目录
![]()
- 传统的IT和业务配合模式问题重重
- 业务应用数据要求高
- 业务应用数据成本高
- 数据驱动业务受局限
- IT响应业务需求难
- 一系列问题造成企业无法真正实现数据化管理
- 自助分析方案将是一剂对症良药
- 自助分析模式帮助业务释放数据价值
- 自助分析模式帮助 IT 实现价值凸显
- 自助分析方案在企业中的定位
- 企业数据流向下新IT-业务配合模式
- 业务人员使用方式
![]()
传统的IT和业务配合模式问题重重
传统的数据分析模式，也就是我们说的报表式BI阶段，是我们再熟悉不过的。注重数据底层的建设，注重报表的开发。在这里面 ，IT有点像业务的保姆，业务想要一个需求，IT就开始准备数据、开发报表，如果不满足需求则进行数据和报表的二次沟通和调整。然而这种模式对于真正实现数据化管理的企业是远远不够的，它有着这么四个难点，业务应用数据要求高、业务应用数据成本高、数据驱动业务受局限、IT响应业务需求难，这些难点阻碍着企业进步实现数字化转型，完成由数据驱动业务的夙愿。
从业务中来的数据，一般包含内部数据和外部数据，内部数据就是我们常见的CRM系统、生产业务库等等，外部数据包含爬虫数据、小程序行为数据等第三方数据。 这些数据经过数据仓库等的数据清洗整合，再被我们重新审视，进行人力分析、财务分析等一系列主题的数据分析等。但在各决策系统各报表系统上基本上都是IT响应业务而开发形成的固定报表。 然而随着业务发展， 企业对于数据的依赖越来越强，业务越发越多地需要基于数据思考、基于数据讨论、基于数据决策、基于数据行动，让数据得以更多地去驱动业务发展，从而更多地让数据被看见，被应用，让数据的价值被释放，这是企业数据化管理进化的一个过程，也是企业实现真正数据化管理的一个标志。 这使得业务对于应用数据的要求也已然发生了变化，业务部门要求数据准确性更高，数据处理效率更高；数据及时性更高，IT响应速度更快；数据灵活性更高，应用数据更自由；数据主动性更高，掌握更多数据； 总得来说，业务应用数据要求正在发生变化，要求将越来越高。
但是现状却往往难以支撑业务应用好数据。现状是什么？ 1、数据准确性难——数据基础差，无法友好支撑数据分析，分为三种层次：（1）没有成熟的业务系统，无法获取业务数据源；（2）有成熟的业务系统，但没有数仓，数据分析需要从ODS层取数；（3）有数仓，但数仓时间久远OR其他情况，不能友好支撑数据分析。 2、数据及时性难——指标获取手段复杂或成本太高：一个指标的获取需要在了解业务逻辑的基础上通过技术手段对原始数据做加工处理，多层级的指标极大增加指标获取成本。一个需求背后是无数反复的沟通，IT响应速度逐渐捉襟见肘 3、数据主动性难——固定报表多，看到的是静态数据。业务难以掌握更多数据，手里有的是一张张被固化设计好的报表，而无法对报表背后进步的数据问题进行深入探究。 4、数据灵活性难——业务方对于数据分析的即时性、临时性增强，无法满足灵活多变且即时性要求高的分析需求。而业务取数之后可能做一张周报背后要大量时间。 这些都是IT响应模式下，数据的一系列问题，使得业务应用数据成本非常之高。 这些表面看上去是数据问题，但这真的只是数据问题吗？
数据问题的背后实际上是业务问题。 数据准确性难，使得企业里的混乱数据根本无法有效指导业务； 数据及时性难，使得企业数据难以被合理利用，从而及时支撑业务动态发展； 数据主动性难，使得业务人员每天都面对的是固态报表，从而容易形成固定思维； 数据灵活性难，使得业务无法灵活使用数据，无法频繁关注数据变化，洞察业务变化。 这些都使得企业让数据驱动业务受到局限的想法收到局限。进一步的，业务基于数据思考、基于数据讨论、基于数据决策、基于数据行动的行为少，具有数据意识和数据敏感度的人才少，数据被应用的价值将被大大缩小。
现在很多公司都是业务需求-IT响应模式，这种模式在之前的环境中没有任何问题，但在企业对于数据依赖越来越强的今天，它能解决部分问题，但无法很好的解决掉所有问题。我们走访了大量的企业，让我们来听一下他们的IT部门的真实感受。（以下感受均来自客户） 反复感——“我们统计了下，10几张报表一年下来都反复修改了将近40次，而这不算IT的绩效“ 、”我也不知道我要什么，但我知道这不是我要的“、 无助感——”业务是动态变化和发展的，我们有多品牌和多业务模块，他们要求的粒度非常之细，无法全覆盖到“、 ”人手不够，响应业务加班多，但我们想做更有价值的事情“、 挫败感——“除了给数据做报表，每天还有非常多事情要做，有时还要被业务责怪响应慢”、 ”特别挫败的是，我们给业务做了很多报表，但最后都没有人看“、 距离感——”我们擅长的是数据，但我们不擅长业务，或者说不如业务自身擅长数据，比如财务数据是很难懂的“ 、“业务比IT更熟悉数据，把数据交给业务是企业未来的趋势”。 这背后的原因，正如开头所述，业务才是业务数据的主人。
一系列问题造成企业无法真正实现数据化管理
传统的IT响应模式，具有明显的短板，低下的数据应用人效，高昂的数据应用成本，使得业务发展比较固定僵化，这些都是数据化管理的挡路石。
自助分析方案将是一剂对症良药所谓自助分析，就是通过IT集中数据管控来进行数据分发，让更多需要数据的业务不需要IT也能够没有门槛地掌握和应用数据，在推动企业实现数据化管理方面有着天然的优势。
自助分析方案通过整合外部和内部各渠道数据，让各渠道数据得以联合分析，使得数据的准确性得到保障； 同时业务所需要的数据就在业务自己手中，从而保证了数据的及时性，让业务数据得以及时匹配上业务的动态发展； 而数据分析不再是以固定报表的形式由IT手里交付到业务手中，而是由业务自行进行，保证业务人员的数据主动性，让业务人员得以更加深入思考数据； 这一切，都基于自助分析平台的便捷低门槛易上手的特性，使得业务通过拖拉拽就可以轻松高效进行可视化分析，从而大大提高业务人员利用数据的灵活性，让业务人员得以节省时间高频关注数据。
同时，对于IT而言，更是让IT一扫之前的反复感、无助感、挫败感、距离感，获得巨大的成就感。 IT的核心工作是要为了更好地支撑企业业务发展的，而所有的IT项目，最大的价值体现，不外乎都是降本增效，而自助分析模式就是最好的体现。 项目直接的成果让IT和业务都直接受益，IT一年节省大量的报表开发工作，业务应用数据的效率大大提升。 而IT，也有更多时间去聚焦在企业数据底层的梳理，让企业的数据质量越来越好，或者去创新，去突破数字化转型道路上更多技术点，比如数据挖掘智能式BI等。 而企业层面，最终才能实现信息化水平提升，实现数据化管理。 “我们所说的数据驱动业务，投入上往往重数据轻人员，人员上重IT 轻业务，都是让企业实现数据化管理时少了一条腿。只有IT部门和业务部门在数据上同时发力，只有数据驱动和人的驱动并行，一个企业才能真正实现数据化管理。”
自助分析方案在企业中的定位后面三个节点是自助分析展现的具体模式。虽然自助分析有四个阶段，但不论哪种阶段都需要一定的推动才能达到比较理想的状态。 自助分析可以大致分为4个阶段： 1、数仓建设阶段：一个企业自助分析的前提条件，有没有数仓以及数仓质量如何会直接决定这个企业能否推动起来自助分析以及自助分析的天花板，毕竟业务人员对于数据库中的数据本身并不了解，并且高质量的数仓在性能方面也会有比较大的优势存在； 2、固定报表阶段：这个阶段是所有客户基本上都会经历的阶段，但这个阶段有短有长，如果是用个FR的客户，这个阶段的时间就会比较短，如果没有用过FR，相对来讲这个阶段会长一些； 3、试点自助分析阶段：顾名思义就是找个有自助分析意愿的部门来实验，这个实验的前提是数据基本上搞定了，这个阶段是像领导层以及业务人员证明自助分析价值的一个过程，是自助分析发展进程中的里程碑。目前大部分自助分析客户都处于这个阶段； 4、固化报表+自助分析：这个阶段是在业务试点成功之后的阶段， 企业内部都已经初步认识到并且认可自助分析的价值，到了这个阶段就算是把BI用好了。 以上4个阶段从重要性、关键点以及实现难度来说，其中数仓建设与自助分析试点是最重要的两个步骤。
企业数据流向下新IT-业务配合模式数据流向下，帆软BI客户使用过程中催生了四种IT-业务配合模式，IT所承担的工作逐步降低来看： 1、IT负责到数据分析，将数据分析好之后，业务人员只管查看，这个模式面向企业内部分不需要分析但需要获取数据信息的人 2、IT负责到数据处理，IT将数据处理好比如做好自助数据集之后，交给业务人员自己去根据需要做分析，这个模式面向需要分析且有一定分析思维的人 3、IT负责到将基础数据处理好接入BI，业务人员去自己处理数据、自己分析，这个模式面向需要分析且有一定数据处理能力和数据分析能力的人 4、IT只负责搭建数仓，将数仓开放给业务人员，业务人员自己拿数据、自己处理、自己分析，这个模式面向既懂技术又懂业务的人。 上述四个模式中，第一个模式是必然存在，剩余三个模式中大多数客户都是2、3模式，第四个模式对人员基础要求非常高，一般都是在金融行业才存在第四个模式，将以上多种模式并存统称为自助分析模式，可以是FR+FBI集成也可以是纯FBI，都能支撑以上的四种模式。
业务人员使用方式
编辑于 2020-2-17 18:19
| 
