观远数据CEO苏春园：让业务用起来，是BI行业推倒渗透率之墙的关键

毕业于卡耐基梅隆大学信息系统管理专业，拥有近20年数据分析以及商业智能管理服务经验，擅长企业数据分析战略规划，曾任全球顶尖BI公司微策略软件全球高管&中国研发总裁，为上百家500强企业提供过大数据分析产品与服务。2016年9月创立观远数据，致力于数据智能行业的长远创新，带领公司和团队成为智能分析与决策的全球引领者。

文 | babayage
编辑 | 笑 笑

18年前，入局BI名列前茅波浪潮

BI（Business Intelligence）一词诞生于遥远的1958年，但业内普遍认为，1996年Gartner机构对其进行重新定义，是BI技术步入全面商用时代的标志。苏春园对BI产生兴趣，是在“啤酒尿布”将BI神话名列前茅次推上风口浪尖之际。2022年，在这个大数据+人工智能技术全面应用于生活各个角落的时代，各大院校的数据分析专业纷纷爆火。可在20年前，数据分析还只是信息技术管理专业下的冷门课程。在卡耐基梅隆这个“超级码农生产基地”，苏春园的学习内容大部分关乎代码技术，偏偏他最有兴趣的却是少数商科课程，尤其是用数据分析技术辅助商业决策。

尚未毕业，苏春园便收到了来自微策略（MicroStrategy）的offer，作为过去20余年中全球最成功的BI企业之一，微策略对人才的要求几乎是为苏春园量身定制：精通数据技术的同时，兼具对商业应用场景的了解。

苏春园自然没有犹豫太久。

科创人：To B行业内经常说，中美之间存在10~20年的代差，在您看来，国内BI行业目前的发展进度，与18年前的美国有哪些异同？

苏春园：陆奇博士前不久在奇绩创坛总结了企业IT系统建设的五个阶段：其中，构建业务系统、沉淀业务数据，称作System of Record，ERP+企业数据库是这个阶段的代表；System of Insight，是从沉淀下来的数据中洞察出有价值的规律信息，这一阶段的代表就是BI；未来最终阶段是System of Intelligence，AI技术的应用越来越普及，通过AI与BI结合，系统给出决策建议甚至完成行动闭环。

美国To B服务发展较早，IT技术普及程度高，在2004、05年，大部分跨国公司、全球化企业都已经走完了名列前茅阶段，也就是ERP系统和数据库的建设，因此洞察、决策系统成为了企业的下一代需求。

而在当下，中国企业正在同步进行几代系统的建设，记录、洞察和智能化同步展开，甚至在同一家企业内也会出现多步并作一步的火热场景。我个人认为，接下来的5年时间，在企业数智变革这一领域，中国有机会走完美国走了10年的变革路程。

科创人：在微策略工作的10年里，您印象最深的场景或者给您带来最大困扰的问题是什么？

苏春园：10年是一段很长的时间，先是在美国做工程师，后来回国参与搭建中国研发中心，印象最深的就是组建中国研发中心这一阶段，体验了一把内部创业的感觉，从找办公场地，面试前台行政开始，尤其是每一位早期的工程师同学，都是我们一个一个从“宿舍”聊来的。

招聘是段有趣的回忆，我们希望招募到的是最顶尖的研发技术人才，可好人才竞争特别激烈，尤其微策略软件刚刚进入中国，要面临很多竞争，比如同样公司简称是MS但名气大不少的微软与摩根士丹利。因此，除了承诺发展前景、保障有竞争力的薪水、提供高质量的海内外培训之外，还用了很多心思，比如我们会花很长的时间，去到校园，与同学们喝咖啡、演示产品，去拜访同学的老师做背书，也会请同学们在我们美国总部工作的师兄师姐帮我们定向做宣传……我还记得当年与同学们分享自己毕业时的选择，“数据分析就是未来！”对于通过面试的同学，我们会给他宿舍送去一份儿礼盒，除了精美的offer letter还会有一瓶香槟，他们可以和宿舍同学分享喜悦。2009年开始，我们连续多年在国内前10的高校中成为较受欢迎的技术雇主品牌之一。

外企经历中最大的挑战之一，是研发团队普遍面临的困扰：我们敲出的代码，到底帮助客户实现了什么价值？我做的工作到底在哪些具体的方面改变了这个世界？最出色的人才需要最充分的正反馈，而研发团队远离客户，尤其是全球企业的中国研发中心会离得更远。因此我推动建立了一些机制，比如技术团队能够直接链接全球各地的客户，同事们直接远程与500强的客户一起交流；我们也争取让更多的员工参加到线下的客户见面，包括每年1月公司在拉斯维加斯举办的全球客户大会，让员工零距离感受：他们的代码是如何为客户带来了价值。

创立观远，只为更好服务中国企业

苏春园的创业念想萌芽于2013年左右，随着微策略中国研发中心对全球客户的服务渐入佳境，苏春园心间却积累出了一份日渐庞杂浓郁的困惑。

彼时，国产BI已有部分头部企业破土而出，展现出了新兴行业应有的旺盛生命力。但在苏春园视角下看到的却是另一番场景：如果只是复刻国外的发展模式，将BI在全球范围内的发展历程重走一遍，中国企业可能需要等上10年时间才能享受到2013年水准的BI服务。

如何能够缩短这一周期？明明身处中国，却无法直接为中国企业提供较好的BI服务，这情绪逐渐积累发酵，最终在困惑与焦虑交织成的混沌中，孕育出了一颗关乎使命和责任感的种子。苏春园决定独立创业，倾尽自己多年来的技术与服务积累，只为服务好中国企业。

2015年，To B逐渐代替互联网成为时代新热词，大数据、人工智能等技术应用一同迎来了属于自己的DT（Data technology）时代。觉察时机成熟，苏春园决定辞职，经历了一年的筹备与深度思考，观远数据于2016年正式成立。

科创人：《科创人》最关注的话题之一，就是初创企业进入一个行业时，如何规划战略定位、明确自身在未来市场竞争中的差异化优势，您成立观远时在这方面做出了哪些决策？

苏春园：数据智能类公司也分为两类，一类是短期价值更显著的，比如有数据源、有特定算法模型、有巨大定制项目支撑的企业，也是离钱比较近的模式；另一类是相对苦逼、但有长期可持续价值的品类，本质上是软件&SaaS公司，通过产品的打磨，把各种数据进行汇总和提炼，为企业提供决策分析。观远是第二种企业，这是观远的路线选择，基于产品为广大的决策者提供服务。

第二是聚焦垂直行业，选择新消费、新零售为名列前茅根据地，这里有多重考虑：

首先，经历了多年飞速发展，新零售、新消费行业成为了技术型To B服务企业的绝佳温床，迭代快、规模大、生命力旺盛、拥有数一数二的数据基础。

其次，这个行业非常市场化，你不需要靠关系，只要有技术、有能力就能赢得客户。

第三，新零售、新消费行业的从业企业，大多接触过甚至原生于互联网技术，他们对于服务价值的识别能力非常好，对新事物的接受能力高，因此教育成本相对较低。

第四，新零售、新消费行业，也就是最初的电商领域，培养了大量数字化人才，很多人后来带着数字化经验转向了其他领域，为这个行业提供决策分析服务，对其他行业的辐射能力更强。后来证明我们判断是正确的，一些门槛较高的企业在沟通时会询问，你们是否有服务电商行业的成功案例。

科创人：很多数据智能企业的从业者，在细分行业选择时会选择金融行业，因为数据基础最完整、技术接受度较高，但在观远看来，似乎行业生命力的权重高于数据基础的完备性？

苏春园：好问题。金融行业的数据基础确实是较好的，但金融行业相对保守的特点，对于一个初创企业而言门槛很高，所以我们积累了几年之后，全面切入了金融。

零售与消费这个行业足够大，与金融一样，都属于体量、规模巨大的行业。我们认为行业的土壤极其重要，参考国外To B巨头的发展历程，SAP最初就是根植于德国先进的工业制造业，之后逐步扩大到各行各业。这类行业有最真实的市场反馈机制、最激烈的竞争对抗、最频繁的迭代优化，必然对应着非常先进的生产力和决策能力。

在中国，哪个行业相对是最创新、最引领的？零售消费无疑，而且这个行业的经营迭代与数据创新，不止名列前茅国内其他行业，也引领全球。观远希望与这样的行业一同培育出最拔尖的数据决策能力。

初创之坑，找对3F翻过信任高墙

科创人：既然您在当初准确预计到了初创企业走向市场时，会遇到难以跨越的信任鸿沟，那么观远当初采用了哪些方法克服了这一问题？

苏春园：懂得很多道理，还是过不好这一生，这个问题当初也没少让我们头疼（笑）。观远从创建之初就立志服务最头部、最创新的客户，毕竟我和我们3位联合创始人都是做500强企业级产品的背景。但头部客户的门槛也确实高，周期特别长，因此我的名列前茅个创业认知就是得面对现实，先去服务好那些愿意拥抱创新的中型客户，再不断往上突破我们的能力边界。后来我们发现Salesforce早期也是如此，从中小客户开始、越做越大，我们就释然了。

而且这里面也有深刻的逻辑。对初创企业，尤其是致力于成为一家追求伟大产品的公司来说，一定要有自己的节奏。如果为了短期的订单、不能冷静应对，巨大的压力会导致公司的战略动作变形，你会被裹挟进对方的节奏和需求当中。国内其实有不少早期企业，被少数几个大客户绑住了，本质上偏离了做产品的轨道，越到后面，越难实现企业级的标准产品定义，因为在早期的产品逻辑中已经夹杂了太多大客户的个性化需求，历史包袱指数级上升。

所以我们一直很感谢当初陪伴观远成长的客户，虽然大家开玩笑说，早期客户都主要是“family，friend，fool”，但我们很感恩，而且后来发现选择观远的都是有超前眼光和智慧的企业家。较早的那一批客户，我们现在还在紧密的合作。这是创业路上，很让人开心回味的一个片段。

科创人：在复盘时，往往容易清晰地划分企业发展的各个阶段，但身处其中时，企业家如何判断当下所处的阶段？举个例子，同样是选择稳定发育一段时间，如何判断这段时间究竟算是稳固根据地、提升自力更生能力，还是掉进了小富即安的陷阱？

苏春园：非常形象的问题，我们到底是在长征之初，还是到了延安，亦或具备了全面进攻的能力？说实话这是我这么多年一直在反复思考的话题。

最终我有一个很朴实的心得：你的企业处于什么阶段，取决于你当下服务的客群——以您的比喻就是所控制的疆域，是不是真正属于你。

成立之初，客户大多是通过口碑介绍。

但一旦过了这一阶段——度过这一阶段的标志是产品雏形基本清晰——就要快速找到真正的根据地，打磨出标杆、构建护城河，绝对不能困在舒适区中。

找到根据地就是细分客户，大部分时候是锁定一个行业，新企业不着急走向大海，《跨越鸿沟》里说的，做小池塘里的大鱼，我非常认可这个观点。

接下来就要打磨标杆，我们做了几个小一点的品牌之后，快速接触到了联合利华、安踏、元气森林、蜜雪冰城这类头部品牌，不断完善对头部客户的服务能力。

第三步要构建护城河，进入到了更大的战场，就会有更强劲的对手出现，绝不能满足于“我能”，至少要在一定时间段内做到“别人不能”。

这三步完成了，意味着你目前占有的市场真正属于你，并且可以规划下一阶段的进攻方向。接下来，就是以客户规模、客户数量为镜子，尽可能清醒地判断发展策略。这方面我们下了很多功夫，学习研究了IBM与华为的BLM（Business Leadership Model）战略方法论，结合创业实践，每季度做一次实践与迭代，已经进入到第8个版本，也转化形成了观远自己的战略管理实践。

另外，除了理性的方法之外，创始人除了要承受短期业务方面的压力，更要不断思考长期、尤其是思考行业最本质、最重要的那几个问题，一定要基于深度的思考，形成自己对行业未来的判断，这样才能比你的竞争对手看到更准确、更遥远的未来。

国内数据服务企业 要帮助客户解决数据基础问题

科创人：您在BI行业最初10年主要服务于全球客户，而观远面向国内企业，二者之间有哪些明显的差异，是否直接影响到了产品形态与服务模式？

苏春园：差异点非常多，最明显的差异在数据基础与数据素养，还不能简单地概括为成熟和初级，感觉更像是：服务国外客户，是跑在一条完整连贯的公路上，你可以保持一个稳定的高速跑到底；服务国内客户，有一段是非常棒的高速路，下一段可能就是乡间小路，你要不断调整驾驶模式，你的产品也必须要有很强的适应能力。

举个例子，国内很多客户的数据质量参差不齐，尤其业务也在不断创新，导致同一个商品，在很多个不同的环节或者渠道上，体现出的数据口径是不一致的，需要一些人工处理才能对上。

因此我们开发了不少产品和服务，比如SmartETL，用来帮助客户在分析之前，先对各种数据进行预处理；以及我们提供的移动BI，以无代码拖拉拽的形式，在几个小时内，可以支持客户为不同的部门和角色，发布不同的移动分析看板，直接接入企业微信、钉钉或飞书，非常受欢迎。这些接地气的产品创新，几年下来成为了观远被行业特别认可的一个高价值点。

还有，大家可能都听过“人人都是数据分析师”这句话，在国外数据分析能力的普及程度相对好些，在国内的土壤相对比较难实现。国内客户需要的不止是一个自助分析的工具，而是一站式的产品与行业优异实践，来赋能企业内不同的使用角色，他们可能是愿意去做数据探索的分析师，也可能是希望借鉴行业分析场景的业务主管，更有可能是广大的一线业务决策者，直接消费构建好的分析场景。

科创人：《科创人》最近内部讨论一个话题，为何国内To B企业大都以行业解决方案作为切入点，而不是走工具路线，也许客户的购买倾向很大程度上决定了To B服务的形态？

苏春园：没错，只有在行业中才能沉淀更多直接作用于客户场景的价值，进而直接赋能客户。

科创人：您提到的SmartETL，已经被证明至少是某一行业内很有成效的数据基础建设型产品，国内大数据行业普遍在数据治理环节存在问题，观远是否考虑过将行业数据治理能力作为单独的产品线？

苏春园：以前我研究过国外的ETL领域，发现国外分工确实是很专业，有不少公司就是干这个事情，与BI公司上下游合作。你说的现象在国内确实存在，很多公司都做很多的东西，感觉无所不包，对应了国外多个上市公司干的活。观远的价值定位非常明确，就是以BI为核心的一站式分析平台。在中国，BI的市场渗透率只有个位数，而在全球市场这一数据超过30%，个别先进国家接近50%，这是近10倍的差距，也是10倍的潜力；此外，AI+BI也是我们对BI的未来布局，本质上这是高级分析，BI用得深入之后天然的高阶高价值场景。

所以在BI行业真正走向成熟之前，我们大概率不会贸然进入其他领域。

重点关注数据颗粒度革命

科创人：您过去的采访中多次提及数据颗粒度革命，能否系统分享下产生这一现象的机制，以及您对其的洞察思考？

苏春园：这个现象其实源自客户场景，我们在与客户碰撞时得到的启发，对于BI的应用越熟练，客户越会感觉BI、AI并不是玄学，它的本质是数字化运营，每天应对的并不一定是宏大命题，更普遍的场景是微调、细节优化。

预测一个月之后的进货量非常难，但将一个月拆成4周，一周拆成7天，数据粒度的精细化反而提升了数据运营的精准度，连续性数据的产生、历史数据的准确积累，在微小的场景下能够产生更有价值的可执行策略。在互联网领域，AB测试可能不是什么新鲜事，可在其他行业，通过数据的精细化运营来实现产品取舍、优化迭代，还是少数玩家具有的能力。

一个饮品品牌，可以基于数据颗粒度细化，在不同区域实施不同的配货策略；一个便利店企业，可以以单店为单位制定不同的数据模型，可以细化到某一款货品的摆放策略；一个销售负责人可以掌握的数据，从以往的T+1到现在5分钟刷新一次，更及时发现问题和机遇；客户的决策会，从月会、周会、大会，变成更频繁、简短、具体的信息交流……

数据颗粒度的变革，不止是量变，它对企业运营的影响，是刀耕火种与核武器之间的差距，所有的企业经营管理者都应当重视这一变革，拥抱数据颗粒度变化必然带来的决策颗粒度变化。

未来规划：AI+BI 价值主张：让业务用起来

科创人：在观远看来，接下来能够大幅度提升中国市场BI渗透率的手段有哪些？

苏春园：有一个巨大的机会，就是让业务部门能够直接使用BI。中国的客户中，BI主要是提供给IT部门做报表用，很多业务价值都需要IT部门参与才能真正落地。如何能够让业务直接通过BI构建自己的应用场景？如果这一关能够解决，BI的渗透率无疑将大幅度提升。

传统模式，BI工具以买断制销售给甲方，甲方IT团队承接使用的权责，所有的一线需求都要经过IT团队的加工和传导，因此呈现出慢反馈、长周期、低频率的使用状态。

而在观远的客户场景中，客户的一线销售代表要能随时在移动端上看到产品的销售数据：日报、周报、其他销售人员的销售量、门店的生意状况等，业务人员可以根据自己的需要方便地配置报告、报表、数据内容，不再需要向IT团队申请权限，也不需要IT技术就能够操作。

科创人：从IT团队使用到业务团队使用，使用者画像的迁移，对于产品设计带来了多少挑战？

苏春园：观远的产品设计理念，是目标明确的前提下反向设计，过去10年没有人做过这样的尝试，很多事只有自己摸索迭代。SmartETL的诞生也是出自对易用性的考量，如果我们要让业务人员用起来，必须要有低成本的数据基础优化能力；还有移动端这一阵地，自然也成了必要的使用场景；另外，业务人员成为主要使用者之后带来了并发压力，从几十人、几百人到上千人、上万人，每天早上固定时间，大量业务人员开始看数据、分析、决策，每个人看到的信息都不一样，细粒度权限、资源隔离等等，背后需要高性能、高稳定性的企业级数据架构做支撑。

除了这些，最关键的一部分，是AI与BI的结合。

科创人：今年年初观远宣布C轮融资时，您提到智能分析产品矩阵的深化是资金主要投入方向之一，能否分享下您对于AI+BI这一未来的见解？

苏春园：BI的商业化应用近30年时间，过去它一直试图解决的问题是“分析历史数据——给出诊断，也就是行动建议”。与AI结合，能够跨越BI目前的能力半径，实现面向未来的行动建议，也就是商业预测。目前观远已经与联合利华、宁波银行等头部客户，在AI+BI这一方向上启动了深度合作。

通过BI分析平台与数据科学和高级分析能力结合，AI技术的融入能够让客户“用得越深，预测越准”，最终拓展出各个方向上高价值的预测场景。

AI预测的门槛确实很高，通用型AI平台的建设更是难上加难，幸运地是观远在与联合利华的合作中已经落地了一些AI预测场景，接下来我们要帮助更多的客户完成落地。

科创人：观远在未来的发展规划？我比较好奇一点，作为行业头部企业，是否有余力解决目前明显钳制数据行业发展的人才问题？

苏春园：先解答您好奇的问题，观远目前通过与客户的合作，以相对高的投入产出比，推动数据人才的培养，比如“观远燎原计划”，当客户侧产品的使用者到达千人、万人级别时，就需要成熟可靠的培训体系支撑，我们会配合客户举办各类数据驱动业务发展的比赛，比如最近与我们合作的某头部股份制银行，内部报名团队突破了100个，大大出乎我们的意料。在客户业务体系下，在员工个人发展的动力驱使下，人才培养能够更有效、更低成本的推进。

说到观远的未来，“让业务用起来”是我们的一个长期价值主张，我们已经在近500家客户的场景中不断印证了这一理念，我希望未来5年有5000家、50000家各行业的组织，也同样可以享受到“让业务用起来”的巨大数据价值。

这也是让我们观远的每一位远行者最兴奋的愿景，成为智能决策全球级的引领者，让1000万使用者享受数据的价值。这个行业的未来很大，不缺某一款产品，不缺某一家企业，但真正能够构筑起行业发展地基的底层逻辑、底层认知，需要有人去发掘、普及、凝聚共识。这也是我们面临的挑战，希望找到更多的伙伴们一起实践对未来的看法。正所谓，预测未来的较好方式，就是一起去创造未来。

— End—