数据产品-BI产品#

定义#

BI（Business Inteligence）是一种主要由数据仓库、数据分析、查询报表、数据可视化等组成的数据类技术解决方案。

主要结构-三个层次#

1. 可视化分析展现层：BI的需求层。

   1. 一方面代表了用户的需求，用户想看什么、要看什么。
   2. 另一方面也代表了用户要分析什么。

2. 数据模型层：BI数据仓库。

   1. 主要负责企业数据的分析模型，完成从业务计算规则向数据计算规则的转变。

3. 数据源层：BI的数据层。

   1. 不同部门、业务线的业务信息系统，其底层数据库的数据通过抽取到BI的数据仓库中，建模分析等等，最终支撑到前端的可视化分析展现。

作用#

1. 打破数据孤岛：BI可以将企业不同业务信息系统（ERP、CRM、OA）中的数据打通并进行有效的整合。
2. 提供信息支撑：BI可以借助合适的查询和分析工具快速准确的提供可视化分析或报表，为企业提供决策支持。

比较#

企业的 IT 信息化分为两个阶段：一个是业务信息化，一个是数据信息化。这样对比讲，一般的用户更容易理解一些。

• 业务信息化：
  • 企业使用的ERP、CRM、OA、自建的业务系统等，业务系统的建设都统称为业务信息化。
  • **（降本增效）：主要作用是管理企业的业务流程，提高业务运转效率、降低企业人力、时间、精力等成本。
  • 为BI的建设打下数据基础，是业务管理思路的体现，也是现代的企业管理方式。
• 数据信息化 ：
  • 大数据、BI、数据分析、数据挖掘等都统称为数据信息化。
  • **（优化决策）：**数据信息化可以帮助企业全面的了解企业的经营管理，从经验驱动到数据驱动，降低情绪、心理等主观影响，形成以数据为基础的业务决策支撑，提高决策的准确性。

目标人群#

• 业务信息化的主要使用对象：
  • 一线业务执行层—从业务视角出发，录入数据、记录流程、查看业务信息。
• 数据信息化的主要使用对象：
  • 管理决策层—从管理视角通过BI可视化分析去定位问题、分析问题，最终形成业务决策。

现象#

• 现象：
  • 数据孤岛一般指的是只有一部分人能够访问的数据集，比如企业不同部门、不同业务信息系统数据库中的数据往往无法互通，只能在各自数据库中储存，无法统一进行利用，没有针对企业整体的全局视角。
  • 这样一来，每个部门、每个业务系统的数据都相互分隔，就像海外一座座孤岛，彼此无法连接，无法交流，这就是平时经常听到的数据孤岛。

解决方案#

• BI作为数据类技术解决方案，在面对数据孤岛问题时，就能通过数据仓库和数据可视化解决企业面临的“数据孤岛”“信息孤岛”问题。
• 所以BI需要企业管理人员来进行规划，并主要为企业管理人员提供决策信息，辅助进行决策。

BI获取数据方式#

​ BI是通过访问和连接业务系统数据源数据库的方式来进行取数的，BI通过ETL连接数据库抽取业务系统原表数据到数据仓库中加工处理，最后支撑到前端的可视化分析报表展现。

​ 软件系统的接口对接是因为有的业务软件是 JAVA 开发的，有的是 .NET 开发的，有的是 B/S 架构，有的是 C/S 架构。软件系统之间的接口是需要开发参与的，主要是串联不同软件的业务流程，这种接口是需要动代码的。

​ BI在获取数据的接口不一样，是与业务系统软件自身无关的，是只需要访问和连接业务系统背后的数据库就可以的，直接从数据库取数，因此是不需要软件接口，或者没有软件接口访问这种概念的。

定义#

关系#

• 大数据架构提供了底层采集、存储、计算能力。
• 数据中台在大数据架构基础上，增加了建模、资产管理、服务化输出。
• BI作为上层应用，连接数据中台或数据仓库提供的数据服务，进行可视化分析。

**简单理解：**大数据是地基，数据中台是房子结构，BI是房子里的窗户、灯光和装饰，面向业务人员使用。

职责#

​ **对数据进行采集、整理、分析，以对业务进行测量及建议，最终形成BI数据产品。**数据产品不仅限于一张张报表，更是一个通过数据得到结论的工具。

输出#

• 指标字典，这是一个需求池，需分析的各种指标及指标计算方式都在此详尽的列出来。
• 源数据字典，指标都是由源数据计算得来，使用了哪些源数据及对源数据的要求在此清晰的列出来。
• BI数据产品，比如数据后台，数据展示屏或者数据报表。

常见工作#

• 整理需求。需求既来自各部门，也来自数据部门自身对指标的全局规划，白话的需求被定义为专业的数据指标进而被加入指标字典。
• 定义指标计算方式，有些指标的计算方式业界有通用标准，而有的指标，则是强业务相关，需要数据部门自己定义，没有对业务的深入理解是无法准确定义指标及其计算方式的，指标定义与指标计算方式是指标字典中最重要的内容。
• 整理源数据：
  • 整理数据：源数据一般有三大来源，移动端和Web端的埋点上报，业务数据库和第三方数据。业务数据库相对准确，且为结构化数据，埋点上报和第三方数据则往往杂乱不堪，而且是半结构化数据，但是无论哪种源数据，都必须经过清洗才能够使用，直接用未清洗的数据，不可避免会garbage in garbage out。
  • 清洗数据：定义出清晰可用的数据清洗规则，最终形成源数据字典。
• 设计并推动完成数据报表产品：据产品经理也是产品经理，产品经理要做的事情一件都没少，好在数据产品多是后台，对美观和易用性的要求不像C端产品那么高，但是数据可视化是必修课，免得做出用柱状图来标示比例这样不专业的事情。AntV的墨者学院对各种图表的使用场景做了非常好的梳理，推荐给大家（http://antv.alipay.com/zh-cn/vis/chart/index.html）
• 应对临时一次性需求：这种需求总是不可避免，而好听的数据民主化又是那么遥不可及，所以临时的一次性分析经常还是需要专业数据人员来做，用些方便的工具事半功倍，推荐BDP。

岗位要求#

不会写代码的数据分析师不是好产品经理！