思迈特软件（Smartbi）的来历

无人岛屿颈

2011 年，曾在金融IT领域占据半壁江山，并一度在纽交所上市的东南融通因故退市解散，当时在东南融通从事BI产品研发的吴华夫带领原有的技术骨干独立出来，成立了思迈特软件（Smartbi）。
从成立以来，Smartbi经历国资控股、MBO独立发展，增长速度一直保持稳定，并继续深耕金融领域，服务于众多大型全国性银行，致力于为客户提供包括数据处理、分析和可视化等商业智能（BI）服务。
目前，Smartbi的标准化产品有三种，包括企业报表平台、自助分析平台、数据挖掘平台。


企业报表平台Insight是一个借助Excel的插件设计企业WEB报表的工具软件。针对企业中普遍存在的报表制作的需求，允许用户在Excel中进数据准备、样式设计、数据计算、数据可视化、互动逻辑、共享发布等操作，融合了Excel和传统报表软件的双重优势，提高了报表制作的效率和能力。
自助分析平台Eagle为企业中的业务人员提供自助式的数据分析工具，将IT人员从繁琐的对业务人员分析需求的技术响应中解放了出来，通过数据查询、OLAP分析、可视化探索等核心能力，缩短了业务人员提出需求到得出分析结果之间的时间周期。
数据挖掘平台Mining针对企业中的数据科学家、业务分析师、行业咨询师等职能人员的预测性分析需求，将机器学习算法与BI相结合，提供了流式建模、拖拽式操作的可视化建模界面。 立足于BI产品的核心能力，Smartbi目前服务的客户类型涵盖银行、保险、证券、基金、信托、互金等泛金融领域，能源、制造、通信、零售、地产、运输、科技等实体经济领域，以及各级政府、高校，主要应用场景涵盖销售、财务、生产、运营等各个业务部门。
技术能力出色 轻量化方案实现 异构数据源汇集
在BI工具诞生前，业务人员要按照某些维度来分析数据，完全依赖于IT人员的支持。针对业务人员提出的分析需求，IT人员的支持方式一般是是通过SQL语句从源数据库中将分析结果导出，或者是由IT人员开发一套供业务人员使用的后台页面。但是在这些方式下，多数据源的情况难以被有效应对，同时业务人员对需求的频繁变更会带来大量的沟通成本，加重了IT人员的负担。
因此，“自助式分析”的概念应运而生，它主要解决的问题就是如何让业务人员在离开IT人员支持的情况下，依然能够随心所欲地在自己设定的维度上进行分析，从而拿到自己需要的数据。

自助式分析的核心技术是联机分析处理（OLAP），它要求实施人员基于多个数据源为用户构建一个集中式的、关系型的的多维数据模型。用户基于多维数据模型，可以实现自由的切片、切块、钻取和旋转，无需直接接触数据源就能实现数据准备、数据查询和数据探索等操作。
在企业的实际IT架构中，往往会存在OA、ERP、CRM等多个数据互相独立的业务系统。金融领域客户一般会建设数据仓库来实现数据的汇集，因此BI自助分析平台的构建可以直接搭建在数据仓库之上。但是，更多的客户则没有建设数据仓库，但他们仍然希望对分散、异构的数据库进行自助式分析。面对这种情况，一些BI厂商的策略是亲自为客户搭建一套数据仓库或数据中台，在这个基础上再去搭建BI系统。
与这些厂商的策略不同，Smartbi的自助分析平台Eagle的解决方案是轻量化的，可以支持外建的多维数据库，也内置了SmartbiMPP、Vertica等多种类型的分布式大规模并行处理数据库接口，并通过ETL过程将来自OA、ERP、CRM等多个业务系统的数据进行统一汇集。同时，Eagle还可以构建语义层，使得业务人员无需直接接触表名、字段名以及它们之间的复杂关系，而是直接面对自己所熟悉的业务术语和指标名称。
这样，多个异构数据源的底层存储逻辑都被Eagle所展现的语义层逻辑所屏蔽，业务人员可以通过托拉拽等可视化操作，在Eagle中实现全自助式的数据集准备、数据查询、数据探索（交叉汇总、自由钻取）和仪表盘制作。

从选择轻量化解决方案实现对异构数据源的汇集，到AI赋能自助数据探索与预测性分析，Smartbi从始至终的理念是降低BI产品的使用门槛，以能够让基础设施建设不够完善的企业、技术能力不够强的业务人员也能够以低成本来进行自助式分析，表现出了较强的技术和产品能力。
ISV生态合作破解 BI项目实施难题 场景理解力强
与普通IT系统，尤其是SaaS产品相比，BI工具的一大特征就是项目制的交付方式，实施周期较长，这其中的原因是多方面的。
首先，并非所有客户都像银行那样有完善的数据仓库，BI项目往往要直接面对多个业务系统的数据源，这些数据源的结构千差万别，数据质量也参差不齐，往往还会出现“脏数据”。
其次，在不同行业中，存在大量的行业know-how（一般指不同行业的业务知识、技术诀窍），使得客户需求的数据模型也会存在很大差别。
另外，在BI项目推进过程中，客户的需求往往并非在开始阶段就十分明确，而是会在项目推进过程中根据进展而发生变化。因此，实施人员与客户之间必须进行大量且反复的沟通，才能完全确定其最终期望的数据模型。
因此，实施人员在数据集市建造、ETL构建等阶段，面临着大量不可控因素，这都使得BI工具的交付过程天然就是难以标准化的。面对BI项目重人力、长周期的现状，不同的BI厂商选择了不同的项目策略，部分BI厂商选择扩大实施团队规模，直接服务于最终客户。
但Smartbi选择的策略是深度依靠ISV生态合作伙伴，将自己的标准化产品交付给ISV，由ISV负责BI项目的具体实施。这样的方式一方面会降低人力成本，但在另一方面，由于BI项目对实施人员的要求很高，如果Smartbi无法对实施过程实现有效掌控，那么项目效果就难以保证。
为了解决资源占用与实施质量之间的矛盾，Smartbi提出了“BI+行业”的战略，通过对客户场景的深入理解，为不同的行业场景定制不同的行业模板。

在金融领域，由于基础设施建设相对成熟，行业模板很容易来提炼，大量成熟的模板也已经被积累下来。但在零售、制造业等领域，行业模板的积累仍然是欠缺的。针对这种现状，Smartbi目前的策略是引导行业ISV按照给出的模板格式，在项目实施过程中与Smartbi来共同积累和完善行业模板。
有了行业模板之后，Smartbi和ISV在遇到同行业客户的时候，就可以将来自异构数据源的数据直接对接到模板中，只需额外在模板基础上定制少部分特性就能完成数据模型构建，在一定程度上实现了实施流程的标准化。
通过与ISV在行业模板标准化上的深度合作，Smartbi的客户服务周期缩短，这也就意味着Smartbi能够依靠一支较为精干的实施团队服务于更多客户，规模化效应也将逐步体现。

123456865

顶起顶起顶起

123456833

沙发是我的，谁也不要抢！

Best进行时

不错，顶一个！

确实是个孩子谥

大人，此事必有蹊跷！