看板越做越多，例会还在为同一个指标争论；报表每天都在打开，实际改变动作的却很少。这些场景说明，企业投入了数据工具，数据进入决策和行动的程度仍然有限。评估 BI 应用成熟度，可以把注意力放到四个维度：数据可信、使用深度、协作方式、结果验证。
BI 成熟度评估的对象，是企业把数据转化为可信判断、跨角色协作和可验证行动的能力。报表数量、账号开通数、看板访问量可以作为线索，单独使用容易失真。如果企业同时在推进数据治理，可以参考数据治理成熟度评估，先把数据管理体系和数据使用水平分开看。
一、先明确评估对象：BI应用成熟度评什么
BI 应用成熟度关注三件事：业务是否在真实决策中使用数据，分析结论能否变成动作，动作结果能否回到同一套口径复核。有些团队把它叫作数据分析能力成熟度，评估对象仍然是数据进入判断和行动的程度。
评估时常见的三个误判，会让分数虚高。
- 把上线当成熟。 系统上线、账号开通、培训完成，说明交付完成了，不能说明业务在用。
- 把看板数量当使用深度。 看板多，可能只是把同一批数字换了不同样式；真正的深度体现在追问、下钻、归因和临时分析。
- 把账号数当使用率。 账号是 IT 分发的，活跃才反映业务采纳。分母用目标用户，数据才有解释力。
DCMM 数据管理能力成熟度模型是国家标准，从数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准、数据生存周期 8 个能力域评估数据管理能力，包含 28 个过程项和 441 项评价指标。它回答的是数据管理体系是否健全，BI 应用成熟度回答的是数据是否进入业务判断和行动。两者可以互相支撑，不能互相替代。
本文使用的是一套编辑自评框架，不是官方认证，也不做企业排名。它的用途是让团队用同一组证据讨论现状，再决定下一步先补哪一环。
二、四个维度：用可观察证据代替感觉
评估时最容易犯的错，是问一句你们 BI 用得怎么样，然后得到一句还不错。把问题换成最近 90 天里，哪些人、在什么决策中、用了哪份数据、做了什么动作，证据才会出现。
1. 数据可信：口径、质量、权限
数据可信看三件事：口径是否唯一、质量是否可解释、权限是否可控。
- 核心指标有明确负责人和定义，跨部门调用同一口径；新看板优先引用统一指标口径，减少各自重算。
- 异常出现时能追到源表、处理链路和更新时间；关键数据有质量监控和告警。
- 权限按角色和数据范围配置，敏感数据有审计记录。
如果业务在会上花大量时间对口径，数据可信这一项通常不会高。
2. 使用深度：谁在用，用来回答什么
使用深度看三件事：谁在用、用来回答什么问题、能不能继续追问。
- 月活业务用户占目标用户的比例，连续 3 个月的趋势比单月峰值更有意义。
- 自助查询、下钻、对比、订阅、预警的使用情况；只有固定看板访问，说明还停留在消费现成结果。
- 从提出问题到拿到可用分析的时长；每次都要排期几天，使用深度会被流程卡住。
IBM 在 2024 年的一篇文章中引用 Gartner 数据：87% 的受访组织使用分析与商业智能的员工数量有所增加，但平均只有 29% 的员工会使用这类工具，积极使用比例在过去 7 年几乎没有增长。用户数量增加，使用深度未必同步。
3. 协作方式：分析是否跨角色完成
协作方式看三件事：角色是否清楚、结论是否有承接、经验是否沉淀。
- 业务提出假设，数据团队验证，IT 保障数据；分析任务有负责人、截止时间和交付物。
- 分析结论进入例会、工单、策略系统或实验平台，不停留在群聊和文档。
- 复盘记录保留判断依据、数据版本和行动结果，后来的人能接着用。
如果每次分析都靠数据团队单点救火，协作这一项很难及格。
4. 结果验证：分析是否改变了决策
结果验证看三件事：决策是否引用分析、行动是否有基线、结果是否可复核。
- 重要决策能说清引用了哪份分析、哪个指标、哪个时间窗口。
- 行动前有基线，行动后有对照或前后对比；结果回到同一口径，避免用不同口径证明成功。
- 有效策略被沉淀为模板、Skill 或规则，下一次可以复用；无效策略有明确停止原因。
相关性可以提示方向，不能直接写成因果。验证时尽量保留对照、样本和时间窗口。
三、五个阶段：从看报表到行动协同
把四个维度的证据放在一起，可以对照五个阶段。阶段用于定位短板，不用于给企业贴标签。
| 阶段 | 典型表现 | 关键证据 | 常见卡点 |
|---|---|---|---|
| L1 报表起步 | 少数人做报表，主要回答发生了什么 | 报表由数据团队集中生产，业务被动接收 | 口径靠人，需求排队 |
| L2 稳定看数 | 核心指标和看板稳定，业务能自助查看 | 有固定看板、订阅和预警，下钻和归因仍依赖数据团队 | 看板多，决策引用少 |
| L3 自助分析 | 业务能自主下钻、对比、做初步归因 | 自助查询和临时分析占比上升，分析进入例会 | 口径和权限开始成为瓶颈 |
| L4 分析协同 | 跨部门围绕同一指标和假设协作 | 分析任务单、复盘会、工单或策略系统承接结论 | 行动跟踪靠人，结果验证不完整 |
| L5 行动闭环 | 分析嵌入业务流程，异常触发动作，结果回流验证 | 决策日志、实验对照、策略复用 | 对组织能力和治理要求高，容易做成一次性项目 |
判断当前阶段时，四项分别评分，取最低项定位阶段。平均分容易把短板藏起来。举例来说，数据可信 4 分、使用深度 2 分、协作 2 分、结果验证 1 分，平均 2.25 分，看起来接近 L3；实际卡点在结果验证，应先补行动承接，继续加看板不会解决问题。
Agent 协作是能力维度之一，不自动代表更高成熟度。只有分析过程可追溯、结论能接入行动、结果能按同一口径验证，Agent 才会把成熟度往前推。口径混乱、行动无人承接时，Agent 只会更快地产生更多待解释的数字。
四、怎么打分：一张自评表和三条判断规则
评估不需要一开始就做大而全的问卷。选最近 90 天，找 3 个真实决策场景，按四个维度各打 1 到 5 分，填上证据和下一步动作。
| 维度 | 1 分 | 3 分 | 5 分 | 现状证据 | 得分 | 下一步 |
|---|---|---|---|---|---|---|
| 数据可信 | 口径各自为政，异常难追 | 核心指标有统一口径，质量问题可定位 | 指标、血缘、权限、质量监控形成常态机制 | |||
| 使用深度 | 只有数据团队看 | 目标业务用户稳定使用，能自助下钻 | 分析进入日常决策，追问和临时分析成为常态 | |||
| 协作方式 | 分析靠个人 | 有固定协作和复盘 | 跨部门围绕假设协作，结论进入工单或策略系统 | |||
| 结果验证 | 只看结果，无复盘 | 重要行动有基线和复盘 | 决策日志、对照验证、策略复用形成闭环 |
三条判断规则：
- 用最近 90 天的证据，不用印象。 每条评分至少写一个可核对的事实，例如核心指标 12 个，口径统一 9 个。
- 分母用目标用户，不用账号总数。 账号开通是 IT 动作，目标用户活跃才反映业务采纳。
- 取最低项定位阶段，连续两个季度复评。 短板决定下一步，长板决定能否放大。
填写时可以把事实和判断分开。举例，目标业务用户 200 人，近 90 天月活 60 人，使用深度按 30% 记录；核心指标 12 个，口径统一 9 个，数据可信按 3 分记录。示例只说明填法，不代表行业基准。
IIA 在 2023 年对 86 家企业、27 个行业的调研显示，即便是 BI 领先企业，也只有 26% 报告较高的 BI 工具许可使用率，30% 报告较高的看板与报表资产使用率。企业规模大、工具齐全，使用断层依然存在。
五、从评估到行动：先补哪一环
自评结果是一张排期表。四个维度对应四种不同的优先动作。
1. 数据可信最低：先统一关键口径
- 列出支撑核心决策的 10 到 20 个指标，明确负责人、定义、数据源和更新频率。
- 选一个争议最大的指标做端到端溯源，把问题暴露出来。
- 先统一高频指标，再逐步扩展；不要等所有数据都治理完才开放分析。
2. 使用深度最低：先选高频决策场景
- 选 2 到 3 个每周或每月都要做的决策，例如投放预算调整、库存补货、会员召回。
- 把看板做成任务入口，能下钻、能订阅、能预警、能发起分析。
- 给业务用户配陪跑，不要用一次培训代替持续支持。
3. 协作方式最低：先建立分析任务单
- 每个分析任务写清问题、假设、数据口径、负责人、截止时间和交付物。
- 固定复盘会，结论进入工单、策略系统或实验平台，避免停在群聊。
- 把有效分析记录成模板，减少下一次重复沟通。
4. 结果验证最低：先补基线和复盘
- 行动前记录基线、目标、观察窗口。
- 尽量保留对照或前后对比，避免只用结果数字证明成功。
- 复盘时回到同一口径，记录有效、无效和停止原因。
如果短板集中在协作和结果验证，可以把行动闭环作为建设目标：从发现异常、判断原因、分派动作到复盘结果，尽量放在同一条链路里。
一个可以执行的 90 天节奏：
| 时间 | 动作 | 产出 |
|---|---|---|
| 0 到 30 天 | 选 3 个场景，完成四维自评 | 自评表、短板清单 |
| 31 到 60 天 | 补最关键的一项能力 | 口径清单、场景看板、任务单或复盘模板 |
| 61 到 90 天 | 用同一口径复评 | 变化证据、下一季度计划 |
六、工具能承接什么：用数据分析 Agent 补上分析到行动的断点
评估之后，如果短板集中在使用深度和协作，工具可以承担一部分重复工作。数据分析 Agent支持用自然语言发起分析、连续追问、归因和可视化呈现。
在多 Agent 协作的场景里，分析结论可以继续流向任务、触达或实验环节。ThinkingAI 的数据分析 Agent 背后是企业级 AI Agent 平台 Agentic Engine，支持私有化部署；多 Agent 协作是其能力的一部分。ThinkingAI 已服务全球 1500 家企业，接入产品超过 8000 款。
工具的价值要放在具体任务里验证。可以选一个真实场景，按四步检查：
- 用同一口径。 Agent 回答的数字能否回到指标定义和源表。
- 能继续追问。 换维度、换时间窗口、拆原因时，是否还能保持口径一致。
- 接得上行动。 分析结论能否生成任务、触达、实验或工单，并指定负责人。
- 验证得到结果。 行动后能否按同一口径复盘，保留对照和证据。
四项里有一项过不了，先补数据和流程，再谈扩大使用。Agent 能把分析入口前移，不能替代指标治理、权限控制和责任分工。
七、常见问题
BI应用成熟度和DCMM有什么区别
DCMM 评估数据管理体系，覆盖数据战略、治理、架构、应用、安全、质量、标准和生存周期 8 个能力域。BI 应用成熟度评估数据进入业务判断和行动的程度。两者可以互相支撑，不能用 DCMM 等级代替 BI 应用成熟度评估。
上了BI或Agent，是否就算成熟度更高
工具上线只说明能力可用。判断成熟度，要看分析过程是否可追溯、结论能否接入行动、结果能否按同一口径验证。工具可以提高上限，指标治理、协作机制和责任分工仍然要补。
没有数据中台，能做BI应用成熟度评估吗
可以。先选 3 个高频决策场景，用现有报表和数据回答四个维度的问题。数据中台是基础设施选项，不是评估前提。
BI使用率怎么算才不失真
分母用目标用户，观察最近 90 天的活跃、自助查询、下钻和决策引用。账号开通数、总访问量单独使用容易失真，最好和行动结果一起看。
评估应该由谁牵头，多久做一次
业务和数据共同牵头，数据负责人组织证据，业务负责人提供场景。建议每季度做一次轻量复评，每年做一次完整复盘，保持同一套证据标准。
中小企业需要套用五级模型吗
可以直接使用四个维度和取最低项的规则，五级阶段作为参照。团队规模小，先做 2 到 3 个场景，不需要一开始就铺开完整问卷。
资料说明： 本文引用的公开资料包括 IBM 2024 年文章引用 Gartner 关于分析与商业智能采用率的数据、国际分析研究所 IIA 2023 年 BI 成熟度市场研究和贵州省大数据局对 DCMM 的说明。
