QUDONGLI
︻目錄︼
︻目錄︼
QUDONGLI
驅動力
第十九期
目錄
table?
of
contents
BI和報表到底有什么區別？
【一線】
01
BI到底是什么，是否所有企業都適合
上BI？
【熱點】
01
我在B端做數據分析——指標篇
【風向】
01
上了 BI，“B” 就 “I” 了嗎？
【數說】
01
QUDONGLI
︻數說︼
︻數說︼
QUDONGLI
驅動力
第十九期
BI,Business Intelligence，中文名稱：商業智能，或者商務智能
BI 中的這個 Intelligence，智能，雖說在不同時期有不同的定義和解讀，但究其根本，其實都是想通過分析企業過往的經營狀況，得出正確的事實依據，從而指導和輔助商業的決策，讓商業決策和管理更科學，而不再是根據感覺拍腦袋來決定
BI 的概念早已有之，但最近這些年比較火，因為很多企業在經歷了多年的信息化建設后，都沉淀下了很多數據，這些海量的真實經營數據如果不加以利用，那就只能放在磁盤中蒙塵，一文不值，如果能利用好，分析好，則能幫助企業更科學的去經營和管理，為企業找到新的機會和增長點，成為企業降本增效的法寶，所以很多企業就想到了用流行的 BI 工具來挖掘這些數據的價值，讓企業決策變的智能
但是上了 BI，B 就真地 I 起來了嗎，商業就真可以“智能”起來了嗎 ？
事實告訴我們，并不見得。
可視化喧賓奪主
BI 本質上應該是數據分析，特別是交互分析，通過分析數據得出科學依據，然后指導決策和管理，但現在有很多 BI 都被簡單地理解成可視化了，偏離了分析
網上各家 BI 的介紹和 demo，最先映入眼簾的都是各種大屏，酷炫的大屏極具視覺沖擊力，也會讓用戶產生聯想：如果我的項目中也有一個這樣的大屏，那一定會給項目增色不少
很多用戶就會在大屏中迷失，很多項目也會在大屏中走偏，把 BI 項目做成了大屏可視化項目
大屏對于數據系統是有業務意義的，在一個綜合的面板里把相關的重要的信息通過圖表結合的形式展現出來，高效又直觀，當然也美觀，但它反映的信息在宏觀層面，對一線經理們的日常決策作用不大，BI 應該是個微觀業務，是面向一線人員的交互分析，大屏只會呈現一些幾乎眾所周知的宏觀信息，而且樣式比較死板單一，基本沒有交互，頂多有個參數，把大屏當成 BI 建設的主要成果，就和智能分析的目標南轅北轍了
上了 BI，“B” 就 “I” 了嗎？
文章轉自數據分析公眾號
原文鏈接：//mp.weixin.qq.com/s/k3-AqnV4KlaJNY9vmaEF3A
QUDONGLI
︻數說︼
︻數說︼
QUDONGLI
驅動力
第十九期
而這些有關聯的，有復雜計算的分析需求，恰恰才是更有業務意義、能給企業帶來價值的、企業真正需要的分析，BI 工具做不了這些，那就只能成為擺設，自然也就智能不起來了
然而這些并不影響 BI 的火爆，因為這個沉痛的結論在前期的調研和試用中是發現不了的，廠商演示的數據和操作都是提前準備好的，用戶試用時也基本都是先找最簡單的來測試，演示和測試的重點也基本都放在了功能的驗證上，什么切片旋轉下鉆，是否流暢美觀等，并沒有考慮處理數據的能力，直到采購上了 BI，真正使用了，由淺入深，由簡入繁后才慢慢發現，真正需要做的分析任務其實做不了多少（以后測試 BI，可以用上面提到的那些 BI 都做不好的例子去驗證）
到最后，上 BI 的結果經常成了面子工程，最后得到的，僅僅是一些可視化效果，最需要的 BI 交互分析功能反而成了擺設，沒多大用了
幾十萬的 BI 工具都最終成了擺設，難道商業智能，業務人員做交互分析的需求就實現不了了嗎？BI 系統應該如何建設才能讓商業真正智能呢，讓 B 更 I 呢？
怎樣更 I 更智能？
可視化不是 BI，不要走偏
可視化嚴格的講其實不算 BI，系統如果需要可視化大屏，那可以上，但不要把概念混淆，要明確目標，建設 BI 不一定需要大屏，大屏也和 BI 智能分析沒有啥關系，不要走偏
另外實際做過這些可視化效果的同學們會發現，圖形、大屏其實也并不是昂貴的 BI 工具或者大屏工具的功勞，圖形隨便找一個第三方圖形包（比如 Echarts）或者集成了圖形包的報表工具就可以，而且第三方圖形的種類和美觀度也遠比 BI 工具要好很多，大屏基本都是手工做的，梳理業務、需求調研、制定指標、整理數據、繪制原型、動畫美工等環節，該人工做的都得人工去做，用不用工具其實都一樣 ，并省不出多少工作量來，用好幾十萬的 BI 工具做 1-2 個大屏，怎么算都不劃算
注重多維分析中的關聯能力
多維分析雖然用處不算大，但畢竟還是能讓業務人員自己做些分析，這種通用的功能通常可以由 BI 工具平臺來提供
簡單的 BI 多維分析，哪個工具平臺都能做，除了產品外觀有差異外，內在功能其實都一樣，，但關聯分析就不一樣了，各個 BI 工具都宣稱自己可以做，但實際效果卻和宣傳相去甚遠
BI 分析孱弱無力
即使沒有走偏，把握住了 BI 的正確方向，業界通行的 BI 工具也依然對企業實現商業智能的幫助不大
BI 工具大多都外觀比較新潮，看著很高大上，然而實際上卻大都華而不實，能做的事情很有限，基本也就是多維分析那些動作，大部分 BI 工具只能做基于單表做簡單的分類匯總統計，比如
- 統計全班同學各科的總分和平均分
- 按地區、省份、城市，分組統計客戶的數量
- 移動公司統計北京各區 1 季度新開通了多少電話號碼
- 倉庫統計各類產品庫存量以及和年初的差值
- 查看每個銷售每月的訂單量以及是否付款
- 等等......
而這些簡單的單表分析也就占到整體分析需求的 10%，做到這些離智能分析還差的很遠很遠
再往下看這些有多表關聯的，這一部分大約占 20%-30% 左右，大部分 BI 工具就做不好了
- 查詢北京號碼打給上海號碼的通話記錄，需要通話記錄表和賬戶記錄表重復多次關聯
- 查詢中國經理的美國員工，需要員工表和部門表相互關聯
- 一些表中有父 ID 和子 ID 查詢時需要自己和自己關聯
- 按日期統計合同額、回款額和庫存金額，如果沒有事先準備好寬表，又會涉及多個表的關聯
- 等等......
關聯關系太復雜，看不懂，業務人員就基本都不會拖拽了，只能求助技術人員來幫忙整理數據了，做成寬表或者類似寬表的 CUBE，然后給業務人員來用
再遇到下面這些占更大比例，60%-70% 的，帶有復雜計算（多步、過程式計算）的，就更是都啞火了，不是做不好，而是做不了了
- 列出銷售額累計占到一半的前 n 個大客戶
- 查看一下語文、英語和數學成績都在前 10 名的學生都有誰
- 查查哪些半年不出單的客戶在更換了銷售人員后半年就出單了
- 找出 3 年內的銷售冠軍以及他們賣的最好的產品
- 計算某支股票最長連續漲了多少交易日
QUDONGLI
︻數說︼
︻數說︼
QUDONGLI
驅動力
第十九期
業務人員做不了，那就只能通過技術人員來做了，這類復雜的分析占比通常又比較大，技術人員手工做也不現實，效率太低，成本太高，一般都會用報表工具來做
要做的復雜分析多，而且分析還隨需而動，報表也就得跟著隨需而動，總會做新的或者改舊的，這就需要報表工具的效率高一些才行，否則不僅會大量的浪費技術人員的工作量，還會影響智能分析的效率和效果
報表效率體現在兩方面，一個是制表效率，一個是數據準備效率，而且后者更重要
就好比上面的這些 BI 做不了的復雜計算的分析，它做不了，并不是因為格式復雜，而是因為計算復雜，就算是報表來做，同樣復雜，得寫大段的 SQL 才能算出來，沒有幾年經驗的同學寫不了
另外大數據時代的數據，不僅數量大，而且很雜，有 RDB，有 NOSQL，有文件、json，有 MPP、 Hadoop，企業要做的分析，常常會涉及多源混算，有時候不得不用 JAVA 來寫，數據準備就會更難，今天要做分析了，結果報表工程師搞不定數據，得找高級工程師先幫忙來準備數據才行，這就把分析和決策耽誤了，也談不上什么智能了，所以要有良好的數據準備能力才行
但不幸的是，并沒有多少報表工具在數據準備上下過功夫，大部分還得是高級技術人員去硬寫 + 硬算，目前只有潤乾報表有專門的數據準備工具
大部分的 BI 工具解決關聯分析的方法有兩種，一種是：先由技術人員建模來消除關聯，做成寬表或者類似寬表的 CUBE，然后再能給業務人員去拖拽分析，做的這些寬表，只能符合一定范圍內的分析需求，超出范圍的，就得重新求助技術人員，很不自由，而且時效性也保證不了，本來是要馬上做分析，要做決策，結果還得找技術人員先建模，等建好了，可能好幾天都過去了，決策早都做完了
第二種是：干脆把數據直接暴露給業務用戶，讓用戶自己去拖拽關聯，這樣是及時也自由了，但是連技術人員都可能被繞暈的關聯關系，又怎么可能是業務人員能拖拽清楚的呢，就更沒法用了，更沒意義了
更深層次的大部分 BI 廠商都做不好關聯分析的原因，可以參考這個帖子：
為什么 BI 軟件都搞不定關聯分析
好的解決方案是，能自動進行關聯，并把數據以清晰簡單的方式提供給業務用戶，慶幸的是現在這樣的技術已經有了：潤乾報表的 DQL
潤乾報表的 DQL 引擎可以把復雜、難懂的各種關聯自動處理成業務人員輕松就能看懂的樹狀目錄數據，就可以不求助技術人員，自助進行拖拽分析了
能解決關聯分析的難題，才能做更多有意義的分析，才能給企業提供更多科學的決策依據，才能更接近智能，所以一定要重點考察關聯分析的能力，可以用前面提到的幾個關聯分析例子去驗證各個產品
用豐富靈活的報表輔助分析
前面的例子中我們可以看到，一些涉及復雜多步，過程式計算的分析，BI 就做不了了，這是因為 BI 的定位是讓業務人員拖拽分析，而拖拽不可能實現復雜的計算步驟，捋清楚復雜的計算邏輯也根本和業務人員的角色定位不符
在潤乾報表中，多了一個SPL 集算器的數據計算層（SPL 本身是一個流行的開源計算工具），這個計算層就是專門用來做數據準備的，它支持多樣性數據源的混算，可以高效的代替 JAVA、存儲過程來做數據準備，而且初級工程師學幾天就可以上手，能進一步保障分析的及時性和準確性
另外這個 SPL 準備好的數據，不僅能給報表用，也能給 BI 多維分析用，或者導出 EXCEL 做桌面分析用，也能讓業務人員進行更多需要復雜計算的分析了
想了解 SPL 是怎么簡單的做多步計算的同學，可以看這個帖子，帖子里有很多高效計算的例子：
SQL 為什么動不動就 N 百行以 K 計
有了報表輔助后，BI 做不了的分析就可用報表來做了，BI 的短板補上以后，BI 的建設也就離智能更近一些了
QUDONGLI
︻數說︼
︻數說︼
QUDONGLI
驅動力
第十九期
自己從頭去做一個 BI，工作量和難度都太大，不太現實。CUBE 雖然簡單，但其數據處理和界面仍然有不少的內容，BI 廠商也耕耘了不少年頭，完整復制并沒那么容易。如果能基于現成的通用 BI 產品再來改造定制，那就輕松多了，可惜，商用的 BI 工具大都是不開源，對外接口也很簡單，無法支撐深度改造定制的可能性。幸好開源 BI 還挺多，國外的有不少，國內的也有潤乾的開源 BI，中文頁面更好改，而且潤乾專注于 BI 報表行業 20 年，也更懂國人的 BI
在行業經驗的加持下改造過的 BI 解決方案就會比通用的 BI 產品更好用，業務用戶能做的交互分析也就更多更輕松了，BI 也就更智能一些了
總結
BI 工具，雖說叫 BI，但對 BI“智能”的實現其實作用甚微，名相如實不相如，就像現在的 AI 一樣，都說自己智能，但其實并沒有，大家都是在路上，離終點還很遠，上了 BI，也還離 I 很遠
想要讓 BI 更 I 更智能，首先要明確目標，不要走偏；其次要注重 BI 工具數據處理的能力，比如能否做好關聯分析，讓 BI 可以勝任更多的分析場景；然后還需要有其他分析工具來補充，比如報表工具，實際上，用戶每天看的用的也主要是報表；最后還得找有行業經驗的實施廠商來給定制、實施，通用的 BI 廠商各行業都想普適，各方都想滿足討好，是不可能的，只能是弄的誰用起來都別扭，必須行業定制才可以
然而就算把這些都做到了，商業也不是就完全智能了，“智能”是一個遙遠的終點，我們依然在路上，只是離終點更近了一些
行業知識 + 開源 BI
現在市面上大部分的 BI 產品都是通用 BI 廠商提供的，通用 BI，目標就是通用，各行業都可以用，什么業務角色都可以用，誰都可以用，電信行業的用起來合適，金融行業用起來也服帖，但這不用思考都知道不可能，想讓誰都能用好，造成的結果肯定是誰都不好用
如果由有行業經驗的專家參與，進行專業化設計，那結果就會有巨大不同
有了行業經驗才知道這個行業需要分析什么，業務用戶關心什么、常用的是哪些，需要哪些數據，就可以把常用分析需要的數據源提前準備好，避免臨時修改或者重新做 CUBE（如果用潤乾報表 DQL，做這一步會更方便）
有了行業經驗才知道哪些參數指標需要做活或做死，界面才會方便，比如現在有很多標簽屬性（是否值，客戶是不是大學生，有沒有信用卡），數量可能達到幾百上千，通用 BI 會把這些都當成維度統一處理，讓用戶對著成百上千個維度去拖拽，不僅界面難用，能不能找到想要的標簽都是個問題，有行業經驗的開發商則會把標簽按業務合理分類后再呈現出來供用戶拖拽，，就會好用很多。還有些標簽、維度是聯動的，選了某個，其它維度的可選范圍會跟著變，有經驗的行業開發商就會把它提前做好聯動，選起來就會更快捷方便，而通用 BI 產品是不會知道這些的（或者就需要很復雜的表達式甚至腳本來定義）
有了行業經驗才會更了解用戶的使用習慣，更懂用戶，有些維度或條件可能還會有行業甚至用戶特有的輸入方式，比如股票區間可能希望看著 K 線圖去找，這些都有強烈的行業特色，對行業了解足夠深才能把握用戶這些習慣，并根據習慣來優化功能，還可以把一些行業內常見的多步計算事先封裝好，業務用戶可以直接引用。各行業還有自己的內部文化、知識、語境等，深耕行業常和用戶泡在一起的軟件企業才會感知到這些細節，更懂用戶才能做出業務人員更容易理解、更方便使用的界面，而通用 BI 則不可能做到這一點，它的普適定位和行業專精本來就是沖突的，只會提供通用抽象的技術術語和統一的界面，這就會造成不管是哪個行業用起來都不是很貼近的感覺
有了行業經驗還能防范技術風險，數據開放給用戶后，很有可能會做出不規范、不合理的拖拽，這就會帶來性能問題，造成卡頓，或者直接把后臺數據倉庫給拖死了，行業經驗支持下的交互界面，對應的后臺計算是設計過的，計算量可控，定制界面還可以對計算量巨大的動作做出限制，這樣后臺數據倉庫也能撐住了，避免了性能問題隱患
所以 BI 要想真正智能， 必須得走行業化，專業化才可以，這個要求通用 BI 廠商就明顯滿足不了了，它們的普適定位和行業專精本來就是沖突的，得由行業軟件開發商來做行業化甚至是針對用戶特制的 BI 才可以
然而行業軟件開發商，雖然有行業知識和經驗，有潛力把 BI 做的更貼近用戶，讓分析更加智能，但其實他們做起來也很難
INPUT YOUR LOGO HERE
︻風向︼
︻風向︼
INPUT YOUR LOGO HERE
驅動力
第十九期
【前言】
我是西索，距離2011年6月22日，到現在是真正意義上做了十年數據分析，十年前沒有種好樹，十年后我想重新開始積累。工作之后的前兩年是面向于C端的零售行業，余下的八年都沉浸在B端領域里面，研究數據增值、變現的場景。
"The best time to plant a tree was 10 years ago. The second best time is now."
21年7月份的時候寫了一篇文章《感悟篇：我在B端做數據分析（一）》，對B端和C端在業務上的差異性進行了對比，將數據在B端業務下的應用場景做了概括性的總結。
時隔兩年，續著第一篇接著往下寫，說一說B端業務下的指標體系的建設過程。
在第一篇文章里面有提到過幾個管理層關注的核心指標
我在B端做數據分析——指標篇
文章轉自一個數據人的自留地
原文鏈接：//mp.weixin.qq.com/s/lN299nN1Y98JgLfDcVInjw
作者介紹
@西索
知乎：鄭小柒是西索啊
資深數據分析專家
故事很多，余生慢慢分享
“數據人創作者聯盟” 成員
QUDONGLI
︻風向︼
︻風向︼
QUDONGLI
驅動力
第十九期
在指標建設過程中的合理性、復雜度、落地性都飽受爭議，以至于很多分析面試的第一關便是如何建設基于某某場景的核心指標，如何去做指標的定義與監測，如何對核心指標進行跟蹤…
為什么我們一直在說指標建設，但是卻又一直做不好？指標建設，絕對不是說做一套產品就可以了，產品只是指標應用的一個承載體而已。
前幾天去省廳開會，有一句話特別有感觸
對做數據統計的崗位來說，如果沒有系統化的指標來支撐，就會很痛苦，可能每天都會在找數據和湊數據的過程上，就顯得比較低效。
所以才會去推數字化轉型建設，從源頭就把信息內容變成數字化，減少人為干預的環節，實現全鏈路的數據可視化
【戰略目標和管理必要性】
做企業，最大的目標是為了盈利，非營利性的組織與團體，不在分析的范疇內。無論是平臺型B類、SaaS服務型B類、實業型B類，從全生命周期的角度來說，都離不開「營收」、「品牌影響」、「行業知名度」
1.1 自上到下的考核機制，離不開指標建設
指標，是伴隨考核而產生的，中央考核部委、部位考核省廳、省廳考核市局、市局考核縣區、區縣考核到單位，這就是一個完整的考核鏈路。
對公司而言，也是一樣，董事會考核公司管理層、管理層考核事業部、事業部考核到子級業務線。促進數據指標建設的必然性，一定離不開企業在做數據化轉型、數據管理、數據驅動中的主要痛點，尤其是在經濟下行的市場環境下，營收目標的增長實現，就需要一套指標拆解的方式進行動態跟進。
參考《抖音集團數據指標體系分析與增長實踐 》一文中的案例，任何一門生意都能用簡單的數學模型來描述，實現運營公式的拆解
1.2 指標解決的幾個實質性問題
指標的建設，不是空穴來風，做做樣子，而是解決實打實的業務痛點，在企業運轉過程中，幾個最典型的問題在于：
1.3 構建指標的幾種業務思考
了解戰略目標 - 熟悉業務特性 - 提煉場景指標 - 核心指標開發 - 跟蹤監控預警
【B端指標建設的特性】
在第一篇文章中從用戶、業務、產品、行為、數據五個方面對B/C端進行了多維對比，在定義和設計指標的時候，需要充分認知到企業所在行業、市場上的差異性。提到B端就離不開數字化采購，根據艾瑞發布的采購行業研究報告，可以把B端的數字化拆分為兩個時代：ERP時代、SRM時代
QUDONGLI
︻風向︼
︻風向︼
QUDONGLI
驅動力
第十九期
而B端的用戶體量，根據工商統計大約有4、5000萬家注冊企業數，劃分到細分垂直領域，每個行業下的體量更少了
2.1 簡單的B端業務
為什么說B端很簡單，大多數的理解起來，B端的用戶體量比較少，所以數據就會少
在中國，C端的用戶體量大約在7～9億左右額
具體可以體現在以下4點：
2.2 復雜的B端場景
但實際上，B端也不少，主要看業務體量，是屬于訂單性質，還是看大合同類的服務履約性質
從供需的關系上來拆解，可以把采買過程拆分為四個環節：需求確認 - 供應商篩選 - 執行與追蹤 - 交付驗收
涉及的業務鏈路復雜
決策鏈路復雜
【指標建設方式及內容設計】
3.1 指標建設方式
從上至下的指標體系建設需要跟隨企業戰略目標的變更而進行變更，從而需要進行大量的指標變更。
從下至上的指標體系應關注在每個業務域內的經營活動而形成指標。要注意的是，各個業務域內可能存在交叉環節，相對應的指標在內部以及部門合作之間需明確指標口徑。
大數定律在B端有用，但是沒那么有用
QUDONGLI
︻風向︼
︻風向︼
QUDONGLI
驅動力
第十九期
3.1.2 自下而上
整體而言，公司的目標會貫徹到各個子業務線的中短期規劃里面，從組織架構設計上來看，指標建設的過程也應該是從上到下的管理過程。
實現方式：從業務需求出發，提煉需求過程中涉及到的數據內容項，形成業務核心指標；
3.1.1 自上而下
基于BI本身的職責和公司/團隊對BI的要求，設計BI建設體系并分別推進落地， 跨團隊的項目模式進行；
基于BI團隊現有的職責和任務， 專注于用戶側需求的滿足，涉及標準化建設的需求，建立推進機制，BI團隊作為需求和問題的發起者和結果的驗收者存在；
3.2 主題域劃分
實現方式
3.3 不同行業下的數據指標內容
B端企業有著非常強的行業特性，在不同的行業背景下，呈現出來的內容有著非常強的差異程度，根據日常關注的公眾號、數據服務機構、白皮書，收集整理了以下一些行業的數據指標，不一定對，可供參考。
3.3.1 B端 - 電商
B2B/B2G，銜接廠商與經銷商、政府與服務商、渠道代理與分銷商之間的平臺公司，從流量 - 曝光 - 獲客 - 訪問 - 選購 - 下單 - 支付 - 倉儲物流 - 最后1公里配送的交易流程，對埋點強依賴，行業特性比較強
核心指標：GMV、轉化率、ROI、復購率
3.3.2 B端 - SaaS
SaaS軟件即服務，需求和服務的行業差異性特別大。包括信息軟件服務、人力資源服務、財務會計服務、企業管理咨詢服務、IT技術支持服務、法律咨詢服務等。
核心指標：復購率
3.3.3 B端 - PaaS
PaaS平臺即服務，通常是指針對企業或組織等而設計和開發的互聯網軟件工具，旨在幫助企業提高工作效率、降低成本和提升業務管理水平等。
基于十大主題進行歸類，可以構建原子粒度的DWD(數據明細層)和DWS(數據匯總層)，也可以用于方便集市內部表單管理
QUDONGLI
︻風向︼
︻風向︼
QUDONGLI
驅動力
第十九期
3.3.5 B端 - 汽車
利用互聯網和移動互聯網技術，為汽車行業提供線上和線下一體化的服務，包括汽車銷售、維修、保養、租賃、二手車交易等領域，通過平臺查詢汽車信息、預約試駕、在線下單、申請金融服務等，為消費者提供更精準、更定制化的服務和產品。
主要包括：汽車生產廠商、經銷商、維修保養機構、租車公司、物流運輸企業等。
可按照細分場景做更細粒度的拆解
3.3.4 B端 - 零售
零售行業，通過快速建立品牌形象，以銷售目標為導向，滿足顧客的需求的同時確保獲得最大的利潤。
核心指標：GMV、連帶率、客單價
3.3.7 B端 - 金融
金融行業，快速響應企業、家庭、個人的靈活用錢需求，解決資金短缺問題，同時也為機構帶來穩定的收益來源，通過保險合同的簽訂，將某些風險的損失分散到眾多保險客戶之間。
主要包括：保險、保函、貸款、信用卡、消費分期、互聯網金融、小額貸款等。
3.3.8 B端 - 醫療
通過互聯網技術和平臺，為醫療機構、醫生、藥企等B端用戶提供一系列在線醫療服務的商業模式。
包括：在線問診、遠程醫療、病例管理、醫療影像處理、健康檔案管理等
3.3.9 B端 - 文娛類
平臺為企業、機構和個人，提供短視頻、課程、文案等內容創作、制作、發行的服務
核心指標：LTV
3.3.6 B端 - 房地產
注重商業性和專業性，針對的是大型企業和機構的需求和目標，涉及的產品和服務范圍更廣，其特點是項目規模大、服務內容全面、專業性強、服務要求高。
QUDONGLI
︻風向︼
︻風向︼
QUDONGLI
驅動力
第十九期
維度和事實：維度是可枚舉性的值，且是有限值，可歸集。事實是不可更改和調整的。
復合指標：通過幾個派生指標經過運算形成。
例如：將浙江省內2021年度交易次數>5次的供應商計數的運算。
3.4.2 數據指標的維護
- 誰在什么時候應該做規則更新？
- 生成：將條件、范圍、維度、度量，事實明確而形成，例如SQL查詢。
- 定義：通用規則，通過邏輯去診斷指標定義。包含指標名稱與指標口徑。外部用戶叫法及內部系統名稱，對于不同用戶受眾，需要不同叫法。
- 命名規范：需要注意針對對象進行命名，例如針對管理層GMV，對業務方銷售生命周期的末端
- 應用：針對不同受眾，所理解的指標別名不同。例如：GMV在有任務場景下被定義為月銷售額輸出。
- 迭代維護：當業務，系統等情況發生變化時，需要對指標定義進行重新定義、修改。
3.4.3 數據指標的銷毀
生命周期的末端
銷毀：銷毀指標同樣是一種選擇，但通常不常用。銷毀復合指標的場景是：當復合指標不符合當期經營所需情況且不產生價值時。
3.4 數倉下的指標建設過程
3.4.1 數據指標的生成
原子指標：不可分割指標。實際業務中，原子指標很復雜，不同時間節點的原子指標不一樣，行業規范不一樣。原子指標含有高度行業屬性。
派生指標：從原子指標發展，增加維度和定語去而形成的。可以在業務情況下，退化為原子指標。
ps：原子指標與派生指標的定義相對模糊，需要在特定業務場景下能清晰定義為原子或是派生。
指標口徑：等同邏輯（條件、范圍、維度、度量方法）。
例如SQL查詢語句：
【指標應用——監控與預警】
指標應用的幾個方面，產品、業務、報表，以下為網圖，真實環境下的數據不便于透出，如有需要探討可聯系。
4.1 可視化大屏
4.2 BI數據產品
4.3 用戶標簽與畫像
QUDONGLI
︻風向︼
︻一線︼
QUDONGLI
驅動力
第十九期
【寫在最后】
回過頭看這些年的經歷，感慨萬千，在過去這十年的工作經驗里面，一直都是在數據分析這個title上。很想把這些年積累的一些知識內容以文字的形式記錄下來，對于一個純理科生來說，這無疑是一種挑戰。后面應該會拆成很多個部分，縫縫補補，陸陸續續的完善。
4.4 預警系統
在很多人入門數據分析師或者投身大數據行業的時候，必然會聽到的兩個詞就是“報表工具”和“BI商業智能”。然而很多人并不明白兩者的概念和區別，以為報表就是BI，BI就是報表。
其實這是相當錯誤的理解，造成這種錯誤觀念的原因主要是兩者都是大數據時代下的分析工具，兩者的功能有所重合，想要搞清楚兩者之間的區別，就要從報表工具和BI商業智能工具的應用場景上分析。
01 BI商業智能與報表軟件有什么區別？
報表是數據展示工具，商業智能BI是數據分析工具。
報表工具顧名思義就是制作各類數據報表、圖形報表的工具，甚至還可以制作電子發票聯、流程單、收據等等。
商業智能不單單是一個工具，更應該是一種解決方案。百度百科給出的解釋是：商業智能是提取企業各個運作系統的數據，然后進行清理、抽取、轉換和裝載，即ETL過程，合并到一個企業級的數據倉庫里，從而得到企業數據的一個全局視圖，在此基礎上利用合適的查詢和分析工具、OLAP工具等對其進行分析和處理，最后將結果呈現給管理者，為管理者的決策過程提供支持。
BI和報表到底有什么區別？
文章轉自數大魚的數據人生，作者歪老師
原文鏈接：//mp.weixin.qq.com/s/CEQcUQ7osMWOZlbX6KXdKA
QUDONGLI
︻一線︼
︻一線︼
QUDONGI
驅動力
驅動力
兩者最明顯的區別，報表主要是IT開發人員制作并且服務于業務流程，比如銷售報表、供應鏈生產報表。而BI商業智能也能做報表，但BI的報表形式更簡單，操作起來自然更方便，報表的字段大多拖拖拽拽到維度框指標框中，形成報表，使用者有IT人員也可以是業務分析者。
一般來說，BI與報表有以下4個方面的區別：
1）任意分析維度
假設老板需要對一份有20個維度的銷售明細數據進行任意維度的查看。維度有省、市、區、經度、緯度等區域字段，以及商品編號、商品名稱、商品類型等商品屬性字段等。
報表可以實現多維度數據展示，卻無法支持任意維度任意組合。有N個維度，制作N張報表的形式雖然可以勉強支持，但工作量直接翻了N倍；就算不考慮后期運維成本，如果每張報表再考慮配置數據權限，是N*N指數級工作量的增長。
2）任意分析路徑
分析路徑，不僅僅指代通過鉆取改變分析的顆粒度。除此之外，數據分析需要對多維形式組織起來的數據進行聯動、鉆取、維度切換等各種分析操作，以便剖析數據。畢竟，領導們看數的需求是無法預先設置的，真正的“任意分析”是滿足老板隨心所欲想要什么就有什么的看數需求。
且不說報表配置參數有多曲折繁瑣，這一切，都不是靠報表系統配置一些常規的分析路徑就能夠滿足的。
3）實時分析
如何實時掌握今年雙十一的銷量情況？
如何自定義業務核心指標并保持實時更新，讓管理部門迅速發現問題？
如何實現異常數據自動預警，以便企業及時調整規劃？
如何統計公司內部任務安排情況（例如研發開發排期），協助領導進行人員等資源調配？
首先，單純的報表系統實現不了“實時數據”的支持，再者，實時數據≠實時分析，企業更渴望的是“實時分析”。實現準實時、分鐘級實時數據的更新，同時支持復雜計算與分析才是老板的剛需。
4）報表系統無法實現的地方
報表系統可以連接多維數據庫，但無法實現拖拽分析和自助分析；報表系統一般接入在某個業務系統數據庫上提供查詢功能，也可以實現跨庫關聯查詢，但實現的復雜度和性能依賴報表工具的能力，除了數據展現以外，數據挖掘、性能優化、權限管控上都無法支持。
由此可見，報表，只是數據的一種展現工具，是靜態的、固化的。所謂報表工具，例如國外的水晶報表，這類產品的本質是統計和展現數據，并提供基礎的分析功能（排序、總計、方差等），報表目的是幫助用戶掌握和了解數據，讓使用者通過觀察企業數據，知道當下發生了什么事情，著重于短期的運作支持。
而BI的重點在于商業數據的分析，它是立體多方面的，集成了數據統計、數據展示、數據分析和挖掘、數據預警等一系列整體的解決方案。在企業經營的過程中，決策者不僅僅需要知道發生了什么，還要知道為什么發生，以及通過已知去推斷未來可能會發生什么。
總結一下，BI側重于數據分析，是業務、數據、數據價值應用的過程，是一整套完整的解決方案。報表側重數據展現，報表只是BI中的一個組成模塊，報表無法替代BI。
以國產主流的FineReport和FineBI舉例，前者是報表平臺工具，后者是商業智能BI。
02 報表平臺工具
FineReport的應用場景主要是業務報表制作，比如一些企業固定的月報，季報和關鍵數據指標的統計、展示和分析，在快速響應業務需求的同時解放自身勞動力。主要功能分為三大類：數據展示(報表)、數據查詢(參數)和數據錄入(填報)，還有報表管理。
數據展示報表可分為表格類和圖表類：
表格類
QUDONGLI
︻一線︼
︻一線︼
QUDONGI
驅動力
驅動力
圖表類
03 商業智能BI
商業智能工具側重于數據分析，所以在報表制作難度上大大降低，但換來的代價是，不能制作復雜的報表。不同于傳統做表的方式，他的目的在于將大數據量的數據快速的進行模型構建，進行展示，制成Dashboard。相比報表，側重點在于分析，優勢在于操作簡單、數據處理量大，分析快速。
以FineBI為例，它是一個能快速搭建各種業務模型的自助式分析平臺，企業級商業分析工具，常用于各種業務的數據分析。圖表美觀、上手簡單，搭建模型也不需要很專業的數據挖掘技能。可以幫助業務人員用系統化的方法來規劃、執行、測量和優化一個完整的、高度個性化的客戶需求管理計劃。
功能上BI有簡單報表（匯總表和明細表）、Dashboard和數據分析功能。
1、簡單報表
2、Dashboard
BI的可視化圖表更側重分析作用，主要是通過數據可視化更直觀地發現業務運營過程中存在的問題，以更好地幫助業務人員調整工作策略。
QUDONGLI
︻一線︼
︻一線︼
QUDONGI
驅動力
驅動力
3、數據分析
數據分析功能是BI工具的重中之重。目前市面上很多BI軟件采取的都是OLAP分析模式。OLAP也被稱為多維分析，它的目標是滿足決策支持或者滿足在多維環境下特定的查詢和報表需求，其技術核心是“維”這個概念，“維”一般包含著層次關系。具體來說就是OLAP能夠對數據采取切片、切塊、鉆取、旋轉等各種分析動作，以求剖析數據，讓使用者能從多個角度、多側面地觀察數據庫中的數據，從而深入理解包含在數據中的信息。
04 BI商業智能與報表軟件的其他區別
1、從面向群體來講，報表主要面向IT開發者，或者某些企業專門設置的報表開發人員。因為需要一定的數據庫知識和少量的JS；商業智能主要面向業務人員、數據分析人員，讓他們不用給IT提需求，可以自給自足。操作簡單，側重分析。兩者最后的報表和數據分析結果都是給領導、管理層看的，他們通過分析結果來制定決策。
2、從背后的技術架構來講。商業智能可以處理更大的數據量，常常基于企業搭建的數據平臺，連接數據倉庫進行分析，但有些報表工具也可以完成這一部分工作。
3、最后的最后，兩者的關系可交叉可遞進，關鍵還是取決于企業需求，業務需求，也并不能絕對的判斷好壞，各有優勢，各有適用環境。
舉例來說，如果領導用報表查看數據，那么領導可以知道當月總銷售額、各個銷售員的業績、哪個產品賣得最好等等，主要是通過統計已知數據，了解總體和細節上的事實。
如果領導用BI查看數據，領導不光知道銷售額、銷售員業績，還可以基于這個報表進行更自由的探索分析，比如分地區、分產品分門店查看，比如使用不同的圖表（折線圖、餅圖、柱狀圖等）來獲取不同視角下的結論，甚至還能對未來做出預測，比如產品A銷量可觀，預計10號之后庫存枯竭，請及時備貨等等。所以BI提供了是更深度的分析和更智能的決策輔助，這是和報表核心區別。
目前國內開展信息化工作的企業中，絕大部分還是使用的報表軟件，主要用以解決企業內數據統計和展示的需求。而BI軟件應用情況則相對小眾，集中在信息化水平較高的行業中，比如銀行、零售企業、電商、互聯網公司這些。而國外企業因為信息化走的比我們超前，對于BI的應用已然很普遍了，同時國外的信息化軟件也都趨向bi化和智能化。
05 BI的價值體現在哪里？
現在企業都在談增長，BI對于企業的意義不是能給企業帶來多少增長，而是能夠給企業創造比別人更多更快的增長機會。
來看一個連鎖零售行業的例子。門店盈利是連鎖門店店長關注的重點，但很多企業對此的處理，只是計算一下各個門店的利潤值，這樣的數據統計稱不上BI分析。
當得知最近一周單某店鋪盈利下降/上升時，對利潤指標背后的隱藏信息進行發現和提煉，進行橫向和縱向的比較，利用BI去層層定位到波動原因。
單店盈利是由“毛利潤”和“成本”構成，“毛利潤”拆解后的衍生指標有“流量”和“客單價”等。假設成本不變的前提下，去分析門店盈利下降的原因，結合上圖的指標拆解，可以細化定位到主要是“流量”銳減所導致的。此時，再結合實地考察可知，近期馬路對面開了一家同類型的店鋪導致了自然客流分散。
找到企業經營上的問題，并針對性的提出解決方案，以及逐一梳理影響指標的最小因子，發現新的盈利增長機會，才能說明這項指標的BI應用是完整的。
QUDONGLI
︻一線︼
︻熱點︼
QUDONGI
驅動力
驅動力
從行業來看，任何一個行業都需要精耕細作，例如，如何做到單店、單品、單客戶的全息畫像？如何針對每一次促銷活動進行效果分析和評估？如何從成百上千、成千上萬個SKU中定位到本季度、CBD類型的門店內最熱銷的關聯商品搭配？
面對激烈的市場競爭，企業更需要有快速反應的能力。假設當下午3點某主力SKU時效類商品銷售不及預期，如何第一時間觸發預警、產生行動建議，并在可能錯失第二波客流高峰之前，快速層層上報，拉動及時干預？當新品退出的時候，如何做到“快反”，通過局部的實時趨勢結合歷史的規律，探測新品的銷售曲線，以最快的速度響應市場的節奏？
數據分析的高級玩家，已經開始嘗試預測決策：預測是任何一項決策的最重要入口。波士頓咨詢BCG最新的報告顯示，對于零售和消費品行業，銷售預測的準確度提升，可以為企業帶來2.5%的潛在增長。如何基于歷史經營數據與外部公共數據，預測未來1-7天不同細分品類、乃至SKU的銷售額，進而進一步指導訂貨、促銷、生產、物流？
這些就是BI能夠帶給企業的價值。讓每一次決定、每一個管理細節、每一層戰略規劃都有數據支撐。
06 企業如何選擇適合自己的BI？
至此，相信大家已經了解到BI是數據化建設的趨勢。
不同的行業，不同的企業，其BI需求是不同的。企業首先明確自己的業務類型、企業規模、目前的經營狀況。對于數據知識發現的方法和手段多種多樣，前提是要對業務本身有深刻理解，同時清楚地知道BI的終極目標，然后再考慮BI的可擴展性、售后服務以及迭代更新模式等。
以下幾點是筆者總結的BI選型關注的要點，供大家參考：
1）輕量型：很多BI平臺重在開發，對研發資源的要求高且對接慢，后期維護繁瑣。如果企業沒有相應的資源支持，建議選擇輕量的平臺，能夠快速上手，維護成本低。
2）方便易懂：數據分析的結果最終是要賦能業務端，但是業務端用戶尚缺乏專業的數據分析能力，建議對BI的選擇要考慮產品的易用性和學習成本。
3）創新靈活：我們很難預估未來數據分析需要什么樣的程度，所以在選擇之前一定要足夠考慮BI平臺的創新能力，例如是否有異常檢測、智能診斷、AI預測引擎、算法擴展等功能模塊。
（部分文字內容來源帆軟上海圈和觀遠GUANDATA）
為什么要花時間來解釋這個并不新鮮的問題?
是因為前段時間大師兄出差時，發現還是有不少用戶來問，逐漸也發現這問題的答案可能并沒有問題本身普及得開。因此，今天來寫這篇文章幫助大家認識、理解BI應該也不算過時。
全篇原創干貨，不妨耐下心，跟我花10分鐘去理清這些你每次都分不清的概念。
- 入門：弄明白，到底什么是BI？
- 進階：BI與大數據、信息化、數字化轉型的區別？
- 深挖：BI這么好，是否所有企業都應該上BI？
01 入門：弄明白，到底什么是BI？
對于BI（Business Intelligence，商業智能）的解釋，無論是在維基百科還是百度百科，你能搜到的都大差不差，都是告訴你：BI一個是利用XXX技術進行數據分析以輔助決策，提升決策效率的工具/方案。
雖然看著像套話，但BI本質確實是這樣，即“從數據中獲取知識，輔助決策”。
BI到底是什么，
是否所有企業都適合上BI？
文章轉自數帆軟服務號
原文鏈接：//mp.weixin.qq.com/s/Tcr1XE6_RSMT6jrAvBBJQw
QUDONGLI
︻一線︼
︻熱點︼
QUDONGI
驅動力
驅動力
通俗點說，就是企業在信息化建設后（例如上了MES、OA、ERP等業務系統），經過多年，在內部積累了大量的業務數據，但這些數據沒道理放著不用對吧，那怎么用？這就是BI發揮作用的時候。企業可以用BI來從這些數據中獲取知識，幫助企業知道如何根據這些數據來做出下一步的決策。
但為了易于理解，在對文獻研究和對300+CIO調研的基礎上，結合我國的市場環境，我們對BI做出了更精確的定義：
具體點說：
從包含關系上來看，BI屬于大數據領域的范疇，因此BI有時候也會被稱為“大數據BI”。
同時，根據信通院的《大數據白皮書》的定義可知，在整個大數據技術體系中，BI工具與數據可視化、數據挖掘一同位于數據分析應用技術中，而數據分析應用技術又位于大領域技術體系下（如下圖所示）。
BI是在打通企業數據孤島、實現數據集成和統一管理的基礎上，利用數據倉庫、數據可視化與分析技術，將指定的數據轉化為信息和知識的解決方案。
其價值體現在滿足企業不同人群對于數據查詢、分析和探索的需求，從而為管理和業務人員提供數據依據和決策支持。
ps：如果想更加系統了解BI，可參考：商業智能（BI）白皮書４.0
02?分清：BI與大數據、信息化、數字化的區別？
在上一段，我們知道了BI的官方定義，但還是對BI沒有實際感知怎么辦? 并且還經常把BI與大數據、信息化、數字化轉型混淆在一起，只知道它們都是跟數據相關的技術，但具體差別在哪，其實并不清楚。
因此在進階處，我們會帶你理清BI和這些詞的本質區別，幫助你進階理解BI到底是什么，能做什么。
1、BI和大數據
先給結論：
BI是大數據領域下的一部分。
但BI側重于讓不懂技術的業務人員帶著業務問題去做數據分析，通過數據找出業務所在問題，同時沉淀出好的分析方法和知識在BI內。而大數據則偏向于挖掘數據、找到企業中的數據價值并應用在實際場景中，會包含一些算法的內容。
因此：大數據>>數據分析應用技術>>BI工具，BI概念小于大數據。
2、BI和信息化
先給結論：
BI和信息化不屬于同類詞，BI是工具/平臺/系統/解決方案，而信息化是描述企業數據發展階段的名詞。
聯系起來說，也就是企業一般會在通過信息化積累一定的業務數據后，再上BI系統，即在信息化建設的中后期應用BI。
具體點說：
大多數企業中的信息化本質是：數據采集→流程管理→數據展示，從這個角度來看，你可以理解BI系統其實也是一類信息化系統。
- BI系統的數據采集是接入企業各類業務系統數據
- BI系統的流程管理是數據處理和分析流程
- BI系統的數據展示則比一般的信息化系統更牛
所以有些企業也會利用BI工具去開發一些信息化系統，用于補足定制業務系統的缺失。
3、BI和數字化轉型
先給結論：
QUDONGLI
︻一線︼
︻熱點︼
QUDONGI
驅動力
驅動力
企業發展過程是從基礎信息化→數字化，而BI則是承接企業從信息化→數字化轉型的最佳工具，幫助企業發揮在信息化階段所積累的數據價值，從而推動加速企業的數字化轉型進程。
具體點說：
就是讓企業的“死數據”通過BI變為“活數據”，讓企業的決策不再是拍腦袋決定出來的，而是有數可依。
第三階段：數字化轉型，讓已有的數據發揮應用價值
在做完信息化建設后，多數企業已經不滿足報表的展示了，會開始想上BI，開始讓業務人員去學著做數據分析，這是因為只有業務人員最懂業務，最能讓已有的業務數據發揮價值。
這時候也就是BI開始發揮作用的階段，即從管理層層面為企業提供管理依據、提升業務分析效率，從IT層面整合多系統數據，打通數據壁壘，提高報表制作效率，解放IT人員開發報表時間。
04?小結
在本文，主要講明了BI的定義，以及BI與大數據、信息化、數字化轉型的區別，也淺講了國內企業數據管理存在的問題，以及正確發展階段及其應該使用的工具。
03?深挖：BI這么好，是否所有企業都應該上BI？
大師兄認為這道題沒有標準答案，因為在不同數據發展階段的企業，所面臨的數據問題是不同的。
就中國大多數企業而言，其存在的情況是數據基礎建設差（數據無法采集收集存放），連最基礎的信息化都沒做好，就想一步登天到數字化轉型到大數據，有的還直接上了套大數據系統，結果根本用不起來。
造成這種情況的根本原因是對自我認知不足，不清楚自己需要什么，也沒想明白自己該如何按階段發展。
而目前，業內比較認可的企業數據發展階段是：
第一階段：基礎業務數據信息化
將企業日常手工事務性繁重的工作→業務系統工作的過程，選擇適合企業應用的各類業務系統，例如OA、ERP、MES等，先把數據系統化地儲存起來。
第二階段：解決數據孤島，實現內部信息透明
即建立不同業務系統中數據交流的橋梁，以便于中層管理者進行信息統計。
具體點說，就是做好企業報表，可以用到例如像FineReport這種企業級數據可視化管理工具，將經營過程中的復雜數據和流程進行梳理與整合，形成一套企業報表系統，做好數據的收集、處理、展示。
數據驅動變革
驅動力
電話：1580-136-5057
地址：朝陽區朝外大街甲6號萬通中心D座
郵箱：kai.zhao@yeepay.com
增值電信業務經營許可證：陜B2-20210327 |