Headless BI调研

传统的数据解决方案提供的是表，后来在大企业的大规模实践中他们逐渐发现需要提供指标，即Headless BI

传统成熟方案-以表为中心

传统方案会搭建以表为中心指标管理平台，例如阿里的oneService? 此时从生产者（pd, 研发）、消费者（应用、用户）的视角来看，会有下列问题：

数据应用方视角：
1、业务理解：表是技术概念，让数据应用方去理解表的概念（特别是一些非技术类的业务人员），中间需要有很多的转换理解成本；
2、数据加工：应用方角色各异（分析师、业务运营、技术研发等），数据能力参差不齐，直接做数据应用/分析，数据质量和效率难以保证；
3、长期运维：数据加工逻辑暴露在数据应用处，比如不同的BI工具，比如同一个BI工具内的不同的看板。缺乏统一管理，长期运维困难。

数据研发视角：
1、数据加工：针对各种特定的数据应用，需要开发对应的应用数据表，个性化加工严重、效率低且沉淀少；
2、数据咨询：不同角色对于数据应用的加工，存在各种类型的问题咨询；
3、数据质量：数据研发人工单独维护各个逻辑，存在同一指标多个地方逻辑不一致的情况，影响数据质量和长期维护；

思考： 有没可能形成一种模式，能够将应用的过程标准化，提升数据应用的效率（应用效率），同时能够比较长期的解决数据质量的问题。下面介绍一下其他团队为了解决该问题进行的探索。

Headless BI-以指标为中心

Airbnb是业界认为数据驱动做得比较好的企业. Minever平台提出一个观点，即以指标为中心的消费方案，以指标为中心搭建应用体系. 用户只要简单的请求获取指标和维度，就可以直接得到答案。 现在称这种架构为“Headless BI”。

更进一步实现管研一体，基于的数据公共层的明细表(Aloudata CAN，快手等)自动根据需求生成API。

例如快手指标中台的架构：

参考

指标平台详解（上）：为什么有了 BI ，还需要指标平台？
指标平台详解（下）：第三代指标平台实现了哪些突破？