如我們不僅僅是一些郵箱、協同辦公方面我們使用了 SaaS 服務，甚至像社保、公積金的繳納我們也使用了 SaaS 服務，降低成本和提高工作效率。
2）. 異地、協同辦公與合作、快速增長的業務線。比如團隊跨地域、工作跨地域、可以通過協同辦公軟件，比如在線的 OA、Office、CRM、協同辦公的項目管理等，所有內容都保存在雲端，也不需要額外的維護，在家和在辦公室都可以完成工作的同步。特別在一些高速成長的團隊中，當 IT 的支撐力度跟不上業務的快速發展，也沒有精力來維護各條業務線上龐大的軟件服務，那麼各種細分領域的 SaaS 服務就可以解決這些問題、比如人力資源、供應鏈管理、財務服務等。
3）. 側重細分領域的信息和行業標準化的應用。細分領域和標準化是 SaaS 服務的兩個非常重要的因素，比如提供標準化的信息錄入、流程管理、內容管理，並且這種標準化通常是基於某一個特定細分領域，比如上面所提到的人力資源、供應鏈管理、財務方面；或者基於某一個行業，比如零售行業、O2O 行業、互聯網行業等 SaaS 應用服務。
4）. 需要大數據計算和高存儲能力支撐的應用。比如通過各個渠道的海量數據採集、大數據分佈式計算、海量存儲等技術才能提供的一些市場數據分析與市場預測，這些作爲一般的公司通常是沒有這種能力支撐這麼大的應用規模，無論是從技術能力或人力成本上都無法跟上，最好的方式就是購買 SaaS 服務，專業的事情交給專業的組織結構去做。
4. 大數據時代下商業智能 BI 的發展現狀與特點
總的來說就是市場空間巨大，“大數據”這一詞喚醒了更多的人願意關注數據、瞭解數據。當然“大數據”在很多應用場景下也是被人們濫用了，言必談“大數據”，但是其實很多企業還是需要從基礎的數據治理做起，從小數據做起。
1） 傳統的 IT 應用系統已經非常普及，數據多年的沉澱需要被挖掘利用。目前基本上沒有哪一個傳統行業沒有 ERP、OA、CRM等業務系統，從北上廣深一線城市到二線甚至三線城市，IT 應用的普及與發展已經非常成熟，沒有業務系統的支撐是無法生存下去的。經過多年的數據積累和發展，已經具備商業智能BI和分析所需要的數據基礎。
2） 商業智能 BI 和分析的門檻逐步降低，商業智能 BI已經成爲企業 IT 部門的標配。在2010年、2011年以前，我們在招聘網站上搜索 ETL 相關的職位不過幾頁，可見企業多 BI 的需求並不是非常多。一方面是數據的積累沒有到一定的量，第二方面是商業智能 BI 的成本，無論是軟件成本還是人力成本都非常高。當時能夠有能力採購商業智能BI 系統的基本上是以金融銀行、保險以及大型醫療製造行業爲主。涉及到軟件也基本上是比如 Oracle、SAP、IBM 等旗下的 BI 產品，這些對於一般中小型企業成本太高。而人力成本則是傳統的 BI 實施週期長、相關人才招聘困難導致。而目前雖然也需要採購商業 BI 產品，但是總體來說產品的選擇性更加豐富，人才的儲備比當時也容易很多。所以，在現在商業智能 BI 慢慢不再是奢侈品，已經逐漸成爲企業整個 IT 架構的功能模塊和標配環節。
3）市場競爭和經濟環境的影響促使企業更加重視精細化運營和管理的投入。比起以前開放式的粗放型的管理，在遇到經濟環境整體不利和更多的市場競爭情況下，勢必會更加註重梳理和控制企業的各個環節，而用來找到“癥結”和應對市場快速反應的唯一方式就是管理和利用好數據，用數據說話。
4） 以 IT 主導的商業智能 BI 和分析逐步演變爲向以業務爲主導的自助式分析過程。在過去的傳統的商業智能 BI 系統開發和報表系統基本上都是以 IT 部門爲主導的，從需求的提出到數據展現報表的分發通常需要很長時間，嚴重的阻礙了業務部門的日常運作需要。所以如何解放 IT 部門，讓 IT 部門只負責 BI 系統的管理與維護，讓業務部門自主進行數據報表的製作和展現分析就變得尤爲重要。
我曾參加過大衆金融的 BI 項目，通過 IT 部門部署和維護的 BI 系統，業務人員通過 BI 部門的培訓可以自主製作報表用來支持日常的業務分析。據日誌系統記錄，200多個用戶總共創建了近3000張自定義的數據分析報表，日常常用報表佔報表總數 50%以上。如果這些數據分析報表全部由 IT 部門來承擔，僅靠幾個 BI 開發人員是無力支撐這麼龐大的工作量的。好處顯而易見，既減少了 BI 團隊的投入，又提高了工作效率。
所以總結來說，目前在國內市場上商業智能 BI 和分析平臺的空間仍然很大。商業智能BI和分析門檻降低，解放 IT 以業務驅動和導向的數據分析平臺這是一個必然趨勢。
5. 數據可視化市場 SaaS 發展會遇到的問題
爲什麼只談 BI 領域的數據可視化市場 SaaS 產品發展存在的問題，而不談 BI 市場 SaaS 產品的問題。因爲 BI 領域涉及到的不僅僅是可視化數據分析，還包括了傳統的 BI 報表，數據倉庫建模、ETL 等流程。可視化數據分析是位於整個 BI 的最頂端，最能夠體現將數據變成信息、信息產生價值的一個環節，是數據最終呈現的載體，通過分析挖掘價值併產生落地的決策。可視化分析領域也是最容易發展成 SaaS 服務模式的，因爲它避免了底層複雜的數據清洗的過程，而數據清洗、數倉的建設恰恰是需要高度的定製化服務的。
最近在和一些國內可視化分析領域的 SaaS 產品服務商交流，有的已經在行業內樹立了不少的標杆客戶，也有正在努力打磨產品準備推出到市場上的潛在供應商，從產品的角度綜合起來看我覺得有幾個共性的問題是需要 SaaS 產品服務商考慮的 （假設讀者瞭解 Domo 的情況下）：
1）在單純的數據分析方面，包括數據的接入、工作表管理、可視化分析和儀表盤等功能方面，SaaS
分析應用和市面上大部分可視化工具差別不大，用戶缺乏使用的動力。比如在可視化領域有很多免費的桌面版工具，QlikSense Desktop、微軟 Power BI Desktop 等產品都是可以作爲個人免費使用，並且可以完成非常不錯的可視化效果和基本的數據分析工作。
2）數據的安全性、使用的穩定性該如何更好的保證。很多公司的信息保護意識是比較強的，信息安全的條例都是明確寫入員工手冊中的，包括最基本的郵件、文件、還有各種業務系統中的數據都是屬於安全保護的重點。將數據上傳雲端來做一些其它工具可以完成的分析，這種挑戰所付出的代價還是太大。除非是公司層面上允許員工的這種做法，或者公司已經是某 SaaS 可視化分析廠商的客戶。
3）缺乏社交分享的動力，工作的數據很難進行對外公開分享，僅適用對內分享。在可視化分析的 SaaS 工具中，社交和分享是很大的兩個亮點。但是這裏的社交分享我的看法還是屬於工作範圍之內的，團隊或部分之間的關於某些數據分析的結果、報表進行分享、批註、反饋的一個過程。其實在國內某些產品已經做到了這種批註回寫、審閱的功能，但是並沒有 SaaS 化。
4）對數據的質量要求也相對來說比較高，規範的數據格式，可分析的數據格式。對於數據格式的依賴會非常的高，對於可視化產品而言，工具的使用、圖表的製作是一個標準化的使用過程。我們很難要求每一個業務人員都能獨立的完成數據處理和清洗的過程，將規範化不可分析的或者不規範化也不可分析的數據變成一個規範化且可分析的結果，很多業務人員是沒有這個能力的。
SaaS 可視化分析產品和用戶教育目前總體都不是非常成熟，但是相信在未來的幾年間會變得成熟，通常情況下也就 2-3 年的時間。就如同我們在2013年到現在2016年不過三年的時間，從傳統 BI 到敏捷 BI、傳統定製化報表到可視化數據分析的用戶教育一樣，大家都是從不成熟變得成熟，到如今可視化數據分析已經深入人心。
例如像 Tableau、Qlik (QlikView、QlikSense) 這些位居 2016年商業智能和分析平臺的領導者象限的兩大產品（另外一個是微軟的 Power BI）最早也是在 2013年左右進入中國市場，像國內的永洪 BI 也是從數據可視化分析領域切入，時間點也正好是在 2013年。除此之外，帆軟軟件、Smartbi、奧威 Power-BI、國雲科技等也都是從這個時間點重點推進了可視化分析的產品，並且也擁有了各自領域的標杆客戶。老牌 BI 巨頭 Oracle、IBM、Microsoft 也在逐步轉身跟進，直接跨過可視化分析的市場教育階段，走向 SaaS 服務，目前比如 Microsoft Power BI，Desktop 免費，比如每個月每用戶 9.9 美金直接使用（目前的 Power BI 部署是國外的雲，在2016年的11月份國內雲將正式上線）。
所以，從2015年可視化分析 SaaS 服務逐步在國內市場發出聲音到 2018也是一個三年的時間（有的可視化數據分析廠商早在 2013年就已經在佈局 SaaS 市場，例如 BDP），那麼在這個三年的時間裏也一定會出現一批比較成熟和很成熟的可視化分析 SaaS 模式的產品。
6. 數據可視化市場 SaaS 發展要解決好的幾個問題
儘管上面提了這麼多的問題，但是作爲我個人我還是比較看好 SaaS 可視化數據分析在國內的發展，它是未來 BI SaaS 模式的入口和切入點，同時從產品形態上來講豐富了用戶的選擇。當然也可能結合 On Premise 本地化部署和 Mixed 混合模式來推進這個巨大的市場。
我覺得數據可視化市場 SaaS 的發展需要解決好以下幾個用戶會比較關心的問題：
1）安全、穩定、混合雲部署需要多方面考慮。使用成本低，付費模式的多樣化是 SaaS 服務的天然優勢，但是從數據安全性上來如何保證用戶的數據隱私不受侵犯，特別是在國內比較和諧的環境下會不會出現給某些機構留後臺接口，還有公司的財務數據的特殊問題如何解決？ 服務穩定性上如何，災備切換、網絡攻防也是一大挑戰。在這種比較特殊的環境下，一種能夠比較能接受的方式是一部分比較敏感和核心的數據需要進行私有化部署，採取混合部署模式。當然，目前也有多數據進行加密的措施，在安全性上是比較有保障的。但這個就比如把自己的錢放在別人的保險箱裏，多多少少會存在這樣的顧慮。
2）雲端的分析功能在用戶體驗，功能實現上要比桌面端至少一致或者要求更高。有別於 Desktop 版本的開發都在本地，並且這些桌面版工具相對來說也已經非常成熟。那麼如果將數據放在雲端開發和分析，至少在數據分析、圖表製作等基本的操作流程上，雲端的分析和展現能力至少要能夠與一些比較普及的桌面版的展現能力持平，包括最基本的 UI 設計、報表美觀程度等。
3）一定是結合行業特點，在行業細分領域提供很好的分析接口，標準化的分析模板。就像我之前所提到的，可視化數據分析的 SaaS 產品對比於普通的 Desktop 數據可視化分析產品 PK 上並沒有太多的優勢，但是它可以深入行業，在行業細分領域進行深耕。比如對於零售細分行業提供標準化的分析模板，提供標準化的數據分析接口，用戶只需要按照相應的接口提供數據就可以得到全套的分析模型。同時，在細分領域的標準化分析模板同時，也有針對性的定製化分析組件提供。深入行業或細分領域也是 SaaS 的一大特點，並且這種方式也解決了標準化的問題。
4）可提供大量的輔助的第三方數據來源配合使用，輔助現有接口數據分析。在 SaaS 服務平臺上可以和租戶交換數據資源，租戶獲得相對應的數據分析與行業統計報告，即你對我開放，我則對你開放，公平且合理。
SaaS 服務商可以拿到更多的數據（不排除私自採集用戶數據的可能），數據即價值，這部分價值隨着租戶的增長而無限放大。另外，由於大家都在使用同一套 SaaS 服務，則平臺本身變成了一個統一的入口，在這個平臺入口上可以提供很多的增值服務，比如提供行業相關的數據藉口、用戶數據（脫敏的）接口，和平臺本身相結合，可能本身就能完成一站式用戶畫像、產品的輿情分析、競品分析等。解決的是什麼問題？ 解決的是各個企業，在他們解決了內部數據之後尋求外部數據資源的需求。
5）性能問題上有保障，上傳下載、大量的聚合操作。性能上的問題一定是大問題，在很多場景下數據可視化 SaaS 服務在現有互聯網環境下是滿足不了的，比如上傳幾個 GB 的數據到雲端，下載幾個 GB 的數據到本地。所以需要定義使用場景，雲端分析服務在目前這個階段一定是基於兩種方式：第一，彙總數據的上傳分析，或者輕度彙總數據的上傳分析。第二，通過實施將用戶數據接口打通，大部分數據預先聚合彙總，前端在展現分析。
6）快速有效的開發和部署、發佈和訪問模式，降低人力和時間成本。這一點相對來說是比較容易做到的，也是 SaaS 服務的優勢所在。
7）分享與互動，比如批註、註解、團隊互動的模式，可以增加用戶使用黏性。需要考慮到最終用戶使用可視化分析產品的場景，以及他/她之後的動作。我們說將數據變爲信息，信息產生決策，決策產生價值整個纔是一個 BI 完整的邏輯生命線。可視化分析解決的是將數據變爲信息的過程，這個信息的載體可以是一張紙、一份報表，最終這些內容都是需要經過展現、交流、博弈、確認等過程才能產生一個決策落地。那麼我們的分享和互動就需要圍繞着這些流程來思考，如何處理這樣的場景。比如分享給團隊一張報表，指派給某一個人審覈、產生批註、提出質疑、提出意見、最後大家形成一個決策來指導某些行爲的落地等等。比如通過分析發現某些產品銷售量越大、虧損越大，並且有一組相關的報表分析明確的指出了一系列原因：成本增加、庫齡長等等，最後的討論結果就是砍掉這個產品。所以，這是真正把數據分析的場景延長了，延長到信息產生決策，而且決策可以落地的一個階段。場景的延長，就意味着產品的生命線在延長，自身的價值在延長。
8）BI 的深入發展，BI SaaS 化。這個不是沒有可能，BI 是隨着業務系統的演變而發生演變的，當所有的基礎環境，比如數據庫環境、業務環境（其它的 SaaS 服務）全都雲端化以後，數據在哪裏，數據治理和分析的目標就在哪裏。並且目前已經是從可視化分析領域切入，隨之而來的就應該是可視化之下的各個層次切入。所以到時可能還不是簡單的 SaaS 服務模式，是不是可能發展成爲一個 PaaS 模式，我覺得很值得探討。但是目前來說，我覺得上面提到的第三點 "一定是結合行業特點，在行業細分領域提供很好的分析接口，標準化的分析模板” 是完全可以用心做好的。
最近碰到很多社區朋友都在關心 BI 領域有關 SaaS 應用的話題，這是一個很好的現象，因爲 SaaS 儘管在 BI 領域起步的不算非常早，但它是一個趨勢，很值得大家關注。我最近也參加了一些廠商舉辦的關於大數據行業、產品類的話題交流，對於 BI 數據可視化分析領域的 SaaS 發展情況簡單總結了一些個人看法，在這裏與大家分享和交流。
以下幾個話題針對一些不太瞭解 SaaS 服務的朋友
1. 什麼是 SaaS 服務？
2. 和雲計算有什麼樣的關係？
3. SaaS 的應用場景？
以下幾個話題針對關注數據可視化市場 SaaS 應用的朋友
4. 大數據時代下商業智能 BI 的發展現狀與特點
5. 數據可視化市場 SaaS 發展會遇到的問題
6. 數據可視化市場 SaaS 發展要解決好的幾個問題
1. 什麼是 SaaS 服務？
Software as a service 軟件即服務，通過互聯網提供軟件的模式。服務商/供應商把應用軟件統一的部署在自己的服務器上，用戶可以根據自己的需求向服務商訂購或者租賃所需要的應用服務。所有的服務器、相關硬件、網絡設施、軟件的維護與升級都是由服務商提供，用戶只需要通過互聯網就可以享受到非常便利的硬件、軟件和維護服務。
比如針對個人的百度的雲盤、有道雲筆記、印象筆記，或者針對企業的 QQ 企業郵箱、網上會議系統、協同工具、多領域服務的 CRM 軟件 Saleforce 等都是 SaaS 的典型應用模式。有免費也有收費的，收費模式大多是按租用費、用戶數量、存儲空間或者流量等收費。由於用戶不承擔軟硬件維護成本，所以這種服務方式極大的降低了用戶的開銷成本。
比如說像我們天善團隊在創立之初爲了節省成本就是使用的 QQ 企業郵箱、Tower、Gotomeeting 等工具在北京、上海、長沙三地工作和協作辦公。除了辦公資源和人力資源的投入，在其它 IT 軟硬件和設備維護上幾乎沒有投入，極大的降低了團隊運營成本。弊端就是數據安全和穩定性，所有的數據存放在 SaaS 服務提供商那裏，所有的服務都必須完全依賴服務商（通常情況下不會有太大問題）。
2. 和雲計算有什麼樣的關係？
雲計算 Cloud Computing，是一種基於互聯網的計算方式，通過這種方式，共享的軟硬件資源和信息可以按需求提供給計算機和其他設備。Saas 只是雲計算的一種應用模式。
粗略來講雲計算可以分爲三層（IaaS、PaaS、SaaS）
IaaS （Infrastructure as a Service 基礎設施即服務），主要是涉及到一些 IT 應用基礎架構，比如虛擬機、網絡資源、防火牆、IP 地址等。比如國內的阿里雲、青雲，國外的亞馬遜的 EC2、Microsoft Azure 等。通過 IaaS 服務我們不用購置服務器和存儲設備，也不用考慮服務器機房環境等維護就可以享受計算機基礎設施服務。
比如我們目前購置的就是阿里雲服務，通常按年按項目進行付費，我們只需要在虛擬服務器上部署我們的網站、數據庫等軟件等，其它所有的網站服務器的維護和存儲資源管理都由阿里雲來提供，包括一般的網絡攻擊防護（最近天善受到了一些內部的來自阿里雲上其它租戶的攻擊，有的攻擊還是需要我們運維人員來解決）。
PaaS ( Platform-as-a- Service 平臺即服務) ，PaaS 實際上是指將軟件研發的平臺作爲一種服務，以 SaaS 的模式提交給用戶，PaaS 介於 IaaS 和 SaaS 之間的一種服務。簡單理解 IaaS 構建的是虛機、存儲等 IT 基礎設施環境，PaaS 則是面向開發人員提供了運行應用程序的開發環境。比如將操作系統、應用開發環境等平臺級產品通過 WEB 以服務的方式提供給用戶，用戶寫好應用程序上傳即可完成編譯、調試、發佈整個流程。 這個環境就類似於 PHP 開發程序所需要的 Apache 引擎，Java 運行所需要的 JRE、Tomcat 等環境的支持。
國外的 PaaS 產品例如 GAE（Google App Engine）、Windows Azure （提供了 Microsoft SQL 數據庫服務、.NET 服務等），國內的類似於百度應用引擎 BAE，騰訊雲平臺 QCloud、阿里雲 ACE - Aliyun Cloud Enginee 等。
SaaS 略，參考之前的介紹。
3. SaaS 的應用場景？
1）. 需要較低的投入成本，較高的工作效率。特別是創業型公司、初創團隊往往都會採用這種服務外包的形式來降低人力和資源投入，集中精力專注本身的業務發展。比如我們不僅僅是一些郵箱、協同辦公方面我們使用了 SaaS 服務，甚至像社保、公積金的繳納我們也使用了 SaaS 服務，降低成本和提高工作效率。
2）. 異地、協同辦公與合作、快速增長的業務線。比如團隊跨地域、工作跨地域、可以通過協同辦公軟件，比如在線的 OA、Office、CRM、協同辦公的項目管理等，所有內容都保存在雲端，也不需要額外的維護，在家和在辦公室都可以完成工作的同步。特別在一些高速成長的團隊中，當 IT 的支撐力度跟不上業務的快速發展，也沒有精力來維護各條業務線上龐大的軟件服務，那麼各種細分領域的 SaaS 服務就可以解決這些問題、比如人力資源、供應鏈管理、財務服務等。
3）. 側重細分領域的信息和行業標準化的應用。細分領域和標準化是 SaaS 服務的兩個非常重要的因素，比如提供標準化的信息錄入、流程管理、內容管理，並且這種標準化通常是基於某一個特定細分領域，比如上面所提到的人力資源、供應鏈管理、財務方面；或者基於某一個行業，比如零售行業、O2O 行業、互聯網行業等 SaaS 應用服務。
4）. 需要大數據計算和高存儲能力支撐的應用。比如通過各個渠道的海量數據採集、大數據分佈式計算、海量存儲等技術才能提供的一些市場數據分析與市場預測，這些作爲一般的公司通常是沒有這種能力支撐這麼大的應用規模，無論是從技術能力或人力成本上都無法跟上，最好的方式就是購買 SaaS 服務，專業的事情交給專業的組織結構去做。
4. 大數據時代下商業智能 BI 的發展現狀與特點
總的來說就是市場空間巨大，“大數據”這一詞喚醒了更多的人願意關注數據、瞭解數據。當然“大數據”在很多應用場景下也是被人們濫用了，言必談“大數據”，但是其實很多企業還是需要從基礎的數據治理做起，從小數據做起。
1） 傳統的 IT 應用系統已經非常普及，數據多年的沉澱需要被挖掘利用。目前基本上沒有哪一個傳統行業沒有 ERP、OA、CRM等業務系統，從北上廣深一線城市到二線甚至三線城市，IT 應用的普及與發展已經非常成熟，沒有業務系統的支撐是無法生存下去的。經過多年的數據積累和發展，已經具備商業智能BI和分析所需要的數據基礎。
2） 商業智能 BI 和分析的門檻逐步降低，商業智能 BI已經成爲企業 IT 部門的標配。在2010年、2011年以前，我們在招聘網站上搜索 ETL 相關的職位不過幾頁，可見企業多 BI 的需求並不是非常多。一方面是數據的積累沒有到一定的量，第二方面是商業智能 BI 的成本，無論是軟件成本還是人力成本都非常高。當時能夠有能力採購商業智能BI 系統的基本上是以金融銀行、保險以及大型醫療製造行業爲主。涉及到軟件也基本上是比如 Oracle、SAP、IBM 等旗下的 BI 產品，這些對於一般中小型企業成本太高。而人力成本則是傳統的 BI 實施週期長、相關人才招聘困難導致。而目前雖然也需要採購商業 BI 產品，但是總體來說產品的選擇性更加豐富，人才的儲備比當時也容易很多。所以，在現在商業智能 BI 慢慢不再是奢侈品，已經逐漸成爲企業整個 IT 架構的功能模塊和標配環節。
3）市場競爭和經濟環境的影響促使企業更加重視精細化運營和管理的投入。比起以前開放式的粗放型的管理，在遇到經濟環境整體不利和更多的市場競爭情況下，勢必會更加註重梳理和控制企業的各個環節，而用來找到“癥結”和應對市場快速反應的唯一方式就是管理和利用好數據，用數據說話。
4） 以 IT 主導的商業智能 BI 和分析逐步演變爲向以業務爲主導的自助式分析過程。在過去的傳統的商業智能 BI 系統開發和報表系統基本上都是以 IT 部門爲主導的，從需求的提出到數據展現報表的分發通常需要很長時間，嚴重的阻礙了業務部門的日常運作需要。所以如何解放 IT 部門，讓 IT 部門只負責 BI 系統的管理與維護，讓業務部門自主進行數據報表的製作和展現分析就變得尤爲重要。
我曾參加過大衆金融的 BI 項目，通過 IT 部門部署和維護的 BI 系統，業務人員通過 BI 部門的培訓可以自主製作報表用來支持日常的業務分析。據日誌系統記錄，200多個用戶總共創建了近3000張自定義的數據分析報表，日常常用報表佔報表總數 50%以上。如果這些數據分析報表全部由 IT 部門來承擔，僅靠幾個 BI 開發人員是無力支撐這麼龐大的工作量的。好處顯而易見，既減少了 BI 團隊的投入，又提高了工作效率。
所以總結來說，目前在國內市場上商業智能 BI 和分析平臺的空間仍然很大。商業智能BI和分析門檻降低，解放 IT 以業務驅動和導向的數據分析平臺這是一個必然趨勢。
5. 數據可視化市場 SaaS 發展會遇到的問題
爲什麼只談 BI 領域的數據可視化市場 SaaS 產品發展存在的問題，而不談 BI 市場 SaaS 產品的問題。因爲 BI 領域涉及到的不僅僅是可視化數據分析，還包括了傳統的 BI 報表，數據倉庫建模、ETL 等流程。可視化數據分析是位於整個 BI 的最頂端，最能夠體現將數據變成信息、信息產生價值的一個環節，是數據最終呈現的載體，通過分析挖掘價值併產生落地的決策。可視化分析領域也是最容易發展成 SaaS 服務模式的，因爲它避免了底層複雜的數據清洗的過程，而數據清洗、數倉的建設恰恰是需要高度的定製化服務的。
最近在和一些國內可視化分析領域的 SaaS 產品服務商交流，有的已經在行業內樹立了不少的標杆客戶，也有正在努力打磨產品準備推出到市場上的潛在供應商，從產品的角度綜合起來看我覺得有幾個共性的問題是需要 SaaS 產品服務商考慮的 （假設讀者瞭解 Domo 的情況下）：
1）在單純的數據分析方面，包括數據的接入、工作表管理、可視化分析和儀表盤等功能方面，SaaS
分析應用和市面上大部分可視化工具差別不大，用戶缺乏使用的動力。比如在可視化領域有很多免費的桌面版工具，QlikSense Desktop、微軟 Power BI Desktop 等產品都是可以作爲個人免費使用，並且可以完成非常不錯的可視化效果和基本的數據分析工作。
2）數據的安全性、使用的穩定性該如何更好的保證。很多公司的信息保護意識是比較強的，信息安全的條例都是明確寫入員工手冊中的，包括最基本的郵件、文件、還有各種業務系統中的數據都是屬於安全保護的重點。將數據上傳雲端來做一些其它工具可以完成的分析，這種挑戰所付出的代價還是太大。除非是公司層面上允許員工的這種做法，或者公司已經是某 SaaS 可視化分析廠商的客戶。
3）缺乏社交分享的動力，工作的數據很難進行對外公開分享，僅適用對內分享。在可視化分析的 SaaS 工具中，社交和分享是很大的兩個亮點。但是這裏的社交分享我的看法還是屬於工作範圍之內的，團隊或部分之間的關於某些數據分析的結果、報表進行分享、批註、反饋的一個過程。其實在國內某些產品已經做到了這種批註回寫、審閱的功能，但是並沒有 SaaS 化。
4）對數據的質量要求也相對來說比較高，規範的數據格式，可分析的數據格式。對於數據格式的依賴會非常的高，對於可視化產品而言，工具的使用、圖表的製作是一個標準化的使用過程。我們很難要求每一個業務人員都能獨立的完成數據處理和清洗的過程，將規範化不可分析的或者不規範化也不可分析的數據變成一個規範化且可分析的結果，很多業務人員是沒有這個能力的。
SaaS 可視化分析產品和用戶教育目前總體都不是非常成熟，但是相信在未來的幾年間會變得成熟，通常情況下也就 2-3 年的時間。就如同我們在2013年到現在2016年不過三年的時間，從傳統 BI 到敏捷 BI、傳統定製化報表到可視化數據分析的用戶教育一樣，大家都是從不成熟變得成熟，到如今可視化數據分析已經深入人心。
例如像 Tableau、Qlik (QlikView、QlikSense) 這些位居 2016年商業智能和分析平臺的領導者象限的兩大產品（另外一個是微軟的 Power BI）最早也是在 2013年左右進入中國市場，像國內的永洪 BI 也是從數據可視化分析領域切入，時間點也正好是在 2013年。除此之外，帆軟軟件、Smartbi、奧威 Power-BI、國雲科技等也都是從這個時間點重點推進了可視化分析的產品，並且也擁有了各自領域的標杆客戶。老牌 BI 巨頭 Oracle、IBM、Microsoft 也在逐步轉身跟進，直接跨過可視化分析的市場教育階段，走向 SaaS 服務，目前比如 Microsoft Power BI，Desktop 免費，比如每個月每用戶 9.9 美金直接使用（目前的 Power BI 部署是國外的雲，在2016年的11月份國內雲將正式上線）。
所以，從2015年可視化分析 SaaS 服務逐步在國內市場發出聲音到 2018也是一個三年的時間（有的可視化數據分析廠商早在 2013年就已經在佈局 SaaS 市場，例如 BDP），那麼在這個三年的時間裏也一定會出現一批比較成熟和很成熟的可視化分析 SaaS 模式的產品。
6. 數據可視化市場 SaaS 發展要解決好的幾個問題
儘管上面提了這麼多的問題，但是作爲我個人我還是比較看好 SaaS 可視化數據分析在國內的發展，它是未來 BI SaaS 模式的入口和切入點，同時從產品形態上來講豐富了用戶的選擇。當然也可能結合 On Premise 本地化部署和 Mixed 混合模式來推進這個巨大的市場。
我覺得數據可視化市場 SaaS 的發展需要解決好以下幾個用戶會比較關心的問題：
1）安全、穩定、混合雲部署需要多方面考慮。使用成本低，付費模式的多樣化是 SaaS 服務的天然優勢，但是從數據安全性上來如何保證用戶的數據隱私不受侵犯，特別是在國內比較和諧的環境下會不會出現給某些機構留後臺接口，還有公司的財務數據的特殊問題如何解決？ 服務穩定性上如何，災備切換、網絡攻防也是一大挑戰。在這種比較特殊的環境下，一種能夠比較能接受的方式是一部分比較敏感和核心的數據需要進行私有化部署，採取混合部署模式。當然，目前也有多數據進行加密的措施，在安全性上是比較有保障的。但這個就比如把自己的錢放在別人的保險箱裏，多多少少會存在這樣的顧慮。
2）雲端的分析功能在用戶體驗，功能實現上要比桌面端至少一致或者要求更高。有別於 Desktop 版本的開發都在本地，並且這些桌面版工具相對來說也已經非常成熟。那麼如果將數據放在雲端開發和分析，至少在數據分析、圖表製作等基本的操作流程上，雲端的分析和展現能力至少要能夠與一些比較普及的桌面版的展現能力持平，包括最基本的 UI 設計、報表美觀程度等。
3）一定是結合行業特點，在行業細分領域提供很好的分析接口，標準化的分析模板。就像我之前所提到的，可視化數據分析的 SaaS 產品對比於普通的 Desktop 數據可視化分析產品 PK 上並沒有太多的優勢，但是它可以深入行業，在行業細分領域進行深耕。比如對於零售細分行業提供標準化的分析模板，提供標準化的數據分析接口，用戶只需要按照相應的接口提供數據就可以得到全套的分析模型。同時，在細分領域的標準化分析模板同時，也有針對性的定製化分析組件提供。深入行業或細分領域也是 SaaS 的一大特點，並且這種方式也解決了標準化的問題。
4）可提供大量的輔助的第三方數據來源配合使用，輔助現有接口數據分析。在 SaaS 服務平臺上可以和租戶交換數據資源，租戶獲得相對應的數據分析與行業統計報告，即你對我開放，我則對你開放，公平且合理。
SaaS 服務商可以拿到更多的數據（不排除私自採集用戶數據的可能），數據即價值，這部分價值隨着租戶的增長而無限放大。另外，由於大家都在使用同一套 SaaS 服務，則平臺本身變成了一個統一的入口，在這個平臺入口上可以提供很多的增值服務，比如提供行業相關的數據藉口、用戶數據（脫敏的）接口，和平臺本身相結合，可能本身就能完成一站式用戶畫像、產品的輿情分析、競品分析等。解決的是什麼問題？ 解決的是各個企業，在他們解決了內部數據之後尋求外部數據資源的需求。
5）性能問題上有保障，上傳下載、大量的聚合操作。性能上的問題一定是大問題，在很多場景下數據可視化 SaaS 服務在現有互聯網環境下是滿足不了的，比如上傳幾個 GB 的數據到雲端，下載幾個 GB 的數據到本地。所以需要定義使用場景，雲端分析服務在目前這個階段一定是基於兩種方式：第一，彙總數據的上傳分析，或者輕度彙總數據的上傳分析。第二，通過實施將用戶數據接口打通，大部分數據預先聚合彙總，前端在展現分析。
6）快速有效的開發和部署、發佈和訪問模式，降低人力和時間成本。這一點相對來說是比較容易做到的，也是 SaaS 服務的優勢所在。
7）分享與互動，比如批註、註解、團隊互動的模式，可以增加用戶使用黏性。需要考慮到最終用戶使用可視化分析產品的場景，以及他/她之後的動作。我們說將數據變爲信息，信息產生決策，決策產生價值整個纔是一個 BI 完整的邏輯生命線。可視化分析解決的是將數據變爲信息的過程，這個信息的載體可以是一張紙、一份報表，最終這些內容都是需要經過展現、交流、博弈、確認等過程才能產生一個決策落地。那麼我們的分享和互動就需要圍繞着這些流程來思考，如何處理這樣的場景。比如分享給團隊一張報表，指派給某一個人審覈、產生批註、提出質疑、提出意見、最後大家形成一個決策來指導某些行爲的落地等等。比如通過分析發現某些產品銷售量越大、虧損越大，並且有一組相關的報表分析明確的指出了一系列原因：成本增加、庫齡長等等，最後的討論結果就是砍掉這個產品。所以，這是真正把數據分析的場景延長了，延長到信息產生決策，而且決策可以落地的一個階段。場景的延長，就意味着產品的生命線在延長，自身的價值在延長。
8）BI 的深入發展，BI SaaS 化。這個不是沒有可能，BI 是隨着業務系統的演變而發生演變的，當所有的基礎環境，比如數據庫環境、業務環境（其它的 SaaS 服務）全都雲端化以後，數據在哪裏，數據治理和分析的目標就在哪裏。並且目前已經是從可視化分析領域切入，隨之而來的就應該是可視化之下的各個層次切入。所以到時可能還不是簡單的 SaaS 服務模式，是不是可能發展成爲一個 PaaS 模式，我覺得很值得探討。但是目前來說，我覺得上面提到的第三點 "一定是結合行業特點，在行業細分領域提供很好的分析接口，標準化的分析模板” 是完全可以用心做好的。