6月13号，「爱分析 | iTalk 」第37期邀请DataHunter创始人程凯征做客iTalk栏目，跟爱分析读者们进行互动交流，现将文字精华版整理如下：
DataHunter聚焦在数据可视化领域，主要分为两大产品线，第一条产品线偏展示，以数据大屏为主；第二条产品线偏数据分析，提供分析类产品。为了支撑两条产品线，我们也提供数据咨询、数据清洗、数据对接整合等服务。
近两年大数据备受关注，互联网端数据分析类产品兴起。企业经过早些年IT系统建设后积累了大量数据，包括业务数据、用户数据、及其他第三方数据。这些数据对企业很有价值，企业在上面做探索和分析的意愿强烈。
数据和人之间的交互环节，是数据可视化的主要着力点。其中分为两个业务方向：一是数据展示和呈现，使大家明白数据的含义；二是针对大家可能提出的问题做相关数据分析。因此，数据展示和数据分析是数据可视化的两个核心切入点。
参考国外大数据行业的数据可视化方向，也是这两大主线。其中一个主线偏业务，一些专门做企业数据dashboard产品的公司相当不错，另一主线偏数据分析工具，类似于Tableau，帮助数据专业人员做数据分析和展示，包括一些更专业的数据分析工具，提供了多种算法，在很多细分方向发展。
企业通过IT信息系统建设积累了大量的业务数据，在使用过程中，最早通过报表方式做业务调整和改进。国内类似于润乾、帆软等知名厂商在报表领域做得很好，用户口碑也很好。
但报表产品只能单纯的产生数据报表，有两个突出的问题：一，数据时效性差，很多报表都是前一天晚上做计算，第二天才能看到结果，周报、月报、季报的时间差会更长。二，数据以静态的形式呈现，报表形成ppt和纸质文件交给管理层做决策，这就是报表的传统数据可视化使用方式。
几年前，国外提出了探索式分析的概念。Gartner 2017年商业智能和分析平台魔力象限报告中，在领导者象限，只有三家企业。第一家是微软，提供了PowerBI产品，相当于升级版excel，帮助用户做数据可视化呈现和数据分析；第二家是Tableau，也是探索式分析领域的领导者，国内很多产品都在向Tableau学习；第三家是Qlik，也做的相当不错。
从报表到探索式分析，中间跳过了传统BI。传统BI的实施周期较长、整体成本较高，只有相对比较大的企业，才会落地完整的BI系统。而且传统BI需要做数据处理、建模、计算，包括建立cube，需要很多数据工程师和数据分析人员参与，经过很复杂的流程，才能够达到交互和探索，给用户提供数据上钻下钻的能力。
国外提出的探索式分析不需要数据工程师和数据分析人员参与，把数据浏览、查看、分析的能力还给业务人员。因为在业务的运营过程中，业务人员会迸发很多的想法，比如思考两个数据之间是否关联，但如果把这个想法交给数据工程师和数据分析师处理，业务人员需要经过很长的流程才能得到结果。对于当前日新月异的业务需求，这种过程就会显得特别漫长。
国外的产品实际上是探索式工具，比业务层面更高了一层，比如类似DOMO、Looker产品，里面内置了很多功能性模板，把很多数据浏览、查看、分析的过程全部封装在业务线上，用户用起来比较方便。
国内用户对数据的敏感程度或数据习惯并没有国外用户那么好，数据探索式分析概念拿到国内，就变成了只能由国内数据公司的数据分析师使用，这种情况并不是国外厂商的初衷。国内需要我们提供行业分析模板和数据分析模板，他们在用的时候才会觉得更方便。
所以国内如何做好数据可视化领域的数据探索式分析还需要大家一块努力，找到适合于中国用户的功能设计。
国内数据呈现、数据探索式分析的市场刚刚开始，市场非常大，大家有很多机会。做的比较大的像永洪科技、BDP、帆软，还有一些其他BI厂商，因为市场上每家企业的业务运营都需要数据支撑。
类似于2000年前后，我们做了大量的企业IT信息化建设，帮助企业由原来纯手工的业务流程转化为IT驱动的业务流程，现在我们觉得公司如果没有业务系统就不知道如何运营。那么5至10年后，大家会觉得一家公司如果没有以数据作为业务主线来运营，简直不可思议。
现在很多行业或企业只有传统的业务系统，在数据方面可能只是一些报表系统，甚至有些企业连报表系统都没有，这样就蕴含了大量机会。
所以企业往数据驱动转型的过程中，在数据可视化领域，包括业务数据的实时展示，类似dashboard产品，以及业务数据分析产品都有很大的市场空间。
今天主要讲了数据可视化的应用场景和相关概念，这是一个全新的领域，希望我们大家一起来做这个事情。
互动问答部分
爱分析读者：您认为数据分析可视化公司的技术壁垒该如何建立？
程凯征：现在在纯粹的数据dashboard产品里，很难找到一个真正意义上谁都不会的技术。
在数据分析领域里，想要做好一款真正能够让业务人员上手就用的数据产品，在产品层面是比较困难的过程，所以，我并不认为在数据可视化领域里有所谓跨不过去的技术壁垒。
因为所有的技术壁垒最后都可以通过公式转化为钱和时间解决。
爱分析读者：为什么传统BI在做了大量定制化工作后，仍然不如新型BI好用？
程凯征：最根本的原因在于传统BI是一个比较笨重的产品，没有办法根据业务需要做灵活调整。
比如，我们市场部每星期都会有两到三场活动，针对这些活动要去做对应的数据分析，活动对应的用户群可能又不一样。如果用传统BI方式去实现这个流程就会非常长，需要很多人员参与，时间周期长，那么最后的结果对前端业务员而言就作用甚微，反而不如简单统计得出一个结果，这就是为什么传统BI不太讨人喜欢的地方。
爱分析读者：传统BI有没有可能只花费少量的成本向新型BI转化？转化的壁垒有多高？
程凯征：传统BI产品从根本的设计理念上与新型BI就不太一样，所以参考Oracle、MicroStrategy，他们都有独立的团队在做新型BI产品，前段时间MicroStrategy刚刚发布最新产品，Oracle也发布最新的探索式分析的工具和产品。这些新型BI产品不是在原来的基础上演进而来，而是重新设计和实现。
比如电动汽车领域，传统以汽油作为动力的大汽车厂商，大众、宝马、福特、奔驰，他们电动车的节奏，都比特斯拉要慢。
公司层面上，存在商业上左右互博的问题。
爱分析读者：您认为对于数据可视化来说，哪些细分领域是相对优质的市场？
程凯征：数据可视化的市场空间非常大，里面有很多行业可以选择。怎么判断一个行业到底有没有比较多的利润、是不是优质行业，那就要看每一厂商对于行业的理解。有些行业从外人看来不太好赚钱，但对于在行业内做了很长时间的企业来讲，他们对行业的了解会更深入，他们知道行业里应该怎么样做产品，怎么样赚钱。
爱分析读者：您认为大数据与AI之间是怎样的关系？
程凯征：数据肯定为先，因为如果仅仅是一个AI算法，没有标注过的高质量数据，那AI算法基本等于零。
最近很多AI概念都在寻求行业落地的机会，换言之他们需要行业内标注过、有价值的行业数据，对神经网络进行训练，训练完之后才可以应用于领域，去做一些替代人工的事情。
我相信在不久的将来，大家可能看到很多公司会把数据平台作为一个基础，然后在上面嫁接很多AI算法，由这些算法在数据平台上发挥价值。
所以这也解释了做通用型AI算法的公司日子不太好过的原因，因为他们的算法基本都是公开的，通用算法在没有数据时根本没有任何意义，只有经过标注的数据、能够对神经网络进行训练，调整参数，才是一个有价值的AI。
爱分析读者：数据分析可视化使用了哪些AI技术？
程凯征：国内用户里，数据分析人员相对比较少，有数据分析理念和想法的人也并不多，在这种情况下，最大的瓶颈就是企业里没有人会做数据分析，那么这个过程有没有机会应用AI算法来帮助企业做数据预分析，提供建议，这其实就是一个比较有意思的功能点。
大家如果用PowerBI、Google在线表格，会注意到他们提供了一个功能，当导入各类型的业务数据时，基于有价值、有关联的数据，会对数据的查看、分析提供建议，这对数据分析人员和业务人员起到很大的帮助作用。
但是这个功能想要做好并不容易，因为不同的业务类型和数据类型，查看和分析的方法也不一样。
另外一个角度，当数据可视化落到各个不同的行业，就蕴含大量应用AI的场景和机会。比如我们现在做媒体行业比较多，媒体行业有一个选题策划的传统工作。在选题策划的过程中，都是靠新闻工作人员的职业敏感度，相当于依赖老师傅的经验判断选题策划是否可行，很多老师傅也讲不出来一个所以然，只是觉得这个事情应该这么做，这个时候其实就是应用AI最好的地方。
在新闻选题的过程中，我们把以前新闻选题的方式方法和最后结果变成标准的、已经过标注的业务数据，然后混杂当时一些各种各样的新闻线索，全部输入到人工智能里去训练，训练完成后，再把当前新的互联网数据拿进来，比如网络热点突发事件，系统会给我们提示这个突发事件有可能变成爆炸性新闻，这就是一个很典型的AI在传统行业的应用。
爱分析读者：请问作为创业公司，未来是通用型数据可视化公司，还是偏行业应用的垂直类更有机会？Datahunter未来定位会是哪一种？
程凯征：创业公司在两个方向都有机会。
在垂直行业，比如钻到某个行业里后，会看到这个行业中蕴含着大量机会，包括使用数据的机会、数据可视化的机会、数据呈现和分析的机会。把一个行业吃透，我相信也能做出一家非常大的公司。
通用型的分析工具，把分析工具的面推得更广，也能够做出大公司，典型例子就是国外的Tableau，单单依靠一个数据分析工具，就已经做的非常非常大。
DataHunter也是在创业路上不断探索，通过实际项目和产品经验的积累，能够帮助我们去看清楚未来的方向。
点击试用
点击试用
