2016年出版
正文目录
1、BI行业增长强劲，下游需求突出，竞争壁垒有抬升趋势 (4)
1.1、商业智能（BI）认可度持续提高，市场规模不断扩大 (4)
1.2、BI 产业链结构分析 (6)
1.2.1、BI 上游 (6)
1.2.2、BI 下游 (6)
（1）、电信行业：大数据潜在金矿、亟待规模开发 (8)
（2）、金融行业：效率与安全双轮驱动大数据应用深化 (8)
（3）、电子政务：政务信息化政策利好大数据整体解决方案商用 (9)
（4）、电力行业：生产信息决策与节能减排双重利好于大数据 (10)
1.3、BI 与大数据的联系与区别 (10)
2、大数据：逐步走向成熟，市场进入爆发成长期 (11)
2、从BI 到大数据4.0的演变历程 (12)
2.1、大数据核心技术不断演进，年增50% (12)
2.1.1、大数据的史前时代 (16)
2.1.2、大数据1.0 效率为先(2012-2015)：非结构化数据处理加速 (17)
2.1.3、大数据2.0 变现为王(2015-2020)：用户画像与标签 (18)
2.1.4、大数据3.0 与4.0 决策为本(2020-2030)：机器学习与洞察 (19)
2.2、大数据产业步入快速增长、国内相关企业产业布局呈哑铃型 (20)
2.2.1、从概念热炒到实际应用，大数据步入快速成长期 (20)
2.2.2、大数据产业链分工明晰，发展侧重数据采集及应用、呈现哑铃型 (21)
2.3、大数据助力产业升级创新 (22)
3、大数据主要应用分析 (23)
3.1、电信行业大数据应用 (23)
3.1.1、电信大数据爆发式增长，但运营商进入存量经营时代 (23)
3.1.2、电信运营商大数据变现具备基础 (24)
3.1.3、利用大数据，聚焦服务、创新、运行支撑 (25)
3.1.4、海外成功先例，值得借鉴 (26)
（1）、全球电信运营商大数据实践 (26)
（2）、法国电信：利用大数据开拓新服务领域 (28)
（3）、西班牙电信大数据应用 (29)
3.2、金融行业大数据应用 (29)
3.2.1、强调大数据环境下的客户、市场、运营洞察 (29)
3.2.2、工商银行：利用大数据洞察客户心声 (31)
3.3、互联网大数据应用分析 (32)
3.3.1、大数据先行者，促进营销、信息与业务多重变革 (32)
3.3.2、BAT：领军大数据变革时代 (33)
3.3.3、亚马逊：用户行为数据分析助推个性化营销 (36)
3.4、工业大数据应用 (37)
3.4.1、借力大数据，实现设备、系统、决策智能化 (37)
3.4.2、工业大数据：中国制造2025 核心技术 (37)
3.4.3、汽车行业：“变形金刚”改变行业战斗方式 (38)
3.5、航空业大数据应用分析 (39)
3.5.1、提高行业的整体运营价值 (39)
3.6、海洋大数据应用 (40)
3.7、农业大数据应用 (40)
3.7.1、大数据下的传统生产方式集约化、智能化、精准化 (40)
3.7.2、Farmeron：农场云端管理服务商 (41)
3.8、政府大数据应用 (42)
3.9、旅游大数据应用 (43)
4、发展前景 (43)
5、大数据趋势：洞悉行业发展趋势，抢占产业竞争高地 (47)
5.1、用户洞察将得到充分发展 (47)
5.2、基于互联网的广告模式创新 (48)
5.3、多屏、跨屏精准营销布局 (48)
5.4、O2O 基于位置的营销应用 (49)
图表目录
图表 1：2006~2012 年中国商业智能软件经营规模（单位：亿元） (5)
图表 2：全球BI 软件销售收入（单位：亿美元） (5)
图表 3：BI 上游产业链厂家分类 (6)
图表 4：国内商业智能软件市场分行业占比 (7)
图表 5：中国商业智能区域投资潜力分析 (7)
图表 6：2007~2013 年我国电信行业BI 投资额分析 (8)
图表 7：大数据与BI 的区别总结 (11)
图表 8：2012 年~2015 年大数据相关国家政策与政府行动 (12)
图表 9：2006-2015 年全球数据量变化趋势 (13)
图表 10：2009-2016年全球移动流量变化趋势 (13)
图表 11：大数据挖掘的潜在价值 (14)
图表 12：大数据挖掘的逻辑流程图 (14)
图表 13：2015-2020年大数据交易行业规模预测 (15)
图表 14：大数据分析 4 层次 (15)
图表 15：大数据 1.0 时代：效率时代 (17)
图表 16：大数据 2.0 时代 (18)
图表 17：大数据时代数据来源的演变 (18)
图表 18：中国大数据市场AMC 模型 (20)
图表 19：2011 年~2016 年中国大数据市场规模及预测 (20)
图表 20：大数据产业链及产业形态 (21)
图表 21：大数据代表公司产业定位及近年并购 (22)
图表 22：大数据典型行业应用 (22)
图表 23：2010-2015 年电信业务总量及收入增长情况 (23)
图表 24：电信数据源 (24)
图表 25：电信运营商大数据应用 (24)
图表 26：运营商业务战略推演 (25)
图表 27：电信行业利用大数据变革概览 (26)
图表 28：国内外运营商在大数据应用方面的探索 (27)
图表 29：全球主要电信运营商大数据实践 (27)
图表 30：全球主要电信运营商的大数据实践 (27)
图表 31：法国电信大数据应用概览 (28)
图表 32：金融行业利用大数据变革概览 (30)
图表 33：工商银行95588 云平台大数据应用概览 (31)
图表 34：互联网行业大数据应用概览 (32)
图表 35：BAT 大数据战略图 (33)
图表 36：BAT 数据来源 (34)
图表 37：百度大数据产品体系 (35)
图表 38：阿里大数据产品体系 (35)
图表 39：腾讯大数据产品体系 (36)
图表 40：亚马逊借助大数据个性化营销系统架构 (36)
图表 41：Farmeron 产品界面示意 (41)
图表 42：2007-2015 年全球移动互联网用户数（单位：百万） (44)
图表 43：移动互联网流量分布（单位：PB/月） (44)
图表 44：不同行业大数据技术潜在价值评估 (45)
图表 45：国内外厂商大数据产品对比表 (47)
1、BI行业增长强劲，下游需求突出，竞争壁垒有抬升趋势1.1、商业智能（BI）认可度持续提高，市场规模不断扩大
现代企业竞争环境多变、组织结构也日益复杂，在这种环境下生存和发展，就必须高效、准确的响应各种状况，从而需要一种手段来帮助企业对经营过程中产生的数据进行收集、整理、分析以及评估，并做出正确的预测，从而实现从数据到信息、从信息到知识、从知识到利润的转化，这种手段就是商业智能（BI）。通过商业智能，企业能够把先进的信息技术应用到整个企业、不仅为其提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势。
随着终端服务提供商继续把商务智能等以信息挖掘为中心的项目摆在优先地位，并投入更多资金以改善决策与分析，商务智能与分析软件已经成为第四大应用软件市场。随着商务智能的发展，传统商业模式遭遇变革，大量的数据产出为大数据发展提供了基础与机遇，后期处理的分析应用将成为下一个周期的关键推动力。
国内用户对BI 软件的认知度逐步提高，目前已经接近60%，在大型企业中认知度高达95%，特别是企业的中高级管理人员尤为看重。2010 年我国BI 软件
市场规模为36.61 亿元，比2009 年增长17.79%，2011 年市场规模为43.34 亿元，同比增长18.38%。2012 年我国BI 软件市场规模约为51 亿元，后续年均复合增长率保持在20%左右。根据Gartner 研究报告，2013 年全球商务智能软件的销售收入达138 亿美元，较2012 年同比增长7%。与2011 年全球商务智能市场的增长率（16%）相比，2013 年及之后的全球BI 软件市场的年复合增长率有所减缓。Gartner 预计，到2016 年，该市场的销售收入将达到171 亿美元。
图表 1：2006~2012 年中国商业智能软件经营规模（单位：亿元）
图表 2：全球BI 软件销售收入（单位：亿美元）
1.2、BI 产业链结构分析
1.2.1、BI 上游
硬件平台、工具平台软件产品同质化程度高、竞争充分
国内商业智能应用软件的上游企业主要为硬件平台供应商和商业智能工具平台软件提供商，以国外厂商为主。硬件平台和工具平台软件是商业智能应用软件实施的基础。一般而言，商业智能应用软件通常借助商业智能工具平台软件和定制化开发相结合的模式进行。目前，上游行业中的软件、硬件设备更新较快，其技术水平的升级直接推动本行业产品的更新换代，上述各细分领域内市场竞争较为充分，行业格局比较稳定。国外硬件平台、工具平台软件供应商的发展时间较长，产品同质化倾向明显，呈现价格稳中趋降、性价比逐年提高的趋势。
图表 3：BI 上游产业链厂家分类
1.2.2、BI 下游
电信、金融需求突出、待开拓领域多，未来向大数据演进
由于商业智能的建设成本较大、对企业的经营、管理水平要求较高，因此商业智能领域的企业用户主要集中在电信、金融、保险、制造等领域，电信、金融（银行/证券/信托等）、保险作为前三大行业分别占比37%、31%、12%，而制造、零售比重仅为10%和7%。
电信业以“巩固实力，提升服务”为主要BI 需求；银行、证券、保险等金融企业以“筛选客户、防范风险”为主要BI 需求；电力、石油石化、煤炭等能源企业以“整合资源、完善保障”为主要BI 需求；特别是制造业，以“优化配
传统分析与大数据分析的 对比 This manuscript was revised on November 28, 2020
“大数据”是用来表示大量的没有按照传统的相关格式存储在企业数据库中的非结构化数据的总术语。以下是大数据的一般特点。 数据存储量相对于当前企业TB（TERA BYTES）字节的存储限制，定义在PB（PETA BYTES）字节，EXA字节以及更高的容量顺序。 通常它被认为是非结构化数据，并不适合企业已经习惯使用的关系型数据库之下 数据的生成使用的是数据输入非传统的手段，像无线射频识别（RFID），传感器网络等。 数据对时间敏感，且由数据的收集与相关的时区组成。 在过去，专业术语“分析”应用于商业智能（BI）世界来提供工具和智能，通过对各种各样可能的信息视角的快速的、一致的、交互式访问获得洞察力。 与分析的概念非常接近，数据挖掘已经应用于企业以保持关键监测和海量信息的分析。最大的挑战就是如何通过大量的数据挖掘出所有的隐藏信息。 传统数据仓库（DW）分析相对于大数据分析 企业数据的分析朝着在一段时间内在那种内容中的信息的有意义的洞察，是大数据分析区别于传统数据仓库分析的原因所在。下表总结了一些它们之间的差别。 大数据分析用例 基于用例，企业可以理解大数据分析的价值和在大数据分析的帮助下如何解决传统的问题。以下是一些用法。 客户满意度和保证分析：也许这是基于产品的企业所担心的最大的一个领域。在当今时代，没有一个清晰的方式来衡量产品的问题和与客户满意度相关的问题，除非他们以一个正式的方式出现在一个电子表格中。
信息质量方面，它是通过各种外部渠道收集的，而且大多数时候的数据没有清洗 因为数据是非结构化数据，无法关联相关的问题，所以长期的解决方案提供给客户 分类和分组的问题陈述都缺失了，导致企业不能对问题进行分组 从上面的讨论中，对客户满意度和保证分析使用大数据分析将帮助企业在急需的客户注意力设置中获得洞察力，并有效地解决他们的问题以及在他们的新产品线上避免这些问题。 竞争对手的市场渗透率分析：在今天高度竞争的经济环境下，我们需要通过一种实时分析对竞争者强大的区域和他们的痛点进行衡量。这种信息是可适用于各种各样的网站、社交媒体网站和其他公共领域。对这种数据的大数据分析可以向企业提供关于他们产品线的优势、劣势、机遇、威胁等非常需要的信息。 医疗保健/流行病的研究和控制：流行病和像流感这样的季节性疾病在人群中以一定的模式开始，如果没有及早发现和控制，它们就会传播到更大的区域。这对发展中以及发达的国家都是一个最大的挑战。当前绝大部分时间的问题是人们之间的症状各异，而且不同的医护人员治疗他们的方法也不同。人群中也没有一种常见的症状分类。在这种典型的非结构化数据上采用大数据分析将有助于地方ZF有效地应对疫情的情况。 产品功能和用法分析：大多数产品企业，尤其是消费品，不断在他们的产品线上增加许多功能，但有可能一些功能不会真正地被顾客所使用，而有些功能则更多地被使用，对这种通过各种移动设备和其它基于无线射频识别（RFID）输入捕捉到的数据的有效分析，可以为产品企业提供有价值的洞察力。 未来方向的分析：研究小组分析在各种业务中的趋势，而这种信息通过行业特定门户网站甚至常见的博客可以获得。对这种未来数据的不断分析将有助于企业期待未来，并将这些期待带入他们的生产线。 总结 大数据分析为企业和ZF分析非结构化的数据提供了新的途径，这些非结构化数据到目前为止在典型的企业数据仓库的情景中被数据清洗的惯例所拒绝。然而从以上用例明显看出，这些分析在改善企业的运营方面有很长的路要走。我们在未来的日子里将会看到更多的产品和应用系统在这个市场上出现。
人工智能项目 投资建设可行性研究报告规划设计/投资分析/产业运营
摘要 人工智能在投资研究上的应用。通过人工智能技术拓宽投资信息来源，提高获取信息的及时性，减少基础数据处理的工作量，通过自动化的数据 分析，为投资决策提供参考，从而提高投资研究的效率。人工智能在资本 市场相关领域的应用。从使用者的角度来看，智能投研的受众包括各种类 型的投资者（买方）、券商（卖方）、监管机构、银行和财经媒体等。从 投资的标的来看覆盖一级市场公司、股票、债券、外汇等。而人工智能的 应用场景涉及业务的各种环节，与投研直接相关的就包括研究、投资、交 易和风险管理。 人工智能是新一轮产业变革的核心驱动力，将进一步释放历次科技革 命和产业变革积蓄的巨大能量，并创造新的强大引擎，重构生产、分配、 交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。人工智能正在与各行各 业快速融合，助力传统行业转型升级、提质增效，在全球范围内引发全新 的产业浪潮。国家高度重视人工智能产业的发展。2017年国务院发布《新 一代人工智能发展规划》，对人工智能产业进行战略部署;在2018年3月 和2019年3月的政府工作报告中，均强调指出要加快新兴产业发展，推动 人工智能等研发应用，培育新一代信息技术等新兴产业集群壮大数字经济。
该人工智能项目计划总投资17992.77万元，其中：固定资产投资13304.66万元，占项目总投资的73.94%；流动资金4688.11万元，占项目总投资的26.06%。 本期项目达产年营业收入43788.00万元，总成本费用33492.60万元，税金及附加350.28万元，利润总额10295.40万元，利税总额12065.74万元，税后净利润7721.55万元，达产年纳税总额4344.19万元；达产年投资利润率57.22%，投资利税率67.06%，投资回报率42.91%，全部投资回收期3.83年，提供就业职位644个。
2011-2015年中国商业智能(BI) 市场调研 及发展前景预测报告 随着企业CRM、ERP、SCM等应用系统的引入，企业不停留在事务处理过程而注重有效利用企业的数据为准确和更快的决策提供支持的需求越来越强烈，由此带动的对商业智能的需求将是巨大的。 中国报告网发布的《2011-2015年中国商业智能(BI) 市场调研及发展前景预测报告》共十一章。首先介绍了中国商业智能(BI) 行业市场发展环境、中国商业智能(BI) 整体运行态势等，接着分析了中国商业智能(BI) 行业市场运行的现状，然后介绍了中国商业智能(BI) 市场竞争格局。随后，报告对中国商业智能(BI) 做了重点企业经营状况分析，最后分析了中国商业智能(BI) 行业发展趋势与投资预测。您若想对商业智能(BI) 产业有个系统的了解或者想投资商业智能(BI) 行业，本报告是您不可或缺的重要工具。 本研究报告数据主要采用国家统计数据，海关总署，问卷调查数据，商务部采集数据等数据库。其中宏观经济数据主要来自国家统计局，部分行业统计数据主要来自国家统计局及市场调研数据，企业数据主要来自于国统计局规模企业统计数据库及证券交易所等，价格数据主要来自于各类市场监测数据库。 第一章商业智能（BI）原理及商业价值创造路径分析 第一节商业智能发展阶段 第二节商业智能（BI）内涵、结构及原理 一、商业智能（BI）内涵 二、商业智能（BI）特征功能 三、商业智能（BI）层次结构 四、商业智能（BI）实现原理 第三节商业智能（BI）产业链条解构 一、BI产业链解构模型 二、BI产业链构成现状及特点 三、BI产业链关键环节现状剖析
四、BI产业链发展趋势 第四节商业智能（BI）商业价值创造路径 第二章全球商业智能(BI)产业运行动态分析 第一节全球商业智能(BI)产业运行环境分析 第二节全球商业智能(BI)产业市场透析 一、商业智能引领全球企业信息化 二、商业智能软件厂商 三、制造业是商业智能的重要市场 第三节世界各地区企业对商务智能（BI）应用状况分析 一、欧洲 二、亚太 第四节2011-2015年全球商业智能的五大预测分析 第三章中国商业智能（BI）行业发展背景分析 第一节中国商业智能（BI）行业发展历程 第二节中国商业智能（BI）行业现状特征 第三节中国商业智能（BI）行业发展的全球基调 一、信息技术促使商业模式变革 二、全球经济一体化促进商业理念的传播与变革 三、全球经济一体化促进商务贸易往来 四、全球产业分工与各国产业升级 第四节中国商业智能（BI）行业发展PEST分析 一、改革30年造就数量庞大的企业群体 二、集约化经济转型 三、国内IT技术进步与国外技术引进 四、IT创造价值观念慢慢渗透各行各业 第五节主要发达国家商业智能（BI）发展现状及价值创造启示 一、美国 二、日本
2013年商业智能BI与大数据行业分析报告 2013年8月
目录 一、行业：BI是为客户真正创造价值的大数据核心应用 (4) 1、大数据时代来临，迎接她，拥抱她 (4) （1）数据爆发性增长，潜在价值巨大 (4) （2）IT巨头重金投入大数据，抢位关键环节 (6) 2、BI是贴近客户并且为客户创造价值的大数据核心应用 (7) （1）BI处于大数据分析应用层的核心位置 (7) （2）BI体系架构：辅助决策，帮助客户拓展业务 (7) （3）BI贴近客户并为客户创造价值，最具含金量 (8) 3、BI应用快速推广，未来消费智能百倍增长空间 (9) （1）BI成为全球CIO首选技术，我国BI市场提速发展 (9) （2）从商业智能到消费智能，前景广阔 (10) ①BI发展趋势一：从O/B域向M域延伸 (10) ②BI发展趋势二：企业全员BI (11) ③BI发展趋势三：消费智能 (11) 二、标杆分析：东方国信 (12) 1、BI龙头，有能力发展成全产业链解决方案提供商 (12) （1）国内BI格局 (12) （2）公司深耕BI领域，具备成为全产业链解决方案提供商的能力 (14) 2、战术措施：纵向产业链延伸，横向行业拓展 (17) （1）纵向延伸，向上管理咨询，向下业务运营 (17) （2）横向拓展，重点突破金融、制造、能源等领域 (20) 3、业务：电信领域稳健成长，非电信领域倍增空间 (21) （1）电信领域：从O/B域向M域扩展，从联通向移动电信渗透 (21) ①从O/B域向M域扩展将提升BI业务的体量和效果 (21) ②基于联通的成功，大力拓展移动电信业务 (22) （2）非电信领域：并购进入金融和制造业BI领域，能源空间广阔 (23) ①金融行业是BI的下一个主战场 (23)
2020年金融科技行业 分析报告 2020年9月
目录 一、金融科技概况 (9) 1、金融科技基本内涵及生态体系 (9) 2、中国金融科技行业目前已进入平稳发展期 (10) （1）第一阶段市场启动期（2004-2012年）：金融科技公司萌芽，科技开始渗透进金融核心业务 (11) （2）第二阶段高速发展期（2013-2015年上半年）：各机构开始大规模互联网化布局 (12) （3）第三阶段市场调整期（2015年下半年-2018年）：监管政策密集出台，行业发展趋于缓慢 (13) （4）第四阶段稳步增长期（2019年至今）：监管压力减小，行业健康稳步发展 .. 13 3、金融科技投融资情况 (14) （1）金融科技融资规模：2018年达历史高点，全球融资突破千亿美元 (15) （2）金融科技融资阶段：交易份额转向中后期（B轮以后）融资 (16) （3）金融科技融资领域：支付领域仍为热点，保险科技与区块链表现强劲 (17) 二、金融科技四大技术方向解读：ABCD (18) 1、人工智能AI：智能风控、智能支付、智能投研、智能投顾等 (19) 2、区块链BlockChain：解决安全、信任、效率三大痛点 (20) 3、云计算Cloud：在信息获取、资源配置、IT运营三方面发力 (20) 4、大数据Data：应用于银行、保险、证券等细分领域 (21) 三、金融科技六大细分领域剖析 (22) 1、移动支付 (22) （1）行业格局：行业增速放缓，监管收紧；C端呈双寡头格局，B端具发展潜力 23 ①移动支付交易规模扩大，监管政策收紧，行业增速放缓 (23) ②C端呈双寡头格局，B端具发展潜力 (24)
商业智能（BI）项目 第一章、商业智能(BI)项目总体介绍 第一节、项目名称 商业智能（BI）项目 第二节、商业智能（BI）概念 商业智能又名商务智能，英文为Business Intelligence，简写为BI。 商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商等来自企业所处行业和竞争对手的数据以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。 可以认为，商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力（insight），促使他们做出对企业更有利的决策。商业智能一般由数据仓库、联机分析处理、数据挖掘、数据备份和恢复等部分组成。商业智能的实现涉及到软件、硬件、咨询服务及应用，其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分。 因此，把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。
电信运营商基于大数据的商业 智能应用的思考
孙少陵 中国移动通信有限公司研究院 2012年11月
1
目录
3 1 2 3
电信运营商商业智能面临的挑战 基于大数据的商业智能系统的初步构想 “大云”在大数据商业智能领域的实践
2
全球数据量高速增长，信息成为运营商战略资产
?信息社会的信息增量在高速发展 ?随着互联网/移动互联网、数码设备、物联网/传感器等技术的发展，全球数据生产在 高速增长 ?Jim Gray的新摩尔定理认为，每18个月全球新增的信息量是计算机有史以来全部信息 量的总和。据IDC研究报告，未来10年全球数据量将以40+%的速度增长，2020年全球数 据量将达到35ZB（35,000,000PB），为2009年（0.8ZB）的44倍 ?信息成为企业战略资产，市场竞争和政策管制要求越来越多的数据被长期保存 ?企业越来越需要长期保存各类数据，以进行用户行为分析、市场研究，信息服务企业 更是需要积累越来越多的信息资源 ?为了遵从萨巴斯、上网日志审计等管制要求，企业需要长期保存越来越多的生产数据
3
基于大数据的商业智能（BI）为运营商带来新的机遇
在网络时代，运营商是数据交换中心，运营商的网络管道、业务平台、 支撑系统中每天都在产生大量有价值的数据，基于这些数据的商业智能 应用为运营商带来巨大的机遇
改善用户体验 优化网络质量 助力市场决策 刺激业务创新
? 分析用户行为，改进产品设计 ? 通过用户偏好分析，及时、准确进行业务推荐和客户关怀
? 分析流量、流向变化，调整资源配置 ? 分析网络日志，进行网络优化和故障定位
? 通过业务、资源、财务等各类数据的综合分析，快速准确确 定公司管理和市场竞争策略
? 在确保用户隐私不被侵犯的前提下，对数据进行深度加工， 对外提供信息服务，提升企业价值
4
2016年出版
正文目录 1、BI行业增长强劲，下游需求突出，竞争壁垒有抬升趋势 (4) 1.1、商业智能（BI）认可度持续提高，市场规模不断扩大 (4) 1.2、BI 产业链结构分析 (6) 1.2.1、BI 上游 (6) 1.2.2、BI 下游 (6) （1）、电信行业：大数据潜在金矿、亟待规模开发 (8) （2）、金融行业：效率与安全双轮驱动大数据应用深化 (8) （3）、电子政务：政务信息化政策利好大数据整体解决方案商用 (9) （4）、电力行业：生产信息决策与节能减排双重利好于大数据 (10) 1.3、BI 与大数据的联系与区别 (10) 2、大数据：逐步走向成熟，市场进入爆发成长期 (11) 2、从BI 到大数据4.0的演变历程 (12) 2.1、大数据核心技术不断演进，年增50% (12) 2.1.1、大数据的史前时代 (16) 2.1.2、大数据1.0 效率为先(2012-2015)：非结构化数据处理加速 (17) 2.1.3、大数据2.0 变现为王(2015-2020)：用户画像与标签 (18) 2.1.4、大数据3.0 与4.0 决策为本(2020-2030)：机器学习与洞察 (19) 2.2、大数据产业步入快速增长、国内相关企业产业布局呈哑铃型 (20) 2.2.1、从概念热炒到实际应用，大数据步入快速成长期 (20) 2.2.2、大数据产业链分工明晰，发展侧重数据采集及应用、呈现哑铃型 (21) 2.3、大数据助力产业升级创新 (22) 3、大数据主要应用分析 (23) 3.1、电信行业大数据应用 (23) 3.1.1、电信大数据爆发式增长，但运营商进入存量经营时代 (23) 3.1.2、电信运营商大数据变现具备基础 (24) 3.1.3、利用大数据，聚焦服务、创新、运行支撑 (25) 3.1.4、海外成功先例，值得借鉴 (26) （1）、全球电信运营商大数据实践 (26) （2）、法国电信：利用大数据开拓新服务领域 (28) （3）、西班牙电信大数据应用 (29) 3.2、金融行业大数据应用 (29) 3.2.1、强调大数据环境下的客户、市场、运营洞察 (29) 3.2.2、工商银行：利用大数据洞察客户心声 (31) 3.3、互联网大数据应用分析 (32) 3.3.1、大数据先行者，促进营销、信息与业务多重变革 (32) 3.3.2、BAT：领军大数据变革时代 (33) 3.3.3、亚马逊：用户行为数据分析助推个性化营销 (36) 3.4、工业大数据应用 (37) 3.4.1、借力大数据，实现设备、系统、决策智能化 (37) 3.4.2、工业大数据：中国制造2025 核心技术 (37) 3.4.3、汽车行业：“变形金刚”改变行业战斗方式 (38) 3.5、航空业大数据应用分析 (39)
睿思BI商业智能V3.0 技术白皮书 北京睿思科技有限公司 版权所有 2015年4月
目录 引言 (3) 简介 (3) 系统作用 (3) 基本概念 (4) 系统架构 (5) 数据仓库架构 (5) ETL架构 (6) 数据源 (7) 数据导入 (8) 数据转换 (9) 任务管理 (10) 任务日志 (11) 系统功能 (12) 数据建模 (12) 多维分析 (14) 表格 (15) 图形 (16) 钻取 (17) 聚合 (19) 时间偏移 (19) 筛选及排序 (20) 其他功能 (21) 睿思报表 (22) 报表设计器 (22) 报表页面 (27) 报告 (28) 仪表盘 (29) 仪表盘定制 (29) 选择数据 (30) 选择组件 (30) 编辑组件数据 (31) 配置组件属性 (32) 决策者视图 (32) 移动BI (33) 系统技术特点 (34) 系统性能 (36)
引言 简介 企业在经营过程中每天都会产生大量的业务数据，比如销售、采购、库存、客户、营销等数据，随着规模的不断扩大，数据越来越多，管理成本也越来越大，如何充分利用业务数据，让管理者看到数据背后的危机与机遇，提高决策准确性，降低管理成本是现阶段急需解决的问题。另一方面，管理者对企业经营分析的要求越来越高，以前简单的报表系统已经不能满足需要，管理者需要功能更加强大的在线分析系统来帮助分析，以支持决策。 睿思BI-商业智能V3.0解决方案以数据仓库技术为依托，采用ETL抽取企业在经营过程中产生的业务数据并集中于总部数据中心，利用数据仪表盘、多维分析、数据挖掘等技术构建商业智能平台，为管理者提供及时、准确、科学的决策依据，降低管理成本，助力客户构建智慧型企业。 系统作用 1. 整合业务数据 在各业务系统中，数据不流通，形成信息孤岛，商业智能解决方案建立统一数据仓库，整合业务数据，给管理者提供统一视图，统一决策界面。 2. 支撑决策 从数据中分析企业发展趋势，挖掘新的商业机会，根据数据决策，提高决策的及时性及准确率。 3. 降低运营成本，提高利润 基于系统分析内容，管理者能了解产品结构、分销渠道、工作流程和服务方式，通过优化企业资源及流程，从而降低运营成本，提高利润，增强企业在市场上的竞争能力。
重庆人工智能项目投资分析报告 投资分析/实施方案
摘要 人工智能在投资研究上的应用。通过人工智能技术拓宽投资信息来源，提高获取信息的及时性，减少基础数据处理的工作量，通过自动化的数据 分析，为投资决策提供参考，从而提高投资研究的效率。人工智能在资本 市场相关领域的应用。从使用者的角度来看，智能投研的受众包括各种类 型的投资者（买方）、券商（卖方）、监管机构、银行和财经媒体等。从 投资的标的来看覆盖一级市场公司、股票、债券、外汇等。而人工智能的 应用场景涉及业务的各种环节，与投研直接相关的就包括研究、投资、交 易和风险管理。 该人工智能设备项目计划总投资20665.28万元，其中：固定资产投资14660.51万元，占项目总投资的70.94%；流动资金6004.77万元，占项目 总投资的29.06%。 达产年营业收入40197.00万元，总成本费用31296.20万元，税金及 附加370.80万元，利润总额8900.80万元，利税总额10499.30万元，税 后净利润6675.60万元，达产年纳税总额3823.70万元；达产年投资利润 率43.07%，投资利税率50.81%，投资回报率32.30%，全部投资回收期 4.60年，提供就业职位739个。 报告根据项目产品市场分析并结合项目承办单位资金、技术和经济实 力确定项目的生产纲领和建设规模；分析选择项目的技术工艺并配置生产 设备，同时，分析原辅材料消耗及供应情况是否合理。
随着人工智能的迅速发展，将提升社会劳动生产率，特别是在有效降 低劳动成本、优化产品和服务、创造新市场和就业等方面为人类的生产和 生活带来革命性的转变。基于人工智能产业的战略作用，中国政府正通过 多种形式支持人工智能的发展，形成了科学技术部、国家发改委、中央网 信办、工信部、中国工程院等多个部门参与的人工智能联合推进机制。 2017年，人工智能首次写入政府工作报告，同年7月，国务院印发《新一 代人工智能发展规划》，明确人工智能的发展在国家战略中的地位。 报告主要内容：项目概述、背景及必要性、市场前景分析、投资建设 方案、项目选址规划、项目工程设计、工艺技术分析、项目环境影响分析、项目安全管理、项目风险、项目节能方案分析、实施进度计划、项目投资 情况、项目经济评价分析、综合结论等。
几种典型的商业智能(BI)系统架构分析 1、简单的BI架构这是目前比较常用的商务智能架构，所有的数据集中管理，集中分析，最大的优点是容易管理和部署，系统结构简单，容易维护，适用于小型商务智能系统。缺点是对于跨地域部署比较困难，数据实时性差，可扩展性差。 2、联合的BI架构（Federated BI Architecture）这种架构比较符合实际的需求，能够集成自定义的数据仓库，外包的数据仓库，架构化的数据仓库，非架构化的数据仓库，分析系统等。应用于多数据仓库的集成和管理。特点是适用于加速time-to-market ,需要高层力量的驱动。成功关键因素：共享一致的的重要的Metrics度量和维度；需要提供统一的标准，拥有企业级的ETL工具和集成的元数据；需要贯穿于整个团队的沟通。联合的BI架构包括：集中逆向商务智能架构，分布逆向商务智能架构，集中顺序商务智能架构，分布顺序商务智能架构及混合架构等。 2、1 集中逆向BI架构（Centralized Upstream BI Architecture）·通常用于中小组织·需要良好的保管者的沟通·需要高级执行者买进·受限于逆向成功惯例（成功的变化是与任何单一实体的进行尝试是成反比的） 2、2 分布式逆向BI架构（Distributed Upstream BI Architecture）·中小组织和大型组织都适用·是大多数从下
至上注重实效表现的逼近系统·更多的考虑多数人意见·更多的限制于大多数人意见·实施团队需要良好的沟通 2、3 集中式的顺序BI架构（Centralized Downstream BI Architecture）·适用于长期数据仓库项目·用于紧密配合多管道的在巨大组织中到处存在的DW/DM系统·经常目标设定为特殊功能组织或行政中心·需要高层在所有的拥有者进行决策·需要为已有系统在实施团队和支持团队建进行良好的沟通 2、4 分布式顺序BI架构（Distributed Downstream BI Architecture）·适用于大型多元化组织·容易适应各种不同的冲突·容易转换到不同的环境·需要为已有系统在实施团队和支持团队间进行良好的沟通 2、5 混合型BI架构（Hybrid BI Architecture）·比任何理想化模型更接近现实情况·更适应自然的联盟·元数据集成更具有挑战性
2017年智能投研行业Kensho分析报告 2017年6月
目录 一、人工智能+投资悄然来临，知识图谱促智能投研腾飞 (5) 1、人工智能+投资悄然来临 (5) 2、智能投顾蓬勃发展，智能投研初露雏形 (7) （1）智能投顾：未来五年国内规模有望每年翻倍，人机结合是趋势 (7) （2）智能投研：国内基金纷纷试水，人工智能大幅提高传统投研效率 (11) （3）智能投研与投顾两者有望优势互补 (15) 3、知识图谱促智能投研腾飞 (15) 二、KENSHO：智能投研领域的“AlphaGo” (19) 1、联合创始人：因禅结缘，创立Kensho (20) 2、融资情况：累计融资超1亿美元，估值达5亿美元 (21) 3、产品：Warren 试图解决投资分析的“速度、规模、自动化”三大挑战” (23) 4、客户：金融机构和商业媒体双管齐下 (24) 三、核心产品Warren：低门槛获高专业服务 (25) 1、功能：寻找事件与资产的相互关系 (26) 2、特点：快速计算能力、良好人机交互、强大深度学习能力 (27) 3、影响：削弱不对称性，现代金融投机行为性质有望再次改变 (28) 4、缺陷：无法自我形成新因果关系，无法区分因果性/相关性 (29) 5、未来：自动触发事件对资产价格的影响是Warren终极目标 (30) 四、Kensho动了谁的奶酪 (31) 1、彭博、汤森路透领衔国外金融数据提供商，国内万得一家独大 (31) 2、短期Kensho颠覆传统厂商的可能性不大 (32) 3、畅想金融数据服务市场 (34) （1）2B向2C/2B2C拓展 (34) （2）封闭走向共享 (34) （3）竞争走向合作 (35) 五、重点企业简况 (35)
智能家居行业分析研究报告 一、智能家电领域发展分析 目前，智能家电市场处于发展初期，面临标准、成本、产业生态系统建设、商业模式等诸多问题，还需要经历一个较长的市场培育期，规模商用尚需时日。不过，由于人们提高用能效率的意识不断高涨，加上多项政府计划的激励，在接下来的几年里，智能家电的部署进程将有望加速。预计智能家电所带来的商业影响将是全球范围的。 作为电力网的终端用电设备，家用电器的能耗不容小觑，即使是待机功耗也是一项不小的开销。据中国节能认证中心调查，中国城市家庭的平均待机功耗相当于每个家庭每天都亮着一盏25瓦到50瓦的长明灯。据测算，家电待机能耗已占到中国家庭电力消耗的20%以上。美国能源部的报告也显示，超过三分之一的美国发电量被用于家用电器。 智能控制技术、信息技术的快速发展为家电智能化提供了可能，智能家电由于能够实现更高效能而被认为是促进节能降耗的有效途径。这一方面缘于人们生活水平的提高，倾向使用性能更好的家电产品；另一方面，在全球变暖和能源成本不断上升的压力下，市场更加青睐高能效的智能家电。 人们对节能降耗、人机界面和通信功能等方面的需求将是拉动智能家电市场增长的主要力量。现在世界很多国家，包括中国在内都在鼓励家电厂商研制这类智能家电。
二、智能家居领域发展分析 当年比尔盖茨为了实现他的智能豪宅，铺设了84公里电缆、耗资5.3 亿美元。如今智能家居不再是镜花水月，而是未来家庭生活的发展模式，一个无线遥控器就把大小设备浓缩于手指挥若定，通过网络等信息通讯技术手段，使家居控制能按照人们设想运作，而不论距离远近，智能家居的远程控制和自动控制是真正智能化的必然结果。如朝华数码有关人士提出的：领先的无线移动、不依靠PC的独立形态是今后业界发展的趋势。 智能家居控制系统可以简单概括为一个各种家庭设备互连和控制的网络。现代家居系统的服务应用平台从服务特征上来看，一般包括了娱乐、医疗、安防、通信、事务管理等，控制功能几乎渗透到每一个家居子系统。智能家居控制是通讯技术、计算机技术、网络技术、控制技术的综合运用。 国家建设部住宅产业化促进中心提出住宅小区要实现六项智能化要求，其中包括实行安全防范自动化监控管理：对住宅的火灾、有害气体的泄漏实行自动报警；防盗报警系统应安装红外或微波等各种类型报警探测器；系统应能与计算机安全综合管理系统联网;计算机系统能对防盗报警系统进行集中管理和控制。由此可见，家居控制已成为智能家居领域新的业务增长点。
人工智能+金融行业研究报告
导语 金融行业的发展一直以来和科技相辅相成，科技的进步促进金融业的发展，金融对科技的需求和应用又反过来助推科技进步，因此金融行业的演变与年代相结合，和当时的科学技术发展息息相关。在万物互联的时代，人工智能+金融能够基于大量多维度的用户数据与不断自我学习优化的算法，让用户享受到智能化、实时化、定制化的垂直金融服务。习总书记在2018 年10 月主持学习人工智能发展现状和趋势时强调，人工智能是新一轮科技革命和产业变革的重要驱动力量，要努力推动我国新一代人工智能健康发展。十九大报告当中，提出了要将包括人工智能在内的现代科学技术与传统的行业相结合。在2018 年和2019 年的政府工作报告当中，也再次强调了人工智能等新兴科技对于推动传统行业的重要意义。 人工智能+金融主要是将计算机科学当中的人工智能技术作为主要的推动力，利用这项推动力为金融机构以及业务环节赋能，创新金融产品，重塑金融业务中的流程，对金融服务进行优化。“人工智能+”是将人工智能作为一项基础的计算机技术，将该项技术与传统的金融行业中各个业务场景进行相互的深度融合。相对于简单的行业叠加，“人工智能+”更侧重于为传统行业的解决问题方式和流程再造过程提供新的思路和方法，加快新经济形态的演进进程，催生新的商业模式，提高运营效率，带来整个产业的全面升级。
谷歌、微软、英特尔、FACEBOOK、IBM 等企业在人工智能行业发展早期就已经对于产业链进行了深度的布局。这些科技巨头的关注点主要在于人工智能的基础层，对核心算法的研究投入了大量的资源，并全面推进人工智能的商业化，体现了技术在应用层面的价值。国内，人工智能+金融的发展具有特殊的优势，这是因为中国有庞大的网民数量和较高的互联网普及率，对于积累金融数据等财务数据有较好的前期基础。目前，人工智能在金融领域的投资和服务方面应用较多。 目前，人工智能已经能够贯穿于金融活动的整个业务过程当中，包括海量的数据分析、对于金融政策的解读、自动生成报告、意外金融事件的预测以及与金融相关的信息搜索。 金融行业能够在人工智能出现的时候有良好的适用性，是因为金融与数据紧密相关，金融行业在过去积累下来的大量数据就能够应用于机器学习，广泛应用在股票市场预测、风险评估和预警等方面。自动报告生成涉及到自然语言处理，因为一般的金融行业涉及到的报告具有固定的格式，因此可以利用自然语言处理的技术将报告需要的信息进行抓取，生成有固定格式的报告。知识图谱利用可视化的图形方式来显示各个事物实体发展的进程和实体之间的关系。语义搜索让搜索引擎的工作不再局限于用户当前具体输入的内容，而是计算机能够根据该内容进行合理地联系与扩散，来进一步准确地捕捉到用户实际期望搜索的内容，更准确地反馈给用户期望的搜索结果。 人工智能技术并不是孤立存在的，它和目前各大高校、科研院所、企业研究机构正在进行研究的其他前沿科技息息相关，其中就包括了
2010年商业智能研究分析报告 作者周倚平 商业智能通常被理解为将企业中现有的数据（业务，财务，研发等）转化为知识，帮助企业做出明智的业务经营决策的系统架构。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘（DM）等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。 商业智能的形成过程： 采集（业务系统ERP）→组织存储（数据仓库）→分析预测（数据挖掘）→实时报表（OLAP） 相对来说做商务智能和ERP最大的区别在于ERP是流程驱动，商务智能是目标驱动。看企业究竟想做什么。 主流产品： Cognos（IBM），SPSS（IBM），Hyperion（Oracle），BO（SAP，Crystal），Excel+SQL Server （Microsoft），Informatica，SAS 主要厂商 ETL：Informatica, SQL Server Analysis Server DW：IBM DB2，Oracle，Sybase IQ，NCR Teradata OLAP：Cognos，Business Objects，MicroStrategy，Hyperion，IBM Data Mining：IBM，SAS，SPSS
1. 关键技术 1.1. ETL 过程 不同数据源（Oracle ，DB2，SQLServer ） 不同的数据（关系型数据，文档，图片，音视频） 商业智能的核心内容是从许多来自企业不同的业务处理系统的数据（分布的，异构的源数据）中，提取出有用的数据，进行清理以保证数据的正确性，然后经过抽取（Extraction ）、转换（Transformation ）和装载（Load ），即ETL 过程（本质上是样本提取的过程），整合到一个企业级的数据仓库里，从而得到企业信息的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具等对数据仓库里的数据进行分析和处理，形成信息，甚至进一步把信息提炼出辅助决策的知识，最后把知识呈现给管理者，为管理者的决策过程提供支持。 ETL 特征： l 以串行/并行方式，从不同异构数据源流向统一的目标数据，核心在于转换过程（关联，聚集），而抽取和装载一般可以作为转换的输入和输出。 l ETL 元数据主要包括每次转换前后的数据结构和转换的规则。 l 数据同步，数据ETL 是经常性的活动，按照固定周期运行，甚至实时运行。 l 庞大的数据量，需要ETL 工具有良好的伸缩性。 l 流程控制和数据验证机制。 下图是数据仓库/商业智能的完整的体系结构图，根据数据的不同形态，整个体系被划分为四个大的层面，并根据数据的处理和应用过程再细分成七个环节。从数据源经过抽取(Extra ，E)、转换（Transform ，T ）、装载（Load ，L ）过程加载到中央数据仓库, 再从数据仓库经过分类加工放到数据集市(DM, Data Market)，或者将数据集市中的数据进一步存放到多维数据库(MDD, Multi-dimension Database)，这都属于数据组织的问题，从中间层到终端用户或从多维数据库到终端用户可将其划归为前端应用实现的问题。而贯穿整个体系数据处理环节的，是系统的流程调度控制和元数据管理。 数据仓库 ETL
几种典型的商业智能（BI）系统架构分析 目前，随着商务智能理论的不断发展，商务智能的系统架构已经从单一的理论衍生出多种架构，如分布式商务智能架构，联合商务智能架构等。下图是前BO公司定义的商务智能的基本架构，它是一种开放式的系统架构，可以分布式集成现有的系统。从这个架构中，我们可以比较清楚的看出目前商务智能架构的模式。包括数据层、业务层和应用层三部分。数据层基本上就是ETL过程。业务层主要是OLAP和Data Mining的过程。在应用层里主要包括数据的展示，结果分析和性能分析等过程。在实际应用中，由于每个公司的规模和组织架构的不同，在实施商务智能选择系统架构的时候要结合公司的特点，选者最合适的架构。下面就介绍几种现实系统中的几种BI架构。 BO公司定义的BI架构 1、简单的BI架构 这是目前比较常用的商务智能架构，所有的数据集中管理，集中分析，最大的优点是容易管理和部署，系统结构简单，容易维护，适用于小型商务智能系统。缺点是对于跨地域部署比较困难，数据实时性差，可扩展性差。
2、联合的BI架构（Federated BI Architecture） 这种架构比较符合实际的需求，能够集成自定义的数据仓库，外包的数据仓库，架构化的数据仓库，非架构化的数据仓库，分析系统等。应用于多数据仓库的集成和管理。特点是适用于加速time-to-market ,需要高层力量的驱动。成功关键因素：共享一致的的重要的Metrics度量和维度；需要提供统一的标准，拥有企业级的ETL工具和集成的元数据；需要贯穿于整个团队的沟通。联合的BI架构包括：集中逆向商务智能架构，分布逆向商务智能架构，集中顺序商务智能架构，分布顺序商务智能架构及混合架构等。 2.1 集中逆向BI架构（Centralized Upstream BI Architecture） ·通常用于中小组织 ·需要良好的保管者的沟通 ·需要高级执行者买进 ·受限于逆向成功惯例（成功的变化是与任何单一实体的进行尝试是成反比的）
艾瑞报告：中国商业智能行业研究报告2017（附PDF下载） 区别于能够实现海量数据的管理、简单分析与可视化的传统商业智能，艾瑞的此份商业智能报告将聚焦于人工智能技术如何用于商业智能决策，实现商业经营的智能化与自动化。本报告将通过剖析商业智能行业发展背景、技术动态、多场景应用状况等方面，对人工智能在商业落地的真实现状进行说明，凸显AI技术（不包含语音、视觉等感知智能）在现阶段真实应用的价值。 报告核心观点 1、中国企业精细化运营的需求正在爆发 2、商业智能，帮助企业实现数据驱动认知到数据驱动决策的转变 3、商业智能主要应用于金融、电商、物流、出行等领域 4、中国AI论文成果达到国际一线水平 5、技术方面，商业智能的未来将从强调单一技术，到各学科、分支、算法等融会贯通 6、技术以外，企业、技术供应商对场景的理解是产业升级的关键 7、商业智能的落地是一项系统工程，企业的工程实践能力有待增强 目录 报告摘要1 商业智能概述1.1 商业智能行业概念界定1.2 商业智能与大数据1.3 商业智能发展宏观环境分析1.4 商业智能产业图谱1.5 投融资状况分析2 商业智能核心技术剖析
2.1 机器学习2.2 知识图谱2.3 运筹学3 商业智能典型应用 3.1 广告营销3.2 电商3.3 交通出行3.4 供应链3.5 金融风控3.6 投研分析 3.7 智能投顾3.8 智能客服4 典型公司案例 4.1明略数据 4.2第四范式4.3 杉数科技4.4 百分点4.4 文因互联4.5 ZRobot5 商业智能的未来与挑战 商业智能行业概念界定商业智能的下一步，智能化与自动化商业智能（BI，Business Intelligence）概念的提出可追溯至1958年，通常将其视为把企业中现有数据转化为知识，帮助企业做出明智的业务经营决策的工具。过去的商业智能不能给出决策方案，也不能自动处理企业运行过程中遇到的问题。借助于人工智能与其他相关学科的技术进步，现代商业智能已能在特定场景中实现商业经营的智能化与自动化。因此，本报告聚焦于将人工智能技术用于商业智能决策，试图对人工智能在商业落地的真实现状进行说明，凸显AI技术（不包括智能语音、计算机视觉等感知智能）在现阶段应用的价值。商业智能与大数据大数据为商业智能的发展提供土壤互联网、移动互联网高速发展，海量、高维度且可实时接入更新的数据随之而来，为机器学习等前沿技术在各领域中的探索及落地提供可能，进一步拓展了被服务人群且显著提升服务质量。另一面，产业缺乏通用标准约束，数据在采集及流转过程中污染程度不一，数据加密不规范引致的数据泄露时有发生，数据孤岛亦成为企业业务发展的掣肘（如金融
中国商业智能行业市场需求分析及投资价值评估报告2016-2021年 编制单位：北京智博睿投资咨询有限公司 【报告目录】 第1章：中国商业智能行业发展综述 1.1 行业定义及分类 1.1.1 行业概念及定义 1.1.2 行业产品分类 1.2 行业发展背景及意义 1.2.1 行业发展背景 1.2.2 行业发展意义 （1）提高数据有效性 （2）提升企业竞争力 1.2.3 商业智能典型应用 （1）产品销售管理 （2）顾客关系管理 （3）产品创新和推广 （4）异常处理等 1.3 报告数据说明与研究方法 1.3.1 报告数据来源说明 1.3.2 报告研究方法概述
1.4 行业供应链分析 1.4.1 行业产业链简况 1.4.2 硬件设备行业发展情况 （1）行业发展概况 （2）产品主要供给商 （3）行业发展趋势 第2章：中国商业智能行业发展环境分析 2.1 行业宏观经济环境 2.1.1 国际宏观经济环境分析 2.1.2 国内宏观经济环境分析 2.1.3 经济环境对行业的影响 2.2 行业政策环境 2.2.1 行业主管部门和监管体制 2.2.2 行业相关政策与规划 （1）行业相关政策 （2）行业相关规划 2.3 行业社会环境 2.3.1 人力成本上升 2.3.2 环保压力提升 2.3.3 信息化程度有待加强 2.3.4 行业发展的动力与数据支撑 （1）管理软件快速发展
（2）国外CIO调查 第3章：商业智能行业发展现状分析 3.1 行业发展周期分析 3.1.1 行业发展周期概述 3.1.2 国际行业所处阶段 3.2 国际行业发展现状分析 3.2.1 国际行业发展规模 3.2.2 国际行业竞争现状 3.3 国内行业发展现状分析 3.3.1 行业市场规模 3.3.2 行业市场结构 （1）通用和定制产品结构 （2）中高低端产品结构 （3）工具平台和应用产品结构 （4）行业应用分布结构 3.3.3 行业区域结构 3.3.4 行业发展特点 （1）数据基础资源充分 （2）企业需求强烈 （3）行业应用迅速扩展 3.3.5 行业竞争现状 3.3.6 行业发展主要问题