文 | 帆軟數據應用研究院 水手哥 無論國內還是國外，多數企業的BI系統和分析平台建設之路並不平坦： 一是對自身的環境和需求認識不足，不能抓住重點，導致成效產出不高； 二是眼光只放在當前，未能考慮以後的變化，導致BI系統建設不能有序延展和響應需求； 三是經驗和水平不足，難以駕馭BI系統建設路線圖，導致走了不少彎路甚至回頭路。 對此Gartner推出了BI成熟度模型，幫助企業應用「ITScore for BI and Analytics」進行成熟度評估，明確自己當前的特徵，所處階段，以及採取哪些步驟才能進入下一個階段，讓企業的BI系統和數據分析平台建設有路可循，有法可依。 Gartner BI成熟度模型分為五個階段，分別是： 1、不知道階段（Unaware） 在不知道階段，企業沒有BI數位化，所有分析都是基於excel進行，數據分析也都是臨時的，沒有完整的數據分析策略和體系。該階段問題也非常明顯，需要進行重複的報表製作，多次加工，人力成本高居不下，時效性差，做出來的報表也可能沒用，或者數據就是錯的卻無法校驗，種種問題讓數據化決策稱為空談。 2、投機階段（Opportunistic） 在投機階段，業務部門追求自己的BI系統和分析計劃，自己對數據分析負責。企業內部存在多個業務系統，如CRM系統、ERP系統、BPM系統等，業務系統中多少內置著一些報表和分析頁面。 但是，每個系統的關聯性並不強，數據煙囪和數據孤島問題一直存在，業務部門很難做整體的、全局的數據分析，各個部門的數據、指標甚至衝突。 為了做報表，做分析，業務部門可能單獨採用一些資料集成、中間資料庫和分析工具，最終導致企業存在多個分散儲存在不同地方的源資料庫、BI系統平台、儀表板等。雖然這種模式可以滿足業務部門的一部分需求，但知識不能共享，優秀專案難以推廣以解決其他用途，企業仍然處於規模經濟較低的狀態。 3、標準化階段（Standards） 在標準化階段，人力、流程和技術在企業中協調發展，數據可以支援用戶做數據分析決策，組織開始轉向共享服務，確定技術標準。這個階段，企業還具備有業務部門、IT部門和數據分析師組成的BI能力中心（BICC），以分享知識，提高業務系統或資料使用的一致性。業務部門和IT部門共同建設相關業務的分析、分享系統，至少有一位高級管理人員，成為業務數據分析的專家。技術標準開始出現，包括IT基礎建設、資料倉庫和BI系統。企業首次通過改進配合流程和技術標準化，降低BI和分析工作的總體成本，但是，此階段的BI和分析系統的適應性仍然很低，企業尚未出現規模經濟效應，管理者對其他流程的洞察力仍然不足。 4、企業級階段（Enterprise） 在企業級階段，企業以績效為導向，企業營運和分析指標體系已經十分完善，具有一致性和穩定性，資訊長等在企業的決策流程鏈條中有著不可替代的作用，高層管理人員對BI系統建設給予更多的人力和財力支援。此階段，公司中高低層均可以藉助BI和分析系統做報表、做數據分析。雖然BI和分析系統變的更加高效，但是使用增長，成本依然很高，企業必須確保不同領域都有高水平人才，適當支援每個業務部門對新技術和新模型的應用。 5、變革型階段（Transformative） 在變革型階段，BI系統和分析系統已經成為企業和IT部門共同運作的戰略舉措，並得到企業最高層次的支援和管理，企業將數位化視為戰略資產，利用商業智慧BI和分析來創造收益、提高運營效率，為客戶提供一流的服務。企業績效指標框架擴展到相關的合作夥伴與客戶，所有利益相關者都使用BI和分析系統響應多變的業務分析需求，並進行變革性的決策。在此階段，BI和分析系統有著非常強大的靈活性，可以讓用戶進行多樣的自助分析、預測性和規範性分析。 總結來看，不同階段的的特徵如下： 不同階段的發展情況：
在沒認清現狀前，企業當然不能一言不合就上BI系統。 BI軟體不同於一般的企業管理軟體，不能簡單歸類為類似用於提高管理的ERP軟體和WMS軟體，或用於提高企業效率的OA軟體、BPM軟體。BI軟體的本質應該是通過展現數據，用於加強企業各環節的管控，幫助快速制定科學的決策。 在選型BI之前，是否認清了眼下的問題？ 多數選型BI的公司通常是出於以下幾種需求。 1、老闆厭倦了看常規報表或進入各業務系統看數據，希望給到直觀明了的指標數據； 2、業務錯綜複雜，難以理清規律，對數據分析和數據挖掘的需求越來越明顯； 3、以IT部門來驅動的數據化管理難以推動； 4、各業務系統數據指標口徑不一，造成結果偏差； 5、企業發展面臨瓶頸急於突破，對數據的利用寄予厚望； BI能做什麼？ BI系統在大多數企業都是部署在展現層和應用層。比如BI工具FineBI提供從底層數據到前端展示，期間經曆數據整合、數據清洗（ETL）到數據緩存以及最後的數據展現和前端分析，以及行動端、大屏的解決方案。 BI在企業數據決策方面的利用，無非是以下幾種。 1、 過去發生了什麼？ 通過對企業現有數據進行整合，以固定報表、數據圖表、儀表板的方式呈現。 2、 為什麼會發生？ 通過即席查詢、OLAP分析和數據挖掘技術，對各指標進行關聯分析，挖掘聯繫關係。 3、 現在發生了什麼？ 通過設立指標預警和自動提醒來告誡企業摸個業務某個指標出與什麼狀態。 4、 將來會發生什麼？ 通過預測分析、數據挖掘技術來對一些數據指標做預測分析、模擬分析。 選擇什麼樣的BI工具？ 站在產品的企業的角度，可以從領先能力、產品能力、服務能力以及價格能力去著手衡量。可通過海比研究給出的一套《BI選型指標體系》來判斷。 1、 領先能力=行業地位+領先性 比如公司在行業中的低位、市場佔有率、公司在該領域的專註性以及技術的領先性。商業智慧BI目前的市場格局不算大，可擴展到報表領域去衡量。 2、 產品能力=公司產品線+核心產品功能+解決方案 一般來講，公司的產品線越完整，相關產品的整合能力越強，越好。但是，最重要的還是產品的功能是否實能解決企業最關注的的問題，是否能覆蓋更多行業，BI系統解決的是行業通用性的問題，解決能力越強，產品越優秀。 3、 服務能力=服務專業能力+維護能力 BI系統的實施很考察人員的專業性，過去由於國外IT巨頭的稱霸，很多產品的項目都承包給第三方實施，造成服務脫節。現在很多湧現的國內軟體公司一般都會有專業的實施團隊，在地化服務很佔優勢，所以這一點不妨考慮本土產品。 4、 價值能力=成功案例+性價比 選型前可看看同行業的企業夥伴們用的是什麼類的BI工具，使用情況如何。包括從功能費用、專案實施費用綜合考慮來看的性價比。 實施BI，是否做好以下準備？ 實施BI系統的前提，最重要的是基礎數據的統一。比如貨品資料，客戶資料，公司內部資料。缺少的數據雖然可以臨時補，但是隨著公司業務的擴展，這種數據化運營的方式需要不斷精細，數據管理的規範任務要落實到業務員的考察，如果得到老闆的支持會更容易推動。有了這些齊全的數據，BI系統的實施才有保障。 然後是業務的統一。比如銷售模式，採購模式，結算方法，質量管理的統一。比如銷售模式不統一，有的分公司先結算後配送，有的公司先配送後結算，業務形式不統一，口徑不統一，就會造成數據的時間差。 其次是業務部署。每個公司的業務部署不同，有的是集中部署有的是分銷部署，如果BI系統是放在總部實施，需要將各地分散的數據統一起來，建立數據倉庫，保持基礎數據的統一，但其中，如何提高速度，如何優化配合方式，這點需要研究。 BI人才儲備是否足夠，需要業務人員和IT人員的積極配合，這個效果才能夠比較良好的推動，而且還能夠持續的發展。為了讓技術和業務人員更好地貼合，要將技術和業務有效結合，最大效率的把報表和BI系統的功能發揮出來。 關於一些其他建議 對於導入BI系統，還有其他考慮，比如價格預算，比如是否用開源，比如後續開發和維護，這裡做個統一的解釋。 明確業務需求：強烈的業務需求，明晰的業務目標，能否抓住核心是一個項目成敗的關鍵。 「產品+定製+服務」的建設思路：是否要選擇開源的產品？如果你有很強的開發能力，可以考慮。但建議專業的事情還是交給專業的工具來做，傳統企業不比網路企業，網路企業是以數據來驅動的，與傳統企業的模式不一樣，再說，後續維護也是成本啊。業務專案建設如果不藉助比較成熟的產品工具，從技術代碼進行創新式的開發，不經過迭代以及檢驗很難規避風險，很難形成一個成熟的產品。如果覺得國外BI產品「龐大」，完全可以選擇FineBI這一類輕量化的BI系統工具。 最後，就是認清技術力量的現狀，不妨建議敏捷開發、迭代開發和重構，注重技術和管理的配合。
文 | 帆軟數據應用研究院 大副 數據分析就近幾年看來，越來越有一種像通用技能發展的趨勢，從生產、研發、市場、銷售到運營，多多少會存在數據分析的需求。 關於數據分析，網路上有不少的分析報告案例，但細細讀來，好多都缺少辨證，邏輯不嚴謹，又或者分析得淺嘗輒止。恰逢最近讀了《大數據分析的道與術》，是一套很完整的理論書籍，結合自己多年的大數據應用從業經驗，積累了一些心得，想與大家分享。 作為一個唯物主義者，做事總是愛講方法論。那麼數據分析工作，方法論是什麼呢？是「先道後術，以道馭術」，也就是先了解數據分析的核心原則，再掌握數據分析的一些關鍵技術。 什麼是數據分析？ 數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，為提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。其實簡單理解，數據分析本身就是「數據」和「分析」兩塊工作。一方面是採集、加工、整理數據，另一方面是結合數據背景分析數據，從中提取出對業務有幫助的結論。 數據分析的成果通常是數據分析報告或者報表。常見的就是帶圖、表的PPT、PDF文件，也有一些Web版的圖表系統（有興趣的，可以在應用商店搜索「數據分析」，有各類演示系統可以體驗）。對於數據分析報表，類似議論文，分析是論點，數據就是論據。 數據分析有什麼用呢？這個經常被問到，尤其當一篇花里胡哨的報表在網上發布，就有人說報表沒用，順帶著撇一嘴數據分析也沒用。 數據分析對企業的巨大價值體現在業務發展的前期（探索期）或階段性改進期（顛覆期）。當探索和變革業務時，企業需要數據分析去明確業務中的問題、機遇及解決方案。企業最大的成本是決策成本，而數據分析是提高企業決策能力的關鍵；當業務模式相對成熟時，企業則需要數據建模來提升業務效率，減少運營成本等。 那，數據分析又有哪些普遍又典型的應用場景呢？筆者經驗，主要是三個：掌握業務狀態、分析業務潛力、評估業務進展。 場景-掌握業務狀態：我們需要通過對核心指標進行監控、解讀和分析，掌握業務經營狀況。比如某日銷量出現異常波動，需要數據分析來定位原因。（產品A本周銷量異常上漲10%，是什麼原因？怎麼分析？）在比如月末、季末部門做關鍵業務指標總結，並做業務發展趨勢分析等。（本季度的關鍵數據指標如何？各項業務進展如何？都有哪些積極消極因素，具體多大影響，下個月、下個季度業務則呢么發展？） 場景-分析業務潛力：產品當前的主要問題是什麼？下一步的發展潛力在哪裡？從數據中挖掘問題原因並提出對策，指明產品的下一步改進方向。比如商品B近3個月流失了1000個會員，原因是什麼（分析原因）？如何減少會員流失（找對策）？ 場景-評估業務進展：新上線的產品策略或新推進的運營活動，帶來了多少業績提升？項目的覆蓋面和影響面如何？其中存在怎樣的問題，如何進一步優化等等。比如針對部分客戶，設計全新的促銷策略，在本月執行後，如何評價促銷策略帶來的業績提升？是否目標客戶群比上個月購買額增長可以作為促銷策略的成果？ 既然大數據分析有如此之多的應用場景和使用價值，那麼怎麼才能做好大數據分析呢？只能說，太難，既需要工具技巧的掌握，又要有能明察秋毫洞若觀火的業務經驗。但相比而言，個人覺得後者更為重要，就像如果只知道方法論，但沒有對業務的理解，如何實行的套路，數據分析只會浮於表面，既不能挖掘問題原因，也不能提供解決方案。 做好大數據分析，不談技術，先認清以下4個關鍵。 1、 業務調研：理解業務是基礎，否則分析是無本之木，甚至是個人意淫。 2、 創新思考：廣闊的知識面和積極的思考，是分析思路的源泉，數據分析的創新思考，實質上就是從更多的思路進行分析，找出最合理的思路。 3、 邏輯推理：對數據指標作出正確的歸因分析和判斷。 4、 可行建議：產生對業務切實有效的改進建議和執行方案。 「業務調研」是數據分析的起點，也是獲取分析思路的基礎，但是需要兼具深度和廣度的「創新思考」，才能獲取更獨到的分析思路。分析思路也可以認為是統計數據的角度，完成數據統計後，需要「邏輯推理」來保證從數據到結論判斷的正確性。最後，用「可行建議」來保證分析結論的落地執行，產生可量化的業績。這就是數據分析從業務中來，回到業務中取得完成過程。 本文是筆者《大數據分析道與術》讀書筆記第1篇，淺述了一下。
文/傅一平 只要是做商業智慧BI的，無論在哪個具體崗位，報表總相伴。假如你是取數人員，業務人員設計的取數樣張，大多就是報表原型，只不過還沒發布；假如你是報表開發人員，你的所有工作就是開發並發布它；假如你是專題專案人員，你所做的專題的基本組成要素就是模型+指標+報表+資料視覺化交互；假如你是運維人員，那你務必保證公司的核心報表按時發布！ 報表是維持公司正常生產運營的一部分，老闆關注企業發展，需要業績的報表，分析師關注問題，需要從報表發現異動，財務人員關注收入和利潤，需要從報表入賬，行銷人員關注業務發展，需要從報表獲取執行情況，一線人員關注報表，需要了解自己的付出和所得。 因此，報表的價值毋容置疑，它是企業生存的基本要素，不可或缺，而BI其他的內容，則有點像奢侈品，用了也許可能更好，但也可以不用。雖然從10多年前開始，BI專題漸成潮流，但報表在BI系統中的地位始終穩如磐石，假如BI系統沒有報表，甚至讓人懷疑BI系統存在的價值？ 現實中，業務人員往往並不是通過操控BI的分析工具獲得資訊和知識的，取數或報表+EXCEL+PPT似乎還是主流形式。 做出一張報表容易，但做好一張報表很難 報表是如此重要，因此談報表製作就有較大的意義，它幾乎跟企業中的每個人都息息相關，但做出一張報表容易，但做好一張報表很難。 很多報表製作開發人員都會有這個感覺，業務人員報表總是東提一張西提一張，拚命的催進度，動不動就是老闆要，口徑亂七八糟，好不容易上線了，就埋怨報表出數太慢，整天要求提速，速度提上去了，就抱怨質量，一發現異動，首先懷疑報表的數據分析出現問題。 「老闆說，這個月這個報表數據異常啊，我們市場上也沒做啥事，是不是數據有問題啊？好好查查！」 「這個月我們行銷做的很多，用戶數肯定不止這點，是不是報表沒統計這部分用戶啊，好好查查！」 作為報表製作開發人員，你總是被巨大的報表負擔壓得喘不過氣來： 「報表太多了吧，不大的企業，各種報表上萬張，是人乾的嗎，而且只增不減，不光系統壓力山大，業務人員個個還說不能下線？」 「報表可是業務人員提的，但搞了這麼多指標，同樣的命名都不同的口徑，不同的人不同的口徑，數據不一致，是我的錯嗎？ 還老說我的數據有問題，到底是誰的問題？」 「這麼短的時間，哪可能這麼快開發完成一張報表，要速度就沒質量，你看著辦，我又不是神仙？什麼，又是老闆要？」 「我明明規劃好了目錄，但報表太多了，情況太多了，根本不知道如何歸類？ 這張報表該發布在哪裡比較容易被找到呢？」 「好不容易發布一張報表，總算滿足了省公司要求，但地市也要，縣市也要，片區也要，TMD，還需要報表指標的用戶清單，以便一線考核和核查，但你們提出的時候，根本沒考慮這些維度啊？能怪我嗎？」 做好一張報表其實是你的職責 這些問題時常在，怎麼解決呢？首先需要學會換位思考，理解一下業務人員，也理解清楚自己的使命。 IT資訊部可能有專門的崗位負責報表需求、開發和維護，但業務部門鮮有專門負責報表的，往往某個業務的負責人就是報表需求的提出人，報表僅僅是他們眾多工作中的一環，因此不要奢望業務人員對於報表製作設計的科學性、規範性有多大的考慮，更不要對於業務人員提出報表規劃的要求，這就好比以前經常提的業務架構，有多少是真正能落地的？ 明天怎麼樣，業務人員自己都不清楚，因此，屁股決定腦袋是常態。用最短的時間設計完報表，然後扔給開發人員儘快上線看到數據，就是他們最大的訴求。 從更廣的角度看，報表是你的專業和生計，而對於業務人員不是，甚至僅僅是個過客，君不見業務人員流動如跑馬燈，而你仍然在那裡。 因此，做完一張報表是你和業務人員共同的職責，做好一張報表則是你的職責，特別是如果你希望做出一張精彩絕倫的報表，那也是很專業的事情，非一般人所能做到，明白這一點是解決問題的前提。 那麼多問題，怎麼辦？報表到底難在哪裡？ 報表數量成千上萬，往往是報表管理的問題 即使如電信運營商，資費套餐這麼複雜，增值業務也不少，但真正需要的報表可能也不超過上百張，號稱報表上萬的，往往是報表管理出現了問題。 其實報表的數量跟你對於何謂一張報表的定義有關，即使是一張報表，假如維度很多，就可以幻化出成百上千的報表視圖，這個你懂的，因此，首先定義好何謂一張報表，是你管理好報表的一個基礎。 筆者給出一個建議，也是在實踐中做成功的，就是一個業務僅做一張報表，實現報表的收斂，曾經將企業的2000張報表，減少到200張。要知道，做同一個業務，由於企業不同的人，不同場景，不同理解，不同角度，都會提出針對一個業務的不同報表，你不能總是忙於新增報表，而應盡量在原有基礎上去擴展。 有些時候，即使是不同的業務，假如類型相同，指標相同，也可以僅作一張報表，不同的業務作為維度即可。 做報表，要尊重歷史，懂得傳承，不要輕易去增加報表，同一個業務，搞出兩張報表，就是不一致噩耗的開始。 你不給標準，業務的報表需求就會天馬行空 企業的核心業務不會大變，因此，真正對於企業運營重要的報表其實是非常有限的，當然報表自上而下會有所擴展，但還是有限的，這是報表標準化的基礎，對於沒有穩定性的東西，就沒有標準化的意義。 所以我們認為報表太多，往往是各類業務人員的奇思妙想造成的，並不是說他們提的報表太糟，而是因為你自己沒有基線和標準，無法給他們規範和約束，當然人家報表就會海闊天空, 比如當你面對一個業務新人，無論你如何曉之以理，唯有規範是有用的，否則他就會使喚你，並搞出自己的一套垃圾報表。 要實現報表標準化，建議從指標的角度去梳理業務和存量報表，共性或相似的指標會非常多，比如不同命名，不同角度的指標往往可能是一個指標，梳理出企業的基本指標體系是報表管理人員（或開發人員）的使命，標準化包括指標分類，指標命名，業務口徑，技術口徑，實現方式等等。 你去看看企業的經營分析報告，前面一部分，往往就是企業的基本面指標，那可是非常穩定的，當然，還需要進行一定的擴展，因為一些執行性的指標也非常重要，比如公司上層關注渠道健康度指標，可能一線則關注渠道受理量，同時企業年初或季度會新設立或淘汰一些指標，但這類變動不會太大，因此對於企業的業務越了解，就越能抽象出這一層指標。 有了基本指標，結合基本的維度，他們的組合，就形成了企業的指標體系，而基於這個指標體系，通過自由組裝，則可以幻化出無數的報表，這是報表標準化的基礎，能做到這一步，非常不容易。 曾經翻過企業的所有報表指標，不同口徑不同維度的名義指標有5-6000個，但共性的指標也就只有300-400個，其他要麼是變種，比如台北受理量與台北信義區受理量，要麼是特別個性的指標，關於個性指標如何處理，這個後面再表。 所以要指標化，是因為報表的基本的粒度就是指標，降低報表的冗餘，必然是基於指標這個最小粒度去實現共性的提煉和組合。 指標的提煉是巨大的工程，但這個是實現報表數據一致性，減少重複報表開發，降低系統開銷的戰略性舉措。 做報表的，雖然事務工作非常多，但還是要抬起頭來，系統思考一下，報表的路怎麼走？ 阿里提出了「小前台，大中台」的概念，實際道理是相同的，標準化就是在做報表中台的事情，你要致力於完善你的指標體系，而不是致力於去實現一張張報表，這個意義深遠。 報表中台對於報表人員的綜合素質要求很高，既要有寬廣的業務視野，也要有深厚的數據沉澱，輔以溝通協調能力，造詣甚至遠超一般的業務人員。 另大量分析和跟蹤報表個人色彩濃厚，沒有共性，生命周期也可能很短，沒歸納的必要，筆者給的建議就是，千萬不要將其跟標準化的東西混在一起，可以開設一個個性化目錄，納入這些報表，讓其自生自滅。因為根據筆者統計，企業可能有50%以上的報表每月訪問用戶只有1-2個人，其價值非常有限。 沒必要讓每個業務人員滿意，做報表是非常嚴謹的事情，如果是非常個性化的報表，寧願取個數或搞個定時腳本每月導出給他，也不要讓其打亂了報表體系，這些報表除了增加雜訊，對於公司的意義不大。 比業務更了解業務，主導報表開發 但無論是標準化，還是控制報表數量，都會涉及到你的報表理念及與業務人員的微妙關係。這裡來談一談。 首先，比業務更業務 也許覺得很難理解，舉個例子，比如電信中有離網這個指標，很多業務人員認為離網就是簡單的一個指標，但在系統中，離網包含主動銷戶、賬戶欠費銷戶等更多的含義，離網的業務流程系統實現其實非常複雜，每類離網實際表達了不同的業務含義。 業務流程的制定往往是幾代業務人員積澱下來的成果，沒有一個當前的業務人員能理解的這麼透，而系統中則完整的記錄了下來，你應該成為這個知識的傳承者，才能夠作出一張超越業務人員的報表。 其次，把報表當成產品來做 將報表當成產品，我始終認為真正的報表是為企業開發的，業務人員只是報表的需求提出者，因此，你還需要去理解報表提出的背景，哪些是這張報表的用戶，你需要尊重提出報表需求的人員，但對於報表製作開發要有自己的想法和主導權。 因為大多數時候，報表需求提出者只關注自己當前的訴求，但一張報表要有生命力，還需要考慮更多的因素，包括指標是否要標準化，報表怎麼展現，存儲多長時間，打開速度如何，能否復用以前的指標，粒度是否要滿足一線要求，是否清單要能保留，是否有同樣的類似報表等等。 報表開發人員如果能站在公司的角度去思考報表製作，就應該有信心主動的提出更好的報表設計方案，你不僅要解決當前的問題，也要儘力解決未來可能的問題，也許一開始你覺得很痛苦，但後面做報表可能就會海闊天空，很難，但一張好的報表，真得價值很大。 […]
要說資料視覺化有意思，有意思的應該是視覺化背後呈現的故事！ 中國地鐵建設速度動態圖 據說這張圖來自公共交通狂人和設計師皮特·多瓦克（Peter Dovak），他將中國30年的地鐵發展情況實現資料視覺化。 以地圖為背景，把各城市的地鐵線路圖畫出來，且實現了逐年的變動動態視覺化，內容非常豐富，有點（各城市），線（隨時間推移變化趨勢），面（全國各城市都能看到），令人讚歎！ 註：2017-2020年右上角是帶*號的，應該是根據國家公布的計劃數據做的數據源來進行的數據分析。 按性別、年齡段分組的美國人口百分比 根據歷史數據進行數據分析，對未來美國不同性別的年齡段人口百分比做出預測後，通過動態圖的方式呈現出來。 類似百分比堆積條形圖，隨著年份的變化，視覺化顯示隨著時間推移的人口百分比的變化。做成的GIF動畫圖片，也非常利於社群媒體的傳播。 【解讀】 1、20世紀50年代是新生兒佔比最高的年代，然後新生兒佔比呈減少趨勢，表明美國人的生育意願整體呈減少趨勢。 2、隨著時間推移，高年齡段佔比增長，進入老齡化社會；到了75歲以上，高齡女性比高齡男性多~ 1750—2010年全球碳排放數據地圖 法國經濟學家Aurélien Saussay使用美國能源部下屬的二氧化碳資料分析中心的數據創造了這個資料視覺化地圖，該中心從1751年化石燃料時代開始，就一直跟蹤化石燃料燃燒（加上水泥生產和天然氣耀斑）。按不同時期的人口分布加權，這個地圖既能夠說明世界上每個區域對碳排放總量的歷史責任，又能夠反映在過去250年里工業革命的擴散過程。 使用數據地圖展現全球的碳排放量情況，使用紅色滑塊通過時間來回移動，並點擊任何一個國家可以看到他們的碳排放對世界的貢獻。
圖片來源：交通部觀光局旅遊數據圖表 2018.03.26更新 旅遊業是這幾年的熱門產業，各個國家地區都在積極興辦各種服務、設施、文化活動來吸引遊客，對於遊客的喜好、特點的準確把握成為這其中制勝的關鍵。這也是這幾年旅遊大數據分析興盛的原因，隨著數位化的發展，旅遊業的遊客數據變得更多和更容易獲取，無論是外部的旅遊大數據報告，比如政府或行業協會發佈的數據報告，還是企業自身積累的業務數據，都為旅遊業的發展提供了很好的數據基礎，在此基礎上的運營也更具競爭力。 今天以某企業的節假日外部大數據監測分析報告為例，為大家介紹。(數據來源於最近的節假日——清明節) 今年清明節出遊的大趨勢是怎樣的？ 作為一家旅遊企業，首先關注的是行業的發展趨勢，也就是旅遊產業現在發展勢頭如何？大家是更愛出遊了還是更多選擇在家？行業的興衰是企業發展的先決條件。 「梨花風起正清明，遊子尋春半出城」，祭掃追思緬先輩，踏青賞花正當時。從中國文化和旅遊部獲取的數據資料，經中國旅遊研究院綜合測算，今年清明假日期間全國共接待國內旅遊總人數1.01億人次，同比增長8.3%；實現旅遊收入421億元，同比增長8%。中國旅遊研究院專項調查顯示，清明假日期間，近郊祭祀掃墓、踏青、賞花是居民出遊主要動機，以博物館、文化遺產、文化展演、宗教祈福等為代表的民俗文化遊走熱，參觀文化場館和遊覽名勝古迹的遊客佔比達38.1%。文化展演吸引遊客人次較去年同期增長了12%，主打文化IP的景區逐漸贏得遊客喜愛。假日期間，景區是旅遊消費的重要領域，全國各大景區迎來春季客流高峰，整體市場同比增長35%，其中文化類景區門票消費同比增長58%，文化展演吸引遊客人次較去年同期增長12%，成為清明旅遊的一抹亮色。 在行業整體數據增長的狀況下，企業如果良性發展也一定是增長的，行業大數據為企業衡量自身發展狀況提供了一個數值參考。根據行業細分特質本企業應該高於還是低於行業增長水平，企業經營者心裡應該有了衡量。 遊客從哪裡來，都到了那裡去？ 作為一家以國內游為主的企業，非常關注全國的遊客從哪裡來，并依據遊客的地理位置生活工作等特征來制定假期旅遊策略。 从外部導入的大數據分析來看，一線城市是主要客源地，扎堆在假期的首日出遊。上海、廣州、北京、深圳、南京、成都、長春、杭州、衢州、蘇州是清明旅遊的十大客源地。一二線城市的都市白領在這個清明除了緬懷祖先外，更渴望通過旅遊釋放壓力。 那麼這些主要集中在一二線城市的大客流會選擇哪裡遊玩，遊玩什麼類型的景點呢？ 從全國地區分佈來看，清明節熱門景區旅遊目的地主要集中在春暖花開、氣溫適宜的華南、華東地區。西南地區文化旅遊氛圍濃，都江堰、峨眉山、青城山等世界文化遺產景區成亮點。華東、華南地區是親子類景區的天下，廣東長隆旅遊度假區、上海迪士尼樂園、上海野生動物園、常州恐龍園等親子景區深受家庭喜愛，黃山風景區、黿頭渚為代表的山水名勝也是清明度假的熱門之選。華中地區，南嶽衡山、張家界國家森林公園為代表的自然景區最受青睞，文化遺產黃鶴樓人氣較高。西北地區，歷史文化類景區如秦始皇陵兵馬俑、華清宮、大唐芙蓉園更受中青年人群喜愛。華北地區，除故宮、慕田峪長城等老牌景區外，主題樂園、動物園景區遊玩人氣頗高，北京歡樂谷、天津歡樂谷、天津海昌極地海洋公園、八達嶺野生動物園成熱門。東北區域，主題樂園、海洋館、溫泉類景區人氣爆棚。 從城市分佈來看，廣州、上海、無錫、北京、成都、深圳、珠海、南京、常州、杭州是十大熱門城市。 從景點熱門度來看，都江堰、廣東長隆旅遊度假區、峨眉山、黃山風景區、故宮博物院、黿頭渚、北京歡樂谷、上海迪士尼樂園、秦嶺野生動物園、常州恐龍園、靈山大佛、白雲山風景名勝區、香港迪士尼樂園、成都歡樂谷、上海野生動物園、廣東羅浮山風景名勝區是全國景區消費最熱門的二十個景區，親子型主題樂園和大型山嶽景區受歡迎。 清明節假期出遊熱門的景點我們可以看到，種類非常的多樣，於是我們分類進行統計排名，主要分為世界文化遺產類、文化古鎮類、祈福文化活動類。 1、世界文化遺產。 世界文化遺產景區成遊客清明旅遊心頭好。都江堰、黃山風景區、故宮博物院、鼓浪嶼、明孝陵、秦始皇陵兵馬俑、廬山風景名勝區、青城山、拙政園、宏村是十大熱門世界文化遺產景區。被列入首批國家非物質文化遺產名錄的都江堰放水節，通過《禮祭先賢》《敬祈福願》《拜水大典》三幕實景畫卷，將都江堰的歷史文化精彩呈現，引各方遊客點贊，為都江堰吸引來大量遊客。 2、文化古鎮 文化古鎮是清明假日市場一道亮麗的風景線。烏鎮、南潯古鎮、寧鄉炭河古城、閬中古城、朱家角古鎮、周庄古鎮、古北水鎮、紹興古城、平遙古城、蘇州同里古鎮是最受遊客喜愛的十大文化古鎮，具有濃郁民俗風情的江南古鎮、古城最具有代表性。 3、祈福文化活動 弘揚清明傳統、踏青祭掃兩不誤，祈福類景區受歡迎。清明時節，也有不少人喜愛登高祈福，在飽覽自然風光、愉悅身心的同時，緬懷先人，為親人祈福。峨眉山、靈山大佛、衡山、三清山、寒山寺、舟山普陀山風景區等在祈福類景區中排名前十。峨眉山「普賢文化節」、南山寺的清明思親法會、九華山千人祈福大典等清明活動，弘揚了中華民族的傳統文化，深受遊客喜愛。 企業利用景區分析來做旅行線路規劃、時間規劃，成充分滿足遊客的需求。同時，了解學習熱門景區如何營運來把自己打造成熱門的，對於旅遊企業與景區的合作大有助益。據了解，已有同行開始承擔新興景區的推廣合作，通過提供營運策略和客源來幫助新興景區成為熱門景點。 出遊時間如何安排的？ 從今年清明小長假出遊情況看，儘管正式假期從4月5日開始，但在「拼假」大趨勢下，4月2日-4日請三天假與3月31日、4月1日雙休日及清明節湊成8天長假的人不在少數。因此，第一波清明出發高峰主要集中在3月31日，其次便是小長假開始後的4月5日。 假期出行日期的分析非常重要，對於企業規劃旅行線路時的起止時間、天數、交通方式、景點個數距離等等都有著很大的影響。尤其是現在拼假盛行，你不提前了解很可能規劃的線路都錯了人流出行的高峰期。 出遊方式如何選擇？ 從數據分析可以看出，跟團游和自助游仍是人們出遊的主流方式，同時，新興的半自助遊方式也逐漸受到遊客青睞，出遊人次佔比高達18%。 這是行業整體的數據，企業在運營中也會積累業務數據，三種不同的出行方式在客戶中佔比如何？和行業數據比較有什麼差距？是否需要調整比例？ 出遊人群的畫像是怎樣的？ 今年清明節預訂景區門票的遊客中，90後（1990年之後出生者）佔比最高，達到40%，90後開始主導清明景區出遊市場，其次是80後，佔比為37.3%。90後是出遊主力軍，說走就走成趨勢，這是由於步入家庭生活的90後、80後，喜愛群體出遊，以兩天一晚、三天兩晚的親子游、家庭游以及親友結伴遊為主，人們在景區玩樂的同時，越來越注重文化趣味。有了這樣的出遊人群畫像，我們的旅遊行程制定就有了數據依據。 出境遊的狀況是怎樣？未來要不要發展出境遊業務？ 國內游是目前公司的主要業務。但是隨著國內消費水平的提升、旅遊意識的增強和帶薪休假制度的落實，出境遊成為這幾年的大熱門，公司需要考量做不做出境遊業務？從哪些地方開始做？這次清明假期的行業數據給了決策者以外部數據分析支援。 清明假期「請三天休八天」讓旅遊者擁有了更長的假期，出遊周期較長的出境游成為「拼假」族的主流選擇之一。從清明節出境游實際出遊情況看，泰國、日本、印度尼西亞、馬來西亞、新加坡、法國、瑞士、義大利、德國、俄羅斯位居熱門目的地國家TOP10。其中，櫻花游帶火的日本以及潑水節帶動的東南亞尤其受到遊客追捧。 同時，對於親子出遊的家庭而言，出境海島游是較為熱門的選擇，普吉島、沖繩、芽庄、巴厘島、長灘島、沙巴、塞班、蘇梅島、模里西斯、塞席爾等上榜熱門出境海島目的地前十名榜單。 旅遊是個不斷多樣化和大眾化的行業，正在作為日常生活進入千家萬戶，形成廣泛而龐大的人群交流和遷移。同時，大眾的旅遊需求也在不斷的發生變化。隨著旅遊業數據收集越來越方便，旅遊行業的企業的大數據應用越來越多，越來越精細，如果你不及時利用大數據來指導業務，真的要搶不到遊客啦！
文 | 帆軟數據應用研究院船長 近幾年，商業智慧市場火熱，不管是投資圈還是IT圈，都在廣泛關注著大數據應用和商業智慧。宣傳廣告媒體報道見多了，不知道大家對BI系統工具選型的技術標準有譜了沒? 筆者對Gartner的BI魔力象限考評的15個關鍵功能做了研究，認為其中的10個值得重點關注，（已標紅）給大家作些參考。 （乾貨較多，請自備飲料~） 總體來說，隨著用戶數據來源越來越廣泛，用戶對BI的需求偏愛在發生變化。越來越偏愛自助敏捷開發、互動式儀表板、自助數據探索。 基礎模塊 1. BI平台管理、安全和架構 「能夠實現平台安全性，管理平台用戶，監控管理平台訪問和使用狀況，優化性能，支援在不同操作系統中運行，同時確保系統高可用性和支援災備。」 作為企業數位化的一部分，BI系統平台做單獨的管理和災備的原因是多方面的。一方面是政府、網路企業、大型企業重視數位化建設，從理念上就要求單獨維護；另一方面，筆者也看到眾多中小企業，希望不去改造原有的業務系統，對BI系統採用單獨管理的辦法，雖然可能浪費一些人力和硬體資源，但確保新、老系統獨立，保證原有業務系統穩定，同時避免新系統掉進老系統的舊體系，這些都是中小企業的考量。當然，更重要的原因是，BI系統逐漸成為業務管理決策的支撐，發揮越來越大的作用，企業要求BI系統必須全天候提供穩定服務。 2.雲BI 「提供PaaS或者SaaS版本的BI產品，支援本地和雲上構建、部署、管理BI系統平台。」BI雲化是個趨勢，尤其是對於政府等領域。但是國內和國外情況有所不同。 第一，用戶擔心數據外泄。國內的擁有私有雲的企業並不多，大多在用公有雲。BI系統平台分析的多是企業核心業務數據，一旦外泄到同行、客戶、公眾等，企業難以承擔損失。公有雲在國內的推廣阻力重重，當然，一方面需要讓客戶了解公有雲的安全性，另一方面，公有雲廠商也要提高雲安全性。 第二，國內SaaS行業現在還沒有非常成熟的商業模式，雲BI短期內也是處於觀望狀態。 第三，BI廠商一般自己難提供公有雲，推出雲BI也會被國內公有雲巨頭裹挾，何況現在公有雲巨頭已經開始踏足BI領域。不過，BI廠商的產品支援雲部署是沒問題。 3.數據源連接和提取 「允許用戶連接到內部和雲中各種類型的數據平台，可連接結構化和非結構化數據資料。」 從接觸到的專案和同行交流來看，國內BI更多處理的是結構化數據。主要是國內外對BI平台的理解有不同。國內更多人傾向於BI為數據分析工具，不一定涵蓋數據倉庫、數據處理和複雜演算法。所以，從目前產品技術選型來說，推薦考慮BI平台能對接到哪些數據源，性能如何。但在具體的方案考評中，考慮和不同數據儲存平台或者數據處理平台的集成方案。 數據管理模塊 4.元數據管理 「用戶能夠集中管理元數據，包括對元數據進行搜索、提取、處理、存儲、分享復用和對外發布元數據。」 這裡的元數據重點是業務人員分析需要的維度、指標、層級結構、度量等數據。還包括一些加工處理後的數據，比如KPI、個人銷售額、單品銷量等數據。同時，系統支援管理員將用戶處理、儲存的元數據與BI平台對接的底層數據進行關聯和整合。目前，帆軟有BI產品確實支援元數據管理，BI本身提供多維數據倉庫（CUBE），並提供資料視覺化工具讓用戶方便處理元數據。儘管操作方便，但不少用戶還是傾向於自行管理元數據。原因有二：一是一般企業自身已有大數據處理平台或者構建了數據倉庫，不想重複建設和維護；二是BI產品自帶的數據倉庫，雖然數據分析性能好，但並不是標準的數倉產品， 長遠來看，企業自建數倉管理數據較為穩妥。不過，對於高頻分析使用的數據，顯然是儲存於BI自帶的數據倉庫綜合效果更優。 5.用戶自操作ETL和數據存儲 「平台支援用於訪問、提取、轉換和載入的功能，具有索引、管理、調度數據的能力。」 讓普通用戶，或者說是業務人員來進行類似ETL的操作和數據儲存，方向是正確的，但從目前來看，除了少數教育、出版印刷、網路、證券金融等領域從業者有較高學習和操作能力，大部分行業的業務人員ETL操作能力還是很有限的。但筆者認為，這個功能指標在實踐中還是很價值的。因為雖然國內大多數企業依然是IT技術做數據處理，但是業務部門正在逐漸掌握自行處理數據的能力。在相當長的時間內，業務人員或許依然無法完全擺脫對IT技術的依賴，但顯然依賴度正在逐步降低。業務人員的數據處理和數據分析，在成熟的BI系統工具的支援下，正在迅速提高。 6.自助數據準備 「用戶自助拖拽組合不同來源的數據，創建分析模型，並通過智慧分析、自動關聯等系統自動處理好數據，包括結構化數據和非機構化數據。」 如前文的用戶自行操作ETL，用戶自助數據準備，本質上就是讓BI系統自動處理數據之間的邏輯關聯。業務人員的操作，就像是從不同的羊圈裡面拖出不同的羊，希望系統能自動關聯他們的血親關係，而不需要專業的DNA鑒定或者農場主幫認親。目前，這塊還難以完全系統自動實現，因為過去很多業務系統底層的資料庫，在專案交付階段，都會去除主鍵和外鍵，為的就是應對不甚嚴謹的業務操作。這是國內企業IT建設的現狀，我們不能忽視，大談想當然或者視而不見。但是帆軟BI開闢了新的解決方案，除了能自動關聯、轉義數據，還可以手動設定關聯，同時，允許IT技術初步處理數據後，業務人員通過SPA螺旋分析功能再次將數據加工，這是筆者測試十幾個國內外商用和開源的BI產品後，認為當下最可行的方案。 分析和內容創建 7.嵌入式高級分析 「用戶能夠輕鬆使用平台內置的高級分析功能，也可以通過導入和集成外部開發的高級分析模型。」 通俗理解來說，就是BI系統平台自帶高級分析模型、演算法模型，能夠讓用戶拖拽數據，自動跑完模型出來結論。目前來說，國內的BI內置演算法和模型的幾乎沒有。國外的也未多見。常見的情形時是用戶自行開發演算法模型，或者已經多年積累了高級分析模型，然後將分析模型處理完的數據對接到BI系統，通過BI系統做資料視覺化的分析和展現。也就是BI仍舊是充當數據分析和圖形展示的工作。從目前市場上的BI產品策略來看，大部分BI產品尚未能支援嵌入高級分析，少部分支援對接R語言等。預計兩年內，BI支援集成高級分析模型會越來越普遍，但內置演算法模型，或許尚早。 8.分析儀表板 「能夠通過可視化探索操作和嵌入式高級地理空間分析來創建高度互動式的儀表板和內容。」 分析儀表板，有更通俗的叫法，就是互動式圖表元件。比如常見的柱狀圖、折線圖、散點圖等，還有高級一些的矩形樹圖、多層圓環圖、行政地理圖、自定義地圖、熱力地圖、流向地圖等等。這裡重點在於，這些圖表既要BI內置，同時還要支援業務人員簡單拖拽實現圖表展現。從目前來看，這個趨勢還是比較明顯的，越來越多的業務人員願意自行拖拽分析。 9.互動視覺探索 「通過一系列常規圖表和特殊圖表來探索分析數據。」 這些常規圖表，主要是餅圖、折線圖等，而特殊圖形是指熱力地圖、流向地圖、矩形樹圖、GIS地理資料圖等特殊的視覺效果。在這看人看臉的時代，BI顏值也提到了相當重要的位置。當然，除了圖形、圖表豐富、漂亮外，也需要關注圖表的操作交互。 10.智慧數據挖掘 「自動查找、可視化展現與用戶相關的數據中的重要發現，如關聯、異常、聚類、預測等，而不需要用戶構建模型或編寫演算法。」 BI系統平台自帶數據挖掘分析，從筆者接觸來看，至今還沒有哪家產品做得特別棒。或者說，當下的BI概念已演化為「數據分析和可視化工具」，漸漸剝離了數據挖掘的功能。數據挖掘本身，獨立成商業智慧的一個分支，也就是說，當前BI平台技術選型，很難找到自帶智慧數據挖掘功能的產品。但是BI平台可以和市場上常見的數據挖掘平台、大數據平台集成。關於這點，筆者建議BI技術選型時，重點考察方案，而不是單一的BI產品。所謂各種一站式分析BI平台，細細看來，不少都是不同產品的組合。 11.支援行動設備展現 「用戶能夠將BI分析內容發布到行動終端設備，並且能夠利用行動設備自身功能，實現BI頁面的觸摸操作、照相、視頻、定位等。」 行動BI，幾乎家家企業都熱衷。但不同企業需求有所不同。有注重安全的，要指紋加密，要綁定手機mac地址，要VPN加密；有注重多操作系統的，比如安卓和IOS版本必須同步支援；有注重功能和交互效果的，數據採集、圖像視頻採集、定位、各種聯動鑽取、行動端分享BI分析內容；也有注重多平台支援的，比如既有原生APP，又要支援集成企業已有的APP中，還需要能集成到Line、FB、微信、釘釘平台。行動BI這裡面，功能必然是抓大家眼球，但請更多重視行動終端的安全性。即使手機不在身邊，依然要穩保企業數據安全。 分析結果分享模塊 12.嵌入分析內容 「支援將BI分析頁面無縫集成到業務流程或業務系統中，支持業務軟體中直接創建、修改分析內容，管理BI系統平台。」 BI分析內容的無縫嵌入，主要考慮幾個方面。一是做到單點登入，也就是讓用戶不必登入業務系統後，再登入一遍BI系統，讓系統自動完成多平台認證。二是許可權集成，BI平台要提供接集成方案，允許用戶在業務軟體界面查看許可權內的BI分析內容。三是UI集成，作為嵌入到業務系統中的部分組件，BI平台自身應具備方便修改UI的能力，使嵌入的BI界面融合進業務系統。第一點來說，大部分軟體均已能實現。第二點比較突出，這點建議BI技術選型時重點關注。至於第三點，目前國外BI軟體普遍不太重視UI集成，大多較為封閉，自成體系。對於UI的權重，各家把握了，這方面，一般不是個關鍵指標。 13.發布、分享和協作分析內容 「允許用戶通過各種檔案輸出類型和分發方式來發布和操作BI分析內容。」 使用戶能夠通過BI平台，能夠分享BI分析的內容和決策。簡單來說，就是我做好的BI分析頁面可以分享給他人，他人可以分享給我，並且能對他人分享給自己的內容進行編輯修改，我們之間還能相互交流。這裡最大的價值在於BI分析的復用。也就是自己做過的BI分析數據和結論可以分享，同時自己的分析模型也可以分享，讓知識分享提高企業員工協作效率。現在帆軟BI這類的分析平台，已經支援這個功能，但從系統管理員角度來看，管理難度增大，分享出來的BI分析的權威性存在不足。所以這個功能，在企業實際使用時，建議IT部門做一些教育訓練和監控，合理而謹慎地使用分享。 整體平台能力模塊 […]
近年來，企業級的應用市場迅猛發展， 適用於大小企業的數據分析軟體紛繁雜亂，以至於當企業真正需要數據分析軟體的時候，卻不能準確的選擇適合自己的。針對企業面臨的問題，本文從選擇軟體應避開的誤區以及選擇的關鍵著眼點這兩方面去幫助企業克服選擇困難症，並且給企業推薦一些優質的候選者。 一、企業選擇軟體，一定要避免這四大誤區 誤區一：貴的就是好的 對於那些價錢昂貴的知名軟體，多做些調查和思考。首先，我們需要知道，不是所有的軟體都適合自己，我們要先考察該軟體的功能，再根據企業自身的情況，看其可取處和實用性，從而得出該軟體和自己是否適合；其次，考量軟體的性價比。我們都知道，品牌之所以價格昂貴，拋去它自身的使用價值，還有的就在於它的品牌效應而產生的價值了。所以，品牌之所以昂貴，就在於它是品牌。軟體也一樣，我們不能說，那些貴的軟體不好，但是誰都知道貴的東西未必值那麼多，對於那些需要考慮自身經濟情況的中小型企業，就需要去對那些品牌效應相對較低的軟體進行對比，看自己需要的功能在這些軟體中是否有體現。 誤區二：只有IT資訊部門負責 有的公司在選擇軟體的時候只有IT部門負責選購，這樣做是不對的。過去因為技術的限制，使得對於傳統的BI系統軟體，要有IT技術和分析能力的支撐，才能得到數據，導致真正懂業務的人員卻因此無法獲得一手數據，充分利用數據的價值。軟體應用本身就是針對各個部門而設計的，而每個部門的業務不盡相同，部門自身才最清楚自己具體的需求。因此，各部門只有親自參與選購，才能選擇出適合本部門功能模塊的軟體，使本部門的業務需求得到最大的滿足。 誤區三：選擇資料庫開放的軟體 資料庫是所有資料的根源，開放的資料庫就是把所有的資料暴露給別人，用戶可以直接的對此進行惡意修改和破壞，很容易造成系統的崩潰。不利於企業資料的保密。 誤區四：一步到位，一勞永逸 技術和企業的發展不會一步到位，它會根據時代的變化不斷改變自身的情況。因此，我們在選擇的時候，應該選擇那些經常進行更新升級的軟體類型。對於公司特殊發展狀況的部分，就需要選擇那些具有定製化功能的服務以及售後較好的軟體供應商。那麼，選擇的供應商和軟體就需要靈活多變，以適應企業需求。 二、選擇數據分析軟體的時候有哪些技巧？ 第一，企業首先必須對自己的需求和目標進行規劃。 企業在進行數據分析專案的時候往往有不同的目的，是希望IT人員製作整套完整的報表，還是希望業務人員自主分析，或是兩者結合起來？有沒有資料收集入庫的需求？有沒有行動設備數據分析和展示的需求？數據分析專案的預算是多少？專案週期計劃是多久？只有足夠了解自己，才能根據自己需求去尋找著力點，快速準確的選定目標，少做無用功。 第二，對軟體商，包括其實施能力、產品功能、以及客戶應用案例等進行了解。 實施能力和應用案例可以同時進行，借鑒該軟體成功和失敗的應用案例，可以了解該軟體的實用性和適用性；對於產品本身而言，除了需要產品功能能夠滿足企業自身需求，產品簡單好用也是關鍵，這樣才能夠讓企業各層人員都快速學會軟體，並充分利用其功能去產生價值。 第三，企業需要對軟體性價比進行比較。 相同的用戶數量哪一種性價比更高？有些企業軟體不再按照用戶數量收費，而是按照功能點收費，這種情況下，考慮到好自己的功能和使用者數量需求也可去比較性價比。 第四，軟體的服務也是企業需要考慮到的問題。 我們不能做一鎚子買賣，買完軟體去使用就算完事了嗎，答案當然是否定的。如果在使用軟體的時候我們遇到了難以解決的問題，那麼誰管？因此，購買軟體，看其售後服務也是關鍵。比如國外的Tableau渠道合作夥伴和代理商模式，那就是代理商來負責你的售後，你就要去評估一下這家代理商的服務能力。再比如帆軟FineReport報表BI軟體是直銷模式，只需要考慮帆軟的在地化服務如何。服務這一點可要慎重考量。 三、創新實用的一些數據分析/ BI軟體廠商推薦 1、Excel &PowerBI Excel作為一個入門級數據分析工具，是快速分析數據的理想工具，也能創建供內部使用的數據圖，但Excel更多展現的是靜態數據，而微軟推出的另一款Power BI是一款自助式的BI系統工具，是資料視覺化探索和互動式報告工具，主要用於動態報表的製作，說人話，就是一款能把丑逼靜態數據瞬間變成屌炸動態報表的神器。Power BI 連接數以百計的資料來源、簡化資料準備，並推動特定分析。產生美觀的報表並加以發行，讓您的組織能在 Web 上及行動裝置之間加以使用。每個人都可以為自己的企業建立獨一無二且全方位的個人化儀表板。在企業中調整，且內建治理與安全性。Power BI 目前在台採用的是代理模式，官網上一共列舉25家企業可供選擇。 台灣官網：https://powerbi.microsoft.com/zh-tw/ 2、Tableau Tableau是一款桌面可視化工具，用戶可以創建自己的資料視覺化，並將交互性資料視覺化發布到網頁上。Tableau的可視化圖表十分美觀，支援本地化部署，以及行動端部署。Tablesu讓每個人都能查看和理解數據，幫助企業實現商業智慧。瞬息之間即可探索和分析數據，簡單拖放即可發現趨勢和異常值，能夠連接電子表格、數據庫和大數據等資料來源，僅需輕鬆點擊，就可合併多個源的數據。 Tableau目前並沒有台灣官網，只有簡體中文官網。台灣設置了銷售處可以聯絡。目前google上看到的Tableau繁體介紹網頁基本都是代理商網站上的。 簡體中文官網：https://www.tableau.com/zh-cn 3、帆軟BI工具FineBI和FineReport FineBI是一個完整的商業分析BI工具，功能相對全面，在企業的數據分析方案中廣為應用。相比其他，能快速處理企業的大數據量，展開不同業務主題的分析。公司業務人員能可很快上手，領導層可通過PC、手機、平板、LED大屏查看結果。FineReport是帆軟旗下的一款報表軟體，在複雜報表處理、報表快速開發、數據採集入庫方便有著很大的優勢，也具備了儀表板分析等BI功能，一般適用於IT背景人士選擇。 FineReport台灣官網：http://www.finereport.com/tw/ 4、qlikview qlikview是一個完整的商業分析軟體，使開發者和分析者能夠構建和部署強大的分析應用。QlikView應用使各種各樣的終端用戶以一個高度可視化，功能強大和創造性的方式，互動分析重要業務資料。利用qlikview可以創建資料視覺化效果、儀表板和app應用程序來回答公司最重要的問題。 qlikview沒有台灣版官網，有一個簡體中文版。在台北有一家銷售辦事處可以聯絡。 簡體中文官網：https://www.qlik.com/zh-cn Excel、PowerBI、Tableau public、帆軟FineBI、FineReport、Qlikview等都是創新且易用的數據分析軟體。這些軟體經過不停的研發和市場測試，功能都相對完善。企業具體應該選擇哪一個軟體，還是需要根據以上列舉的技巧來進行實踐。
作者：傅一平。 目前就職於某電信運營商，從事大數據相關工作。 最近一直在做企業內一線大數據普及的工作，因此來談談想法。 很多公司在建設大數據分析平台，很多公司在研發和推銷自己的雲計算和大數據平台產品，從Openstack,Docker,DCOS到Hadoop、MPP、NOSQL等等，從IaaS、PaaS、SaaS到炒作到天的開放平台，亂花漸欲迷人眼。 作為企業搞IT的人，的確有很多新的東西要學習和建設，投資也迎來了一波高潮;作為研發和銷售大數據產品的公司，當然要不遺餘力的推銷自己的產品，佔領先機很重要。 但是，在喧囂之中，還是要理性的回歸價值思考，High翻天的新技術概念和平台建設，到底給予傳統企業的業務人員帶來了什麼價值?給我們的行銷一線的人員帶來了哪些好處? 我們企業的最終用戶，真實感受到了大數據帶來的變化了嗎? IT可以提自己的傳統架構被新的架構替換了，牛逼的實現了並行擴展，但這些對於業務人員，有多大的價值和感知? IT在存量上的搗鼓，於我何干?系統不夠了擴容，是IT必須要做的事情，至於採用什麼架構，業務也不關心，有什麼值得狂歡的呢? 技術能否給我業務帶來新的價值，才是我關心的。 IT也許可以提自己是在做長遠的事情，沒錯，但再長遠的事情，也需要兼顧短期的業務價值創造，沒有短期的持續實踐，很難說有未來的價值創造。 如果業務人員在起步的時候，僅僅是個旁觀者和看客，我們的IT驅動的大數據應用戰略是否有些問題，大數據的狂歡，似乎缺少了主角在場，讓技術和業務這個平衡似乎傾斜了。 阿里的技術是跟著業務要求起步的，沒有這個技術，新的商業模式根本沒法創造，因此技術和業務的發展是相輔相成的，它應該達到了一個很好的平衡，舉個例子，如果沒有牛逼的多維數據分析能力，所謂的淘寶魔方這種新的業務產品不可能存在。 但傳統企業有嗎? 似乎在技術上的關注遠遠超過了業務，大數據分析在業務上除了存量的改造，比如CRM改造成了雲，數據倉庫升級到了MPP或hadoop,我們對於大數據這項非常關注業務創新和運營的事業，似乎點到為止了。 企業IT團隊與IT合作夥伴之間的狂歡，需要讓更多的主角能夠參與進來，比如業務人員，一線人員、建模為長的合作夥伴等等，這決定了大數據平台能否在建成時刻，在業務價值創造上也能開始起步，或者有所建樹，改造一把存量，值得點贊，但絕對只是個開始。 首先，需要從關注大數據平台建設到大數據運營。 假如公司在大數據平台的建設上投資很多，那至少要划出很多在大數據運營上，30%?亦或40%?，後期則更甚，不僅僅需要挑選好的大數據分析平台廠家，更應該挑選擅長建模的合作夥伴，挑選擅長基於新的技術創造新業務場景的合作夥伴。 大數據平台建設完成時刻，就是大數據運營的開始，是真正創造價值的開始，所謂的運營絕對不是僅僅的平台運維，更多應是業務運營。 很多公司在大數據運營上的一毛不拔，是有深刻的原因的，也是無奈之舉，大數據顯然是技術驅動業務多一點，技術上可能有些人才可用，但對於大數據數據和業務兼而懂之的人才卻極度缺乏，傳統業務人員又顯然還在門外，因此，造成了這一種不平衡。 同時，大數據業務創新風險性極高，想當前，真正能賺錢的大數據商業模式有幾個? 就知道其實何其艱難和具有挑戰性，創新大數據運營的錢當然可能打水漂，不如採購硬體和軟體那麼實在。 但是，既然要搞大數據，就應該想到這個風險，否則，幾年後，除了同質化非常嚴重的一堆技術架構平台，各個企業的大數據分析的差異化競爭優勢又在哪裡?別提技術架構先進性，太容易複製了，傳統企業也不可能像阿里那樣程度的自主研發。 開源大勢所趨，沒有秘密可言，這種微小的領先支撐可能不到1-2年。而大數據建模及新的商業模式才可能是差異化競爭優勢所在，所謂數據創新無極限，這個差異化也無極限。 當前，很多擅長平台的合作夥伴，也打著業務的旗子來，提什麼客戶洞察啥的，在架構藍圖上永遠畫著業務和服務，但到底業務服務怎麼做，天知道? 真正對於業務有點理解的又是何等的鳳毛麟角。 有人問我，大數據最大的痛點是什麼，我總是回答，業務創新，技術問題總能逐步解決，但業務，的確太難了。 舉個例子，就能明白很多公司對於業務的理解能力了，某個客戶說，你給我一輛5個輪胎的車子，然後這個技術公司真得研發出了5個輪子的汽車，但客戶真正需要的，其實只要增加一個備胎。 當前業界有有實力、有運營能力的諸如建模等商業合作夥伴很少，但無論如何，還是要努力尋找，大數據不能缺了這條腿，或者就自己培養，這是當務之急。 一盤象棋，有再牛逼的車馬炮又如何，於百萬軍中取上將之頭，才是王道。 其次，大數據開放瓶頸不在開放平台，而在思維局限。 大數據平台開放現在提的多了，什麼IaaS，PaaS及SaaS，但提的再多的規劃和概念，都不如將一張有價值的大數據表，開放到一線讓人真正用起來有意義。 通過FTP開放一個文本文件也叫開放，搞個大數據PaaS服務也叫開放，前者可能不安全，可能多了就管理複雜了，而且可能變得冗餘，但現在才幾個需求啊，PaaS這類太重的平台，只有系統和數據規模達到一定程度才能體現出其價值，平台永遠只是手段。 但當前總想著把平台打磨的完美無缺，枉顧一線甚至不知道這個舞台的存在，其實再破的舞台，也能跳舞的。 99%的企業不可能做成阿里騰訊googlel臉書吧，可能也等不到大規模使用的時刻，所謂的開放平台，到底有多少是真正承載了大量業務量的，有多少是用來當白老鼠的，而且這類開放平台，由於太面面俱到了，每個細節處，都是問題。 沒有實踐的任何開放平台和組件，都值得懷疑，從數據採集、數據管理、數據挖掘、可視化不一而足。 比如一個數據管理PaaS平台，業界要折騰多少點年才出來一個靠譜的東西，其他的，所謂客戶洞察諸如此類的，只能笑而不語了。 不管是白貓還是黑貓，抓到老鼠就是好的，PaaS並不是不需要，但開放從沒有必要從PaaS開始，也不用想著哪天廠家會給你一個驚喜，總是要一點點起來。 這個就像當年很多牛逼的有方法論但沒實踐經驗的諮詢公司來到你面前大談特談如何避免離網那麼幼稚。 最後，企業的大數據的普及是如此重要，不要等。 不可能依靠一個部門或者一隻IT團隊實現大數據應用的創新突破，最終一定要走向普及，因為群眾的智慧是無窮的，搞IT的往往自以為是，蒙頭造車，對於一線市場的殘酷性完全不知道，而一線人員對於業務才有絕對的發言權。 必須讓一線知道大數據有哪些能力，讓一線知道如何使用，讓一線自主決定一些數據的東西，授人以魚不如授人以漁，IT需要做好這個平台，而讓一線在上面歡快的跳舞。 當前阻礙企業大數據普及的有以下一些問題，需要得以解決： 一是一線的一把手的決心 對於一些傳統企業，職能型的組織機構、陳舊的機制、僵化的流程的確是限制大數據普及的障礙，但筆者認為關鍵還是在思想層面，管理者的視野和勇氣決定了大數據應用能否走出第一步。 傳統企業，屁股決定腦袋很正常，我們很多優秀的管理者，在業務上擁有豐富的經驗，覺的這個不靠譜的想法很正常，因為太少的成功案例，大數據是大忽悠也不是空穴來風。 筆者是搞實踐的，說句良心話，原來對於大數據是否能創造實際效益也有懷疑，雖然自己搞過挖掘，但對於建模的價值也是質疑的，因為自己以前建的並沒有帶來很好的效益。 但還是要往前看，經驗主義的確害人，很多企業的數據已經到了一定的程度，基於大數據是可以發揮很好的價值的，所以覺得沒價值，更多在於自身的思維局限，缺乏創造力，習慣於按習慣做事，這是致命的。 大數據不同於傳統業務，其創新性，長期性，迭代性都是傳統方式無法比擬的，未來是演算法的時代，希望能理解這一點， 二是一線普及的手段要加強 傳統企業應該有個獨立的組織去承擔這個職責，無論是宣傳、教育訓練或落地的指導，沒有組織上的創新，很難，大家都知道「星星之火，可以燎原」，但星星的確很難找。 因此，筆者特彆強調組織和運營的重要性，無論是自己，還是依靠合作夥伴，務必採取培訓、現場駐點、課題安排等形式將已有的平台能力，數據能力，使用方式，建模方式，操作流程等技能傳授給一線人員，這個工作的艱巨性遠超想像。 但看的到企業，有幾個真正去做了呢? 事實上，傳統企業較網路企業，普及落地大數據的難度更大，因為除了機制和流程，在人員結構、地域上也有巨大的差距，比如網路企業的人員天然就可能有數據的血液，而傳統企業不一樣，因此如果某個傳統企業普及成功，更值得喝彩。 還有，運營是講究方法的，沒有數據證明，就不要相信任何運營的效果，比如以前我們搞了多次百人的實操培訓，但通過租戶平台發現沒有模型在創建，說明培訓工作是失敗的。 […]
寫在前面：我不是這篇文章的生產者，我只是把交流的內容進行了整理，並寫了下來。 開始做數據報表bi系統的時候大家肯定都看過書，那麼一定也看過一個經典的案例，就是沃爾瑪的啤酒和尿布的案例。這個案例確實很經典，但是一個經典的失敗的案例，為什麼這麼說呢，非常明顯，我們跑到沃爾瑪去看，卻沒有發現沒有一個沃爾瑪真的把啤酒和尿布放到一起的，為什麼當時被奉行為很經典的案例，卻沒有超市去使用。 這個案例是做技術的人想出來的，認為發現了一個重大發現，但是拿到做業務的人的手裡，卻發現很可笑，做零售行銷的會知道，商品的連帶銷售是非常多的，當我走近超市大門，原本並沒有想買什麼東西，但是等我們走出超市的時候，手裡卻帶了一堆的東西。因為人的隨機消費行為是很多的，如果數據分析出來買尿布的人一定會去買啤酒，那是不是應該把這兩件商品放的越遠越好，這樣他買了尿布之後再去買啤酒的路上，還會增加的他其他的消費。 從技術角度來考慮用戶分析、行為分析，結果往往是沒什麼用，原本老闆和業務對你的期望還是很高的，可是你拿個東西給他,他卻覺得沒什麼用。不知道大家之前有沒有遇到過，拿著覺得很了不起的東西送給業務或老闆卻被否下來。 所以，現在需要做一個數據分析的時候，我會去看業務人員是怎麼去做這件事情，了解到這件事情之後，我再去看我能怎麼幫助他們。bi翻譯成中文是決策支援，所以他重點是支援。如果你期望報表bi系統直接來提高你的收入、提高你的轉化率，你給他不應該有的期望，你就一定會很失望。所以基於這個想法，在做客戶數據分析之前，收集業務現在他做客戶分析，採用了哪些手段，他們現在是怎麼去做的。 收集了之後，我分成了三個類： 1.返券/積分 2.精準行銷 對不同的客戶做不同的行為，對不同的客戶來針對不同的活動，推不同的券，來達到轉化率提高，針對性越強轉化率越高，互聯網行業的流量成本很高，如何能抓住用戶的精準度來提高轉化率，這是我們都非常關注的一個話題，是互聯網企業都關注的一個問題； 3.客戶關懷 分成幾塊，一個是售後、一個是節日關懷、一個是特殊關懷，例如孕婦寶寶滿月，需要哪些關懷等等。 在了解到業務做客戶數據分析有哪些手段之後，我就要考慮怎麼做能夠幫助到他們，來達到我說的一個支援的作用。 1.從返券的角度來說 他很關心的角度是什麼，復購。他是在一個月內產生復購還是兩個月內產生復購，比如說用戶買了隱形眼鏡，是30片裝，那麼在15天之後應該就用完了，但是如果15天之後還沒有產生復購，這時候就該做些事情，比如發個簡訊啊，來問下現在用的情況怎麼樣，為什麼沒有在正確的時間產生復購，這是很有針對性的數據。 2.針對精準行銷 我們用的是用戶畫像，用戶畫像應該是在用戶數據分析這塊用的最多的。 比如說最常用的畫像：一些用戶的基本資料，基本資料的畫像，這部分畫像基本是每個人都會做，包括他的性別、年齡、職業、地區，還有些針對性比較強的； 比如他的忠誠度：忠誠度我們用什麼來衡量啊，比如他購買的頻次、最後一次購買的時間； 比如他的價格的敏感度：什麼叫價格敏感度，就是有些客戶，你不打折他肯定不買，這樣的人一定是有的； 還有他質量的敏感度：通過售後發現有些客戶，快過期了就不滿意要退貨，有些客戶外包裝破損了就不滿意要退貨，但是也有些客戶容忍度高一點，他覺得在過期之前也能吃完，就不會來投訴你，有些外包裝破損，他也無所謂，不影響使用嘛； 還有一個用戶畫像就是用戶的購買力：用戶的年消費的金額、最大消費單價。 當我們做好這樣的用戶畫像之後，我們的運營人員就可以根據不同的人群使用不同的方式來行銷，比如對價格敏感度高的，就會隔三差五的給他發個優惠券，做精準的投放。針對質量敏感度比較高的人，給他發貨就要選擇新的貨，或者效期比較長的貨，來降低換貨率，節約物流成本，這是非常有針對性的營銷行為。 3.對於客戶關懷 現在做的比較多的是用戶行為數據分析。不同的客戶有不同的行為，我之前聽過這樣一個案例，是做酒店的，他是怎麼做客戶行為數據分析管理的呢。當一個老客戶走到餐廳里呢，他的服務員會把他引導到第一排靠窗的位置，因為在他的客戶關係資料庫里，告訴這個服務員，他連續幾次來都坐在那個位置，他對那個位置比較喜歡，這是比較有針對性的行為數據分析，對業務行銷行為具有一定的指導性。 總的來說我的觀點是，你抓住用戶行銷行為的重點，業務真正的分析行為，這樣做出來的報表bi系統才是真正的有人要的，才是有需求的，是能起到真正作用的。現在往回看那些問題，如果能夠從這個角度去考慮，不能說是有答案了，但是能夠提供一定思路來找到這個答案的。 最後再分享兩個東西，我常用的分析方法： 一個是杜邦分析法，當我拿到一個課題，我怎樣理清我的分析思路，該怎樣去做一個報表bi系統的工作，這個方法我用的比較多。 二是做零售業的很多分析方法有個三要素，人、物、場。用這個理論來做零售業數據分析，人對應我的客戶、物對應商品、場對應商家，從這幾個角度來展開數據分析，就會形成一個思維導圖的分析。 本文經內容演講者－易恆陸彥文授權，我進行整理髮布出來，未經授權，禁止轉載
