这两年，随着大数据概念的热门，数据分析也渐渐不是一个独立岗位，而变成一种通用能力，业务人员也开始做起了数据分析。但是业务人员做数据分析的日子并不好过，在和一部分做业务分析的粉丝交流的时候，经常听到他们这样抱怨：
“公司各种系统里堆积的各种业务数据摞起来比英汉字典都高，要用的时候不知道该往哪找”
“还有呢，有的人就喜欢用Excel表传来传去，要么就是直接从平台上随意修改数据，最后数据指标全都乱套了。“
“领导也是天天催报表，想要自己做吧，又没有相应的数据权限，要推给IT做吧，他们又没有档期，有数据要修改就要等半天。”
其实不光是业务人员，还有包括人力、运营等岗位的分析人都有这样两个痛点：
1、数据被IT高度集中化，难以下放到业务分析人的手里，数据处理等工作只能交给IT做；
2、数据管理混乱，业务人员想要拿数据做分析，很可能会影响其他人的使用，严重还会影响整个BI系统的运行；
这两个痛点是业务与IT之间由来已久的矛盾了，很多公司都想到了用BI分析系统管理业务数据，数据分析工作由专门的IT人负责制定模板，固定出报表和分析。
然而问题还是没有得到解决，因为IT部门的人对业务不够了解，业务场景不同、数据不同等具体问题，往往要和业务人员来回更改需求，扯皮吵架就在所难免。IT累的像取数机，业务拿不到数据不能及时交差，两败俱伤。
业务分析实现自助化，才是真正的良药
这样的矛盾怎么化解？唯一的办法就是让业务自己取数，自助分析。也就是近两年在企业数据应用用比较火的概念：自助式BI。
什么叫做自助式BI呢？按照我个人的理解，就是要实现业务数据的IT去中心化，让IT部门真正实现数据下放，业务人员参与到数据处理和分析的过程中来。
举个例子，如果你是一个零售企业的业务分析师，某天公司的毛利率数据出现了明显异常，老板让你赶紧拉数据分析一下原因是什么，以及让你预测一下经营风险。
如果是一般传统的BI分析流程，你应该先搜集数据指标需求，比如建立毛利率影响指标体系，通过零售价格、库存、销售量等构建业务场景，然后将这个具体的场景需求提给IT。
IT拿到了需求，会先安排需求的优先级，假设你这次的需求优先级很高，那么IT就会按照你提交的指标体系从数据库中取出相应的数据，加载到数据仓库中进行分析。
但是IT一般是不懂业务的，IT的数据模型肯定是需要参照你的业务模型的模板，因此你需要不断与IT进行沟通和反复修改，最终经过不断返工，最终的分析报告或者报表才能出来。
这个过程不仅流程复杂，需要反复修改，而且经常会造成IT与业务人员的极大沟通成本，浪费人力资源，降低了工作效率。
所以，自助化BI实现数据下放，才能真正解决痛点。还是上面那个场景，如果实现业务自助化，会怎么样呢？
你需要分析毛利率的异常数据，不需要给IT提供业务需求，IT只需要将自助数据平台上的数据访问权限给你开放，你就可以直接进行数据访问和提取。
有了业务数据，你就可以利用自助BI进行个性化和自主化的数据分析，比如创建仪表板等，如果需要处理和修改某些数据，也不用再和IT进行反复沟通了。
这样企业的数据分析工作将得到极大的提升，数据的下放不仅能让IT的人力得到解放，也能使业务人员进行探索式的交互分析，比IT人员更容易识别数据风险，挖掘出数据价值。
数据下放了，会不会造成管理混乱
这应该是很多企业担心的问题，一旦让IT把数据下放给业务人员，业务人员随意在系统中取数拉数，会不会造成数据混乱呢？
这里就要提到一个概念——自助数据集。简单点说，自助数据集就是将分布、异构数据源里的数据，进行一定的数据底层处理，然后存放到一个数据集里，然后将这个数据集进行权限分配，供后续可视化使用。
以FineBI为例，负责系统管理的人将业务数据放在业务包中，如果某个业务人员想要进行取数分析，就要自己创建一个自助数据集，按照自己的场景需求从业务包中取数。
也就是说，自助数据集的取数过程并不影响原有的业务数据，从而杜绝了数据传来传去造成的管理混乱。
此外，业务人员也可以将这个数据集进行权限管理，没有数据集访问权限的人是无法进行相应操作的，同样的，管理者也可以设置业务数据的访问权限，从上至下的保证数据安全性。
没了IT，数据处理和加工怎么办？
一般来说，业务人员是很希望进行自主化数据分析的，但是无奈数据处理和加工流程只能依靠IT部门，而IT部门又觉得这种数据加工工作很机械重复，业务人应该自己掌握。
还是以上面的FineBI为例，业务人员创建了自己的自助数据集，下一步就要进行初步的数据清洗和加工，而自助化BI之所以能够简化工作，就在于它提供了一种自助化的加工功能。
比如FineBI中的表处理操作，基本上可以满足业务人员的数据处理需要，包括脏数据过滤、数据分组、新增数据列、数据排序以及合并等等。
比如脏数据的处理，一般业务数据里有很多的无效数据和脏数据，像负数值、空值等等，我们就可以在FineBI的数据处理中过滤掉金额数为负值且订单时间为空的数据，初步进行数据清洗。
再比如，我们想要计算某个客户的订单频次，就要先算出上次订单到这次订单的时间差，就可以在FineBI中直接添加一个新列，选择时间差选项，选择对应的数据指标就可以完成了。
当然，如果有的业务数据需要比较复杂的数据处理，比如聚类、回归等，也可以直接在finebi中实现：
总结
只要解决了IT数据集中化，以及数据管理问题，业务人员和IT人员之间的矛盾才能得到解决，二者之间的鸿沟也能告一段落。
而我们在选择自助式BI时，也需要从用户的角度和IT基础架构的角度找到最适合企业的平台。首先要适合业务，简单易用，此外还应该具备良好的性能，功能强大，才能简化工作、提高工作效率的积极影响。
从IT基础架构的角度看，最好选用分布式数据库读取数据，这就要求BI工具的数据性能要强，此外还要保证BI系统的稳定性与安全性。
福利放送
为大家送上我近期整理的一些业务数据分析干货，包含财务、零售、供应链等多个业务场景的数据指标体系，以及6000+个数据分析案例，和我原创的十周入门数据分析系列课程，希望帮助大家更好的学习业务数据分析
转发收藏本文，后台私信我“端午快乐”即可获得全部学习资料！
网友评论