苏春园 观远数据创始人兼 CEO
毕业于卡耐基梅隆大学信息系统治理业余，领有近 20 年数据分析以及商业智能治理服务教训，善于企业数据分析战略规划，曾任寰球顶尖 BI 公司微策略软件寰球高管 & 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 月创建观远数据，致力于数据智能行业的久远翻新，率领公司和团队成为智能剖析与决策的寰球引领者。
—
文 | babayage
编辑 | 笑 笑
18 年前，入局 BI 第一波浪潮
BI（Business Intelligence）一词诞生于边远的 1958 年，但业内普遍认为，1996 年 Gartner 机构对其进行从新定义，是 BI 技术步入全面商用时代的标记。苏春园对 BI 产生趣味，是在“啤酒尿布”将 BI 神话第一次推上风口浪尖之际。2022 年，在这个大数据 + 人工智能技术全面利用于生存各个角落的时代，各大院校的数据分析业余纷纷爆火。可在 20 年前，数据分析还只是信息技术治理业余下的冷门课程。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，偏偏他最有趣味的却是多数商科课程，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，作为过来 20 余年中寰球最胜利的 BI 企业之一，微策略对人才的要求简直是为苏春园量身定制：精通数据技术的同时，兼具对商业利用场景的理解。
苏春园天然没有犹豫太久。
科创人：To B 行业内常常说，中美之间存在 10~20 年的代差，在您看来，国内 BI 行业目前的倒退进度，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 零碎建设的五个阶段：其中，构建业务零碎、积淀业务数据，称作 System of Record，ERP+ 企业数据库是这个阶段的代表；System of Insight，是从积淀下来的数据中洞察出有价值的法则信息，这一阶段的代表就是 BI；将来最终阶段是 System of Intelligence，AI 技术的利用越来越遍及，通过 AI 与 BI 联合，零碎给出决策倡议甚至实现口头闭环。
美国 To B 服务倒退较早，IT 技术遍及水平高，在 2004、05 年，大部分跨国公司、全球化企业都曾经走完了第一阶段，也就是 ERP 零碎和数据库的建设，因而洞察、决策零碎成为了企业的下一代需要。
而在当下，中国企业正在同步进行几代零碎的建设，记录、洞察和智能化同步开展，甚至在同一家企业内也会呈现多步并作一步的炽热场景。我集体认为，接下来的 5 年工夫，在企业数智改革这一畛域，中国有机会走完美国走了 10 年的改革途程。
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 年是一段很长的工夫，先是在美国做工程师，起初回国参加搭建中国研发核心，印象最深的就是组建中国研发核心这一阶段，体验了一把外部守业的感觉，从找办公场地，面试前台行政开始，尤其是每一位晚期的工程师同学，都是咱们一个一个从“宿舍”聊来的。
招聘是段乏味的回顾，咱们心愿招募到的是最顶尖的研发技术人才，可好人才竞争特地强烈，尤其微策略软件刚刚进入中国，要面临很多竞争，比方同样公司简称是 MS 但名气大不少的微软与摩根士丹利。因而，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，还用了很多心理，比方咱们会花很长的工夫，去到校园，与同学们喝咖啡、演示产品，去访问同学的老师做背书，也会请同学们在咱们美国总部工作的师兄师姐帮咱们定向做宣传……我还记得当年与同学们分享本人毕业时的抉择，“数据分析就是将来！”对于通过面试的同学，咱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，他们能够和宿舍同学分享喜悦。2009 年开始，咱们间断多年在国内前 10 的高校中成为最受欢迎的技术雇主品牌之一。
外企经验中最大的挑战之一，是研发团队广泛面临的困扰：咱们敲出的代码，到底帮忙客户实现了什么价值？我做的工作到底在哪些具体的方面扭转了这个世界？最出色的人才须要最充沛的正反馈，而研发团队远离客户，尤其是寰球企业的中国研发核心会离得更远。因而我推动建设了一些机制，比方技术团队可能间接链接寰球各地的客户，共事们间接近程与 500 强的客户一起交换；咱们也争取让更多的员工加入到线下的客户见面，包含每年 1 月公司在拉斯维加斯举办的寰球客户大会，让员工零距离感触：他们的代码是如何为客户带来了价值。
创建观远，只为更好服务中国企业
苏春园的守业念想萌芽于 2013 年左右，随着微策略中国研发核心对寰球客户的服务渐入佳境，苏春园心间却积攒出了一份日渐庞杂浓烈的困惑。
彼时，国产 BI 已有局部头部企业破土而出，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倒退模式，将 BI 在寰球范畴内的倒退历程重走一遍，中国企业可能须要等上 10 年工夫能力享受到 2013 年水准的 BI 服务。
如何可能缩短这一周期？明明身处中国，却无奈间接为中国企业提供最好的 BI 服务，这情绪逐步积攒发酵，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。苏春园决定独立守业，倾尽本人多年来的技术与服务积攒，只为服务好中国企业。
2015 年，To B 逐步代替互联网成为时代新热词，大数据、人工智能等技术利用一起迎来了属于本人的 DT（Data technology）时代。发觉时机成熟，苏春园决定辞职，经验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，如何布局策略定位、明确本身在将来市场竞争中的差异化劣势，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，比方有数据源、有特定算法模型、有微小定制我的项目撑持的企业，也是离钱比拟近的模式；另一类是绝对苦逼、但有长期可继续价值的品类，实质上是软件 &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，这是观远的路线抉择，基于产品为宽广的决策者提供服务。
第二是聚焦垂直行业，抉择新生产、新批发为第一根据地，这里有多重思考：
首先，经验了多年飞速发展，新批发、新生产行业成为了技术型 To B 服务企业的绝佳温床，迭代快、规模大、生命力旺盛、领有首屈一指的数据根底。
其次，这个行业十分市场化，你不须要靠关系，只有有技术、有能力就能博得客户。
第三，新批发、新生产行业的从业企业，大多接触过甚至原生于互联网技术，他们对于服务价值的辨认能力十分好，对新事物的承受能力高，因而教育老本绝对较低。
第四，新批发、新生产行业，也就是最后的电商畛域，造就了大量数字化人才，很多人起初带着数字化教训转向了其余畛域，为这个行业提供决策分析服务，对其余行业的辐射能力更强。起初证实咱们判断是正确的，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胜利案例。
科创人：很多数据智能企业的从业者，在细分行业抉择时会抉择金融行业，因为数据根底最残缺、技术接受度最高，但在观远看来，仿佛行业生命力的权重高于数据根底的齐备性？
苏春园：好问题。金融行业的数据根底的确是最好的，但金融行业绝对激进的特点，对于一个初创企业而言门槛很高，所以咱们积攒了几年之后，全面切入了金融。
批发与生产这个行业足够大，与金融一样，都属于体量、规模微小的行业。咱们认为行业的土壤极其重要，参考国外 To B 巨头的倒退历程，SAP 最后就是根植于德国先进的工业制造业，之后逐渐扩充到各行各业。这类行业有最实在的市场反馈机制、最强烈的竞争反抗、最频繁的迭代优化，必然对应着最先进的生产力和决策能力。
在中国，哪个行业绝对是最翻新、最引领的？批发生产无疑，而且这个行业的经营迭代与数据翻新，不止当先国内其余行业，也引领寰球。观远心愿与这样的行业一起培育出最顶级的数据决策能力。
初创之坑，找对 3F 翻过信赖高墙
科创人：既然您在当初精确预计到了初创企业走向市场时，会遇到难以逾越的信赖鸿沟，那么观远当初采纳了哪些办法克服了这一问题？
苏春园：懂得很多情理，还是过不好这毕生，这个问题当初也没少让咱们头疼（笑）。观远从创立之初就立志服务最头部、最翻新的客户，毕竟我和咱们 3 位联结创始人都是做 500 强企业级产品的背景。但头部客户的门槛也的确高，周期特地长，因而我的第一个守业认知就是得面对现实，先去服务好那些违心拥抱翻新的中型客户，再一直往上冲破咱们的能力边界。起初咱们发现 Salesforce 晚期也是如此，从中小客户开始、越做越大，咱们就释然了。
而且这外面也有粗浅的逻辑。对初创企业，尤其是致力于成为一家谋求平凡产品的公司来说，肯定要有本人的节奏。如果为了短期的订单、不能沉着应答，微小的压力会导致公司的策略动作变形，你会被裹挟进对方的节奏和需要当中。国内其实有不少晚期企业，被少数几个大客户绑住了，实质上偏离了做产品的轨道，越到前面，越难实现企业级的规范产品定义，因为在晚期的产品逻辑中曾经夹杂了太多大客户的个性化需要，历史包袱指数级回升。
所以咱们始终很感激当初陪伴观远成长的客户，尽管大家开玩笑说，晚期客户都次要是“family，friend，fool”，但咱们很感恩，而且起初发现抉择观远的都是有超前眼光和智慧的企业家。最早的那一批客户，咱们当初还在严密的单干。这是守业路上，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倒退的各个阶段，但身处其中时，企业家如何判断当下所处的阶段？举个例子，同样是抉择稳固发育一段时间，如何判断这段时间到底算是巩固根据地、晋升自力更生能力，还是掉进了小富即安的陷阱？
苏春园：十分形象的问题，咱们到底是在长征之初，还是到了延安，亦或具备了全面防御的能力？说实话这是我这么多年始终在重复思考的话题。
最终我有一个很浮夸的心得：你的企业处于什么阶段，取决于你当下服务的客群——以您的比喻就是所管制的疆域，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——度过这一阶段的标记是产品雏形根本清晰——就要疾速找到真正的根据地，打磨出标杆、构建护城河，相对不能困在舒服区中。
找到根据地就是细分客户，大部分时候是锁定一个行业，新企业不焦急走向大海，《逾越鸿沟》里说的，做小池塘里的大鱼，我十分认可这个观点。
接下来就要打磨标杆，咱们做了几个小一点的品牌之后，疾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呈现，绝不能满足于“我能”，至多要在肯定时间段内做到“他人不能”。
这三步实现了，意味着你目前占有的市场真正属于你，并且能够布局下一阶段的防御方向。接下来，就是以客户规模、客户数量为镜子，尽可能苏醒地判断倒退策略。这方面咱们下了很多功夫，学习钻研了 IBM 与华为的 BLM（Business Leadership Model）策略方法论，联合守业实际，每季度做一次实际与迭代，曾经进入到第 8 个版本，也转化造成了观远本人的策略治理实际。
另外，除了感性的办法之外，创始人除了要接受短期业务方面的压力，更要一直思考长期、尤其是思考行业最实质、最重要的那几个问题，肯定要基于深度的思考，造成本人对行业将来的判断，这样能力比你的竞争对手看到更精确、更边远的将来。
国内数据服务企业
要帮忙客户解决数据根底问题
科创人：您在 BI 行业最后 10 年次要服务于寰球客户，而观远面向国内企业，二者之间有哪些显著的差别，是否间接影响到了产品状态与服务模式？
苏春园：差别点十分多，最显著的差别在数据根底与数据素养，还不能简略地概括为成熟和高级，感觉更像是：服务国外客户，是跑在一条残缺连贯的公路上，你能够放弃一个稳固的高速跑到底；服务国内客户，有一段是十分棒的高速路，下一段可能就是乡间小路，你要一直调整驾驶模式，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品质参差不齐，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统一的，须要一些人工解决能力对上。
因而咱们开发了不少产品和服务，比方 SmartETL，用来帮忙客户在剖析之前，先对各种数据进行预处理；以及咱们提供的挪动 BI，以无代码利落拽的模式，在几个小时内，能够反对客户为不同的部门和角色，公布不同的挪动剖析看板，间接接入企业微信、钉钉或飞书，十分受欢迎。这些接地气的产品翻新，几年下来成为了观远被行业特地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遍及水平绝对好些，在国内的土壤绝对比拟难实现。国内客户须要的不止是一个自助剖析的工具，而是一站式的产品与行业最佳实际，来赋能企业内不同的应用角色，他们可能是违心去做数据摸索的分析师，也可能是心愿借鉴行业剖析场景的业务主管，更有可能是宽广的一线业务决策者，间接生产构建好的剖析场景。
科创人：《科创人》最近外部探讨一个话题，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，兴许客户的购买偏向很大水平上决定了 To B 服务的状态？
苏春园：没错，只有在行业中能力积淀更多间接作用于客户场景的价值，进而间接赋能客户。
科创人：您提到的 SmartETL，曾经被证实至多是某一行业内很有功效的数据根底建设型产品，国内大数据行业广泛在数据治理环节存在问题，观远是否思考过将行业数据治理能力作为独自的产品线？
苏春园：以前我钻研过国外的 ETL 畛域，发现国外分工的确是很业余，有不少公司就是干这个事件，与 BI 公司上下游单干。你说的景象在国内的确存在，很多公司都做很多的货色，感觉无所不包，对应了国外多个上市公司干的活。观远的价值定位十分明确，就是以 BI 为外围的一站式剖析平台。在中国，BI 的市场渗透率只有个位数，而在寰球市场这一数据超过 30%，个别先进国家靠近 50%，这是近 10 倍的差距，也是 10 倍的后劲；此外，AI+BI 也是咱们对 BI 的将来布局，实质上这是高级剖析，BI 用得深刻之后人造的高阶高价值场景。
所以在 BI 行业真正走向成熟之前，咱们大概率不会贸然进入其余畛域。
重点关注数据颗粒度反动
科创人：您过来的采访中屡次提及数据颗粒度反动，是否零碎分享下产生这一景象的机制，以及您对其的洞察思考？
苏春园：这个景象其实源自客户场景，咱们在与客户碰撞时失去的启发，对于 BI 的利用越纯熟，客户越会感觉 BI、AI 并不是玄学，它的实质是数字化经营，每天应答的并不一定是巨大命题，更广泛的场景是微调、细节优化。
预测一个月之后的进货量十分难，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晋升了数据经营的精准度，连续性数据的产生、历史数据的精确积攒，在渺小的场景下可能产生更有价值的可执行策略。在互联网畛域，AB 测试可能不是什么新鲜事，可在其余行业，通过数据的精细化经营来实现产品取舍、优化迭代，还是多数玩家具备的能力。
一个饮品品牌，能够基于数据颗粒度细化，在不同区域施行不同的配货策略；一个便利店企业，能够以单店为单位制订不同的数据模型，能够细化到某一款货品的摆放策略；一个销售负责人能够把握的数据，从以往的 T + 1 到当初 5 分钟刷新一次，更及时发现问题和时机；客户的决策会，从月会、周会、大会，变成更频繁、简短、具体的信息交换……
数据颗粒度的改革，不止是质变，它对企业经营的影响，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该当器重这一改革，拥抱数据颗粒度变动必然带来的决策颗粒度变动。
将来布局：AI+BI
价值主张：让业务用起来
科创人：在观远看来，接下来可能大幅度晋升中国市场 BI 渗透率的伎俩有哪些？
苏春园：有一个微小的机会，就是让业务部门可能间接应用 BI。中国的客户中，BI 次要是提供给 IT 部门做报表用，很多业务价值都须要 IT 部门参加能力真正落地。如何可能让业务间接通过 BI 构建本人的利用场景？如果这一关可能解决，BI 的渗透率无疑将大幅度晋升。
传统模式，BI 工具以买断制销售给甲方，甲方 IT 团队承接应用的权责，所有的一线需要都要通过 IT 团队的加工和传导，因而呈现出慢反馈、长周期、低频率的应用状态。
而在观远的客户场景中，客户的一线销售代表要能随时在挪动端上看到产品的销售数据：日报、周报、其余销售人员的销售量、门店的生意情况等，业务人员能够依据本人的须要不便地配置报告、报表、数据内容，不再须要向 IT 团队申请权限，也不须要 IT 技术就可能操作。
科创人：从 IT 团队应用到业务团队应用，使用者画像的迁徙，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，是指标明确的前提下反向设计，过来 10 年没有人做过这样的尝试，很多事只有本人摸索迭代。SmartETL 的诞生也是出自对易用性的考量，如果咱们要让业务人员用起来，必须要有低成本的数据根底优化能力；还有挪动端这一阵地，天然也成了必要的应用场景；另外，业务人员成为次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，每天早上固定工夫，大量业务人员开始看数据、剖析、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，背地须要高性能、高稳定性的企业级数据架构做撑持。
除了这些，最要害的一部分，是 AI 与 BI 的联合。
科创人：今年年初观远发表 C 轮融资时，您提到智能剖析产品矩阵的深入是资金次要投入方向之一，是否分享下您对于 AI+BI 这一将来的见解？
苏春园：BI 的商业化利用近 30 年工夫，过来它始终试图解决的问题是“剖析历史数据——给出诊断，也就是口头倡议”。与 AI 联合，可能逾越 BI 目前的能力半径，实现面向未来的口头倡议，也就是商业预测。目前观远曾经与联合利华、宁波银行等头部客户，在 AI+BI 这一方向上启动了深度单干。
通过 BI 剖析平台与数据迷信和高级剖析能力联合，AI 技术的融入可能让客户“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 预测的门槛的确很高，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单干中曾经落地了一些 AI 预测场景，接下来咱们要帮忙更多的客户实现落地。
科创人：观远在将来的倒退布局？我比拟好奇一点，作为行业头部企业，是否有余力解决目前显著钳制数据行业倒退的人才问题？
苏春园：先解答您好奇的问题，观远目前通过与客户的单干，以绝对高的投入产出比，推动数据人才的造就，比方“观远燎原打算”，当客户侧产品的使用者达到千人、万人级别时，就须要成熟牢靠的培训体系撑持，咱们会配合客户举办各类数据驱动业务倒退的较量，比方最近与咱们单干的某头部股份制银行，外部报名团队冲破了 100 个，大大出乎咱们的预料。在客户业务体系下，在员工集体倒退的能源驱使下，人才培养可能更无效、更低成本的推动。
说到观远的将来，“让业务用起来”是咱们的一个长期价值主张，咱们曾经在近 500 家客户的场景中一直印证了这一理念，我心愿将来 5 年有 5000 家、50000 家各行业的组织，也同样能够享受到“让业务用起来”的微小数据价值。
这也是让咱们观远的每一位远行者最兴奋的愿景，成为智能决策寰球级的引领者，让 1000 万使用者享受数据的价值。
这个行业的将来很大，不缺某一款产品，不缺某一家企业，但真正可能构筑起行业倒退地基的底层逻辑、底层认知，须要有人去挖掘、遍及、凝聚共识。这也是咱们面临的挑战，心愿找到更多的搭档们一起实际对将来的认识。正所谓，预测将来的最好形式，就是一起去发明将来。