商业智能时代，bi分析系统、bi决策支持系统、大数据决策支持系统等BI工具大受欢迎，越来越多的公司考虑到企业的长远发展，选择安装BI，认认真真走一条数据化运营之路。这个时候，江湖上出现另一个声音，称要干掉bi决策支持系统？他认为，未来不应该存在集中的BI部门，人人都应该成为数据分析师。这样独特的见解是谁发出的？他为什么这么认为？我们就来详细了解下吧。
商业智能时代，bi分析系统、bi决策支持系统、大数据决策支持系统等BI工具大受欢迎，越来越多的公司考虑到企业的长远发展，选择安装BI，认认真真走一条数据化运营之路。这个时候，江湖上出现另一个声音，称要干掉bi决策支持系统？他认为，未来不应该存在集中的BI部门，人人都应该成为数据分析师。这样独特的见解是谁发出的？他为什么这么认为？我们就来详细了解下吧。
数据应该回归本身，让所有人都可以分析，人人都可以成为数据分析师。不是说没有 BI 部门，而是说未来某天数据分析技能已经被每个业务人员掌握。即便从一个数据分析师的角度看，曾鸣的决定也颇具远见和创造性。
全域大数据时代已经到来。在数据科学成为炙手可热的话题的两年后，我发现我被企业管理层问得最多的问题是：如何确保有足够多的数据来发展人工智能？需要储备什么样的人才？ 我认为，大家都忽略了大数据能力的根源来自连接，而连接的基础是数据的流通和标准化。
在阿里时，我是怎么处理部门间数据互通这件事情的呢？很简单，首先是找出大家有意愿共用的部分，先建设起来公共数据。当这些带有公共性质的核心数据建立起来之后，大家就能更容易地感受到数据高质量流通的意义及好处。要保证这些数据的质量和新鲜度也相对变得容易了。
之后，我采取的是共创共赢策略。我将我们部门所有的、我认为很有可能成为公共数据的数据，全部都放在大家眼前。如果其他部门有人要使用的话，这些数据可谓召之即来。当他们所有人都开始使用这些数据时，我就可以输出技术及标准，去帮助其他部门完成更大范围的数据打通。
加入支付宝后，我面对的第一件事就是着手组建支付宝数据分析师团队。 2010 年的支付宝，大部分业务团队对数据团队都不太满意，而且高层对数据能产生的价值也没有太多认识。同时，由于当时数据负责人调职，导致支付宝的数据分析和数据技术部门被分开管理。
面对数据分析和技术团队的目标不一致，业务部门对为什么要使用数据以及如何善用数据充满疑问，甚至有人认为数据分析仅是门面功夫。但我坚持数据分析产品化路线，相信数据分析的工作最终必须落地在产品上。
从解放集中式的数据分析师团队到“人人都是分析师”的泛化过程中，我们的业务部门自己就可以便捷地使用工具解决问题。这其中的精髓是： 数据分析也要讲究用户体验。
在数据化实践的过程中，数据的有效使用与高度流通要有互惠互利机制。所以，发声者不是抵触bi决策支持系统，而是反对集中式的BI部门，追求人人可分析的互惠互利机制。 相信数据是未来所有业务的核心竞争力，如果你正需要引入大数据决策支持系统，可以借鉴下这位仁兄的BI建设思路。
