数尽其才、人尽其用，这样的数据分析平台你也需要

自助分析不是数据化运营

企业组织正在采用自助式分析和商业智能（BI），并将这些能力带给各级业务用户。这一趋势非常明显，根据Gartner的预测，到2019年，具有自助服务能力的商业用户的分析产出甚至将超过专业数据科学家。

Gartner研究总监Carlie J. Idoine表示：“数字化趋势正在推动所有领域的现代企业和政府对分析的需求。人工智能、物联网和SaaS（云）分析以及商业智能平台的快速发展，使得非专业人士也能够更轻松、更经济有效地进行分析，更好地为决策提供信息。”

在这历史潮流中，以“拖拽可视化”为代表的自助BI（或者敏捷BI）如雨后春笋般越来越多，从中我们可以感受到几点：

• 数据化运营的思想逐渐被企业决策者所认可，因此BI市场持续增长；
• 简单的拖拽可视化工具的开发门槛不高，越来越多的玩家；
• 企业缺少数据化运营体系的整体规划：除了购买可视化分析工具，还需要怎样的制度体系配合？IT和业务的关系怎样，如何分工协作？
  
  

那么做为BI行业摸爬滚打十余年的“黄埔军校”品牌，Smartbi对此有什么思考与对策呢？

首先我们要区分“数据化运营”和“自助BI”的关系。数据化运营是真正的市场需求，而自助BI是数据化运营的必要条件，但不是充分条件。

数据化运营需要怎样的平台

数据化运营的本质，是希望从管理层到业务层面，都能充分利用企业数据，帮助企业增加获客、改进内部业务流程，是增强企业精细化管理能力。

既然逐本溯源的讨论“数据化运营”，这个看似复杂的组织管理问题，有没有一套可行的解决方案提供参考呢？请留10分钟时间，看看Smartbi的系统性分析和产品化探索。

首先我们必须清楚，数据化运营不是一个项目，而是可以持续升级、不断进化的平台，而做为企业级的平台，都需要考虑清楚三方面要素：“人”+“工具”+“制度”。

那么我们看看数据化运营的企业级平台，在这三方面应该如何进行设计。

      

第一是人：核心用户是谁？还有什么参与者？

毋庸置疑，数据化运营平台的核心用户是各级业务人员（以前叫全员BI），除此以外还有专业的分析师做为导师或者启发，以及更加熟悉数据模型的IT技术人员。

第二是工具：谁用什么？以及怎么使用？

假设你是被要求转向数据化驱动决策的业务人员，你肯定会提出很多问题：

• 平台中是否有可信的数据，或者首先有什么类型的数据？
• 提供的自助化的数据分析功能是否简单易用？
• 平台是否可以保证足够的性能，别浪费我时间？
  …...
  
  
  

假如你是担负数据分析产品设计开发的专业人士：

• 简单的可视化可不够用，交互式报表和仪表盘是否支持？
• 传统BI都是统计数据，能不能支持我做算法级的数据挖掘？
• 企业有成熟的报表和指标体系，能否帮助化解重复的分析报告工作？
  …...
  
  

假如你是负责提供数据支撑的IT部门工程师：

• 简单的数据再加工能不能业务人员自己搞定？
• 业务部门的重复需求也太多了，能不能统一起来？
• 谁想要数据自己提取，别老让我导出Excel行不？
  ……
  
  
  

诚然，现实中大型企业的数据化运营有很多个性化需求，Smartbi在现阶段也只能满足一部分的需求，比如自助化数据分析上有“全自助“的系列功能。

其中全新的自助仪表盘为V8.5倾心打造，可以基于业务主题或者自助数据集以WYSIWYG（所见即所得）方式快速完成交互式分析仪表盘。以下为简介视频：

如果业务人员想要预览、处理数据，就是用以上提到的自助数据集，同样也是在一个简单界面上快速完成数据集的定义（相当于SQL），甚至可以指定这个数据集的“持久化“抽取动作，定时进行全量或者增量的抽取。以下为此神物的演示视频：

自助数据集称为“神物“并不过分，因为它的跨库查询能力可以满足临时性的数据关联分析，它的抽取到高速缓存可以大大加速前端报表的性能，它的查询嵌套支持查询结果的重组和重用，它的集成性允许传统定制数据集参与关联分析，它还可以定义时间维度以及地理层次等数据模型。

对照之前对三类角色需求的分析，还差一个重要功能——数据挖掘。

一起来了解即将发布的Smartbi数据挖掘产品。它是一个机器学习平台，具备流程化、可视化的建模界面，基于Spark分布式计算平台，提供实用的、经典的统计挖掘算法，也支持深度学习算法以及Python扩展算法。

图： 模型构建界面

通过Mining模块，高级分析人员可以进行诸如聚类分析，分类预测，等多种数据挖掘应用，或者构建如look alike模型，社交分析模型等高级分析模型。

第三是制度：怎么避免重复？激励正向发展？

数据化运营平台的建设目标都是：数尽其用、人尽其才，前者指企业内所有的数据能发挥价值，后者指有头脑的骨干员工能分享他们的决策思维。我们用“真共享”来尝试解决：

• 数据工程师通过共享元数据（数据导航），就可以让业务人员熟悉平台有什么数据
• 业务人员通过共享分析应用（应用商店），就可以营造出优胜略汰的生态氛围
  
  

总结一下，麻省理工学院一项针对数字业务的研究发现,那些在大多数情况下都进行数据驱动决策的企业,它们的生产率比一般企业高4%,利润则要高6%。但要实现数据驱动决策的长效化、生态化，不能单纯依赖BI工具本身，有效整合“人”、“工具”和“制度”才是最有可行性的解决之道！