当前位置首页 > 短视频综合> 正文

每日小视频:离开IT谈BI敏捷分析、自助分析就是一个伪命题

2020-06-23 16:12:23 暂无评论 短视频综合

1
什么是 IT-Driven?

商业智能 BI 在国内已经发展很多年了,2000 年左右已经在国内市场萌芽,到微软 SQL Server 2005 年推出的全套商业智能BI ( SSIS、SSAS、SSRS ) 已经完全解决掉了从 ETL、OLAP 分析服务到 Reporting 报表服务整个端到端 End-to-End 的产品闭环。

之前的 BI 项目开发都是以 IT 驱动的,我们叫 IT-Driven。什么意思呢?就是从底层 ETL 数据开发、数据仓库建模到前端报表设计开发和所有细小的报表调整都是需要由 IT 人员介入的,业务人员无能为力。这种项目的定位,也是叫企业级的 BI 开发。
 


到 2013 年之后,出现了很多定位于个人或者部门级的敏捷 BI 分析工具和产品,可以非常快捷和方便的让业务人员参与到数据的分析过程,也能够快速的呈现可视化分析报表。具体的方式,就是业务人员自助建模、自助的通过拖拉拽的方式完成可视化页面的搭建,或者做一些数据洞察。
 
2
使用敏捷 BI 的几个重要前提条件

但是,这些所谓敏捷 BI 产品和工具的使用是有几个前提条件的。
第一,  良好的数据格式。在使用这些产品工具之前,底层的数据质量要求非常的规范,格式良好,基本上不需要做什么清洗工作。这样,通过建立这些非常规范的表与表之间的关联关系,来完成一个相对简单的业务建模,文本变成维度 Dimension,数值类型变成度量 Measure。再通过拖来拽的方式,就可以快速的形成可视化的分析页面。通过表间关系,可以做到钻取、联动,和一些基本的数据洞察过程。
 
但是,难就难在如何实现底层数据良好的格式和规范,这部分工作是业务人员不可能完成的。业务人员解决不了跨多数据源取数、复杂指标计算逻辑处理、异常数据处理等这些问题,这些必须由专业的 IT 人员、BI 开发人员来处理,这也是在 BI 项目中占据最大工作量的一部分工作。


示例:业务系统中的一张用户行为数据表( 模拟,实际上要更加复杂 ),每一个用户在系统流程中操作一个流程就会在数据表中留下一条记录,00XX 表示某一种行为,后面是表示这个行为产生的日期。
需求:统计每一位用户从 0030 到 0037 的时间间隔加上 0037 到 0044 的时间间隔的总天数。

规则:忽略 0030、0037、0044 之外的全部行为;如果遇到两个连续的 0030,取最早的 0030 日期计算;如果遇到两个连续的 0037,假设 0037 之后没有 0044 代码,则取最后一个 0037;假设 0037 之后还有 0044,则取第一个 0037... 类似于这样的规则场景有几十种,不详细展开。类似于一排房间,没走过一个房间,还得记住之前所有的房间是什么情况,根据当前房间的情况,回去定位到之前的房间重新计算...

从业务系统的数据库与表中取数据,很多都是类似于这样的数据与规则,业务人员是无法不依赖 IT 人员就完成所谓的敏捷 BI 分析的。

记住:所有的数据分析,最终,都是将规范的、不可分析;不规范的、不可分析的数据变成规范的、可分析的数据。以上的数据是规范的,标准的数据表和字段,但不可分析,因此需要加工处理...

当然,如果日常分析的数据都是从业务系统中导出来的、或者由 IT 人员处理完的相对规范的 EXCEL 表,使用这些敏捷的 BI 分析工具是没有太大问题的。但是一旦所分析的数据涉及到底层业务系统、面向企业级的分析,所谓的业务驱动、自助分析实际上是很难成立的。


我们有一个客户,业务部门的人员告诉我们学了一年多的 BI 分析工具,培训的时候都很好,觉得很简单,但是回来试了一下,申请访问权限直连了一下实际的业务系统的数据库,连上之后发现对于数据库表的字段完全不理解,看不明白。什么都做不了,什么也分析不了,他很不能理解。他一直认为 BI 分析工具拿着就应该可以作分析,就可以直接出报表,但是在实际的使用过程中挫败感很强。

所以,不同的 BI 分析工具定位不一样,使用场景不一样。面向个人或部门级的敏捷 BI 开发工具在使用之前,首先需要解决的是底层数据规范性的问题,这部分就需要 IT 的介入,就需要完成基础的数据清洗、逻辑处理工作。不管是使用简单逻辑处理后的大宽表,还是为了业务架构的可扩展性而构建的数据仓库,这些都是业务自助分析的前提,这一部分的工作不可忽略。
 
因此,离开 IT 谈业务驱动、谈 Business Driven、谈自助分析就是一个伪命题。

第二,  数据思维意识。这些都是基于第一部分工作做好的前提下,底层数据问题已经没有了,整个分析模型基础架构也解决了,业务人员可以基于 IT 的成果做自助分析了。但对业务人员的要求是什么,就是数据思维意识。
 
数据思维意识有很多,这里简单来说就是分析一个数据到底应该从什么角度来进行分析,从什么层次进行分析。

派可数据 - 汽车生产行业案例

看每个月不同停线时长的停线次数情况(数据虚拟)

维度:月份( 日期维度 )、停线时长

度量( 指标 ):停线次数、停线次数同比 


我们把被看的数据叫分析指标或者度量,从什么角度分析这些数据叫做分析的维度,从什么分析路径来组织维度和分析这些数据这些叫维度的层次结构或者维度之间的关系。

指标、维度、分析路径其实就是一个分析模型,也反映了一种数据思维意识。例如要看2019 年北京地区华为手机的销售量,在这一句话中销售量就是数据指标,而 2019 年、北京地区、华为手机分别代表了年维度、地区维度和品牌维度。我们可以直接看 2019 年华为手机在各个区域的销售总量,也可以直接看 2019 年各个地区各个品牌的销售总量,也可以看各个地区其他品牌在不同年份的销售总量,这一个分析模型可以通过自助分析的方式解答我们很多的问题。
 
分析路径是什么?一张图表先从不同年份的角度看各品牌销售总量,通过年联动各个区域,看不同年份各个区域的销售总量。通过各个区域,再关联到品牌,这个分析路径和顺序就是:年-区域-品牌。

同样的道理,也可以先看品牌,再看年,再看区域,三张图表通过不同的位置和关联顺序就可以回答很多的问题。

因此,在 BI 分析中,我们讲到的数据思维意识实际上是一个整体,包括了分析对象-指标,分析角度-维度和分析路径-层次关系、关联关系这三部分的内容。

派可数据 - 汽车 4S 行业 - 数据仓库维度建模 
零代码开发,面向业务分析建模而非报表开发建模

在这个背后实际上就是我们在数据仓库中经常提到的星型模型建模或雪花型建模,一个结构良好的分析模型,可以衍生很多种不同的分析角度、分析层次和可视化图表的展现形式。
 
这种分析模型业务人员可以实现吗 ?可以。但是是否具备复用性、高度的可扩展性,这一个业务人员完成的分析模型是否可以供其他业务人员、其他组织的人员使用,我们需要打一个问号。以我们的角度来看,这部分实际上仍然离不开 IT BI 开发人员的深度思考和优化,最后沉淀在底层的数据架构中,才能高度复用。
 
第三,  业务人员的业务分析意识。我们碰到很多的 BI 项目,实际上不能叫做 BI 项目,因为基本上就是做二维报表,看明细数据。所以这种 BI 项目是无法体现业务分析意识的,因为业务人员还是在解决日常报表计算的问题,追踪业务过程明细数据。通过 BI 或者报表工具解决的只是效率和便捷性的问题,把日常数据统计的精力给释放出来。
 
而真正的业务分析意识一定是通过数据,哪怕是简单的可视化图表去洞察、去了解日常经验看不到的一些数据现象。单一的分析维度、明细数据是回答不了这些问题的,只有通过多维分析、关联、联动筛选,切换不同的维度来观察指标,或者指标与指标之间的关系,这样才是 BI 分析的正确路径。
 
同时,业务人员要深入了解自身的业务,离开业务本身谈分析也是存在很大问题的。或者把一切都寄托在 BI 工具本身,自己缺乏业务的洞察能力,这样分析出来的内容也是没有太多价值的。

派可数据合同项目管理案例( 虚拟数据 )


我见过一些非常专业的业务人员、业务专家,对自己所负责的业务非常的了解和熟悉,并且不需要你做过多的引导,自身就有很多很多的分析想法,但不知道如何实现。通过 BI 工具可以快速的将他们的分析想法实现,并且借助 BI 工具可以打破自己很多的思维局限,这些业务人员在我们一开始沟通的时候我们就可以判断出来他们以后对于 BI 能够使用的深度到底有多少。但是这样的业务人员并不多见,一个部门 20 多人,可能只有 1-2 个人才具备这样的潜在能力。
 
3
分清 IT 与业务的边界
理解敏捷 BI 的使用前提

IT 和业务的边界是什么?IT 负责底层基础数据处理和业务分析模型的构建,业务基于良好的数据模型、业务分析模型通过 BI 可视化分析工具来完成自助分析。

简单总结一下,BI 工具不是万能的,它是给企业赋能的,需要通过服务商和企业方共同努力、共同参与才能达到一个最优的效果。在这里面,有 IT 的支持也有业务的付出,离开 IT谈业务驱动,离开业务谈 IT 服务都是一种不负责任的表达方式。

中药抓药之所以快
是因为把药材分门别类放提前放好了
数据也是如此


所以,BI 敏捷自助分析是有前提条件的,数据规范、数据意识、业务分析思维三者缺一不可。我们不能假想我们每一个企业的客户都具备良好的底层数据架构,我们也不能假想我们的用户都具备良好的数据意识和业务分析思维。作为一个 BI 厂商,我们在为企业客户服务的时候就应该告诉他们,他们目前处于一个什么样的阶段,未来我们应该怎么走,而不是一味的告知客户 BI 工具可以搞定一切,我们不能把我们过去踩过的坑再让我们的客户再去踩一遍,这才是我们作为 BI 厂商在 BI 行业存在的基本价值和意义。
(全文完)

小视频合集:
商业智能 BI ,左手 ERP,右手 BI
为什么老板对 IT 信息化不满意,商业智能 BI 中的二八法则
报表开发等于 BI 开发吗?BI 开发人员的五个能力要求
商业智能 BI 中的三分产品、七分实施;ETL 到底是什么

近期热点阅读原创文章:
用友伙伴分享四大案例 ,商业智能 BI 如何为企业带来管理决策价值 ?
用友在商业智能 BI 市场为什么再次选择了派可数据 ?
万字解读:2020年 Gartner 分析和商业智能平台魔力象限
疫情播报:非湖北省新增确诊14连降,拐点出现?
用友 U8 Cloud2.7 官宣正式 OEM 派可数据 BI
杂谈:破解商业智能 BI 的谎言从“你能不能“说起
我们应该如何正确理解商业智能 BI 的价值 ? 
作为 CIO,构建一个商业智能 BI 分析平台应该重点关注什么? 
汽车生产制造行业 BI 数据可视化分析案例
汽车 4S 集团 BI 数据可视化分析案例
房地产行业 BI 可视化分析案例
建筑行业(项目管理) BI 数据可视化分析案例

如果您是 企业
有商业智能 BI 方面的需求和想法;

如果您是 ERP、OA、CRM 等 软件厂商和集成商
有商业智能 BI 的深入合作需求;

欢迎扫描下方二维码,添加 派小友 
备注 BI+行业+姓名,进入商业智能 BI 群交流

用心传递数据价值,让数据分析更简单


派可数据一站式企业级 BI 可视化分析平台



派可数据(www.packingdata.com) 快速业务模型驱动和丰富的各类业务分析指标库支撑,帮助企业在最短的时间里构建真实有效的可视化分析指标体系。通过标准的数据仓库建模和前端自助可视化分析平台为企业构建高度稳健、可扩展的 BI 可视化分析平台。

文章转载自微信公众号派可数据

抖音、快手免费领播放量加微信客服:fhjd4258

承接抖音、快手、微博、微信全业务。

猜你喜欢

博客主人破茧短视频培训
破茧短视频为你分享抖音、快手等短视频平台的视频拍摄、剪辑和运营技巧,另有短视频培训学习教程,海量干货助你玩转短视频运营!。
  • 37330 文章总数
  • 3617789访问次数
  • 2171建站天数