IT系統自帶報表功能，為什么還要額外采購BI？

　　報表和BI都能做數據分析，區別在哪里？

　　加班加點做了那么多表，為什么還不滿足老板需求？

　　報表分析需要IT團隊來開發，那BI呢？

　　這些應該是大家對商業智能（BI）和報表的一些普遍性困惑，今天，我們就來聊一聊什么是報表、什么是BI。

　　我們為什么需要BI或者報表工具？信息化時代，企業通過基礎IT建設產生大量的業務數據，這些數據存放在不同的系統中，數據口徑不一，需要花費大量時間進行數據處理；而商業環境瞬息萬變，業務發展迅速，更加需要企業去收集各個來源產生的數據，從而提升企業的管理效率和形成數據決策閉環。

　　企業想要從存儲于各種商業信息系統中的數據轉換成有用的信息，最終幫助決策者做出更快、更好、更合理的決策，依托報表工具或BI可以在不同層面上幫助企業實現這個目標。

　　企業數據化轉型的4個階段

　　我們先來了解一下企業數據化轉型常規的4個發展階段：

　　1）Excel階段：這個階段屬于純勞動力密集型的數據分析，數據分析師還被行業內戲稱為“表哥表姐”；Excel確實功能強大，但在數據分析上的局限性也非常明顯，當數據量達到5萬、10萬時就會非常卡頓，更承擔不了多表關聯等數據清洗這樣的工作。

　　2）報表系統階段：報表系統一般是會進行模型設計，把數據套用進相應的模板通過前端的圖表來展示。能夠實現固定報表的自動化，例如日報、周報、月報這樣重復性報表的數據查詢。但在響應業務變化進行底層模型的調整、以及在實時獲取有效信息等方面都無法進行有效支持。

　　3）傳統BI階段：主要面向IT和專業的數據分析師，企業只有5%左右的專業人士能進行自主分析。且部署開發周期長，需進行整體的架構設計，各個模塊均需進行技術開發；有了數據之后也難以給予業務上的指導，以分析歷史數據為主，無法支持動態更新。

　　4）智能BI階段：面向不具備IT背景的業務人員，比傳統BI更靈活易用，一定程度上擺脫了對IT部門的大幅度依賴。通過自主分析實現業務探索，通過實時追蹤實現業務預警，以及一些偏AI化的智能應用，真正實現“人人都是數據分析師”的愿景。

　　由此可見，報表系統進行數據分析已經落后于時代趨勢，需要通過更具生產力的BI，乃至智能BI來實現“業務主導的自主分析模式”。

　　BI和報表的本質區別在哪里？

　　1）任意分析維度

　　假設老板需要對一份有20個維度的銷售明細數據進行任意維度的查看。維度有省、市、區、經度、緯度等區域字段，以及商品編號、商品名稱、商品類型等商品屬性字段等。

　　報表可以實現多維度數據展示，卻無法支持任意維度任意組合。有N個維度，制作N張報表的形式雖然可以勉強支持，但工作量直接翻了N倍；就算不考慮后期運維成本，如果每張報表再考慮配置數據權限，是N*N指數級工作量的增長。

　　2）任意分析路徑

　　分析路徑，不僅僅指代通過鉆取改變分析的顆粒度。除此之外，數據分析需要對多維形式組織起來的數據進行聯動、鉆取、維度切換等各種分析操作，以便剖析數據。畢竟，領導們看數的需求是無法預先設置的，真正的“任意分析”是滿足老板隨心所欲想要什么就有什么的看數需求。

　　且不說報表配置參數有多曲折繁瑣，這一切，都不是靠報表系統配置一些常規的分析路徑就能夠滿足的。

　　3）實時分析

　　如何實時掌握今年雙十一的銷量情況？

　　如何自定義業務核心指標并保持實時更新，讓管理部門迅速發現問題？

　　如何實現異常數據自動預警，以便企業及時調整規劃？

　　如何統計公司內部任務安排情況（例如研發開發排期），協助領導進行人員等資源調配？

　　首先，單純的報表系統實現不了“實時數據”的支持，再者，實時數據≠實時分析，企業更渴望的是“實時分析”。實現準實時、分鐘級實時數據的更新，同時支持復雜計算與分析才是老板的剛需。

　　4）報表系統無法實現的地方

　　報表系統可以連接多維數據庫，但無法實現拖拽分析和自助分析；報表系統一般接入在某個業務系統數據庫上提供查詢功能，也可以實現跨庫關聯查詢，但實現的復雜度和性能依賴報表工具的能力，除了數據展現以外，數據挖掘、性能優化、權限管控上都無法支持。

　　由此可見，報表，只是數據的一種展現工具，是靜態的、固化的。所謂報表工具，例如國外的水晶報表，這類產品的本質是統計和展現數據，并提供基礎的分析功能（排序、總計、方差等），報表目的是幫助用戶掌握和了解數據，讓使用者通過觀察企業數據，知道當下發生了什么事情，著重于短期的運作支持。

　　而BI的重點在于商業數據的分析，它是立體多方面的，集成了數據統計、數據展示、數據分析和挖掘、數據預警等一系列整體的解決方案。在企業經營的過程中，決策者不僅僅需要知道發生了什么，還要知道為什么發生，以及通過已知去推斷未來可能會發生什么。

　　總結一下，BI側重于數據分析，是業務、數據、數據價值應用的過程，是一整套完整的解決方案。報表側重數據展現，報表只是BI中的一個組成模塊，報表無法替代BI。

　　BI的價值體現在哪里？

　　現在企業都在談增長，BI對于企業的意義不是能給企業帶來多少增長，而是能夠給企業創造比別人更多更快的增長機會。

　　來看一個連鎖零售行業的例子。門店盈利是連鎖門店店長關注的重點，但很多企業對此的處理，只是計算一下各個門店的利潤值，這樣的數據統計稱不上BI分析。

　　當得知最近一周單某店鋪盈利下降/上升時，對利潤指標背后的隱藏信息進行發現和提煉，進行橫向和縱向的比較，利用BI去層層定位到波動原因。

　　單店盈利是由“毛利潤”和“成本”構成，“毛利潤”拆解后的衍生指標有“流量”和“客單價”等。假設成本不變的前提下，去分析門店盈利下降的原因，結合上圖的指標拆解，可以細化定位到主要是“流量”銳減所導致的。此時，再結合實地考察可知，近期馬路對面開了一家同類型的店鋪導致了自然客流分散。

　　找到企業經營上的問題，并針對性的提出解決方案，以及逐一梳理影響指標的最小因子，發現新的盈利增長機會，才能說明這項指標的BI應用是完整的。

　　從行業來看，任何一個行業都需要精耕細作，例如，如何做到單店、單品、單客戶的全息畫像？如何針對每一次促銷活動進行效果分析和評估？如何從成百上千、成千上萬個SKU中定位到本季度、CBD類型的門店內最熱銷的關聯商品搭配？

　　面對激烈的市場競爭，企業更需要有快速反應的能力。假設當下午3點某主力SKU時效類商品銷售不及預期，如何第一時間觸發預警、產生行動建議，并在可能錯失第二波客流高峰之前，快速層層上報，拉動及時干預？當新品退出的時候，如何做到“快反”，通過局部的實時趨勢結合歷史的規律，探測新品的銷售曲線，以最快的速度響應市場的節奏？

　　數據分析的高級玩家，已經開始嘗試預測決策：預測是任何一項決策的最重要入口。波士頓咨詢BCG最新的報告顯示，對于零售和消費品行業，銷售預測的準確度提升，可以為企業帶來2.5%的潛在增長。如何基于歷史經營數據與外部公共數據，預測未來1-7天不同細分品類、乃至SKU的銷售額，進而進一步指導訂貨、促銷、生產、物流？

　　這些就是BI能夠帶給企業的價值。讓每一次決定、每一個管理細節、每一層戰略規劃都有數據支撐。

　　BI的演化：ABI市場未來發展趨勢

　　近幾年Gartner關于BI魔力象限的定義逐漸由過去相對傳統的Business Intelligence變更成Modern Analytics and Business Intelligence（現代分析和商業智能，以下簡稱“ABI”)。這其實是行業在倒逼數據分析業務變得越來越敏捷和一站式，不再像傳統BI一樣需要完整的產品切割，不同的產品應對數據分析過程中不同階段的數據處理過程。

　　ABI平臺不再因其數據可視化功能而有所不同，這些正在成為常規必須的功能。差異化正在轉向——對企業報告功能的集成支持。企業感興趣的是，這些以敏捷數據可視化功能而聞名的平臺現在如何幫助它們實現企業報告需求的現代化。

　　再者，也強調了增強分析，是指機器學習和人工智能相關的數據準備、生成和洞見解釋，業務人員和分析師如何探索和分析數據，正在迅速成為差異化競爭優勢的關鍵來源。

　　觀遠數據的產品理念和Gartner的ABI定義不謀而合，從前期的數據接入、到利用Smart ETL進行數據建模與清洗、以及面向分析主題構建數據可視化分析頁面、再針對性的進行數據實時分析和動態交互分析（鉆取、聯動、下鉆）、乃至多終端呈現（數據大屏、移動輕應用）與進行決策追蹤，無需涉及BI的多款產品工具，統一平臺實現數據分析的全路徑。

　　一站式智能數據分析平臺

　　觀遠數據提出了“5A路徑”（Agile敏捷化、Accurate場景化、Automated自動化、Augmented增強化、Actionable行動化）作為企業數據化建設的最佳實踐參考，前三步是幫助企業實現從傳統數據分析到實時、動態、場景化的智能數據分析需求。

　　對于前期做好BI積累的客戶，則可以過度到下一個增強化和行動化的階段，通過先進計算力實現更深度分析和可行動化的建議，和Gartner強調的“增強分析”也是異曲同工。

　　企業如何選擇適合自己的BI？

　　至此，相信大家已經了解到BI是數據化建設的趨勢。

　　不同的行業，不同的企業，其BI需求是不同的。企業首先明確自己的業務類型、企業規模、目前的經營狀況。對于數據知識發現的方法和手段多種多樣，前提是要對業務本身有深刻理解，同時清楚地知道BI的終極目標，然后再考慮BI的可擴展性、售后服務以及迭代更新模式等。

　　以下幾點是小編總結的BI選型關注的要點，供大家參考：

　　1）輕量型：很多BI平臺重在開發，對研發資源的要求高且對接慢，后期維護繁瑣。如果企業沒有相應的資源支持，建議選擇輕量的平臺，能夠快速上手，維護成本低。

　　2）方便易懂：數據分析的結果最終是要賦能業務端，但是業務端用戶尚缺乏專業的數據分析能力，建議對BI的選擇要考慮產品的易用性和學習成本。

　　3）創新靈活：我們很難預估未來數據分析需要什么樣的程度，所以在選擇之前一定要足夠考慮BI平臺的創新能力，例如是否有異常檢測、智能診斷、AI預測引擎、算法擴展等功能模塊。

　　以上，就是本期為大家整理的BI和報表的差異，希望在邊界認知上對大家有所幫助。