BI建设 | 脱离业务谈数据都是耍流氓

​

前 言

数据是冰冷的，它会告诉你残酷的真相；同时，数据也是客观的，它会让你看到潜在的希望……

“数据分析”是指通过分析数据，发现业务问题，洞察商业机会点，为业务增长提供合理建议及参考依据，并输出数据报告。而什么是业务呢？直白的说“业务”泛指非技术类所有工作，是企业的销售、产品、营销、市场、运营等工作的统称，这些都是直面B端/C端用户，“业务”最终的目的是“增加销量，换取利润，降低成本”，并且数据报告里得出的分析结论也是提供给业务使用。

真实、可量化的数据会反映业务某方面的情形，而“数据分析”在实现业务目标和输出数据报告的过程中，就需要清晰地描述、并展示业务现状，解决业务痛点，帮助业务提升业绩等。所以，“数据分析”需要围绕业务展开。

你真的懂业务吗

人人都在谈论数据分析要懂业务，但没人知道究竟什么叫“懂业务”。

以某内容产品为例，如果懂业务，你就不会在日活出现下行趋势时单纯提出加大广告投放这样谁都知道的建议；你就不会在生产者因竞品提升激励费用而出现流失苗头时，只是轻描淡写的报一下同环比;你就不会在关于广告的反馈量异常提升时粗暴建议业务侧全局减少广告频率；如果懂业务，你就会知道在相应的阶段老板的关注点是什么，你就会设计出更符合业务视角的报表，通过相应的专题分析，解答老板还未开口的“需求”；如果懂业务，你就会想到首先要了解各业务角色的KPI……

为什么要了解业务

1、了解业务痛点，理解业务流程，才有机会分析出来符合业务场景中存在的问题。

2、了解业务不同阶段关注的侧重点是什么，才可能设计出更符合业务视角的数据指标监控体系，通过相应的专题分析，解答出现异常的状况。

3、了解行业内相应业务流程和规则，数据分析的结论和建议才能更加符合实际，精准落地。

4、了解相应业务中所有角色KPI以及如何协作，才可以快速有序的推进数据工作。

如何围绕业务推进数据工作

第一阶段：基础数据建设，保证数据收集的规范化、全景化和扩展化，保障从打点→收集→清洗→统计→入库这个数据生产流程的效率和稳定；

第二阶段：关注种子用户的数据表现，用户对产品哪些功能使用不顺畅，对哪些品类的内容更加偏爱，什么样渠道的用户质量更高，并将以上结论同步输出给业务侧，并持续进行PDCA循环，直至通过留存率测算出来的life-time足够支持进入爆发期。

第三阶段：关注商业侧表现，内容无论是自产也好，还是UGC也罢，都是有成本的，成本换作了流量，流量又通过商业化实现了变现，所以需要通过数据优化当前的广告形式和策略，帮助金主爸爸找到最匹配的用户，以及让用户发现最需要的广告，从而实现ROI的最大化；

第四阶段：关注创新发展，国内同行当前的发展模式都有哪些，以及各自的差异化竞争点，国外是否有类似的行业以及当下现状是如何，用户还有哪些延伸需求没有得到满足，内容行业的未来发展趋势是什么，以及可能会遇到的法律法规等政策风险。

了解了围绕业务展开数据分析的流程，我们再来看看数据分析当下面临的痛点和解决方案。

数据分析的主要痛点

01

日常临时取数分析

对于业务团队：数据获取门槛高，一线业务人员难以直接接触数据源，业务数据获取高度依赖数据团队，数据人力、排期跟不上，数据响应周期长，影响数据使用

对于数据团队：临时取数消耗数据开发精力，影响数据基建，业务不满意，出力不讨好

02

固化可视化报表

对于一些固定的主题式经营分析报表，需要建设可视化平台让业务直接交互式分析决策，甚至一些后台产品都需要提供数据可视化统计分析能力，例如电商平台B端的商家后台，每个报表页面都需要定制化开发，前后端、数据开发人力成本高，响应慢，一个需求至少1周开发资源，并且对于一些业务端的开发，并不具备专业的可视化开发能力，需要从0开始，学习成本高。

数据分析的解决方案—BI工具

01

什么是BI工具

BI工具是通过产品上的低代码、拖拽式、可视化能力构建，让一线业务可以接触数据，进行自助式的分析，人人都可数据分析，取数不求人。

02

BI系统架构

数据源：从系统架构层级看，BI系统最底层是数据接入层，数据源是原材料，否则工具做的再好也是巧妇难为无米之炊，要支持接入常用关系型数据库，以及数据仓库的数据源。

数据模型：数据接入后，在数据模型层，做表之间的关联、字段逻辑处理、元数据信息维护，形成模型资产，把模型主题、层级分门别类管理好，方面业务快速找到目标数据源，同时需要做好模型权限、字段、行值权限管控，技术层面要把不同数据源集成到OLAP查询引擎，提升即席查询效率。

分析层：无SQL拖拽分析，业务基于数据模型，可以直接选择维度、度量、过滤条件后，直接进行数据查询，同时封装可视化图表组件，做结果的可视化展示。对于需要固化的分析结果，可以将图表保存至Dashboard，且可以对图表系列颜色、数据标签、筛选条件等进行设置

输出层：主要包括Dashboard输出、将看板以iframe方式嵌入其他平台、数据推送&预警，以及可视化大屏。将可视化能力直接在系统内应用或跨系统复用。

03

BI产品的发展趋势

灵活的可视化配置能力持续完善

自助BI可视化的终极目标是要完全替代定制化的可视化开发需求，围绕这一目标，需要看现有的BI产品对可视化门户快速搭建的能力、移动端可视化分析、以及大屏可视化配置的能力。

BI+AI智能化分析能力

传统的BI产品主要解决了用户查数据的问题，BI产品和其他定制化或者用户行为分析类的产品主要的劣势在于缺少分析思路的沉淀，需要业务人员具有分析目标和分析思路。融入AI分析能力，可以帮助业务更高效的进行数据分析，例如当GMV指标波动异常时，利用基尼系数的算法模型，自动生成影响KPI波动的关键维度以及Top影响因素，不需要业务进行逐层分析了，一键定位。此外，可视化图表的选择上可以利用机器学习自动推荐，这个能力百度的Sugar已经实现了的。

人找数到数找人的能力构建

对于业务人员来说，他们更希望只关注业务，最好能有专门的数据分析帮他进行数据分析，告诉他有什么问题，该怎么做就可以了。基于业务设定的预警规则+智能的归因分析+IM的信息推送，当业务异常时，直接告诉业务，有问题了，哪里有问题，他该怎么做。

在未来的企业中，随着个性化需求的发展，以客户为中心的流程型组织必将取代职能型组织，而BI将会是一个不可或缺承载业务价值的落地工具，通过围绕业务开展专业的数据分析，将业务价值完整输出为一个数据流程链条，为企业高速增长赋予长效动能！