自助取数

为什么BI取数这么难?

• 取数的量非常大。取数的量远远超过报表的量，因为报表往往是成形的指标的系统固化，而取数往往是具有探索性和分析型
• 沟通成本高 。做分析，讲究的是个数据探索，探索本来是个不确定的事情，而且需要反复迭代，取数中业务人员和取数人员的沟通成本是很大的，两个不同背景的人，在业务口径和数据口径上要达到统一，对于双方要求都很高。
• 取数对于BI的人员要求其实很高。要成为取数专家，特别强调的一点是一定要理解源系统数据，只有这样才能理解数据仓库模型的本质，才能更好的理解业务需求，通过刻意训练，你成为了公司内唯一能够连接起业务人员、仓库人员、源系统开发人员的桥梁，你才可能成为专家。专家不仅仅是满足需求的人，还能主动创造需求和给出建议，比如能对于数据仓库的模型提出改进意见，能对业务人员提出的需求进行质疑，这都来源于你对于数据认知的深度，但这样的人，其实很少，因为需要刻意训练。当然取数人员不仅需要专，也需要广，这又是为什么？数据分析的价值在于多领域数据的融合分析，这就需要取数人员对于公司的大多领域数据要有充分的掌握，数据广度往往决定了取数人员的视野，也决定了其发展潜力。
• 取数要能自动化，但这个真得很难。除了增强取数人员本身能力，还有什么办法让取数越快呢？那就是自动化，平台化。取数不总是那么变幻万千，它也是有一定规律的，这为自动化提供了可能，比如有两类典型取数类型，营销清单型和复杂分析型，营销清单型，往往跟一线执行相关，70-80%的规则是比较简单的，通过配置往往就可以提供，复杂分析型，则规则比较难抽象，但也是有规律可循的。当然这类取数平台建设比较艰难，除了体验要好，性能要高，还要去做持续的运营，而且改变业务人员取数习惯很难。
• 在这个大数据时代，取数人员还是要与时俱进。以前报表取数人员横跨业务和数据，号称是企业的综合型人才，但现在已经远远不够了。为什么？大数据时代技术突飞猛进，随着数据量的变化，IOE已经无法走遍天下了，你要取数取得快，需要升级你的平台引擎了，我能打造更牛逼的自助取数平台吗？最近也一直在问，我们传统企业的取数挖掘，能不能全部搬到SPARK？大数据结构越来越复杂，业务场景越来越多，SQL显然不够用了，我们的取数人员未来是不是要掌握各类语言，以适应不同的取数场景？比如，能否取出近3分钟的上网流数据并统计给我？能否临时爬虫看看公司的负面舆情如何？大数据时代更强调算法了，我们半路出家的取数人员，如果面对业务人员这个问题，该如