2011 年，曾在金融IT領域占據(jù)半壁江山，并一度在紐交所上市的東南融通因故退市解散，當時在東南融通從事BI產(chǎn)品研發(fā)的吳華夫帶領原有的技術骨干獨立出來，成立了思邁特軟件（Smartbi）。 

從成立以來，Smartbi經(jīng)歷國資控股、MBO獨立發(fā)展，增長速度一直保持穩(wěn)定，并繼續(xù)深耕金融領域，服務于眾多大型全國性銀行，致力于為客戶提供包括數(shù)據(jù)處理、分析和可視化等商業(yè)智能（BI）服務。 

目前，Smartbi的標準化產(chǎn)品有三種，包括企業(yè)報表平臺、自助分析平臺、數(shù)據(jù)挖掘平臺。

企業(yè)報表平臺Insight是一個借助Excel的插件設計企業(yè)WEB報表的工具軟件。針對企業(yè)中普遍存在的報表制作的需求，允許用戶在Excel中進數(shù)據(jù)準備、樣式設計、數(shù)據(jù)計算、數(shù)據(jù)可視化、互動邏輯、共享發(fā)布等操作，融合了Excel和傳統(tǒng)報表軟件的雙重優(yōu)勢，提高了報表制作的效率和能力。

自助分析平臺Eagle為企業(yè)中的業(yè)務人員提供自助式的數(shù)據(jù)分析工具，將IT人員從繁瑣的對業(yè)務人員分析需求的技術響應中解放了出來，通過數(shù)據(jù)查詢、OLAP分析、可視化探索等核心能力，縮短了業(yè)務人員提出需求到得出分析結(jié)果之間的時間周期。

數(shù)據(jù)挖掘平臺Mining針對企業(yè)中的數(shù)據(jù)科學家、業(yè)務分析師、行業(yè)咨詢師等職能人員的預測性分析需求，將機器學習算法與BI相結(jié)合，提供了流式建模、拖拽式操作的可視化建模界面。 立足于BI產(chǎn)品的核心能力，Smartbi目前服務的客戶類型涵蓋銀行、保險、證券、基金、信托、互金等泛金融領域，能源、制造、通信、零售、地產(chǎn)、運輸、科技等實體經(jīng)濟領域，以及各級政府、高校，主要應用場景涵蓋銷售、財務、生產(chǎn)、運營等各個業(yè)務部門。

技術能力出色  輕量化方案實現(xiàn)  異構(gòu)數(shù)據(jù)源匯集

在BI工具誕生前，業(yè)務人員要按照某些維度來分析數(shù)據(jù)，完全依賴于IT人員的支持。針對業(yè)務人員提出的分析需求，IT人員的支持方式一般是是通過SQL語句從源數(shù)據(jù)庫中將分析結(jié)果導出，或者是由IT人員開發(fā)一套供業(yè)務人員使用的后臺頁面。但是在這些方式下，多數(shù)據(jù)源的情況難以被有效應對，同時業(yè)務人員對需求的頻繁變更會帶來大量的溝通成本，加重了IT人員的負擔。

因此，“自助式分析”的概念應運而生，它主要解決的問題就是如何讓業(yè)務人員在離開IT人員支持的情況下，依然能夠隨心所欲地在自己設定的維度上進行分析，從而拿到自己需要的數(shù)據(jù)。

自助式分析的核心技術是聯(lián)機分析處理（OLAP），它要求實施人員基于多個數(shù)據(jù)源為用戶構(gòu)建一個集中式的、關系型的的多維數(shù)據(jù)模型。用戶基于多維數(shù)據(jù)模型，可以實現(xiàn)自由的切片、切塊、鉆取和旋轉(zhuǎn)，無需直接接觸數(shù)據(jù)源就能實現(xiàn)數(shù)據(jù)準備、數(shù)據(jù)查詢和數(shù)據(jù)探索等操作。 

在企業(yè)的實際IT架構(gòu)中，往往會存在OA、ERP、CRM等多個數(shù)據(jù)互相獨立的業(yè)務系統(tǒng)。金融領域客戶一般會建設數(shù)據(jù)倉庫來實現(xiàn)數(shù)據(jù)的匯集，因此BI自助分析平臺的構(gòu)建可以直接搭建在數(shù)據(jù)倉庫之上。但是，更多的客戶則沒有建設數(shù)據(jù)倉庫，但他們?nèi)匀幌Ｍ麑Ψ稚ⅰ悩?gòu)的數(shù)據(jù)庫進行自助式分析。面對這種情況，一些BI廠商的策略是親自為客戶搭建一套數(shù)據(jù)倉庫或數(shù)據(jù)中臺，在這個基礎上再去搭建BI系統(tǒng)。 

與這些廠商的策略不同，Smartbi的自助分析平臺Eagle的解決方案是輕量化的，可以支持外建的多維數(shù)據(jù)庫，也內(nèi)置了SmartbiMPP、Vertica等多種類型的分布式大規(guī)模并行處理數(shù)據(jù)庫接口，并通過ETL過程將來自OA、ERP、CRM等多個業(yè)務系統(tǒng)的數(shù)據(jù)進行統(tǒng)一匯集。同時，Eagle還可以構(gòu)建語義層，使得業(yè)務人員無需直接接觸表名、字段名以及它們之間的復雜關系，而是直接面對自己所熟悉的業(yè)務術語和指標名稱。 

這樣，多個異構(gòu)數(shù)據(jù)源的底層存儲邏輯都被Eagle所展現(xiàn)的語義層邏輯所屏蔽，業(yè)務人員可以通過托拉拽等可視化操作，在Eagle中實現(xiàn)全自助式的數(shù)據(jù)集準備、數(shù)據(jù)查詢、數(shù)據(jù)探索（交叉匯總、自由鉆取）和儀表盤制作。

從選擇輕量化解決方案實現(xiàn)對異構(gòu)數(shù)據(jù)源的匯集，到AI賦能自助數(shù)據(jù)探索與預測性分析，Smartbi從始至終的理念是降低BI產(chǎn)品的使用門檻，以能夠讓基礎設施建設不夠完善的企業(yè)、技術能力不夠強的業(yè)務人員也能夠以低成本來進行自助式分析，表現(xiàn)出了較強的技術和產(chǎn)品能力。

ISV生態(tài)合作破解  BI項目實施難題  場景理解力強

與普通IT系統(tǒng)，尤其是SaaS產(chǎn)品相比，BI工具的一大特征就是項目制的交付方式，實施周期較長，這其中的原因是多方面的。

首先，并非所有客戶都像銀行那樣有完善的數(shù)據(jù)倉庫，BI項目往往要直接面對多個業(yè)務系統(tǒng)的數(shù)據(jù)源，這些數(shù)據(jù)源的結(jié)構(gòu)千差萬別，數(shù)據(jù)質(zhì)量也參差不齊，往往還會出現(xiàn)“臟數(shù)據(jù)”。

其次，在不同行業(yè)中，存在大量的行業(yè)know-how（一般指不同行業(yè)的業(yè)務知識、技術訣竅），使得客戶需求的數(shù)據(jù)模型也會存在很大差別。

另外，在BI項目推進過程中，客戶的需求往往并非在開始階段就十分明確，而是會在項目推進過程中根據(jù)進展而發(fā)生變化。因此，實施人員與客戶之間必須進行大量且反復的溝通，才能完全確定其*終期望的數(shù)據(jù)模型。

因此，實施人員在數(shù)據(jù)集市建造、ETL構(gòu)建等階段，面臨著大量不可控因素，這都使得BI工具的交付過程天然就是難以標準化的。面對BI項目重人力、長周期的現(xiàn)狀，不同的BI廠商選擇了不同的項目策略，部分BI廠商選擇擴大實施團隊規(guī)模，直接服務于*終客戶。

但Smartbi選擇的策略是深度依靠ISV生態(tài)合作伙伴，將自己的標準化產(chǎn)品交付給ISV，由ISV負責BI項目的具體實施。這樣的方式一方面會降低人力成本，但在另一方面，由于BI項目對實施人員的要求很高，如果Smartbi無法對實施過程實現(xiàn)有效掌控，那么項目效果就難以保證。

為了解決資源占用與實施質(zhì)量之間的矛盾，Smartbi提出了“BI+行業(yè)”的戰(zhàn)略，通過對客戶場景的深入理解，為不同的行業(yè)場景定制不同的行業(yè)模板。

在金融領域，由于基礎設施建設相對成熟，行業(yè)模板很容易來提煉，大量成熟的模板也已經(jīng)被積累下來。但在零售、制造業(yè)等領域，行業(yè)模板的積累仍然是欠缺的。針對這種現(xiàn)狀，Smartbi目前的策略是引導行業(yè)ISV按照給出的模板格式，在項目實施過程中與Smartbi來共同積累和完善行業(yè)模板。

有了行業(yè)模板之后，Smartbi和ISV在遇到同行業(yè)客戶的時候，就可以將來自異構(gòu)數(shù)據(jù)源的數(shù)據(jù)直接對接到模板中，只需額外在模板基礎上定制少部分特性就能完成數(shù)據(jù)模型構(gòu)建，在一定程度上實現(xiàn)了實施流程的標準化。

通過與ISV在行業(yè)模板標準化上的深度合作，Smartbi的客戶服務周期縮短，這也就意味著Smartbi能夠依靠一支較為精干的實施團隊服務于更多客戶，規(guī)模化效應也將逐步體現(xiàn)。