数据分析产品建设方法论：为什么企业数据化运营离不开自助BI产品
数据分析产品建设方法论：为什么企业数据化运营离不开自助BI产品Tableau、帆软BI、永洪BI、BDP、亿信华辰、观远数据。1）传统BI对于开发：BI产品以自助式、配置化的产品理念，通过数据资产建设和产品拖拽式分析、可视化配置能力，人人都可数据分析。成熟的商业化的BI产品国内外都有很多，按照业务场景和主要卖点可以分为：传统型BI、用户行为分析、基于云服务的SAAS化BI产品。
编辑导语：数据化运营是一个近年来兴起的概念，它在运营的基础上，提出了以数据驱动决策的口号。在数据化运营中，一系列传统BI无法根治的问题和商业环境的迫切需求也让自助式BI应运而生。本篇文章中，作者系统地分析了企业数据化运营中使用自助BI产品的原因，推荐对数据化运营感兴趣的朋友们阅读。
一、什么是BI产品
百度百科上BI的定义是：商业智能（Business Intelligence，简称：BI），指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。
BI产品则是将上述过程流程化的平台化产品，在降低数据获取、分析成本方面，契合中台的思想，因此也是作为数据中台解决方案的重要模块。
二、企业数据化运营面临的问题对于产品&业务：
- 产品迭代、运营活动需要各种数据分析支持，数据调取依赖数据开发排期长、响应慢，需求完成决策时效性可能已经过去，紧急需求求爷爷告奶奶；
- SQL取数门槛高，多数业务人员无SQL能力；
- 数据可视化报表需要数据、接口、前端多工种支持，一个报表上线要一两周。
对于开发：
- 需要有人专门对接非固定的SQL取数工作，重复、枯燥，干不了多久就离职了；
- 每天都在各种取数据、做报表，忙成狗，还是不是来个紧急需求，或者需求排期久了被投诉；
- 感觉每个报表前端都长得差不多，还要不断重复开发可视化报表，心累。
三、BI产品的解决思路
BI产品以自助式、配置化的产品理念，通过数据资产建设和产品拖拽式分析、可视化配置能力，人人都可数据分析。
四、自研还是外采，这是一个问题
- 无SQL业务人员自助取数的问题，取数不求人；
- 数据开发人力释放，可以有更多的资源投身数仓模型的建设，提高模型覆盖度；
- 可视化看板自助配置，业务可以基于数据模型快速搭建看板，无需接口和前端开发。
1. BI行业现状
成熟的商业化的BI产品国内外都有很多，按照业务场景和主要卖点可以分为：传统型BI、用户行为分析、基于云服务的SAAS化BI产品。
1）传统BI
Tableau、帆软BI、永洪BI、BDP、亿信华辰、观远数据。
2）用户行为分析
从埋点采集到用户行为分析的全流程解决方案，从全埋点或无埋点切入，主要有神策数据、GrowingIO、诸葛IO等，还有部分垂直于游戏或广告投放领域的分析产品如TrackingIO。
3）SAAS化BI产品
基于云服务之上的BI分析工具，核心产品是云上资源，BI产品作为增值产品或服务。如阿里云的QuickBI，华为云、腾讯云、百度云、移动云等，都有相应的搭售产品。
2.自研或外采
外采还是自主研发这是每个BI产品诞生时都要经历的灵魂拷问，首先要回答老板，外部已有那么多成熟的产品，我们要不要从0-1开始，自己做的价值是什么？这两种方案对比如下：
采购价格上，以阿里云Quick为例，一个300人的团队一年的费用大概在40W，帆软价格比较亲民，可以买断付费，基本功能在30W左右（外加每年服务费、跨版本升级费用、扩展功能费用等）。
总结一下如何选择的要点：
五、BI产品核心功能架构
- 公司管理层，对数据团队人力投入的支持，比较新做一款BI产品需要较长周期和较多人力，短期内外采肯定是见效最快的；
- 公司对外采的态度，有些公司有自研情结，只要能解决自己业务问题，都可以考虑自研，不爱买别人的；
- 数据平台研发团队的人力现状，产品、研发的人力和能力能否Cover住BI产品的需求；
- 公司规模主要是看数据用数据的人数，这是个参考值，一般1000人以下的团队外采性价比是最高的，当然如果管理层看的比较长远愿意投入，这个值就不作参考了。
敏捷BI工具的标配流程是数据建模、拖拽分析、可视化呈现、系统管理等功能模块，随着基础看数据的需求满足后，业务会有更多增强分析、以及从人找数到数找人的预警、推送需求。同时，对于数据生产者，要持续降本增效，因此围绕数据血缘看板生命周期相关的数据治理流程，在自研产品中也要考虑进去。
1. BI系统架构
1）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。
2）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，同事需要做好模型权限、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。
3）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。
4）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。
2.产品功能框架
1）数据模型
主要提供数据源接入、数据源管理、数据建模能力。
2）自助分析
支持拖拽式分析，同时可以作为通用能力，对接数仓数据源、指标平台指标等，随着版本迭代，图表类型要不断扩展，从基础的表格、折线图、饼图、柱状图，到复杂的地图、桑基图等，数据分析能力不断增强，预测、归因分析等。
3）Dashboard
可视化报表创建、管理。
4）可视化大屏
大屏模式，提供常用模板快速搭建大屏。
5）系统管理
用户权限管理，某一用户有哪些资源（看板、数据集等）权限、看板/数据集管理(用户范围、使用情况、生命周期)。
六、总结
数据化管理、数据驱动运营的时代，企业数据分析需求呈井喷式增长，传统的数据获取流程业务人员直接触达数据的成本高，一般依赖于数据团队，由数据开发或数据产品支撑日常的数据调取以及报表监控需求，受限于数据团队的人力，数据响应时效性差，而智能BI产品以自助式的产品理念，让人人都可以进行数据获取、数据分析、可视化图表配置，大大提升数据化运营的效率。
因此，不管是外采还是自研，对于追求数据驱动的企业，都需要一款BI产品。
#专栏作家#
数据干饭人，微信号公众号：数据干饭人，人人都是产品经理专栏作家。专注数据中台产品领域，覆盖开发套件，数据资产与数据治理，BI与数据可视化，精准营销平台等数据产品。擅长大数据解决方案规划与产品方案设计。
本文原创发布于人人都是产品经理，未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议
