【产品对比】赢在未来的战场：TABLEAU VS帆软(2)

在前一篇文章中，我们对比了Tableau与帆软产品的易用性、本土化特性，Tableau的易用性在一段时间内都无人能敌，即便与巨头微软的产品相比也并不逊色；而在适应中国中下层企业的需求方面，帆软也有它相应的特长。也正如我们所见，在中国市场，Tableau赢在各行各业的头部企业，并开始向二线城市拓展；而帆软在三线四线城市，甚至五线城市借助“数据收集”的功能开疆拓土，并试图以农村包围城市。

就目前我了解的策略来看，Tableau正在自上而下进一步拓展标杆企业，而帆软视图巩固“农村市场”，并大力发展BI产品试图实现客户往上走，谁更可能成功？这就不仅仅是易用性的问题，对比的关键是产品的前瞻性与平台性，以及综合成本的考量。

“企业采购软件的本质是“用金钱换取时间”，而业务分析师则是“用时间换取金钱”，能满足二者需求的产品，才是符合消费者（企业）和顾客（分析师）的好产品。“对于分析师而言，我们要找一把职业生涯的宝剑，门槛足够高又不能太高、跑道足够长又不会漫长、随时间和经验累积会构建护城河、保持与世界层面的技术同步确保不会落伍。怎样的产品才能满足如此苛刻的要求？”

喜乐君

三、前瞻性与平台性：谁是真正的敏捷BI？

“我们想成为谁，最终我们就会成为什么模样”，一个企业的长远规划决定了它的典型客户，也可以看得见它的未来。

1、前瞻性规划

早期的Tableau是“可视化产品”的代名词，如今，这个定位反而成为了拓展市场的某种制约，总有不少的客户说“你们不就是把数据转化为图形嘛”，他们说的对，但不全面，就像很多人没意识到那个卖office的微软已经全面转型云服务，而不仅仅是办公软件和windows。

从最早的desktop数据分析，Tableau每年都在拓展自己的产品线，通往一个宏大的愿景：构建企业级的大数据分析与治理平台。通过Server扩展了团队协作与分享功能，通过Prep Builder拓展了数据准备功能，如今增加了Data Management弥补数据治理的短板，又新增Server management服务巨型企业的复杂节点需求，俨然已经发展成为完整的大数据分析平台。它在地理位置分析、广泛的数据支持、面向业务的即席分析方面，短期内更是无人能敌，方圆十里不见敌手。除了因为安全考虑没有默认安装第三方数据库并支持数据录入和数据库操作，Tableau已经可以满足你对数据分析的大部分想象（内置的PostGreSQL是系统组件，不面向客户）。

Tableau的使命，也从“帮助人们看到并理解数据”，上升为“推动成为数据驱动的个人与组织”（非官方术语），Tableau更加强调帮助大家产生价值，以数据驱动未来。

在2018年新推出Prep之后，我对Tableau的感情又上升了一个层次；作为业务出身没有科班技术背景的人而言，prep缓解了数据整理带给我的痛苦，大幅度地拯救了我的时间。Prep用可视化的思路做ETL的产品特性，以及无需增加额外费用的许可方式，足以让所有Tableau新老用户兴奋到天亮。几乎每个大项目，我都会用prep是审视和整理数据，它也帮助我大幅度优化了Tableau Desktop的性能。（2019年Prep前端改为Prep Builder，后端的Prep Conductor加入付费的Data management组件）几乎每个Prep builder的版本，我都是抢先使用，越来越多的优化和功能，让Tableau在ETL方面逐步接近Desktop所能达到的高度。

2020年，我最为期待Fixed LOD加入Prep Builder，这必将是一个创世纪的功能，它让Tableau Prep逐步成为，而非仅仅“像”是ETL工具。

相比之下，帆软的自助式业务产品就单薄的多，实质的产品只有主打的帆软Report和刚推出的帆软BI两款，前者在Tableau Desktop面前毫无还手之力，这一点几乎无需辩护；Reports虽然帮助帆软赢得了三四线下线市场的中低入门的客户，却难以吸引真正的头部市场（部分作为嵌入式分析需求不再此列）。帆软自称为“大数据BI和分析平台提供商，专注商业智能和数据分析领域”，但更像是传统BI到敏捷BI的过渡性企业，在商业智能领域，帆软对整个产品线的设计和理解，还不足以支撑真正的BI=business intelligence的业务场景。只有足够长远的产品规划，才能帮助企业赢得未来。

作为Tableau的粉丝，没有所谓的敌人，我也从来不想攻击别人。不过很多人各种无视基本知识和产品性能的“论坛式的对比”和隐含的攻击，只会让那些稍具理性的人感到不快——从来没有真实是可以通过虚假的宣传来确立的。我的尽可能中立的评论，也希望得到所有人中肯的批评建议，因为每个人都有盲区。

2、BI的基本标准

既然我们想深入的说BI，那么检验BI产品好坏优劣的标准是什么？我们知道，商务智能的终极需求是“计算机辅助决策”，是通过软件工具帮助商业分析师更好地形成业务洞察，获得决策见解，就像IBM沃森帮助医生更好地诊疗癌症。因此，商务智能的分析过程，就是不断的猜想与反驳、假设与验证的过程，这就要求，敏捷BI必须具有很好的交互性和探索分析功能。而这，自然可以是为判断敏捷BI真伪的关键标准。

在Tableau中，典型的交互性包含参数、下钻查询、筛选器、高亮等，而为了增强这些交互，背后需要用到集、分层结构、计算字段等。在2019年的更新中，Tableau推出了增强交互方式：集动作(set action)和参数动作(parameter action)，特别是集动作，令人爱不释手。我还把LODs、TC表计算和集动作Set action并称之为Tableau高级互动的“三剑客”，这是学习Tableau坡道上极其重要的锚点（【平民数据科学家】Tableau学习锦囊与“三剑客”套装）。

相比之下，帆软的产品前瞻性缺少更加广袤的视角，而且目前的产品尚难支撑高级互动分析的要求。多个工作簿之间的互动方式有限，无法通过参数、集等实现更加精准的灵活控制，即席计算功能太弱，不得不花费更多时间用其他方式代替，这反过来影响了假设和验证的效率。很多Tableau中轻松实现的功能，在B/S架构中模仿都是难以实现的，不得不说，这限制了帆软BI的成长空间。从BI的角度，帆软还需要在高级互动方面开发更多的功能，才能匹配产品的野心。

对于业务分析和敏捷BI而言，我更愿意把高级互动和探索分析称之为核心；从我的使用上看，Tableau目前还保持在相当好的领先地位。2019年新推出的自然语言查询，以及基于AI的数据解释（explain data）、智能视图等，更是进一步奠定了和其他产品的领先地位；唯一的真正有实力的竞争者，恐怕就是巨头微软旗下的Power BI，它的语言查询与Cortana还有无限的整合空间；不过Power BI在灵活性方面，还需要做减法才能匹敌Tableau。

除了上面说的高级互动和探索分析，敏捷BI还要具备几个很关键的特征，才能称之为敏捷：

• 敏捷BI应该是面向业务的，学习成本可控，能随业务场景或者数据的变化而灵活调整，而非依赖于外部技术专家才能完成相关的改变；
• 能轻松地分享见解、提供数据订阅服务，让数据服务人人，数据驱动业务；
• 提供数据治理等的扩展性，为大规模数据管理与敏捷BI的平衡提供基础。

在这些领域，但凡认真用过各类产品的，都可以有自己的判断。如果我们仅仅把BI作为类似于Excel的处理工具，才无所谓优劣。

3、争在当下，赢在未来

考虑到帆软的中国化特性，它满足了不少传统行业中传统部门的填报需求，这就是“社会主义初级阶段”的国情，因此，我经常把帆软带给企业的进步比做从 -5 到 5 的过程，从接纳企业的落后现状开始，然后获得价值提升；相比之下，Tableau带来的企业价值是从1到100，Tableau适合于有一定数据基础的企业，它所带来的业务洞见，可以让更多企业提前看见未来、赢在未来，这就是我押Tableau的底气。

如果我们问一下BI转型失败的客户，他们对于帆软和Tableau如何“阻碍了”企业的数据转型观点往往截然不同，帆软的问题是“过于依赖实施团队，没有了自我造血的能力，归根结底是产品本身没有真正面向业务设计”，Tableau的问题是“难以满足非常中国化的特别需求，没有录入填报系统，无法完成中国式的复杂报表等”。

不过，前一个问题是硬伤，后一个问题是习惯，前者难改，后者易变。如同Tableau相应市场的需求把16列限制扩展到50列，就满足了很多复杂报表的综合展示需要。而且很多国企和政府客户中，“左上角空格画上斜线”这样的不能称之为需求，只能称之为“无知之幕”的伪需求，必将随着一代人的崛起和另一代人的衰落而逐步消退。

“低层次的人关注形式，高层次的人关注内容”。一个好的软件亦如是。

四、综合成本与综合价值

最后，我们需要衡量两个产品的综合成本和综合价值，这虽说是仁者见仁的问题，但是通用的分析方法，能帮助我们理清逻辑。在开始下面的分析之前，我想说明几条基本的逻辑假设：

• 综合成本不仅包括软件可见的采购成本，更大部分的是无形的部署成本、实施成本、人工成本等隐形成本，甚至包括试错成本；HR招聘员工懂得“贵就是便宜”，因为产出效率更高，软件亦是如此；
• 综合价值通过数据有效地驱动业务来实现，因此评价指标应该是“深度使用BI系统与业务结合的用户数”，不能驱动业务人员深度与数据互动，就无法弥合业务与IT之间的割裂，也就难以真正推动数据转化为价值。
• 企业采购软件和服务的本质是“用金钱换取时间”，而数据分析师和业务分析师的工作，则是“用时间换取金钱”，能满足二者需求的产品，才是符合消费者（企业）和顾客（分析师）的最好的产品。

1、综合成本

消费经济时代，商品经济正在加速转向会员经济和服务经济。小米衡量每位客户的综合价值，滴滴终于推出了储值赠送活动，万科说自己是一家美好生活的服务公司，商品的交付越来越变成了整个服务的开始，而不是结束。因此，不管是提供商还是采购方，都应该学会用周期的思维来思考整个生意的价值。

Tableau是全球透明的公开报价、折扣基本统一，完全按照用户+角色付费，同时是订阅式计费；而帆软的报价相对不透明、折扣非常灵活，这就给了报价相当的灵活性，帆软按照功能付费，和Tableau的巨大不同在于它是买断+每年维护费的成本组合（当然Tableau也有基于核心的一次性+维护方式）。

具体而言，帆软分为标准功能和扩展功能(插件)两个部分，前者分为报表、仪表盘、填报、门户、高级图表、移动端六大功能，基础的报表功能功能又分为两个部分，基础功能6.4万，完整功能则要12万，如果包含其他五个模块，合计需要57万（以2018年的数据参考，如果更改以厂价为准）。

在灵活性上，完全按照用户付费、按年订阅的方式更胜一筹，它大幅降低了企业的试错成本，毕竟并非每次都会选择正确。因此，Tableau的成本完全是以价值输出的节奏来逐步增加的，就像一家企业只有在产生销售时才会核算成本一样。即便我们用同样的配置采购不同的产品，用三年比较，Tableau也只有在超过100个用户时才会高于同行，而如果要用五年以上的时间去衡量，软件采购成本则会随着其他隐形成本的降低而被平衡。

Tableau的综合成本可控，很大程度上归因于它面向业务、简单易用、适用性广泛而带来的正向的外部性。随着模型的成熟，业务的实施成本和人力成本还会持续下降。

2、如何衡量订阅式产品的综合价值

订阅式产品的价值衡量，与传统的方式不同，我想介绍一个特别成熟的评价模式，也就是基于SaaS的服务定价模式。David Skok在“SaaS Metrics 2.0”文章中阐述SaaS的商业模式说，有两个核心的指标公式需要关注，一是订阅期内价值与成本的倍数，也就是投入产出的杠杆率；二是多久能实现平衡，越短越好。

备注：LTV=long time value，CAC= customer annual cost

假设我是采购订阅式BI平台的公司，我要保证我的产出要至少三倍于我的综合成本，其实，我要确保年内能收回成本，当然，对于企业而言，CAC成本是无法收回的，只能通过增加价值产出来弥补，因此，我们可以把上面的公式归结为一条：

LTV > 4x CAC 

也就是说，只要你采购订阅式软件在年内有四倍以上的价值杠杆，马上去做吧！ 

3、如何产出四倍以上的价值？

对于传统公司以及互联网公司，产生价值的方式可能有所差异，前者在于减少浪费，后者强调提高效率。对于BI软件而言，有一些事情是通用的价值，比如实现报表的随时访问、减少重复劳动、统一数据口径、推动数据共享，但是这些只是让产品值，却不足以产生四倍，甚至十倍的价值。

什么才是价值之源？是与业务的结合，是把数据视为资产的文化，是数据辅助决策的运用。

从这个角度我们衡量不同产品的价值，就会更加清晰。和Tableau相比，帆软的灵活性不足，特别是高级互动无法满足企业随时随地的假设验证场景，产品的体系化不够，难以在公司形成普遍的数据文化。对于企业而言，每一项决策都可能影响百万，敏捷BI会帮助企业从报表互动走向业务探索，这正是Tableau向来的专长。

• 每一项假设，都应该用昨天的数据去验证；
• 每一次决策的影响，都应该用数据去追踪。

也正因此，我是一向不太赞成企业实施外包的（短期的培训和实施协助不在此类），中国的企业，普遍缺失的是数据洞察，而洞察依赖于经验和建立在经验之上的猜想假设。这个神圣而重要的工作，只应该由业务经理和管理者自行来完成，管理者应该发现和形成结论，执行者只是执行动作。

不要轻易把你最终的资产金矿，外包给施工队来挖掘

4、资产的视角，而非费用的视角

最近有人在我的公众号留言，大意是说“在我们西部，很多公司都采购帆软，因为它便宜”。这是短期内的事实，一是Tableau的市场开拓还没有达到帆软的那种程度，二是企业的意识阻碍了采用更先进的工具。究其原因，很多企业还停留在“视信息投入为费用和成本”的阶段。

为什么西方公司更愿意在信息建设和人才方面投入更多的金钱，中国的企业更愿意花在厂房、办公大楼上？因为我们内心的假设。我们把信息化投入视为费用，而不去衡量它直接或者间接导致的产出，这种产出往往是通过流程优化、减少浪费、降低机会成本、提高效率来实现的，价值植入到了公司的每个环节之中。每个人都知道一个人的心脏很重要，但是少有人会赞美把氧气、营养带给全身的的水分的功劳。信息化建设如同企业的水分，它让企业运转更快、更健康。

当越来越多的企业把信息化投入视为和人力一样的关键资产，决定性要素就不再是工具本身的性价比，而是工具所能带来的效率提升和价值衡量。

五、赋能个人价值

很多人说我们正处在“信息时代”、“数据时代”、“第四次工业革命时代”，不管什么称呼，数据作为事实真相背后的逻辑记录者，俨然已经成为了金矿，企业需要挖金矿的人，数据分析师就是当代的矿工。

随着工具的兴趣，越来越多的业务人员会从业务转向业务与分析的交叉领域，也正因为此，Gartner说“平民数据科学家”正在兴起，到2020年，平民数据科学家的增长会五倍于专业分析师。上面我们说过，企业是希望“金钱换取时间”的，而作为数据分析的从业者，我们是“以时间换取金钱”，同样的逻辑，如何才能实现杠杆的最大化？我们需要最好的生产力工具。

前几日我和我的金融老师聊天，想起来一个阐述知识分类的模型，我把Tableau比作是“蜂蜜知识”，而把很多所有人很快就能学会的称之为“墨水知识”。为了和周围的人确立差异化的价值，并能保持长久的差异化优势，我们需要一门知识，它易学但是又要一定的难度，因此服务的定价就会具有杠杆性。这也是我押Tableau的关键理由。（成长手记65：墨水与蜂蜜理论）

也就是说，我要找一把职业生涯的宝剑，门槛足够高又不能太高、跑道足够长又不会漫长、随时间和经验累积会构建护城河、保持与世界层面的技术同步确保不会落伍，怎样的产品才能满足如此苛刻的要求？

你可以有你的选择，而我选择Tableau。

• 【产品对比】赢在自我的战场：TABLEAU vs. 帆软 (1)
• 【产品对比】赢在未来的战场：TABLEAU vs.帆软 (2)

May 25, 2019
May 30, 2019 revise
Nov 25, 2019 revise
Dec 13, 2019 update