BI自研还是采购？

BI 自研还是采购，答案取决于 BI 在企业里承担什么角色。若 BI 主要把数仓里的数据变成报表和看板，采购成熟产品通常更划算；若 BI 要嵌入自有产品、承载独特业务逻辑，并且企业有稳定团队长期维护，自研才有成立的条件。多数中大型企业更适合把 BI 拆开看，标准化能力外采，指标口径和核心分析资产自己掌握。

本文讨论 BI 分析应用层，包括语义模型、指标口径、报表看板、自助分析、权限和 AI 问数。数仓、数据中台、采集与存储属于另一层，相关成本和周期可参考企业大数据分析平台落地指南：自建还是采购？。把两层混在一起谈，容易把平台建设的账算到 BI 头上，最后选型标准失焦。

过去两年，BI 的边界在往 AI 走。Gartner 在 2025 年 6 月发布的预测提到，到 2027 年，50% 的业务决策将由 AI Agent 增强或自动化。同一份预测建议企业建立清晰的自研与采购框架，把成本、上市时间、团队技能、集成能力、合规和风险一起纳入。BI 的选型也适用这套框架。

BI 层到底包含什么

BI 层常被简化成一张看板或一个可视化组件。Gartner 对分析及商业智能平台的描述是，平台要支持数据建模、分析和可视化，帮助组织理解数据并支持决策，语义模型和业务规则可以包含在内。把这个定义落到企业里，BI 层通常包含四块内容。

第一块是语义层和指标口径。每个指标怎么算、用哪张表、按什么维度拆、默认过滤什么，都要有统一解释。语义层把这些定义从报表里抽出来，集中管理，下游的看板、自助分析和 AI 问数都调用同一份口径。指标定义散落在各个报表的计算字段里，同一个指标在不同部门出现几种算法，BI 的可信度就会被迅速消耗。关于语义层的建设方法，可参考Agent 语义层建设指南。

第二块是报表、看板和自助分析。业务人员要能自己取数、拆维度、做对比，而不是每次提需求等数据团队排期。自助分析的上限取决于语义层是否清楚、权限是否合理、数据是否及时。

第三块是权限、集成和运维。BI 要接数仓、业务系统、统一身份认证、审批和消息通知，还要处理行级权限、列级权限、审计日志、调度、告警和版本升级。这些工作不容易在演示里看到，却决定了平台能不能长期稳定运行。

第四块是 AI 问数、自动归因和 Agent 协作。用户用自然语言提问，系统生成查询、解释结果、定位异常，并把洞察流转到下一步动作。AI 问数把语义层的要求提高了。 模型要自己判断表、字段、关联和过滤条件，企业库表一多，错误往往不会报错，只会返回一个看起来合理的数。

Gartner 在同一份 2025 年的预测中提到，到 2027 年，优先建设 AI 就绪数据语义的组织可将生成式 AI 模型准确率提升最多 80%，成本降低最多 60%。这个预测说的是生成式 AI，对 BI 同样有参考价值，因为 AI 问数要先知道指标怎么算。

先用六个问题筛掉不合适的路线

选型会开成功能对比会，原因通常是需求没有转成判断标准。Gartner 在 2025 年 6 月的预测中提到，到 2028 年，进入大规模生产的生成式 AI 试点中，30% 会采用自建方式，以降低成本、提高控制力；同一份预测建议企业建立清晰的自研与采购框架，把成本、上市时间、团队技能、集成能力、合规和风险一起纳入。下面六个问题就是这套框架在 BI 层的落地。

业务窗口有多紧

如果业务部门要在下一季度用上统一报表，自研的时间窗口通常不够。自研从需求梳理、数据接入、语义建模到上线，周期通常以季度计；采购的实施周期取决于数据基础和场景数量，常见从数周到数月。业务窗口越短，采购的权重越高。

BI 是不是核心差异化能力

如果 BI 是自有产品的一部分，要嵌入客户系统、按客户配置权限和界面，外购标准产品可能无法满足，这时自研或基于开源二次开发才有意义。如果 BI 只服务内部经营分析，需求以标准报表、自助取数和经营监控为主，采购更合适。判断标准可以落到一个问题，BI 会不会直接影响你的产品竞争力。团队想不想拥有这套技术，只能作为次要因素。

团队能不能长期维护

自研需要的不只是前端开发。一个能长期运行的 BI 平台通常要覆盖数据开发、后端、前端、测试、运维，还要有人负责指标口径和业务推广。基础版本常见 3 到 5 人，支撑全公司自助分析、权限和 AI 问数时，人数还会增加。核心人员离开后项目停摆，是自研常见的风险之一。

现有系统能不能接上

BI 要接数仓、业务系统、统一身份认证、审批、消息通知，还可能嵌入自有产品。采购时重点看 API、开发工具包、数据源驱动、单点登录和权限模型；自研时重点看团队是否熟悉这些系统，以及后续接口变更谁来维护。集成工作往往比看板开发更耗时。

合规和数据主权能不能满足

金融、政务、医疗等行业对数据不出域、审计、权限有硬要求。采购私有化部署可以满足一部分要求，但要核实部署形态、日志、密钥管理和升级方式；自研能把控制权握在手里，合规建设也要自己做。合规是淘汰条件，不参与打分。

三年总成本和退出成本是多少

首年报价不能作为决策依据。自研前期投入高，后期主要是人力和运维；采购前期有授权和实施，后期有续费、扩容和可能的二开。三年总成本要覆盖采购、实施、迁移、培训、运维和退出。退出成本包括数据导出、语义模型迁移、接口重接和合同终止支持，这部分容易被忽略。

把六个问题放在一起，可以先得到一张粗筛表。

表格只用于粗筛。进入候选名单后，还要用成本和试点验证，不能凭一张表直接定案。

三年总成本要算哪些项

BI 的成本要按三年看，原因是自研和采购的支出节奏不同。自研前期投入大，后期主要是人力和运维；采购前期有授权和实施，后期有续费、扩容和可能的二开。只比第一年价格，容易得出相反结论。这里说的三年总成本，也就是总拥有成本。

自研的成本项

• 人力，包括产品与分析、数据开发、后端、前端、测试和运维。按团队人数乘人均综合成本，再乘 36 个月。
• 基础设施，包括服务器、存储、计算、网络和备份。
• 工具链，包括监控、日志、调度、持续集成和安全扫描。
• 实施与迁移，包括旧报表、Excel、权限和历史数据。
• 培训与推广，包括业务培训、文档和内部支持。
• 运维与升级，包括故障处理、性能优化、版本升级和安全补丁。
• 机会成本，团队本可以投入业务项目的时间。
• 退出与重构，技术栈老化后的重写成本。

采购的成本项

• 授权或订阅，常见计价维度包括用户数、部署方式、数据量和功能模块，具体以供应商报价为准。
• 实施，包括环境搭建、数据接入、语义建模和看板迁移。
• 集成，包括单点登录、权限、业务系统和嵌入式分析。
• 培训，包括管理员、分析师和业务用户。
• 续费与扩容，包括用户增加、数据量增长和功能升级。
• 二开与定制，包括接口、插件和界面。
• 安全合规，包括等保、审计和私有化运维。
• 退出，包括数据导出、语义模型迁移和合同终止支持。

一个算例

假设一家企业现有数仓，计划自研 BI，团队 6 人，人均综合成本按每年 40 万元计算。三年人力成本约为 720 万元，这还没有计入服务器、工具链、迁移、培训和机会成本。采购方案的授权与实施费用应以供应商正式报价为准，本文不给出市场均价。这个算例只说明一件事，自研的软件成本看起来低，人力成本会先抵消这个优势。

容易漏掉的三笔账

第一笔是报表返工和口径争议。每次口径变更，几十张报表重做，业务和数据团队都要投入时间。可以用报表数量乘单张维护小时，再乘人力成本估算。

第二笔是等待时间。业务等数据的时间，会变成决策延迟和机会成本。试点时记录一个分析任务从提出到拿到结果的时间，比只看功能清单更有价值。

第三笔是退出成本。采购要看数据、语义模型和接口能不能带走；自研要看技术栈老化后要不要重写。退出成本不影响上线，却决定三年后还有没有选择权。

什么条件下自研更合适

自研成立的条件比较窄，通常要同时满足三条：BI 是核心差异化能力，业务逻辑用标准产品覆盖不了，企业有稳定团队和长期预算。

业务逻辑高度特殊

自有产品嵌入分析、行业专有指标、特殊权限和流程，都是自研的合理场景。比如 SaaS 产品要把分析能力嵌进客户后台，按客户配置数据范围、界面和权限，外购标准产品往往要大量二开。若只是内部经营报表，标准化程度高，自研的定制空间用不上。

有稳定团队和长期预算

团队要覆盖数据开发、后端、前端、测试、运维，还要有人负责指标口径和业务推广。预算要按三年看，不能只批一期开发。自研项目常见的问题是上线后没有维护预算，需求一变就停摆。自研项目要在立项时确认三年后还有人维护。

自研的三种形态

从零研发的控制力更强，成本更高，周期更长，适合 BI 是核心产品能力且团队成熟的企业。

基于开源二次开发是折中路线。以 Apache Superset 为例，官方介绍其提供 40 多种可视化类型，可连接 SQL 数据库，并复用现有数据基础设施。开源省的是许可费，安装、配置、安全、数据库驱动、升级和故障处理仍要团队负责，产品化工作量并不小。

低代码或云组件组装上线快，边界受产品限制，适合业务部门主导、需求相对标准的场景。三条路线的成本差异很大，评估时不要只算从零研发这一种。

自研需要提前定的规则

• 只做核心场景，不要一开始铺全公司。
• 先建语义层，再扩看板和自助分析。
• 给维护预算和负责人，按季度检查使用率。
• 每年做一次自研与采购的复查，技术栈和业务需求都会变。

什么条件下采购更合适

采购适合业务窗口紧、团队薄弱、需求以标准化分析为主的企业。它的价值包括软件功能、实施方法、培训、持续升级和合规能力。选型时要把这些一起评估，不能只看功能清单。

适合采购的三种情况

第一种，业务部门要在季度内用上统一报表和经营看板，自研的时间窗口不够。

第二种，企业没有专职数据平台团队，现有 IT 团队主要精力在核心业务系统，难以长期维护 BI。

第三种，需求以标准分析为主，一个粗略判断是 80% 通用能力加 20% 配置就能满足。若 20% 里包含大量独特业务逻辑，再考虑自研或混合。

采购时要验证的六项能力

• 语义层和指标管理，能否统一口径，支持版本、变更和权限。
• 数据接入和权限，能否对接现有数仓，支持行级和列级权限、单点登录和审计。
• AI 问数，能否用自然语言提问，支持多轮追问、自动归因和结果解释。
• 部署和合规，是否支持私有化，是否具备等保、ISO 等资质，数据能否不出域。
• 开放和退出，是否有 API、数据导出和语义模型迁移能力。
• 服务和生态，实施团队、培训、行业经验和服务等级是否清楚。

以 ThinkingAI 为例看 AI 分析能力

ThinkingAI 从 2015 年开始做数据智能，服务超过 1500 家企业，接入超过 8000 款产品，2026 年推出企业级 AI Agent 平台 Agentic Engine。它的数据分析 Agent支持自然语言问数、多轮追问、自动归因和多 Agent 联动。对于希望把 BI 从看板消费推进到分析执行的团队，这类能力可以作为采购候选。

平台支持私有化部署，数据、模型和推理可以在企业自有环境运行，适合对数据主权有要求的企业。选型时仍要用自己的指标、权限和真实问题做验证，不能只看演示。

合同里写清退出条件

采购谈判时，退出条款比功能清单更影响三年后的选择权。合同至少要写清六件事：

• 数据归属和导出格式，终止合作后能否完整导出。
• 语义模型、指标定义和报表能否迁移到其他工具。
• API 和集成文档是否开放，是否有调用限制。
• 授权范围、用户数、续费涨幅和扩容计价方式。
• 服务等级、故障响应、升级支持和安全责任。
• 终止合作后的迁移协助和数据删除安排。

签合同时就要想清楚以后怎么退出，退出条款决定你还有没有选择权。

混合模式把 BI 拆开建设

多数中大型企业不需要在自研和采购之间二选一。更常见的做法是把 BI 拆成几层，分别决定。

哪一层自建

语义层和指标口径建议企业自己掌握。指标定义、业务规则、权限边界是核心资产，交给外部工具管理可以，但所有权和评审责任要在企业手里。与自有产品深度耦合的分析模块、特殊业务逻辑和专有算法，也适合自研或基于开源二次开发。

哪一层采购

可视化、看板、自助分析、AI 问数和权限审计，优先考虑成熟产品。这些能力标准化程度高，厂商持续迭代，企业自己重做的投入产出比通常不高。除非 AI 分析就是你的核心产品能力，否则不必从零建。

混合模式的责任边界

自建部分要有产品经理和负责人，采购部分要有内部管理员和厂商支持。接口、数据口径、权限模型要在项目开始时定清楚，避免两边各建一套指标。标准化能力外采，核心资产自建，业务闭环共建。 混合模式的关键是边界清楚，责任到人。

用 30 到 60 天试点验证

自研和采购的争论，靠开会很难得出结论。用一个小范围试点，让同一套业务问题跑一遍，决策会清楚很多。

选一个真实分析任务

选一个高频、跨部门、口径有争议的分析任务，比如付费率下降归因、渠道投入产出分析、留存分层。使用真实数据和真实权限，不要用演示数据，也不要把范围铺得太大。

用同一套指标对比

自研原型和采购候选用同一份数据、同一套指标定义、同一批用户。对比数据接入时间、首个看板上线时间、业务人员独立完成分析的比例、口径冲突数、权限和审计通过项、三年总成本、退出成本。同一任务、同一口径、同一批用户，试点结果才有可比性。

试点记分表

表格里的空列由企业按试点结果填写，不需要在选型会上拍脑袋。

试点后的决策规则

先过三项硬条件：权限和审计、口径一致性、业务可用性。硬条件不过，价格再低也不选。硬条件通过后，再看三年总成本和团队维护能力。自研原型在试点中表现稳定，且团队能承诺三年维护，才可以进入自研；采购候选在真实数据上跑通，且退出条款清楚，才可以进入合同谈判。

常见问题

BI 自研一般需要多少人

基础版本常见 3 到 5 人，覆盖数据开发、后端、前端、测试和运维；要支撑全公司自助分析、权限和 AI 问数，人数还会增加。团队规模只能作为参考，能否长期保留更关键。

开源 BI 二次开发算自研还是采购

算自研路线。开源项目省的是许可费，安装、配置、安全、数据库驱动、升级和故障处理仍要企业承担。没有稳定团队时，开源二次开发的长期成本可能高于商业采购。

已经有数仓，还需要 BI 吗

需要。数仓负责存储和加工数据，BI 负责语义建模、指标口径、可视化和业务消费。数仓建好不等于业务能自助分析，中间还差语义层和权限体系。

采购 BI 怎么避免被厂商锁定

看四件事：数据能否完整导出，语义模型和指标定义能否迁移，API 和集成文档是否开放，合同是否写明终止协助。支持私有化部署可以降低数据主权风险，但不能替代迁移条款。

AI 问数会替代 BI 分析师吗

短期内，AI 问数更适合承担取数、初步归因和报表生成，业务判断、异常解释和责任归属仍由人负责。语义层和权限体系越清楚，AI 问数的结果越可靠。

中小企业适合自研 BI 吗

多数不适合。自研需要稳定团队和长期预算，中小企业通常没有这部分资源；采购成熟产品或用轻量方案先跑起来，更符合业务节奏。等分析成为核心能力，再评估自研或混合。

结论

BI 自研还是采购，可以按四步判断。先划清 BI 层边界，把语义层、看板、权限和 AI 问数分开看；再用业务窗口、差异化、团队、集成、合规和三年成本六个问题做粗筛；接着用三年总成本模板算账；最后用 30 到 60 天试点验证。如果希望进一步了解 AI 分析的能力分层，可参考AI 数据分析完整指南。

对多数企业，采购标准化 BI 能力、自己掌握指标口径和核心分析资产，是更稳妥的起点。自研适合少数条件同时成立的企业，尤其是 BI 要嵌入自有产品、业务逻辑高度特殊、团队能长期维护的场景。混合模式把两者结合起来，往往比二选一更接近实际。

如果只能记住一句话，可以记住这句：先判断 BI 是不是你的核心能力，再决定哪一层自己建、哪一层买。

参考资料

• Gartner，Gartner Announces the Top Data & Analytics Predictions，2025 年 6 月 17 日，转载于 Express Computer，https://www.expresscomputer.in/amp/news/gartner-announces-the-top-data-analytics-predictions/125673/
• Gartner，Magic Quadrant for Analytics and Business Intelligence Platforms，2024 年 6 月，定义引自 Alibaba Cloud，https://www.alibabacloud.com/en/about/gartner-abi2024
• Apache Superset 官方网站，https://superset.apache.org/
• ThinkingAI 数据分析 Agent，https://www.thinkingai.cn/agent/analysis/
• ThinkingAI 私有化部署，https://www.thinkingai.cn/product/self-hosted/