驱动力文字版-FLBOOK

QUDONGLI

︻目录︼

QUDONGLI

驱动力

第十九期

table

contents

BI和报表到底有什么区别？

【一线】

BI到底是什么，是否所有企业都适合

上BI？

【热点】

我在B端做数据分析——指标篇

【风向】

上了 BI，“B” 就 “I” 了吗？

【数说】

QUDONGLI

︻数说︼

QUDONGLI

驱动力

第十九期

BI,Business Intelligence，中文名称：商业智能，或者商务智能

BI 中的这个 Intelligence，智能，虽说在不同时期有不同的定义和解读，但究其根本，其实都是想通过分析企业过往的经营状况，得出正确的事实依据，从而指导和辅助商业的决策，让商业决策和管理更科学，而不再是根据感觉拍脑袋来决定

BI 的概念早已有之，但最近这些年比较火，因为很多企业在经历了多年的信息化建设后，都沉淀下了很多数据，这些海量的真实经营数据如果不加以利用，那就只能放在磁盘中蒙尘，一文不值，如果能利用好，分析好，则能帮助企业更科学的去经营和管理，为企业找到新的机会和增长点，成为企业降本增效的法宝，所以很多企业就想到了用流行的 BI 工具来挖掘这些数据的价值，让企业决策变的智能

但是上了 BI，B 就真地 I 起来了吗，商业就真可以“智能”起来了吗？

事实告诉我们，并不见得。

可视化喧宾夺主

BI 本质上应该是数据分析，特别是交互分析，通过分析数据得出科学依据，然后指导决策和管理，但现在有很多 BI 都被简单地理解成可视化了，偏离了分析

网上各家 BI 的介绍和 demo，最先映入眼帘的都是各种大屏，酷炫的大屏极具视觉冲击力，也会让用户产生联想：如果我的项目中也有一个这样的大屏，那一定会给项目增色不少

很多用户就会在大屏中迷失，很多项目也会在大屏中走偏，把 BI 项目做成了大屏可视化项目

大屏对于数据系统是有业务意义的，在一个综合的面板里把相关的重要的信息通过图表结合的形式展现出来，高效又直观，当然也美观，但它反映的信息在宏观层面，对一线经理们的日常决策作用不大，BI 应该是个微观业务，是面向一线人员的交互分析，大屏只会呈现一些几乎众所周知的宏观信息，而且样式比较死板单一，基本没有交互，顶多有个参数，把大屏当成 BI 建设的主要成果，就和智能分析的目标南辕北辙了

上了 BI，“B” 就 “I” 了吗？

文章转自数据分析公众号

原文链接：https://mp.weixin.qq.com/s/k3-AqnV4KlaJNY9vmaEF3A

QUDONGLI

︻数说︼

QUDONGLI

驱动力

第十九期

而这些有关联的，有复杂计算的分析需求，恰恰才是更有业务意义、能给企业带来价值的、企业真正需要的分析，BI 工具做不了这些，那就只能成为摆设，自然也就智能不起来了

然而这些并不影响 BI 的火爆，因为这个沉痛的结论在前期的调研和试用中是发现不了的，厂商演示的数据和操作都是提前准备好的，用户试用时也基本都是先找最简单的来测试，演示和测试的重点也基本都放在了功能的验证上，什么切片旋转下钻，是否流畅美观等，并没有考虑处理数据的能力，直到采购上了 BI，真正使用了，由浅入深，由简入繁后才慢慢发现，真正需要做的分析任务其实做不了多少（以后测试 BI，可以用上面提到的那些 BI 都做不好的例子去验证）

到最后，上 BI 的结果经常成了面子工程，最后得到的，仅仅是一些可视化效果，最需要的 BI 交互分析功能反而成了摆设，没多大用了

几十万的 BI 工具都最终成了摆设，难道商业智能，业务人员做交互分析的需求就实现不了了吗？BI 系统应该如何建设才能让商业真正智能呢，让 B 更 I 呢？

怎样更 I 更智能？

可视化不是 BI，不要走偏

可视化严格的讲其实不算 BI，系统如果需要可视化大屏，那可以上，但不要把概念混淆，要明确目标，建设 BI 不一定需要大屏，大屏也和 BI 智能分析没有啥关系，不要走偏

另外实际做过这些可视化效果的同学们会发现，图形、大屏其实也并不是昂贵的 BI 工具或者大屏工具的功劳，图形随便找一个第三方图形包（比如 Echarts）或者集成了图形包的报表工具就可以，而且第三方图形的种类和美观度也远比 BI 工具要好很多，大屏基本都是手工做的，梳理业务、需求调研、制定指标、整理数据、绘制原型、动画美工等环节，该人工做的都得人工去做，用不用工具其实都一样，并省不出多少工作量来，用好几十万的 BI 工具做 1-2 个大屏，怎么算都不划算

注重多维分析中的关联能力

多维分析虽然用处不算大，但毕竟还是能让业务人员自己做些分析，这种通用的功能通常可以由 BI 工具平台来提供

简单的 BI 多维分析，哪个工具平台都能做，除了产品外观有差异外，内在功能其实都一样，，但关联分析就不一样了，各个 BI 工具都宣称自己可以做，但实际效果却和宣传相去甚远

BI 分析孱弱无力

即使没有走偏，把握住了 BI 的正确方向，业界通行的 BI 工具也依然对企业实现商业智能的帮助不大

BI 工具大多都外观比较新潮，看着很高大上，然而实际上却大都华而不实，能做的事情很有限，基本也就是多维分析那些动作，大部分 BI 工具只能做基于单表做简单的分类汇总统计，比如

统计全班同学各科的总分和平均分
按地区、省份、城市，分组统计客户的数量
移动公司统计北京各区 1 季度新开通了多少电话号码
仓库统计各类产品库存量以及和年初的差值
查看每个销售每月的订单量以及是否付款
等等......

而这些简单的单表分析也就占到整体分析需求的 10%，做到这些离智能分析还差的很远很远

再往下看这些有多表关联的，这一部分大约占 20%-30% 左右，大部分 BI 工具就做不好了

查询北京号码打给上海号码的通话记录，需要通话记录表和账户记录表重复多次关联
查询中国经理的美国员工，需要员工表和部门表相互关联
一些表中有父 ID 和子 ID 查询时需要自己和自己关联
按日期统计合同额、回款额和库存金额，如果没有事先准备好宽表，又会涉及多个表的关联
等等......

关联关系太复杂，看不懂，业务人员就基本都不会拖拽了，只能求助技术人员来帮忙整理数据了，做成宽表或者类似宽表的 CUBE，然后给业务人员来用

再遇到下面这些占更大比例，60%-70% 的，带有复杂计算（多步、过程式计算）的，就更是都哑火了，不是做不好，而是做不了了

列出销售额累计占到一半的前 n 个大客户
查看一下语文、英语和数学成绩都在前 10 名的学生都有谁
查查哪些半年不出单的客户在更换了销售人员后半年就出单了
找出 3 年内的销售冠军以及他们卖的最好的产品
计算某支股票最长连续涨了多少交易日

QUDONGLI

︻数说︼

QUDONGLI

驱动力

第十九期

业务人员做不了，那就只能通过技术人员来做了，这类复杂的分析占比通常又比较大，技术人员手工做也不现实，效率太低，成本太高，一般都会用报表工具来做

要做的复杂分析多，而且分析还随需而动，报表也就得跟着随需而动，总会做新的或者改旧的，这就需要报表工具的效率高一些才行，否则不仅会大量的浪费技术人员的工作量，还会影响智能分析的效率和效果

报表效率体现在两方面，一个是制表效率，一个是数据准备效率，而且后者更重要

就好比上面的这些 BI 做不了的复杂计算的分析，它做不了，并不是因为格式复杂，而是因为计算复杂，就算是报表来做，同样复杂，得写大段的 SQL 才能算出来，没有几年经验的同学写不了

另外大数据时代的数据，不仅数量大，而且很杂，有 RDB，有 NOSQL，有文件、json，有 MPP、 Hadoop，企业要做的分析，常常会涉及多源混算，有时候不得不用 JAVA 来写，数据准备就会更难，今天要做分析了，结果报表工程师搞不定数据，得找高级工程师先帮忙来准备数据才行，这就把分析和决策耽误了，也谈不上什么智能了，所以要有良好的数据准备能力才行

但不幸的是，并没有多少报表工具在数据准备上下过功夫，大部分还得是高级技术人员去硬写 + 硬算，目前只有润乾报表有专门的数据准备工具

大部分的 BI 工具解决关联分析的方法有两种，一种是：先由技术人员建模来消除关联，做成宽表或者类似宽表的 CUBE，然后再能给业务人员去拖拽分析，做的这些宽表，只能符合一定范围内的分析需求，超出范围的，就得重新求助技术人员，很不自由，而且时效性也保证不了，本来是要马上做分析，要做决策，结果还得找技术人员先建模，等建好了，可能好几天都过去了，决策早都做完了

第二种是：干脆把数据直接暴露给业务用户，让用户自己去拖拽关联，这样是及时也自由了，但是连技术人员都可能被绕晕的关联关系，又怎么可能是业务人员能拖拽清楚的呢，就更没法用了，更没意义了

更深层次的大部分 BI 厂商都做不好关联分析的原因，可以参考这个帖子：

为什么 BI 软件都搞不定关联分析

好的解决方案是，能自动进行关联，并把数据以清晰简单的方式提供给业务用户，庆幸的是现在这样的技术已经有了：润乾报表的 DQL

润乾报表的 DQL 引擎可以把复杂、难懂的各种关联自动处理成业务人员轻松就能看懂的树状目录数据，就可以不求助技术人员，自助进行拖拽分析了

能解决关联分析的难题，才能做更多有意义的分析，才能给企业提供更多科学的决策依据，才能更接近智能，所以一定要重点考察关联分析的能力，可以用前面提到的几个关联分析例子去验证各个产品

用丰富灵活的报表辅助分析

前面的例子中我们可以看到，一些涉及复杂多步，过程式计算的分析，BI 就做不了了，这是因为 BI 的定位是让业务人员拖拽分析，而拖拽不可能实现复杂的计算步骤，捋清楚复杂的计算逻辑也根本和业务人员的角色定位不符

在润乾报表中，多了一个SPL 集算器的数据计算层（SPL 本身是一个流行的开源计算工具），这个计算层就是专门用来做数据准备的，它支持多样性数据源的混算，可以高效的代替 JAVA、存储过程来做数据准备，而且初级工程师学几天就可以上手，能进一步保障分析的及时性和准确性

另外这个 SPL 准备好的数据，不仅能给报表用，也能给 BI 多维分析用，或者导出 EXCEL 做桌面分析用，也能让业务人员进行更多需要复杂计算的分析了

想了解 SPL 是怎么简单的做多步计算的同学，可以看这个帖子，帖子里有很多高效计算的例子：

SQL 为什么动不动就 N 百行以 K 计

有了报表辅助后，BI 做不了的分析就可用报表来做了，BI 的短板补上以后，BI 的建设也就离智能更近一些了

QUDONGLI

︻数说︼

QUDONGLI

驱动力

第十九期

自己从头去做一个 BI，工作量和难度都太大，不太现实。CUBE 虽然简单，但其数据处理和界面仍然有不少的内容，BI 厂商也耕耘了不少年头，完整复制并没那么容易。如果能基于现成的通用 BI 产品再来改造定制，那就轻松多了，可惜，商用的 BI 工具大都是不开源，对外接口也很简单，无法支撑深度改造定制的可能性。幸好开源 BI 还挺多，国外的有不少，国内的也有润乾的开源 BI，中文页面更好改，而且润乾专注于 BI 报表行业 20 年，也更懂国人的 BI

在行业经验的加持下改造过的 BI 解决方案就会比通用的 BI 产品更好用，业务用户能做的交互分析也就更多更轻松了，BI 也就更智能一些了

总结

BI 工具，虽说叫 BI，但对 BI“智能”的实现其实作用甚微，名相如实不相如，就像现在的 AI 一样，都说自己智能，但其实并没有，大家都是在路上，离终点还很远，上了 BI，也还离 I 很远

想要让 BI 更 I 更智能，首先要明确目标，不要走偏；其次要注重 BI 工具数据处理的能力，比如能否做好关联分析，让 BI 可以胜任更多的分析场景；然后还需要有其他分析工具来补充，比如报表工具，实际上，用户每天看的用的也主要是报表；最后还得找有行业经验的实施厂商来给定制、实施，通用的 BI 厂商各行业都想普适，各方都想满足讨好，是不可能的，只能是弄的谁用起来都别扭，必须行业定制才可以

然而就算把这些都做到了，商业也不是就完全智能了，“智能”是一个遥远的终点，我们依然在路上，只是离终点更近了一些

行业知识 + 开源 BI

现在市面上大部分的 BI 产品都是通用 BI 厂商提供的，通用 BI，目标就是通用，各行业都可以用，什么业务角色都可以用，谁都可以用，电信行业的用起来合适，金融行业用起来也服帖，但这不用思考都知道不可能，想让谁都能用好，造成的结果肯定是谁都不好用

如果由有行业经验的专家参与，进行专业化设计，那结果就会有巨大不同

有了行业经验才知道这个行业需要分析什么，业务用户关心什么、常用的是哪些，需要哪些数据，就可以把常用分析需要的数据源提前准备好，避免临时修改或者重新做 CUBE（如果用润乾报表 DQL，做这一步会更方便）

有了行业经验才知道哪些参数指标需要做活或做死，界面才会方便，比如现在有很多标签属性（是否值，客户是不是大学生，有没有信用卡），数量可能达到几百上千，通用 BI 会把这些都当成维度统一处理，让用户对着成百上千个维度去拖拽，不仅界面难用，能不能找到想要的标签都是个问题，有行业经验的开发商则会把标签按业务合理分类后再呈现出来供用户拖拽，，就会好用很多。还有些标签、维度是联动的，选了某个，其它维度的可选范围会跟着变，有经验的行业开发商就会把它提前做好联动，选起来就会更快捷方便，而通用 BI 产品是不会知道这些的（或者就需要很复杂的表达式甚至脚本来定义）

有了行业经验才会更了解用户的使用习惯，更懂用户，有些维度或条件可能还会有行业甚至用户特有的输入方式，比如股票区间可能希望看着 K 线图去找，这些都有强烈的行业特色，对行业了解足够深才能把握用户这些习惯，并根据习惯来优化功能，还可以把一些行业内常见的多步计算事先封装好，业务用户可以直接引用。各行业还有自己的内部文化、知识、语境等，深耕行业常和用户泡在一起的软件企业才会感知到这些细节，更懂用户才能做出业务人员更容易理解、更方便使用的界面，而通用 BI 则不可能做到这一点，它的普适定位和行业专精本来就是冲突的，只会提供通用抽象的技术术语和统一的界面，这就会造成不管是哪个行业用起来都不是很贴近的感觉

有了行业经验还能防范技术风险，数据开放给用户后，很有可能会做出不规范、不合理的拖拽，这就会带来性能问题，造成卡顿，或者直接把后台数据仓库给拖死了，行业经验支持下的交互界面，对应的后台计算是设计过的，计算量可控，定制界面还可以对计算量巨大的动作做出限制，这样后台数据仓库也能撑住了，避免了性能问题隐患

所以 BI 要想真正智能，必须得走行业化，专业化才可以，这个要求通用 BI 厂商就明显满足不了了，它们的普适定位和行业专精本来就是冲突的，得由行业软件开发商来做行业化甚至是针对用户特制的 BI 才可以

然而行业软件开发商，虽然有行业知识和经验，有潜力把 BI 做的更贴近用户，让分析更加智能，但其实他们做起来也很难

INPUT YOUR LOGO HERE

︻风向︼

INPUT YOUR LOGO HERE

驱动力

第十九期

【前言】

我是西索，距离2011年6月22日，到现在是真正意义上做了十年数据分析，十年前没有种好树，十年后我想重新开始积累。工作之后的前两年是面向于C端的零售行业，余下的八年都沉浸在B端领域里面，研究数据增值、变现的场景。

"The best time to plant a tree was 10 years ago. The second best time is now."

21年7月份的时候写了一篇文章《感悟篇：我在B端做数据分析（一）》，对B端和C端在业务上的差异性进行了对比，将数据在B端业务下的应用场景做了概括性的总结。

时隔两年，续着第一篇接着往下写，说一说B端业务下的指标体系的建设过程。

在第一篇文章里面有提到过几个管理层关注的核心指标

我在B端做数据分析——指标篇

文章转自一个数据人的自留地

原文链接：https://mp.weixin.qq.com/s/lN299nN1Y98JgLfDcVInjw

作者介绍

@西索

知乎：郑小柒是西索啊

资深数据分析专家

故事很多，余生慢慢分享

“数据人创作者联盟” 成员

QUDONGLI

︻风向︼

QUDONGLI

驱动力

第十九期

在指标建设过程中的合理性、复杂度、落地性都饱受争议，以至于很多分析面试的第一关便是如何建设基于某某场景的核心指标，如何去做指标的定义与监测，如何对核心指标进行跟踪…

为什么我们一直在说指标建设，但是却又一直做不好？指标建设，绝对不是说做一套产品就可以了，产品只是指标应用的一个承载体而已。

前几天去省厅开会，有一句话特别有感触

对做数据统计的岗位来说，如果没有系统化的指标来支撑，就会很痛苦，可能每天都会在找数据和凑数据的过程上，就显得比较低效。

所以才会去推数字化转型建设，从源头就把信息内容变成数字化，减少人为干预的环节，实现全链路的数据可视化

【战略目标和管理必要性】

做企业，最大的目标是为了盈利，非营利性的组织与团体，不在分析的范畴内。无论是平台型B类、SaaS服务型B类、实业型B类，从全生命周期的角度来说，都离不开「营收」、「品牌影响」、「行业知名度」

1.1 自上到下的考核机制，离不开指标建设

指标，是伴随考核而产生的，中央考核部委、部位考核省厅、省厅考核市局、市局考核县区、区县考核到单位，这就是一个完整的考核链路。

对公司而言，也是一样，董事会考核公司管理层、管理层考核事业部、事业部考核到子级业务线。促进数据指标建设的必然性，一定离不开企业在做数据化转型、数据管理、数据驱动中的主要痛点，尤其是在经济下行的市场环境下，营收目标的增长实现，就需要一套指标拆解的方式进行动态跟进。

参考《抖音集团数据指标体系分析与增长实践》一文中的案例，任何一门生意都能用简单的数学模型来描述，实现运营公式的拆解

1.2 指标解决的几个实质性问题

指标的建设，不是空穴来风，做做样子，而是解决实打实的业务痛点，在企业运转过程中，几个最典型的问题在于：

1.3 构建指标的几种业务思考

了解战略目标 - 熟悉业务特性 - 提炼场景指标 - 核心指标开发 - 跟踪监控预警

【B端指标建设的特性】

在第一篇文章中从用户、业务、产品、行为、数据五个方面对B/C端进行了多维对比，在定义和设计指标的时候，需要充分认知到企业所在行业、市场上的差异性。提到B端就离不开数字化采购，根据艾瑞发布的采购行业研究报告，可以把B端的数字化拆分为两个时代：ERP时代、SRM时代

QUDONGLI

︻风向︼

QUDONGLI

驱动力

第十九期

而B端的用户体量，根据工商统计大约有4、5000万家注册企业数，划分到细分垂直领域，每个行业下的体量更少了

2.1 简单的B端业务

为什么说B端很简单，大多数的理解起来，B端的用户体量比较少，所以数据就会少

在中国，C端的用户体量大约在7～9亿左右额

具体可以体现在以下4点：

2.2 复杂的B端场景

但实际上，B端也不少，主要看业务体量，是属于订单性质，还是看大合同类的服务履约性质

从供需的关系上来拆解，可以把采买过程拆分为四个环节：需求确认 - 供应商筛选 - 执行与追踪 - 交付验收

涉及的业务链路复杂

决策链路复杂

【指标建设方式及内容设计】

3.1 指标建设方式

从上至下的指标体系建设需要跟随企业战略目标的变更而进行变更，从而需要进行大量的指标变更。

从下至上的指标体系应关注在每个业务域内的经营活动而形成指标。要注意的是，各个业务域内可能存在交叉环节，相对应的指标在内部以及部门合作之间需明确指标口径。

大数定律在B端有用，但是没那么有用

QUDONGLI

︻风向︼

QUDONGLI

驱动力

第十九期

3.1.2 自下而上

整体而言，公司的目标会贯彻到各个子业务线的中短期规划里面，从组织架构设计上来看，指标建设的过程也应该是从上到下的管理过程。

实现方式：从业务需求出发，提炼需求过程中涉及到的数据内容项，形成业务核心指标；

3.1.1 自上而下

基于BI本身的职责和公司/团队对BI的要求，设计BI建设体系并分别推进落地，跨团队的项目模式进行；

基于BI团队现有的职责和任务，专注于用户侧需求的满足，涉及标准化建设的需求，建立推进机制，BI团队作为需求和问题的发起者和结果的验收者存在；

3.2 主题域划分

实现方式

3.3 不同行业下的数据指标内容

B端企业有着非常强的行业特性，在不同的行业背景下，呈现出来的内容有着非常强的差异程度，根据日常关注的公众号、数据服务机构、白皮书，收集整理了以下一些行业的数据指标，不一定对，可供参考。

3.3.1 B端 - 电商

B2B/B2G，衔接厂商与经销商、政府与服务商、渠道代理与分销商之间的平台公司，从流量 - 曝光 - 获客 - 访问 - 选购 - 下单 - 支付 - 仓储物流 - 最后1公里配送的交易流程，对埋点强依赖，行业特性比较强

核心指标：GMV、转化率、ROI、复购率

3.3.2 B端 - SaaS

SaaS软件即服务，需求和服务的行业差异性特别大。包括信息软件服务、人力资源服务、财务会计服务、企业管理咨询服务、IT技术支持服务、法律咨询服务等。

核心指标：复购率

3.3.3 B端 - PaaS

PaaS平台即服务，通常是指针对企业或组织等而设计和开发的互联网软件工具，旨在帮助企业提高工作效率、降低成本和提升业务管理水平等。

基于十大主题进行归类，可以构建原子粒度的DWD(数据明细层)和DWS(数据汇总层)，也可以用于方便集市内部表单管理

QUDONGLI

︻风向︼

QUDONGLI

驱动力

第十九期

3.3.5 B端 - 汽车

利用互联网和移动互联网技术，为汽车行业提供线上和线下一体化的服务，包括汽车销售、维修、保养、租赁、二手车交易等领域，通过平台查询汽车信息、预约试驾、在线下单、申请金融服务等，为消费者提供更精准、更定制化的服务和产品。

主要包括：汽车生产厂商、经销商、维修保养机构、租车公司、物流运输企业等。

可按照细分场景做更细粒度的拆解

3.3.4 B端 - 零售

零售行业，通过快速建立品牌形象，以销售目标为导向，满足顾客的需求的同时确保获得最大的利润。

核心指标：GMV、连带率、客单价

3.3.7 B端 - 金融

金融行业，快速响应企业、家庭、个人的灵活用钱需求，解决资金短缺问题，同时也为机构带来稳定的收益来源，通过保险合同的签订，将某些风险的损失分散到众多保险客户之间。

主要包括：保险、保函、贷款、信用卡、消费分期、互联网金融、小额贷款等。

3.3.8 B端 - 医疗

通过互联网技术和平台，为医疗机构、医生、药企等B端用户提供一系列在线医疗服务的商业模式。

包括：在线问诊、远程医疗、病例管理、医疗影像处理、健康档案管理等

3.3.9 B端 - 文娱类

平台为企业、机构和个人，提供短视频、课程、文案等内容创作、制作、发行的服务

核心指标：LTV

3.3.6 B端 - 房地产

注重商业性和专业性，针对的是大型企业和机构的需求和目标，涉及的产品和服务范围更广，其特点是项目规模大、服务内容全面、专业性强、服务要求高。

QUDONGLI

︻风向︼

QUDONGLI

驱动力

第十九期

维度和事实：维度是可枚举性的值，且是有限值，可归集。事实是不可更改和调整的。

复合指标：通过几个派生指标经过运算形成。

例如：将浙江省内2021年度交易次数>5次的供应商计数的运算。

3.4.2 数据指标的维护

谁在什么时候应该做规则更新？
生成：将条件、范围、维度、度量，事实明确而形成，例如SQL查询。
定义：通用规则，通过逻辑去诊断指标定义。包含指标名称与指标口径。外部用户叫法及内部系统名称，对于不同用户受众，需要不同叫法。
命名规范：需要注意针对对象进行命名，例如针对管理层GMV，对业务方销售生命周期的末端
应用：针对不同受众，所理解的指标别名不同。例如：GMV在有任务场景下被定义为月销售额输出。
迭代维护：当业务，系统等情况发生变化时，需要对指标定义进行重新定义、修改。

3.4.3 数据指标的销毁

生命周期的末端

销毁：销毁指标同样是一种选择，但通常不常用。销毁复合指标的场景是：当复合指标不符合当期经营所需情况且不产生价值时。

3.4 数仓下的指标建设过程

3.4.1 数据指标的生成

原子指标：不可分割指标。实际业务中，原子指标很复杂，不同时间节点的原子指标不一样，行业规范不一样。原子指标含有高度行业属性。

派生指标：从原子指标发展，增加维度和定语去而形成的。可以在业务情况下，退化为原子指标。

ps：原子指标与派生指标的定义相对模糊，需要在特定业务场景下能清晰定义为原子或是派生。

指标口径：等同逻辑（条件、范围、维度、度量方法）。

例如SQL查询语句：

【指标应用——监控与预警】

指标应用的几个方面，产品、业务、报表，以下为网图，真实环境下的数据不便于透出，如有需要探讨可联系。

4.1 可视化大屏

4.2 BI数据产品

4.3 用户标签与画像

QUDONGLI

︻风向︼

︻一线︼

QUDONGLI

驱动力

第十九期

【写在最后】

回过头看这些年的经历，感慨万千，在过去这十年的工作经验里面，一直都是在数据分析这个title上。很想把这些年积累的一些知识内容以文字的形式记录下来，对于一个纯理科生来说，这无疑是一种挑战。后面应该会拆成很多个部分，缝缝补补，陆陆续续的完善。

4.4 预警系统

在很多人入门数据分析师或者投身大数据行业的时候，必然会听到的两个词就是“报表工具”和“BI商业智能”。然而很多人并不明白两者的概念和区别，以为报表就是BI，BI就是报表。

其实这是相当错误的理解，造成这种错误观念的原因主要是两者都是大数据时代下的分析工具，两者的功能有所重合，想要搞清楚两者之间的区别，就要从报表工具和BI商业智能工具的应用场景上分析。

01 BI商业智能与报表软件有什么区别？

报表是数据展示工具，商业智能BI是数据分析工具。

报表工具顾名思义就是制作各类数据报表、图形报表的工具，甚至还可以制作电子发票联、流程单、收据等等。

商业智能不单单是一个工具，更应该是一种解决方案。百度百科给出的解释是：商业智能是提取企业各个运作系统的数据，然后进行清理、抽取、转换和装载，即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、OLAP工具等对其进行分析和处理，最后将结果呈现给管理者，为管理者的决策过程提供支持。

BI和报表到底有什么区别？

文章转自数大鱼的数据人生，作者歪老师

原文链接：https://mp.weixin.qq.com/s/CEQcUQ7osMWOZlbX6KXdKA

QUDONGLI

︻一线︼

QUDONGI

驱动力

两者最明显的区别，报表主要是IT开发人员制作并且服务于业务流程，比如销售报表、供应链生产报表。而BI商业智能也能做报表，但BI的报表形式更简单，操作起来自然更方便，报表的字段大多拖拖拽拽到维度框指标框中，形成报表，使用者有IT人员也可以是业务分析者。

一般来说，BI与报表有以下4个方面的区别：

1）任意分析维度

假设老板需要对一份有20个维度的销售明细数据进行任意维度的查看。维度有省、市、区、经度、纬度等区域字段，以及商品编号、商品名称、商品类型等商品属性字段等。

报表可以实现多维度数据展示，却无法支持任意维度任意组合。有N个维度，制作N张报表的形式虽然可以勉强支持，但工作量直接翻了N倍；就算不考虑后期运维成本，如果每张报表再考虑配置数据权限，是N*N指数级工作量的增长。

2）任意分析路径

分析路径，不仅仅指代通过钻取改变分析的颗粒度。除此之外，数据分析需要对多维形式组织起来的数据进行联动、钻取、维度切换等各种分析操作，以便剖析数据。毕竟，领导们看数的需求是无法预先设置的，真正的“任意分析”是满足老板随心所欲想要什么就有什么的看数需求。

且不说报表配置参数有多曲折繁琐，这一切，都不是靠报表系统配置一些常规的分析路径就能够满足的。

3）实时分析

如何实时掌握今年双十一的销量情况？

如何自定义业务核心指标并保持实时更新，让管理部门迅速发现问题？

如何实现异常数据自动预警，以便企业及时调整规划？

如何统计公司内部任务安排情况（例如研发开发排期），协助领导进行人员等资源调配？

首先，单纯的报表系统实现不了“实时数据”的支持，再者，实时数据≠实时分析，企业更渴望的是“实时分析”。实现准实时、分钟级实时数据的更新，同时支持复杂计算与分析才是老板的刚需。

4）报表系统无法实现的地方

报表系统可以连接多维数据库，但无法实现拖拽分析和自助分析；报表系统一般接入在某个业务系统数据库上提供查询功能，也可以实现跨库关联查询，但实现的复杂度和性能依赖报表工具的能力，除了数据展现以外，数据挖掘、性能优化、权限管控上都无法支持。

由此可见，报表，只是数据的一种展现工具，是静态的、固化的。所谓报表工具，例如国外的水晶报表，这类产品的本质是统计和展现数据，并提供基础的分析功能（排序、总计、方差等），报表目的是帮助用户掌握和了解数据，让使用者通过观察企业数据，知道当下发生了什么事情，着重于短期的运作支持。

而BI的重点在于商业数据的分析，它是立体多方面的，集成了数据统计、数据展示、数据分析和挖掘、数据预警等一系列整体的解决方案。在企业经营的过程中，决策者不仅仅需要知道发生了什么，还要知道为什么发生，以及通过已知去推断未来可能会发生什么。

总结一下，BI侧重于数据分析，是业务、数据、数据价值应用的过程，是一整套完整的解决方案。报表侧重数据展现，报表只是BI中的一个组成模块，报表无法替代BI。

以国产主流的FineReport和FineBI举例，前者是报表平台工具，后者是商业智能BI。

02 报表平台工具

FineReport的应用场景主要是业务报表制作，比如一些企业固定的月报，季报和关键数据指标的统计、展示和分析，在快速响应业务需求的同时解放自身劳动力。主要功能分为三大类：数据展示(报表)、数据查询(参数)和数据录入(填报)，还有报表管理。

数据展示报表可分为表格类和图表类：

表格类

QUDONGLI

︻一线︼

QUDONGI

驱动力

图表类

03 商业智能BI

商业智能工具侧重于数据分析，所以在报表制作难度上大大降低，但换来的代价是，不能制作复杂的报表。不同于传统做表的方式，他的目的在于将大数据量的数据快速的进行模型构建，进行展示，制成Dashboard。相比报表，侧重点在于分析，优势在于操作简单、数据处理量大，分析快速。

以FineBI为例，它是一个能快速搭建各种业务模型的自助式分析平台，企业级商业分析工具，常用于各种业务的数据分析。图表美观、上手简单，搭建模型也不需要很专业的数据挖掘技能。可以帮助业务人员用系统化的方法来规划、执行、测量和优化一个完整的、高度个性化的客户需求管理计划。

功能上BI有简单报表（汇总表和明细表）、Dashboard和数据分析功能。

1、简单报表

2、Dashboard

BI的可视化图表更侧重分析作用，主要是通过数据可视化更直观地发现业务运营过程中存在的问题，以更好地帮助业务人员调整工作策略。

QUDONGLI

︻一线︼

QUDONGI

驱动力

3、数据分析

数据分析功能是BI工具的重中之重。目前市面上很多BI软件采取的都是OLAP分析模式。OLAP也被称为多维分析，它的目标是满足决策支持或者满足在多维环境下特定的查询和报表需求，其技术核心是“维”这个概念，“维”一般包含着层次关系。具体来说就是OLAP能够对数据采取切片、切块、钻取、旋转等各种分析动作，以求剖析数据，让使用者能从多个角度、多侧面地观察数据库中的数据，从而深入理解包含在数据中的信息。

04 BI商业智能与报表软件的其他区别

1、从面向群体来讲，报表主要面向IT开发者，或者某些企业专门设置的报表开发人员。因为需要一定的数据库知识和少量的JS；商业智能主要面向业务人员、数据分析人员，让他们不用给IT提需求，可以自给自足。操作简单，侧重分析。两者最后的报表和数据分析结果都是给领导、管理层看的，他们通过分析结果来制定决策。

2、从背后的技术架构来讲。商业智能可以处理更大的数据量，常常基于企业搭建的数据平台，连接数据仓库进行分析，但有些报表工具也可以完成这一部分工作。

3、最后的最后，两者的关系可交叉可递进，关键还是取决于企业需求，业务需求，也并不能绝对的判断好坏，各有优势，各有适用环境。

举例来说，如果领导用报表查看数据，那么领导可以知道当月总销售额、各个销售员的业绩、哪个产品卖得最好等等，主要是通过统计已知数据，了解总体和细节上的事实。

如果领导用BI查看数据，领导不光知道销售额、销售员业绩，还可以基于这个报表进行更自由的探索分析，比如分地区、分产品分门店查看，比如使用不同的图表（折线图、饼图、柱状图等）来获取不同视角下的结论，甚至还能对未来做出预测，比如产品A销量可观，预计10号之后库存枯竭，请及时备货等等。所以BI提供了是更深度的分析和更智能的决策辅助，这是和报表核心区别。

目前国内开展信息化工作的企业中，绝大部分还是使用的报表软件，主要用以解决企业内数据统计和展示的需求。而BI软件应用情况则相对小众，集中在信息化水平较高的行业中，比如银行、零售企业、电商、互联网公司这些。而国外企业因为信息化走的比我们超前，对于BI的应用已然很普遍了，同时国外的信息化软件也都趋向bi化和智能化。

05 BI的价值体现在哪里？

现在企业都在谈增长，BI对于企业的意义不是能给企业带来多少增长，而是能够给企业创造比别人更多更快的增长机会。

来看一个连锁零售行业的例子。门店盈利是连锁门店店长关注的重点，但很多企业对此的处理，只是计算一下各个门店的利润值，这样的数据统计称不上BI分析。

当得知最近一周单某店铺盈利下降/上升时，对利润指标背后的隐藏信息进行发现和提炼，进行横向和纵向的比较，利用BI去层层定位到波动原因。

单店盈利是由“毛利润”和“成本”构成，“毛利润”拆解后的衍生指标有“流量”和“客单价”等。假设成本不变的前提下，去分析门店盈利下降的原因，结合上图的指标拆解，可以细化定位到主要是“流量”锐减所导致的。此时，再结合实地考察可知，近期马路对面开了一家同类型的店铺导致了自然客流分散。

找到企业经营上的问题，并针对性的提出解决方案，以及逐一梳理影响指标的最小因子，发现新的盈利增长机会，才能说明这项指标的BI应用是完整的。

QUDONGLI

︻一线︼

︻热点︼

QUDONGI

驱动力

从行业来看，任何一个行业都需要精耕细作，例如，如何做到单店、单品、单客户的全息画像？如何针对每一次促销活动进行效果分析和评估？如何从成百上千、成千上万个SKU中定位到本季度、CBD类型的门店内最热销的关联商品搭配？

面对激烈的市场竞争，企业更需要有快速反应的能力。假设当下午3点某主力SKU时效类商品销售不及预期，如何第一时间触发预警、产生行动建议，并在可能错失第二波客流高峰之前，快速层层上报，拉动及时干预？当新品退出的时候，如何做到“快反”，通过局部的实时趋势结合历史的规律，探测新品的销售曲线，以最快的速度响应市场的节奏？

数据分析的高级玩家，已经开始尝试预测决策：预测是任何一项决策的最重要入口。波士顿咨询BCG最新的报告显示，对于零售和消费品行业，销售预测的准确度提升，可以为企业带来2.5%的潜在增长。如何基于历史经营数据与外部公共数据，预测未来1-7天不同细分品类、乃至SKU的销售额，进而进一步指导订货、促销、生产、物流？

这些就是BI能够带给企业的价值。让每一次决定、每一个管理细节、每一层战略规划都有数据支撑。

06 企业如何选择适合自己的BI？

至此，相信大家已经了解到BI是数据化建设的趋势。

不同的行业，不同的企业，其BI需求是不同的。企业首先明确自己的业务类型、企业规模、目前的经营状况。对于数据知识发现的方法和手段多种多样，前提是要对业务本身有深刻理解，同时清楚地知道BI的终极目标，然后再考虑BI的可扩展性、售后服务以及迭代更新模式等。

以下几点是笔者总结的BI选型关注的要点，供大家参考：

1）轻量型：很多BI平台重在开发，对研发资源的要求高且对接慢，后期维护繁琐。如果企业没有相应的资源支持，建议选择轻量的平台，能够快速上手，维护成本低。

2）方便易懂：数据分析的结果最终是要赋能业务端，但是业务端用户尚缺乏专业的数据分析能力，建议对BI的选择要考虑产品的易用性和学习成本。

3）创新灵活：我们很难预估未来数据分析需要什么样的程度，所以在选择之前一定要足够考虑BI平台的创新能力，例如是否有异常检测、智能诊断、AI预测引擎、算法扩展等功能模块。

（部分文字内容来源帆软上海圈和观远GUANDATA）

为什么要花时间来解释这个并不新鲜的问题?

是因为前段时间大师兄出差时，发现还是有不少用户来问，逐渐也发现这问题的答案可能并没有问题本身普及得开。因此，今天来写这篇文章帮助大家认识、理解BI应该也不算过时。

全篇原创干货，不妨耐下心，跟我花10分钟去理清这些你每次都分不清的概念。

入门：弄明白，到底什么是BI？
进阶：BI与大数据、信息化、数字化转型的区别？
深挖：BI这么好，是否所有企业都应该上BI？

01 入门：弄明白，到底什么是BI？

对于BI（Business Intelligence，商业智能）的解释，无论是在维基百科还是百度百科，你能搜到的都大差不差，都是告诉你：BI一个是利用XXX技术进行数据分析以辅助决策，提升决策效率的工具/方案。

虽然看着像套话，但BI本质确实是这样，即“从数据中获取知识，辅助决策”。

BI到底是什么，

是否所有企业都适合上BI？

文章转自数帆软服务号

原文链接：https://mp.weixin.qq.com/s/Tcr1XE6_RSMT6jrAvBBJQw

QUDONGLI

︻一线︼

︻热点︼

QUDONGI

驱动力

通俗点说，就是企业在信息化建设后（例如上了MES、OA、ERP等业务系统），经过多年，在内部积累了大量的业务数据，但这些数据没道理放着不用对吧，那怎么用？这就是BI发挥作用的时候。企业可以用BI来从这些数据中获取知识，帮助企业知道如何根据这些数据来做出下一步的决策。

但为了易于理解，在对文献研究和对300+CIO调研的基础上，结合我国的市场环境，我们对BI做出了更精确的定义：

具体点说：

从包含关系上来看，BI属于大数据领域的范畴，因此BI有时候也会被称为“大数据BI”。

同时，根据信通院的《大数据白皮书》的定义可知，在整个大数据技术体系中，BI工具与数据可视化、数据挖掘一同位于数据分析应用技术中，而数据分析应用技术又位于大领域技术体系下（如下图所示）。

BI是在打通企业数据孤岛、实现数据集成和统一管理的基础上，利用数据仓库、数据可视化与分析技术，将指定的数据转化为信息和知识的解决方案。

其价值体现在满足企业不同人群对于数据查询、分析和探索的需求，从而为管理和业务人员提供数据依据和决策支持。

ps：如果想更加系统了解BI，可参考：商业智能（BI）白皮书４.0

02 分清：BI与大数据、信息化、数字化的区别？

在上一段，我们知道了BI的官方定义，但还是对BI没有实际感知怎么办? 并且还经常把BI与大数据、信息化、数字化转型混淆在一起，只知道它们都是跟数据相关的技术，但具体差别在哪，其实并不清楚。

因此在进阶处，我们会带你理清BI和这些词的本质区别，帮助你进阶理解BI到底是什么，能做什么。

1、BI和大数据

先给结论：

BI是大数据领域下的一部分。

但BI侧重于让不懂技术的业务人员带着业务问题去做数据分析，通过数据找出业务所在问题，同时沉淀出好的分析方法和知识在BI内。而大数据则偏向于挖掘数据、找到企业中的数据价值并应用在实际场景中，会包含一些算法的内容。

因此：大数据>>数据分析应用技术>>BI工具，BI概念小于大数据。

2、BI和信息化

先给结论：

BI和信息化不属于同类词，BI是工具/平台/系统/解决方案，而信息化是描述企业数据发展阶段的名词。

联系起来说，也就是企业一般会在通过信息化积累一定的业务数据后，再上BI系统，即在信息化建设的中后期应用BI。

具体点说：

大多数企业中的信息化本质是：数据采集→流程管理→数据展示，从这个角度来看，你可以理解BI系统其实也是一类信息化系统。

BI系统的数据采集是接入企业各类业务系统数据
BI系统的流程管理是数据处理和分析流程
BI系统的数据展示则比一般的信息化系统更牛

所以有些企业也会利用BI工具去开发一些信息化系统，用于补足定制业务系统的缺失。

3、BI和数字化转型

先给结论：

QUDONGLI

︻一线︼

︻热点︼

QUDONGI

驱动力

企业发展过程是从基础信息化→数字化，而BI则是承接企业从信息化→数字化转型的最佳工具，帮助企业发挥在信息化阶段所积累的数据价值，从而推动加速企业的数字化转型进程。

具体点说：

就是让企业的“死数据”通过BI变为“活数据”，让企业的决策不再是拍脑袋决定出来的，而是有数可依。

第三阶段：数字化转型，让已有的数据发挥应用价值

在做完信息化建设后，多数企业已经不满足报表的展示了，会开始想上BI，开始让业务人员去学着做数据分析，这是因为只有业务人员最懂业务，最能让已有的业务数据发挥价值。

这时候也就是BI开始发挥作用的阶段，即从管理层层面为企业提供管理依据、提升业务分析效率，从IT层面整合多系统数据，打通数据壁垒，提高报表制作效率，解放IT人员开发报表时间。

04 小结

在本文，主要讲明了BI的定义，以及BI与大数据、信息化、数字化转型的区别，也浅讲了国内企业数据管理存在的问题，以及正确发展阶段及其应该使用的工具。

03 深挖：BI这么好，是否所有企业都应该上BI？

大师兄认为这道题没有标准答案，因为在不同数据发展阶段的企业，所面临的数据问题是不同的。

就中国大多数企业而言，其存在的情况是数据基础建设差（数据无法采集收集存放），连最基础的信息化都没做好，就想一步登天到数字化转型到大数据，有的还直接上了套大数据系统，结果根本用不起来。

造成这种情况的根本原因是对自我认知不足，不清楚自己需要什么，也没想明白自己该如何按阶段发展。

而目前，业内比较认可的企业数据发展阶段是：

第一阶段：基础业务数据信息化

将企业日常手工事务性繁重的工作→业务系统工作的过程，选择适合企业应用的各类业务系统，例如OA、ERP、MES等，先把数据系统化地储存起来。

第二阶段：解决数据孤岛，实现内部信息透明

即建立不同业务系统中数据交流的桥梁，以便于中层管理者进行信息统计。

具体点说，就是做好企业报表，可以用到例如像FineReport这种企业级数据可视化管理工具，将经营过程中的复杂数据和流程进行梳理与整合，形成一套企业报表系统，做好数据的收集、处理、展示。

数据驱动变革

驱动力

电话：1580-136-5057

地址：朝阳区朝外大街甲6号万通中心D座

邮箱：kai.zhao@yeepay.com

驱动力

内容简介

往期作品

为您推荐

热门标签

产品服务

关于我们

网络条款

其他

联系方式