2019商业趋势预测

1、商业4大新趋势

（1）智慧赋能多元化

新零售的终极目的就是让人们以更便利的方式购买到质量更好的商品，这是一场必须有高新技术参与的变革。正如当年电商建立在互联网技术高速发展的大背景下，如今的新零售可以依赖的便是科技界正当红的人工智能和大数据技术。

人工智能和大数据将从设计、原材料采购、商品生产及加工、商品经营到结算等整个供应链生态链条，实现有效赋能，帮助新零售实现高效的智能化服务。在2019年，随着人工智能技术的广泛应用，新零售将会多元化智慧赋能模式，从而在服务体系方面实现飞跃式变革。

（2）品牌跨界融合

2018年，“跨界”是新零售的一个热门词汇，各大品牌纷纷借力新零售概念玩起跨界营销，这也促使品牌商将目光从“互联网+”概念转到了“新零售+”模式，特别是结合近年来火爆的超级IP热潮，一些企业已经从“新零售+IP”中尝到了成功的滋味。因此，新零售周边的其他要素的跨界融合，将会变成新零售行业发展的新的方向。

2019年，将会有更多零售企业跟进这波跨界热潮，重新塑造专属品牌的消费场景，通过新零售概念来推动品牌的升级。

（3）重塑线下体验

我们知道，现在的消费者根本不存在“买的问题”，想买东西可以通过多种方式，线上购物甚至要比线下零售方便得多，而线下零售业要想赢回这些消费者，要解决的就是让消费者“开心的买的问题”。

2019年的零售业态，无论是新的智慧门店还是新的互动体验店，都将与过去完全不同。因为技术升级正在助推新零售不断进步，零售商纷纷围绕用户体验进行业态升级，重塑线下零售体验，应用新的技术重新给消费者带来愉快的消费体验将成为常试常新的存在。

（4）“全新”新零售物种

随着消费需求的增长以及入局新零售企业的快速增长，新零售市场必将进一步细分，而新零售行业的基础设施、产品、技术和数据应用都将面临着迭代。过去，无论是新零售还是“新物种”，它们摒弃商品为中心的理念，围绕用户优化消费体验，将零售业向智慧化、个性化转型，创造了很多新颖的玩法和概念。

而未来，新物种将依旧围绕用户体验演变，在原有实践的基础上实现升级迭代，并在人工智能、大数据、跨界融合、重塑体验方面运用成功经验，智慧化、个性化的需求或能被更好满足，消费者的体验也将得到进一步升级，从而再塑一个全新的新物种概念。

新零售的诞生是一场场景革命，在这一全新的概念里，零售业态乃至所有参与其中的相关业态都将迎来不可思议的改变，新消费升级、大数据赋能、人工智能技术的应用、以及场景革命，这些都将使新零售最终指向一个目的：降低成本、提高效率、提升体验。2019年，关于新零售的所有美好想象，都值得每一个业者感到兴奋。

2、商业智能10大趋势

（1）可解释型 AI 日益崛起

许多机器学习应用程序没有采取透明的方式，供用户查看决策和建议背后的算法或逻辑。正如剑桥大学高级研究员 Adrian Weller 在这篇文章中所述：“透明性被认为是在现实世界有效部署智能系统的关键。”对透明度的需求促进了可解释型 AI 的崛起，这种实践要求理解透明的观测结果并将其转换为机器学习模型。如果对人类的决策尚且会质疑，那么当机器学习做决策时，何不以同样的方式提出质疑？只有了解了人工智能技术的内部运作流程，才能帮助人们了解这项技术，避免大家对智能分析产生偏见，这对于人类自身和技术发展而言是双赢之举。

众多企业领导者会要求数据科学团队使用更易于解释的模型，并提供关于如何构建模型的文档或审计跟踪。AI 必须得到信任才能产生最强大的影响，并且其生成的结论必须简单易懂且能灵活地回答问题，才能帮助人们更好地理解数据。

（2）自然语言让数据更加人性化

自然语言处理 (NLP) 帮助计算机理解人类语言背后的含义。商业智能供应商正在将自然语言纳入他们的平台，从而为可视化提供一个自然语言界面。自然语言正在不断演化，以促进分析会话，即人类围绕其数据与系统所进行的对话。系统根据对话的上下文，理解用户的查询意图并深化对话，从而创造更自然的对话体验。这意味着当对数据产生后续问题时，人们不需要重复完整的问题来进一步问询或澄清一个模棱两可的问题。

自然语言改变了人们对数据提问的方式。当用户可以像人际交流那样与可视化进行交互时，更多具有不同技能组合的人员就能够针对他们的数据提出更深层次的问题。随着自然语言在整个商业智能行业的演化，它将打破各个组织采用分析的障碍，并帮助工作场所转变成数据驱动的自助式操作空间。

（3）结合上下文分析数据来为行动提供指导

数据工作者需要在同一个工作流程中访问数据并执行操作。商业智能平台供应商提供移动分析、嵌入式分析、仪表板扩展和 API 等功能来应对这些需求。嵌入式分析将数据和见解放在人们工作的环境中，这样他们就不必打开另一个应用程序或共享服务器，而仪表板扩展则可以将需要访问的其他系统直接引入当前仪表板。移动分析将数据直接交到实地操作人员手中。这些进步作用同样强大，因为它们通过赋予新受众实际需要、符合上下文的数据，满足不同业务团队和行业的需求。

（4）数据协作增进社会福祉

数据改变了私营企业以及非政府组织 (NGO) 和非营利组织的运作方式。“数据福祉”运动呈现爆炸式增长，因为企业意识到在社会公益举措中使用数据的优点。事实上，Gartner 研究表明，“社交媒体去年对数据福祉的提及率增加了 68%”，原因是公众认识到数据能够对社会产生积极影响。

借助云计算的成本效益和灵活性，NGO 和非营利组织无需大量的本地投资即可开发复杂的数据环境，从而为数据驱动型社会福祉的实施开辟道路。这也促进了数据联邦的产生——云计算平台用于组织间的共享与协作，以实现共同目标。它还推动了各方展开对话，探讨影响这些合作关系内部信任的因素，包括负责任地使用数据。尽管在这些合作项目中挑战仍然存在，但“数据福祉”运动反映了数据共享有潜力解决我们最棘手的全球问题。

（5）道德准则跟上数据发展的步伐

随着《通用数据保护条例》(GDPR) 等数据法规的出台，领导者纷纷评估组织内部数据伦理实践的未来。消费者对共享个人数据变得更加谨慎，因此数据隐私不会很快消失。组织必须在日常业务实践的背景下围绕数据道德和数据隐私展开对话，这一点非常重要，并体现在以下两项主要措施上：

道德准则：许多行业已经被道德准则所约束（例如法律行业、医疗行业和会计行业），但是，随着数据的激增，更多的企业开始评估如何将这些行业的准则应用到数据分析实践中。首席数据官 (CDO) 正在协助制定这些道德准则，以便为未来的基础结构、治理和人员配置决策设立一个框架。事实上，根据 2017 年 Gartner 首席数据官调查，“从 2016 年到 2017 年，将道德视为职责一部分的首席数据官数量增加了 10%。”

业务流程的变化：批判性回顾数据的整个生命周期，为定期评估数据管理策略提供了机会，有助于确保遵守法规并与内部道德准则保持一致。正如埃森哲咨询公司 (Accenture) 在其《通用数据道德准则》报告中所述，“管控流程必须足够健全，为所有成员所知，并定期受到审查”，从而适应企业的成长和变化。

现代商业智能平台打开了数据分析的大门，这意味着更多的角色将有责任遵守数据道德准则，且数据道德将成为数据素养工作的核心部分。

（6）数据管理融入现代商业智能平台

随着数据源变得更加多样和复杂，以及更多的工作人员使用数据来推动决策，数据管理比以往任何时候都更加重要。企业转而采用数据监管措施，包含捕捉、清理、定义和排列不相关数据，以填补数据与实际应用之间的空缺。数据监管工具和流程（如数据目录和语义管控）如今正在与商业智能平台融合，将数据与业务环境关联起来，实现大规模的管控。这有助于分析师和内容消费者通过谱系分析验证数据来源，也有助于数据工程师和数据管理员观察数据集的变化对下游的影响。最终，受管控的数据监管将为整个分析管道提供更坚实的基础，帮助用户越过针对数据提出问题，直接针对业务提出问题。

（7）讲述数据故事成为企业的新语言

如果不能传达数据结果，分析就没有意义。这时，数据可视化就派上了用场。对于分析师来说，以简单易懂、可操作的方式传达形成见解的分析步骤是一项重要的技能，也被定义为「讲述数据故事」。确实，只是展现数据和事实就很有说服力了，但是，当同事和高级管理层获得大量数据和事实而不了解背景时，一切都徒劳无功。我们都遇到过使用大量幻灯片进行演示，却发现受众只获得了大量数据，却不知道怎样去理解，毫无反应的情况。因为单纯用数字或图表是无法说服别人，所以在采集、分析完数据之后，还需要生动地去讲一个故事，通过故事来告诉人们为什么数据中的发现特别重要。

随着越来越多的企业建立了分析文化，讲述数据故事的定义也在不断变化。如今，讲述数据故事的方法强调围绕数据进行对话，而不是呈现单一的结论。这种众包的分析方法让仪表板创建者和受众都有责任围绕数据向他们讲述的故事得出结论。这样就可以在制定业务决策之前集思广益。随着在公司范围内利用数据汇聚、传达和测试创意，跨工作领域讲述数据故事将增强业务提升的潜力。

（8）企业在分析采用方面更加明智

提供对商业智能解决方案的使用权不等于采用商业智能解决方案，也不能轻易断定每个人仅仅因为可以访问商业智能平台就能从中获得价值，这种假设实际上会阻碍分析的进步。偶尔打开一份报告并不意味着它会驱动行动或造成影响。实际上，企业领导者应该衡量人们如何使用商业智能平台对业务产生影响。内部用户社区是企业提高参与度的渠道之一。

例如，摩根大通旗下卓越中心团队帮助部署数千名分析师，扩大其商业智能平台上的用户群。然后，这些用户变成专家，不仅宣传最佳做法，还让大家在数据定义上保持一致。结果将是商业智能解决方案影响力扩大、投资回报增加、工作人员效率提升，企业竞争力不断提高。

（9）数据大众化让数据科学家的地位不断提高

根据清华大学经管学院发布的《中国经济的数字化转型：人才与就业》报告显示，当前我国大数据领域人才缺口高达 150 万，到 2025 年将达到 200 万。越来越多部门和职位都需要与数据打交道，促进了数据素养的提高，这转变了数据科学的定义，也模糊了传统数据专业知识与业务领域知识之间的界限。

当今的数据科学家需要掌握先进的统计和机器学习知识，同时保持对业务的战略头脑以及对行业的深入了解。数据科学家现在着力研究如何将结果应用到业务中，而不只是交付结果。他们还需具备演讲技能，将发现的结果传达给领导团队，并与组织中的其他数据工作者进行协作。其中一部分工作是与公民数据科学家合作来提出并验证假设；这类角色的本职工作并不属于统计学领域，但是可以生成分析模型。自助式分析工具帮助他们探索并更好地理解数据，从而得出对业务具有显著影响的见解。

（10）加速进行的云数据迁移推进现代商业智能的采用

革新数据策略时，必须考虑数据的存储位置。对于许多企业而言，这意味着考虑将数据迁移至云端，因为这样可以在降低总拥有成本的情况下，提高灵活性和可扩展性。云服务让企业更容易捕捉和集成不同类型的数据。Tableau 市场情报总监 Josh Parenteau 认为，“将数据迁移至云端提高了敏捷性，并为商业智能和分析功能带来了新的可能性。现代化的概念也随之体现出来。”“数据引力”概念表明，服务和应用程序受到数据所在位置的吸引。因此，随着企业加速将数据迁移至云端，分析自然随之而来。这促使企业领导者从传统商业智能平台转向现代商业智能平台，评估他们选择的商业智能平台是否将支持向全面云分析的过渡。尽管并非所有企业都为这种迁移做好了准备，但许多企业正在试验混合解决方案，以利用数据源的多样性和云技术的优点。