之前小编分享过一篇“bi数据分析平台运营要注意这4个要点”的文章，里面就提到，运营bi数据分析平台，策略很重要，要认真做好部署，协调好业务和工作人员与大数据分析平台的关系，这样才能充分调动bi数据分析平台的作用。

　　要充分洞察数据挖掘数据，除了需要IT人员熟悉bi数据分析平台，还需要业务人员关注bi数据分析平台，并以业务优先的方式从数据中获得洞察

　　1.确定优先级并建立改进过程

　　那么，企业在运营大数据分析平台时，首先该怎么做？

　　首先，组织应该知道他们想要什么样的业务洞察，哪些是最重要的，因此IT可以首先提供对业务用户来说最为关键的事情，并通过优先级列表来实现。

　　此外，商业智能计划应该能够随着优先级的改变而变革。

　　同样，商业智能战略应该建立在进步和改进系统运作方式的过程中。Evelson建议采用迭代的方法，以便商业智能工具可以随着业务部门的使用而扩展和改进，并确定哪些地方满足其需求，哪些地方不能。

　　2.提高公民数据科学家的技能

　　研究公司Gartner在2017年的“商业智能和分析平台的魔力象限”报告中说“未来几年公民数据科学家的数量的增长速度将比数据科学家快五倍”。

　　Gartner的研究副总裁CindiHowson表示，高管们已经认识到数据科学家的不足难以满足需求;他们也在努力从现有的成员中雇用或发现他们所需的公民数据科学家。

　　她说：“我们在谈论居于期间的信息分析师。他们了解业务领域和要问的问题，她补充说，人们需要更容易使用的软件，以便组织能够更好地支持这些工作人员。

　　Howson预计，软件的改进最终将允许商人在未建模的数据集上提出并回答自己的问题。一旦这种情况发生，组织就需要合适的人来担当公民数据科学家的角色。他们就需要具备分析技能、喜欢提问的充满好奇心的工作人员，他们知道怎么解读取回来的信息，并且很乐意使用软件来改善业务成果。

　　3.授予员工用数据讲故事的权利

　　CBIGConsulting是一家帮助客户利用数据资产的专业服务公司，它的总裁兼负责人ToddNash表示，还有个案例，他曾与这样的组织合作，这些组织里的工作人员明白如何使用商业智能工具提供的洞察来讲述有助于他人理解“数据正在试图表达什么”的故事。

　　他说这些人使用商业智能技术内置的报告和可视化功能来开发有助于最大限度地发挥分析的价值的叙事。

　　这种做法不单单是为了让人生成光鲜亮丽的报告；这些用户能够与其他人看不到的数据建立联系，从而提供企业可让企业获利的新洞察。高管们需要提供支持并授予他们这么做的权利。

　　例如，他说，分析店铺销售数据的员工可能会看到细微的天气趋势(不仅仅是大风暴)对销售的微妙影响。他们可能想要通过bi数据分析平台引入外部的天气数据，以进一步分析趋势，更好地了解商店如何通过新的洞察优化销售。

　　Nash说：“可以利用各种内部和外部数据来获得更好的洞察”。他补充说成功的bi数据分析平台运营允许分析师做的事远远不止衡量标准的关键绩效指标那么简单。

同比和环比是最常见的数据分析方式，但是在进行同比环比分析时，往往需要编写公式，这就对那些不懂技术的业务人员很不友好了。

如果使用 Bingo BI 数据分析平台，那么就不会出现以上问题了。Bingo BI 提供了独有的‘指标模板’功能，只需拖拽两三下鼠标便可在几秒钟之内创建出一个新的指标，效率较其他数据分析平台提高了不止百倍。

第一步，创建一个简单的查询，将产品和日期分别拖拽到表格的行和列位置，查询结果会立即生成，此表格每一行表示特定产品在各个月份的销量，每一列表示某个月份中每种产品的销量。

第二步，使用‘指标模板’功能创建新指标。选定一个模板（此例中选择‘同比’），将度量相关信息拖放到指定的位置（此例中将要创建‘销售额’的同比值），然后填写新建指标的名称并保存即可。

第三步，回到最初创建的查询界面，只需将新指标拖拽到列位置，便可立即显示。

第四步，创建新指标并查询后要做的当然是数据可视化喽，进行数据可视化同样是用鼠标随意拖放便可完成。

（提示：可以将任何维度拖放到行位置并以其为业务角度查看同比值。）

来源：数据猿 作者：abby

随着大数据研究热潮的兴起，各种数据可视化图表层出不穷，大数据生动呈现就成为了具有挑战性的工作，随之出现了大量的可视化软件。

今天小编为大家推荐的《Microsoft Power BI 数据可视化与数据分析》就是基于行业占有率比较高的Microsoft Power BI最新版本所编写的，本书详细介绍了Microsoft Power BI的数据可视化功能，包括数据类型和运算符、软件的安装、连接数据源、数据基础操作、可视化设计原则、可视化图表、自定义可视化效果、报表、仪表板、查询编辑器、运行R脚本、数据高级操作、数据分析表达式、网页流量数据分析、超市运营数据分析、Power BI移动应用和Power BI应用开发等内容。

数据可视化是数据视觉表现形式的技术，这种数据视觉表现形式被定义为以某种概要形式抽取出来的信息，目的是直观地展现数据，使用户花费数小时甚至更久才能归纳的规律转换成一眼就能读懂的可视化图表。

本书基于Power BI编写，详细介绍Power BI的数据可视化功能，包括数据类型和运算符、软件的安装、连接数据源、数据基础操作、可视化设计原则、可视化图表、自定义可视化效果、报表、仪表板、查询编辑器、运行R脚本、数据高级操作、数据分析表达式、网页流量数据分析、超市运营数据分析、Power BI移动应用和Power BI应用开发等内容。

从内容方面本书共分为16个章节：

第1章：介绍Power BI概况，包括报表视图、数据视图和关系视图，以及报表编辑器、数据类型和软件的安装等。

第2章：介绍连接数据源，包括连接到文件和数据库。

第3章：介绍数据基础操作，包括属性的操作和图表的操作。

第4章：介绍可视化设计，包括选择合适的视觉对象、选择合适的度量值和可视化对象元素。

第5章：介绍常用可视化图表，包括堆积条形图、堆积柱形图、簇状条形图、簇状柱形图、折线图、分区图、瀑布图和漏斗图等25种效果。

第6章：介绍自定义可视化效果，包括子弹图、词云、桑基图、龙卷风图、阿斯特图、阳光图、流线图、和弦图和雷达图等20种效果。

第7章：介绍报表，包括向报表添加页面和报表设计原则等。

第8章：介绍仪表板，包括创建Power BI仪表板、Power BI中的磁贴和编辑仪表板磁贴等。

第9章：介绍查询编辑器，包括连接到数据、调整数据、追加数据、合并数据和对行进行分组等。

第10章：介绍运行R脚本，包括在查询编辑器中使用R、编辑器查询的限制和R与Power BI的协同使用。

第11章：介绍数据高级操作，包括自动和手动创建关系、手动编辑和删除关系，以及数据按列排序等。

第12章：介绍数据分析表达式，包括函数、计算列和计算表。

第13章：介绍网页流量数据案例分析，包括连接到Web数据源、调整和清理数据表，以及创建可视化效果。

第14章：介绍超市运营数据案例分析，包括从Excel获取数据、创建自定义新列和创建可视化效果等。

第15章：介绍Power BI移动应用，包括在iPhone、iPad、Android手机和Android平板电脑上查看仪表板。

第16章：介绍Power BI应用开发，包括将仪表板集成到应用和将磁贴集成到应用。

适读人群：

本书的内容和案例适用于互联网、咨询、快消品、能源等行业的数据可视化分析用户，可供高等院校相关专业学生及从事数据分析的研究者参考使用，也可作为Power BI软件培训和自学的教材。

作者介绍：

王国平，硕士研究生，主要研究领域为数据可视化、数据挖掘和机器学习，致力于交互式数据可视化技术在企业中的应用，现已出版《IBM SPSS Modeler数据与文本挖掘实战》、《Tableau数据可视化从入门到精通》和《数据可视化与数据挖掘——基于Tableau和SPSS Modeler图形界面》三本专著。

什么是BI系统？

BI系统，是可视化、智能化、自动化的数据管理系统，让决策者随时随地通过数据可以看到公司运营情况，分析各种问题和机遇。为了满足数据量庞大、数据多样的客户需求，易仓BI携手甲骨文OAC，历经半年，推出易仓BI系统，为易仓客户带来更优质的数字体验。

易仓BI系统通过仪表盘+多维分析+钻取获取报表数据，可以让决策者先看到哪项指标有问题，问题的原因是什么，然后通过钻取多维分析模型，多角度的分析问题的真正来源；实现”拉”式与”推”式信息提供方式，随时为决策者提供策略的数据支撑。

BI系统和EXCEL报表有什么不同？

很多人觉得，报表和BI技术差不多，都是用来做数据分析的。错了！在此，举个例子；

EXCEL相当于是块黑板，制作报表的人员加班加点，把信息汇总起来即可，随意写上面即可。最后，当然，决策者看到只是表象……

而易仓BI系统就是一台电脑，无论什么数据都能通过图像显示，而且即时抓取！更重要的是BI系统能分析，会计算。

说白了，EXCEL报表是展示数据，而BI技术是真正的数据分析系统。也许，你还不觉得有多牛？那继续往下看看……

先举个例子，一起分析它的牛气之处：

您是一个连锁集团的销售总监，当BI系统告诉你2008年的收入与2007年相比，下降了5.3%时，接下来你会怎么做？

先从各分店的角度分析，发现排名前两位的大店收入只有2007年的80%左右。

这时，得从商品的角度来分析，这两个店的哪些品类的销售同比下降。

再从时间的角度来分析，下降较快的品类是否有季节性？

再回到分店的角度来分析，下降较快的品类在其他分店的情况是否也是如此呢？

再从客户的角度来分析，这些品类又主要是哪些客户在消费？哪些大客户的销售同比下降导致了这种结果？

再回到时间的角度来分析，看这个季度的每个月收入，到底哪个月下降最快？

易仓BI系统，不仅适合需要深度分析的精细化运营卖家，也同样适合账号多、产品多、员工多的铺货卖家，它能帮忙省好几个负责统计数据的人力！

【IT168 资讯】如今，有大量功能强大的可视化工具可以帮助您展示想法、可视化数据、进行谈话，与客户和全球社区分享您的重要分析。在本文中，我们将比较最常用的平台并分析其主要功能，以帮助您选择一个或多个平台，为您的工作交流提供不可或缺的帮助。

在评估各种商业智能(BI)工具时，很难将事实与虚构分离开来，因为每个BI供应商都将其产品作为唯一的“最佳”解决方案进行销售，这往往使得互联网充斥着偏见的评论。如果你想了解功能性产品的价值，避免大肆宣传和点击无尽的部分评论，那么你来对地方了。

我们将引导您了解所有主要工具(如QlikView，Klipfolio，Tableau，Geckoboard，Power BI和Google Data Studio)的特性、优点和缺点。我们还将比较它们的关键参数，包括可用性、设置、价格、支持、维护、自助服务功能、不同数据类型的支持等。让我们分别看看每个工具。

QlikView

QlikView是一种将用户作为数据接收者的解决方案。它允许用户在工作流程中探索和发现数据，这与开发人员在处理数据时的工作方式类似。为了保持数据探索和可视化方法的灵活性，该软件致力于维护数据之间的关联。这可以帮助最终用户发现您的数据，即使这些搜索项目的来源是令人难以置信的，这些数据也会提醒您检索相关项目。

QlikView非常灵活。它允许设置和调整每个对象的每个小方面，并自定义可视化和仪表板的外观和感觉。具有如此大的灵活性，还有一个集成的ETL(提取，转换，加载)引擎，使您能够执行普通的数据清理操作。但是，这可能会很昂贵。

产品差异化

许多Qlikview在商业智能领域的竞争对手认识到差异化商品的高价值，并试图重现其许多特征，但大多数情况下都失败了。 Qlikview的设计是在avant-garde预构建的仪表板应用程序和联想仪表板的基础上开发的，这些应用程序既创新又直观易用。由于具有先进的搜索功能，它还提供了避免使用数据仓库和使用关联仪表板在内存中提取数据的功能，如上所述。

特征

Qlikview的独特性和灵活性的完美结合使其在其他BI供应商中占有一席之地，并为各行各业处理了大量不同规模的业务提供各种有用的应用程序。

QlikView拥有众多的功能，使其对基于来自多个来源的数据创建高级仪表板非常有用。

其中一个特点是QlikView能够自动操作数据关联：它可以识别集合中各种数据项之间的关系，而无需用户进行任何明确的预配置工作。这项任务的自动化极大地加快了仪表板开发的进程。

Qlikview处理数据输入的另一个重要特性是将其保存在多个用户的内存中，即保存在服务器的RAM中。这样可以加快查询速度，从而加快数据探索速度，并改善用户在运行中计算的聚合体验，而不是基于存储的计算。由于Qlikview保留了内存中的数据，因此根据需要计算聚合要快得多，而不是查询预先计算的聚合值。另外，它更具有内存效率。

将数据保存在内存中肯定是一项艰巨的进步，因为它需要大量的内存来处理所有的数据。 QlikView通过令人难以置信的压缩级别将数据缩小至原始大小的10%来解决此问题。我们相信这是通过大量使用数据字典并仅使用分析所需的最重要的数据获得的最大的Qlikview功能之一。

可用性

即使对普通用户来说，QlikView的仪表板和报告也很容易浏览。但是，构建报表可能非常具有挑战性，因为它需要高水平的开发人员技能，熟悉默认SQL以及使用Qlikview的专有查询语言进行训练以构建数据库交互。

定价

QlikView被评为BI领域最昂贵的平台之一。完整的价格政策可在以下链接中找到：qlik。定价方案相当复杂，可能令人困惑。许多新用户通过其“文档许可证”陷入了代价高昂的陷阱，该文档许可证以某种模糊的方式表达了工作条件。最初的定价计划实际上可能会让您费用增加一倍，因为速率仅适用于一个“文档”(.tde文件)。许多客户后来发现这是令人不愉快的惊喜，并且它还可以刺激用户的价格近两倍。与Qlikview相比，其他竞争对手的定价政策更直接。

QlikView是关于目的地的，所以你需要确切地知道你要去的地方。如果有些问题仍然模糊，则可能花费大量时间尝试将多个表单放在一起，最终可能会丢弃多个表单，因为任何误解的数据都会影响最终结果。只要您不改变原始问题，QlikView就可以让您使用您的数据完成精彩的事情。

总而言之，如果您有正确的思维方式来应用程序化界面，并且能够从一开始就整合正确的问题，以便您的数据以不同形式派生，那么Qlikview可能是适合您的解决方案。当然，您还需要准备投入额外的努力来维护正确的报告。

　KLIPFOLIO

Klipfolio是一个BI解决方案，在云中占据100%(不需要桌面应用程序)，为数据可视化和仪表盘组成提供了一个真正具有洞察力的工具。这使得它能够最有效地处理数据、增强实时解决方案和优化，而不是依赖于周期性回归模型。

Klipfolio支持连接到各种数据源，包括在线和离线数据源。在线资源整合了一系列云托管存储，包括Google表格、关系数据库和其他以各种形式提供数据的服务。服务部门可以在这里找到连接服务的完整参考资料。使用RESTful API也可以连接到您自己的数据源。

Klipfolio支持多种离线服务类型：MS Excel、CSV、XML、JSON等。可以通过与上面提到的在线来源相同的链接找到完整的参考列表，但是仅在数据存储库部分。

所有这些数据源，无论是单独或组合，都可以有效地用于整合各种指标，以提取数据愿景，创建、转换和共享定制可视化，以揭示任何无用数字背后的实际含义。

Klipfolio采用响应原则，利用智能手机和平板电脑等各种技术平台，以及跨越会议室墙壁的台式计算机和智能电视，帮助发现仪表板。

产品差异化

Klipfolio代表了一个功能强大的数据仪表盘构建平台，可以访问真实世界，不断变化的生动数据源。当动态变化非常重要并且可能需要紧急决策时，它最适用于实时监视和控制连续数据流。实时数据连接是数据检索的一种方式，可以保持数据准确性和可靠性所需的时间一致性，而响应速度则可用于快速决策的时间因素。

特征

·将多个数据源整合到一个报告中

·无限连接尽可能多的用户

·管理重要信息的访问权限和限制

·移动辅助功能(iOS，Android，黑莓，Windows)

·灵活的REST连接器，用于设置自定义数据源

·安全连接到SQL数据库

·支持Excel、CSV、JSON、XML文件格式

·方便的注释到分享报告的用户看到的报告

·自助式KPI编辑平台

·易于使用的阈值指标。

可用性

Klipfolio包括大量的可视化类型，包括普通表、条形图、饼图、线和面积图，这些图表的组合以及散点图。此外，通过使用一些HTML和CSS，用户可以伪造自己独特的可视化效果。在WYSIWYG编辑器的帮助下，所有这些组件都在复合仪表板上进行布局。一些更复杂的可视化元素添加了各种公式和功能。

Klipfolio仪表板具有广泛的协作框架，可根据权限与其他用户共享信息，通过电子邮件启用通知和分发。使用Klipfolio时的显著差异出现在建筑图表和图表中。

用户不必简单地将数据表中的字段拖放到工作表中，而必须使用不同的函数和公式来实现所有计算。通过这种方式，您可以使用任何类型的可视化创建工作表，但是您需要考虑如何组合和更改数据。

定价

Klipfolio是BI行业中历史最悠久的企业之一，拥有丰富的经验和专业知识，通过开发可行的解决方案为其铺平了道路。 Klipfolio主要投注今天的云服务，同时也提供前提解决方案选项。 Klipfolio仪表板(作为SaaS)使用用户每月定价政策进行分配，根据数量和时间承诺有一些小的总变化。定价从每月19美元开始，提供多种选项和定制的付款方案。 Klipfolio还提供14天的免费试用期，用于测试和学习目的。

Tableau

今天的另一个重要角色就是Tableau。与大多数其他商务智能工具一样，它通过可视化方式进行零数据分析。它旨在轻松创建和分发交互式数据仪表板，通过简单而有效的视觉效果提供对动态，变化趋势和数据密度分布的深入描述。

与许多其他服务一样，Tableau提供了连接多种系统类型的数据源的工具，如以文件格式(CSV，JSON，XML，MS Excel等)组织的数据系统，关系数据系统和非关系数据系统(PostgreSQL ，MySQL，SQL Server，MongoDB等)，云系统(AWS，Oracle Cloud，Google BigQuery，Microsoft Azure)。

与竞争对手的核心区别在于Tableau具有数据混合的特点。另一个独特的特点是实时协作的能力，使其成为商业和非商业组织的宝贵投资。有几种方法可以在Tableau中共享这些报告：将它们发布到Tableau服务器;通过电子邮件Tableau Reader功能;通过公开发布Tableau工作簿并授予访问任何有链接的人员的权限。这种选择的大小可以带来很大的灵活性并消除许多限制

产品差异化

Tableau提供了多种具有鲜明特征的可视化功能，实现了数据发现和深入洞察的智能方式。丰富的可视化类型库包括“文字云”和“气泡图”，可为Tableau提供独特的高级别理解。树图和树形图为视觉效果提供上下文信息。后者通常用于描述零件分类数据，重点关注最相关的信息。

Tableau仪表板非常灵活。它的中心特征允许以期望的方式用任何“重叠”来布置仪表板，这在屏幕空间人体工程学中非常方便。

Tableau很容易理解为工作工具，其学习曲线非常温和，因为它努力为任何类型的用户提供其所有权力，甚至是那些以前从未接触过可视化工作流技术细节的用户。

从开发人员的角度来看，Tableau不仅简单易用，而且在目的地方面也非常整洁，因为它提供了通过附加自定义参数的附加过滤来控制结果的能力。所有的数据都以清晰、有吸引力和互动的方式进行交流。Tableau提供了对数据的深刻见解，并允许有效地压缩复杂的决策过程。

上面的共享系统以其巨大的灵活性和不同的数据共享选择而闻名。即使是最挑剔的用户也肯定会找到一个合适的解决方案来满足他们最多变的需求。

　特性

·免费共享能力(有一定的限制)

·支持连接到30多个数据源类型

·混合数据源

·支持多维数据集

·与R的集成，为许多数据库映射现成的驱动程序

·领导社区建设工作(各种培训视频、博客、论坛、社交网络参与)

可用性

非常容易使用，从这个列表看，它被认为是最好的易于使用的工具。考虑到这些广泛的Tableau特性，它最方便的用例是通过图表、图形和其他可视化类型发现结构化数据。没有其他的BI解决方案可以让它比Tableau更容易，给它的用户带来惊人的力量。对于一个普通的业务用户来说，这很容易，而且与开发工具一样强大。导入数据、构建有吸引力的可视化，共享并以简单明了的形式发布它们。此外，大量的教程视频、howto -tos、blogs和论坛将节省时间，避免寻找正确的解决方案的长期斗争。

定价

Tableau有不同的许可计划，类似于其他BI解决方案。Tableau提供了三种截然不同的产品，价格截然不同。

这三种产品分别是Tableau桌面、Tableau和Tableau服务器，它们的价格不同。详细的价格信息可以在官方网站上找到。

Tableau桌面是为大多数的个人用户设计的，每年为个人用户提供$999，企业使用$1,999，覆盖支持。个人使用意味着它是针对单个开发人员的，并且支持6个数据源。企业使用意味着它是为业务需求而设计的，并允许多达44个数据源。

Tableau是一个基于云的BI平台，由Tableau供应商提供web界面。Tableau可以免费使用它的公共选项，但重要的是要记住，这个解决方案是托管在公共服务器上的，所有的报告都是公开共享的。这个私人在线版本的售价为500用户/年。

Tableau服务器对于运营自己服务器的公司来说是一个成熟的业务工具，它希望对数据流进行完全控制，并保证后台主机的安全性。然而，它的价格是每10个用户1万美元。客户的支持还提供了额外的25%的年成本。

它是又一个基于云的可视化解决方案。如果你需要使用基本预定义的小部件显示某些值，它可以成为适合您的工具。 Geckoboard提供了使用各种小部件来组合仪表板的功能。它具有丰富的与Facebook准备集成的库： twitter、Salesforce API，以便您可以即时查看您的社交媒体参与或业务数据。

它还提供了以两种方式与您自己的数据源创建自定义集成的能力：:Pull或Push。Pull意味着您的小部件每隔N秒就会提交一次数据请求(您可以设置N值)，该数据与提取数据的位置链接到特定的URL(您也可以设置)。Push意味着您可以通过向特殊小部件URL发送HTTP请求来手动为小部件提供数据。这会将您发送的数据与该小部件相关联，并将其显示在仪表板上。

Geckoboard为您提供了几个可能的小部件模板，如折线图或直方图，每个模板都有自己的可以显示的JSON格式的数据。拉式服务器或推送器以适当的格式发送数据很重要。否则，它不会在仪表板上显示任何内容。

您还可以更改窗口小部件的样式表，更改颜色模式，添加两个或更多仪表板或添加多个用户。 Geckoboard拥有一支可靠的支持团队，通常能够相对快速地做出响应，�...

　　很多公司在引入bi数据分析系统之后，常常会在运营的时候遇到很多问题。数据化运营是一项专门的工程，一般而言一家公司需要专业的IT人员专门来数据分析bi工具，但很多人没这个意识。部署bi数据分析系统确实有点难度，但不是所有人都是专家，所以小编在这里分享几招小策略，帮助大家更好地运营好商业智能BI工具。

　　那么，bi数据分析系统要运营好首先要做好策略，认真部署和进行。

　　（1）为商业智能提供业务所有权

　　埃夫森表示，将商业智能置于业务用户手中的组织比将商业智能置于IT内部的成功率更高，这可能意味着将商业智能嵌入业务线，或将商业智能业务报告提供给首席数字官或首席客户官。

　　虽然早期商业智能技术的复杂性使得IT部门负责许多商业智能程序，但是如今的工具更加直观，允许它们直接提供到业务用户的手中，这些用户可以运行对他们重要的查询。

　　同样，用户需要访问数据的速度以及从商业智能获得的见解近年来也急剧增加。今天的业务用户通常需要实时的操作信息，不愿等待IT部门生成报告。

　　（2）监控商业智能的使用并必要时调整

　　虽然企业应该拥有商业智能计划，但是IT部门仍然是必须保持监控和评估商业智能系统使用的积极合作伙伴。监控商业智能系统正在做什么，正在访问什么数据源，正在使用什么工具，以及业务部门A是否使用商业智能超过业务部门B。”

　　（3）验证，验证，验证

　　组织需要一个强大的验证过程，重点是访问所有需要回答查询的数据。它还应该防止有问题的数据进入商业智能系统，这样就不会产生错误的见解。此外，验证过程应该足够的敏捷性，以快速响应新的商业智能功能的请求。

　　哈根斯指出一个假设用例，其中商业智能工具生成有关净销售额的报告。如果该工具接收到销售数据，但没有计算返回的已售商品数量，那么最终信息是不好的。

　　（4）首先关注业务问题，然后再关注数据

　　太多的组织构建数据存储库，然而采用商业智能，期望业务用户能够更好地开展业务。

　　埃夫森阐述了这个例子：营销部门发现客户流失问题，并希望了解客户为什么要离开。组织应该着重提供回答营销业务问题的能力，首先要确定需要衡量哪些指标，访问计算这些指标所需的数据，然后使营销对数据进行详细的分析。

　　埃夫森说：“人们需要确定一个明确的业务问题，首先要分析什么指标，最后，谈论如何得到数据。”

　　其实，bi数据分析系统运营也没有那么难，但是一些整体上的规划和细节问题都需要企业领导注意，才能更好地部署和运营好一款数据分析bi工具。

故事前言

前些日子和一位企业信息部门负责人交流，他们用报表工具有5、6个年头了，先后做了财务报表，营收分析、月营收报表，细分到200多家门店以及2000多名员工的财务数据汇总，为财务开发了多维度的查询创建窗口，可以生成周期性的结算报表。

之后又用到业务层，做了OA流程分析、BOSS驾驶舱和经营可视化大屏，可以说把FineReport的功能和场景用得很全了。而且带来的效益也很明显：

1、利用填报规范化各业务线的数据收集流程，利用帆软主数据管理帮忙打通了业务系统，就主数据整理这块，就节约了7个人力。

2、IT不再只是支撑，用人上一方面往专精技术发展，一方面主动为提升业务价值做创新。4个IT报表开发，之后分别去做了ETL和搭建数据仓库模型。3个原本不断和业务沟通需求为业务取数的，专做类似数据分析层面上的经营分析，以及给业务部门的分析培训。

3、建立了商业分析经营模型，提升门店的运营能力，如根据客流及租赁系统进行数据清洗和整合，实现客流动态监测，更好的管理销售业务；

4、对分公司（金融）进行了客户画像分析，将客户交易数额、交易频次等分级，建立VIP客户阵队，为公司拉来34个每月百万级交易的客户，直接带来超1亿的营收。

......

当初上FineReport，通过报表的中国式复杂报表、灵活参数查询、丰富的图表展示、自由的数据填报上报采集、企业级门户管理等特性解决了企业信息化的不少难题，业务的数据报表可视化展示成果也是受到了领导的不断好评。

可以说“IT+数据”，价值越发凸显，盘子也越做越大。

但是任何事过一阵就会遇到上升的瓶颈，随之而来的是销售、门店、市场、人事的业务分析需求接踵而来，企业的各数据采集模块越来越丰富，即便是有报表系统，但报表需求也如井喷。最重要的是，业务的需求越发专业和个性化，需要IT对业务场景越发了解，这种需求很费时间，沟通稍有不慎之后就是不断打回，要么改需求要么继续优化，教业务取数做报表又不现实。

问题分析

基于以上种种企业数据应用的痛点，我们需要进一步的思考。

首先，要肯定报表工具的功劳，它实实在在解决了很多数据填报上报录入、日报月报、中国式复杂报表、以及企业数据报表管理的问题，同时极大地提高了传统企业下IT部门使用SQL+代码到SQL+报表工具直接出报表模式下的报表开发效率，功不可没。

但报表只覆盖了企业部分数据应用场景，且他的上手难度对多数人，尤其是业务人员有一定门槛。

对于一些数据工作走在前列的企业来讲，有些数据问题还得靠BI来解决，比如：

业务有很多分析需求，而且很多是一次性的、甚至个人的需求，沟通和配合效率很低取数分析涉及的数据量很庞大，百万及千万级以上；技术问题，需要对接hadoop之类的大数据平台，甚至需要前端报表的数据实时响应；业务部门培养分析人员需要更容易上手的工具；

......

FineBI的存在就是解决这类问题的！

1、FineReport+FineBI，两者是互补的存在！

如果你所在企业也存在着如上所述问题，那么核心问题就需要通过一款商业智能工具以满足业务人员或者企业领导的即席/自助数据分析需求。

首先FineReport作为一款报表工具，主要用于解决提升IT部门的常规/复杂报表开发效率问题；而FineBI作为一款商业智能工具，在IT信息部门分类准备好数据业务包的前提下，以满足业务人员或者企业领导的即席/自助数据分析需求。通过FineReport+FineBI的完美结合互补，轻松搞定企业IT的复杂报表&业务即席分析需求！

2、报表FineReport和BI工具FineBI的区别

1、数据引擎方面，FineReport产品是直连数据库，性能方面需要数据库的支撑；FineBI产品包含FineIndex和FineDirect两种数据引擎可供用户使用，其中FineDirect也是直连数据库，而FineIndex数据引擎是做大数据建模的，可以生成列式存储的多维数据集对传统的关系型数据库进行加速；

2、FineReport属于C/S架构，支持灵活定制各种中国式复杂报表；FineBI属于B/S架构，主要提供自助式的OLAP多维数据分析模式；

3、FineReport可以用来出固定格式的周报、月报、适合作为正式汇报材料；FineBI的使用主要面向业务人员可以自己设计报表进行分析，向自主分析得出结果，辅助企业业务决策；

4、如果把FineReport和FineBI的最终数据分析结果都比喻为一场盛宴的话，FineReport可以比喻为一桌经过精心调理和准备的满汉全席，而FineBI则可以比喻为一场可供用户进行丰富自由选择的自助餐；

5、报表系统和BI的使用对象和目的都不相同，报表系统更着重于短期的运作支持，而BI则关注长期的战略决策，甚至更着重于商业趋势和业务单元的联系而非具体的数据和精确度本身，BI并不是用来代替着眼于日常运做的报表系统的。

3、两者如何配合？

1.FineBI中FineIndex列式存储的多维数据库可以在FineReport中进行读取和使用，FineReport的拓展数据源也可以通过服务器数据集和FineBI进行共享；

2.FineReport制作的所有报表页面都可以挂载在FineBI中进行查看和使用；

3.FineBI和FineReport产品支持融合部署，所有功能都可以整合在同一个工程中进行使用（推荐FineReport整合到FineBI），同时移动端共用一个数据分析app。

典型案例

以某银行为例，下辖13家省内分行、4家省外分行，营业网点541家，员工1.4万人。全行的生产实际ODS总共的数据量20几T，单表数据量最大1亿3千万。

在上FineBI产品之前，信息科技部承担着全行内日常的数据管理以及响应各部门的报表制作需求，譬如，营运客服中心需要定期对客户进行跟踪、电话回访，信息科技部通过sql将数据库中的数据取出来，再展示成报表提供给营运客服中心的客户人员进行查询。

行内的其他业务部门，有计划财务部，公司业务部，消费金融与信用卡中心，风险管理部，营运部，对自己的业务数据有自助分析的需求，譬如计划财务部要做经营分析、资金清算，消费金融与信用卡中心要做信用卡发放的覆盖率、信用卡消费的分析，公司业务部要做增长的趋势、增长速度的分析，风险管理部有对对标上市银行的相关分析。

这些业务部门的数据指标的特性是变化快，不但要不断增加新的指标，而且已有指标的计算方式也在变化，所以需要经常调整。信息科技部并不知道哪些指标对这些于业务部门而言是重要的指标，信息科技部按照业务部门提过来的需求来做好指标，也不能完全实现业务部门需求。

上了FineBI平台之后，信息科技部给计划财务部，公司业务部，消费金融与信用卡中心，风险管理部，营运部分别开设了分析编辑用户。信息科技部将这些部门相关的数据库表加载到FineIndex数据引擎中，按照业务给每个部门的账号分配数据权限，每个业务部门可以自由地对自己的数据进行数据分析。新的模式为信息科技部只需要维护底层数据表，业务部门的科技项目经理负责向信息科技部申请需要的数据，普通的业务员可以对自己模块的数据进行自助分析，彻底改变了原有的模式。

目前全行各部门有效的分析模板300多张，各部门对自己的数据和分析模板有着绝对的自主性，同时也方便了汇报工作，譬如计财部总监给董事会汇报，以前都采用先查询报表，然后将结果粘贴到ppt汇报，现在直接使用FineBI平台，边汇报边切换指标讲解。

总行顺利推进，近期各分行也正在积极推广使用中。

写在最后

数据本身的价值其实是潜在的，而工具的作用是帮助用户更加便捷地进行数据的统计和分析，但是在这之中数据的业务闭环才是最为重要的。

除了常规FineReport的中国式复杂报表之外，还需要通过FineBI不断完善企业即席分析和数据多维可视化建设，让业务人员也能够通过BI工具从单个核心指标出发，然后进行指标拆解，进而深层次多维分析，切片切块，通过同型分析、趋势分析、对比分析等数据分析方法定位到数据中的异常点，最终通过调整决策解决业务问题。

毕竟在当今这个大数据信息化爆炸时代，只有坚持数据成为生产力的企业指导经营方针，让全员都利用好企业的数据以分析引导业务决策，才能让企业真正焕发生机，成为真正超越和引领同行业的领导者。

原作者： 黄进然 文章自：土拨鼠的菜地园

开源篇

一、Superset

1、技术架构：Python + Flask + React + Redux + SQLAlchemy

2、使用人群：

（1）开发/分析人员做好看板，业务人员浏览看板数据

（2）业务人员可自行编辑图表，查看满足条件的结果，但使用上对业务人员不是很友好

3、安装部署：

（1）docker方式的安装部署最简单

4、数据源：支持各种数据源，包括Hive、Kylin等

5、创建步骤：连接数据源-->定义数据表/SQL查询-->图表-->看板

6、可视化：

（1）支持的图表类型多，达47种

（2）图表可视化选项少，例如，数据格式选项偏少，如需添加，需要修改配置文件

（3）可在看板中添加筛选框，支持在不同条件下查看

（4）不支持图表和看板分组管理

（5）没有提供图表的下钻功能，不支持多图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）安装部署和快速入门方面的文档详细

（2）但具体功能和图表制作方面的介绍文档几乎没有，需要自己摸索尝试

8、邮件通知：不支持

9、权限管理：

（1）报表权限设置复杂、繁琐、不好用

（2）可实现对菜单、数据源、数据表、字段、图表、看板等权限控制

10、二次开发：

（1）支持 RESTful API

（2）原属Airbnb的开源项目，有大公司团队维护，版本更新、Bug修复、二次开发有较大保障。

11、源代码：代码质量较差

12、Github星数：22132

二、Redash

1、技术架构：Python + Flask + AngularJS + SQLAlchemy

2、使用人群：由于是对SQL查询结果进行可视化，需要开发/分析人员做好看板，业务人员浏览看板数据。

3、安装部署：

（1）安装部署相对较麻烦

（2）参考文档：

4、数据源：支持数据源比superset少，不支持Kylin

5、创建步骤：连接数据源-->SQL查询-->图表-->看板

6、可视化：

（1）支持的图表类型不如Superset多，仅12种

（2）图表可视化选项多

（3）不支持在看板种添加筛选框

（4）不支持图表和看板分组管理

（5）没有提供图表的下钻功能，不支持多图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）提供快速入门教程

（2）每一个功能模块都有文档且条理清晰

8、邮件通知：支持定时发送邮件

9、权限管理：权限设置简单，仅控制用户组对数据源的权限（只有两个权限：Full access或View only）

10、二次开发：

（1）提供完整的 RESTful API 接口

11、源代码：代码质量比Superset要好，但比Metabase差一点

12、Github星数：10891

三、Metabase

1、技术架构：Clojure + React + Redux

2、使用人群：界面漂亮、友好，使用体验好，适合业务人员使用

3、安装部署：

（1）windows下安装部署非常简单

4、数据源：支持数据源少（12种），不支持Hive、Kylin

5、创建步骤：连接数据源-->图表-->看板-->定时任务

6、可视化：

（1）支持的图表类型不如superset多，仅14种

（2）图表可视化选项多，例如，提供数据格式多，设置灵活

（3）可在看板中添加筛选框，支持在不同条件下查看

（4）通过创建集合，支持图表、看板、定时任务分组管理

（5）提供图表的简单钻取功能，不支持图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）安装部署、快速入门、具体功能、API等方面的文档详细

8、邮件通知：支持定时发送邮件

9、权限管理：

（1）权限设置单一，只有访问权限

（2）仅实现对数据源、数据表、图表、集合等权限控制

10、二次开发：提供完整的API文档，即使完全不会 Clojure，依然可以凭借丰富的 API 与文档完成许多二次开发。

11、源代码：代码质量最好，结构清晰，整洁度高

12、Github星数：12368

最后，几个开源BI工具的详细对比

最后，除了以上的开源BI产品（大规模推广应用还是有难度的），可以试试个人版免费的FineBI，学习文档，产品稳定性，易用性相对开源都比较成熟。

FineBI

1、技术架构：纯java开发，后台业务层spring mvc + Hibernate，前台框架fineui，底层架构引擎不明，只知道有大数据引擎。

2、使用人群：

（1）开发/数据人员准备好数据，数据人员/业务人员分析。

（2）业务人员完全可自行分析、制作可视化。整个数据分析流程分工明确。

3、安装部署：

（1）直接官网下载电脑适配的版本安装激活即可

4、数据源：支持各种数据源，支持Apache Kylin、Derby、HP Vertica、IBM DB2、Informix、Sql Server、MySQL、Oracle、Pivotal Greenplum Database、Postgresql、ADS、Amazon Redshift、Apache Impala、Apache Phoenix、Gbase 8A、Gbase8S、Gbase 8T、Hadoop Hive、Kingbase、Presto、SAP HANA、SAP Sybase、Spark、Transwarp Inceptor、Hbase等主流的一些关系型数据库及非关系数据库MongoDB等

5、创建步骤：连接数据源-->建立数据业务包-->建立分析数据表-->图表分析-->看板

6、可视化：

（1）支持的图表类型多，达47种

（2）图表可视化选项少，例如，数据格式选项偏少，如需添加，需要修改配置文件

（3）可在看板中添加筛选框，支持在不同条件下查看

（4）不支持图表和看板分组管理

（5）没有提供图表的下钻功能，不支持多图表间的复杂联动

（6）不支持跨库的表关联查询

7、支持文档：

（1）安装部署和快速入门方面的文档详细，还有教学视频

（2）但具体功能和图表制作方面的介绍文档几乎没有，需要自己摸索尝试

8、邮件通知：支持

9、权限管理：

（1）有一套完整的数据、业务包、报表、人员部门权限管理，有流程节点。

（2）可实现数据源、数据表、字段、图表、看板等权限控制

10、二次开发：

（1）不支持java层面的开发

（2）只有web接口

（3）能与.NET集成、JBPM工作流集成、CAS单点登录

11、源代码：不公开，人家商业产品，有整个团队在运营。

12、个人用户使用免费，商业部署有两个并发限制，多了就要钱了，不过相比sap这种也不贵。

工具地址

私心回复“bi工具”获得。

由于一些限制，这里没法贴上安装部署的教程文档，我也将一并回复，整理成资料包。

以上都是精心推荐的BI工具，大家勤学勤用，期待你们的反馈。

最后，整理不容易，求转发点赞啦(●ˇˇ●)

前言

近年来，随着人们的数据意识和数据素养不断提升，商业智能和数据分析领域迎来了快速发展期，据Gartner商业智能报告统计，到2020年全球的商业智能市场容量预计将达到228亿美元。同时，大数据、人工智能、机器学习、深度学习等技术的快速发展，也促进了商业智能和数据分析产品的新一轮进化。Gartner分析师认为，到2020年，自然语言生成和人工智能将是90%的新BI平台的标准特征，50%的分析查询将使用搜索、自然语言处理，或语音生成，或将自动生成。但我们必须认识到，我国商业智能的市场特征、企业需求、关注点、发展阶段均与国外有所不同，以Gartner为代表的分析机构并不能准确描述我国商业智能行业的实际状况。针对这一问题，帆软数据应用研究院调研了规模不一的216家企事业单位，了解到他们的大数据BI应用状态、需求情况、对大数据BI产品功能的期待，同时基于帆软数据应用研究院对行业的长期观察和思考，形成了该篇报告。

主要预测：

2018年，中国大数据 BI 产品将主要在自助分析的可操作性和功能丰富度、平台的安全性、数据管理能力、分析的共享能力、数据挖掘能力、大数据处理能力六大功能模块进行提升。

一、2018年中国商业智能行业发展分析

(一) 行业总体形势向好

在当前经济环境下，企业盈利的压力和难度不断增加，越来越多的企业，尤其是一、二线稍具业务规模的企业，其高层都希望通过精细化运营提升市场竞争力，降低企业的运营成本。这些企业绝大多数都已经在2008年~2015年间上线了各种业务系统，存储了大量管理和运营数据，具备应用大数据BI进行数据分析和数据化管理的各种条件，这些需求将在2018年~2022年继续爆发。值得注意的是，艾瑞咨询在《2017年中国商业智能行业研究报告》中指出，我国已经进入商业智能领域第一方阵，成为发展最快的国家之一，但和美国还有比较大的差距。所以未来中国大数据BI行业总体将呈现加速度增长，市场容量将不断扩大。

(二) 大数据BI厂商马太效应显现

马太效应是指强者越强，弱者越弱的现象，国内BI行业的马太效应已经显现。据帆软品牌部调研数据显示，处于行业第一梯队的帆软、Tableau、微软PowerBI的品牌知名度和市场份额与其他厂商进一步拉大。帆软2017年全年营收2.77亿，远超其他国内厂商之和。同时帆软销售部反映，2017年度销售跟单中遇到的竞品种类和数量均较2016年有相当大幅度的下降。BI行业出现马太效应实属必然，综合实力强大的厂商更能投入资源做好产品、服务，解决更多用户的需求和问题。可以预见，2018年中国BI行业马太效应将进一步增强，逐步淘汰掉实力弱、规模小、产品差的企业。

(三) 新型自助式BI与传统型BI平分秋色

得益于敏捷、自助的特征，从2013年起新型自助式BI迎来了高速发展期，这一时期也是传统型BI的衰退期。

2017年，传统型BI与新型自助式BI在国内市场中平分秋色。受访企业中，约50.2%的企业仍然在使用传统型BI，其中最典型的需求是企业常规日报、月报等汇总分析报告。约49.8%的企业应用新型自助式BI，通过报表平台+自助式BI+大数据底层平台的解决方案，来解决企业综合的数据展示和分析需求，形成经营和战略决策。在调研中我们注意到，约有18%的企业引进了新型自助式BI，部分或全部替代了传统BI。虽然传统型BI尤其自身优势和应用场景，但随着新型自助式BI的不断发展，传统型BI必将逐渐退出历史舞台，从国际传统BI巨头积极调整产品结构可见一斑。

二、2017年中国商业智能用户状况分析

根据企业的IT人员和业务人员在数据分析中的工作量和投入程度占比，我们将BI用户（企业）划分为5大类型，即BI应用金字塔模型，以更好的统计、分析企业的BI应用状况。

(一) BI应用金字塔模型

1. IT完全主导型

其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的所有相关工作，完成95%以上的BI分析页面（注：主要是指用于生产、经营、管理会议所需要的数据分析页面，下同）的开发。业务人员仅负责前端数据查看，完成查看报表时相关联动钻取操作。

调研中我们发现，处于“IT完全主导型”这一等级的企业，约有93.2%都在使用传统型BI工具，企业的业务人员基本没有能力，也没有需求去自主完成数据分析的工作。这些企业的业务变革并不剧烈，企业管理层认为当前的日常数据报告能够满足企业管理和决策的需要，相对缺少变革的动力。

2. IT强主导型

其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的所有相关工作，完成80%~95%数量的BI分析页面。业务人员完成低于20%数量的BI分析页面。

从调研数据来看，这类企业中，67.5%的企业认为当前业务人员不具备数据分析的能力。而企业需要快速完成部分数据分析工作，所以选择让IT人员更多承担工作。这类企业中普遍认为，商业智能产品本身并非能够快速上手，且业务人员仍需要统计学基础，阻碍数据分析工作从IT人员向业务人员的转移。

3. 业务强主导型

其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的所有相关工作，完成前期示例不超过20%数量的BI分析页面。业务人员完成超过80%数量的BI分析页面。

从调研数据来看，这类企业中，超过80.2%是曾经推行传统BI的企业，并且部分业务人员是有较高学历和能力的，能够学习和掌握商业智能工具和数据分析技能，并愿意在工作中积极使用；从帆软数据应用研究院的实地走访的部分企业来看，这些企业普遍行业排名靠前，公司从高层就重视数据分析工作。

4. 业务完全主导型

其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的部分相关工作。业务人员完成95%以上数量的BI分析页面和相当部分BI工具层面的数据模型处理。

相比于第三类使用人群（业务强主导型），这类用户的一大特点是业务变革十分迅速，从事业务工作的人员学历普遍较高，业务经营和发展需要企业快速做出决策。而基于数据分析得出的业务判断相比个人历史经验准确度更高，是这类企业基本共识。比如在新兴的互联网企业，或者新零售领域，这个特点尤为突出。

5. 智能自助型

其典型特征为，IT人员只做底层数据仓库、数据连接、数据字典相关工作。业务人员处理所有BI工具层面的数据处理，以及所有BI分析页面。

IT人员搭建数据中心，业务人员完全自主处理和分析数据，这类企业有着明显的资源密集型的特点，业务人员更多的是偏向运营相关的工作。当然，因为此类受访企业占比较少，原因分析的可信度还有待进一步调研来核实。

(二) BI用户状况分布

基于BI应用金字塔模型，2017年企业分布如下；

从调研数据中，我们可以得出两大结论。

1、IT人员主导企业数据分析的模式仍占据主流，也就是IT驱动仍是2017年企业商业智能平台应用现状。从数据调研的受访企业来看，有高达60.5%的企业的数据分析工作仍是第二类型（IT强主导型），甚至有21.5%的企业的数据分析工作处在第一类型（IT完全主导型），这显然和业务人员自助数据分析的目标距离遥远。

2、新型自助BI正在成为商业智能市场的主流。17.5%的企业是在2017年上线了新型自助BI，实现了让少部分业务人员自助完成BI数据分析的目标。

三、2018年商业智能用户需求分析

(一) 企业多级部门数据分层次IT权限和平台管控，占受访企业97.6%

需求描述：BI工具支持企业的多级部门的数据/分析页面权限管控，使得不同层级的部门机构只能看到本部门机构和辖属部门机构的数据/分析页面。

需求产生的原因：有的信息中心为释放压力，放权给业务部门使用数据，一旦口子打开，数据缺口就会像洪水一样泛滥，就又会走向另外一个极端，导致放权下的数据管理混乱，数据口径不统一，部门之间的数据壁垒等等问题就会出现，同时这将给企业带来极大的数据安全隐患。

满足该需求对企业的价值和意义：在满足业务部门BI数据自助分析的同时，兼顾企业的数据权限管控，形成企业以IT部门集中管理下的良性数据分析风貌，杜绝企业数据安全隐患。

(二) 业务人员可通过BI工具进行自助数据分析，占受访企业94.5%。

需求描述：业务人员可以在浏览器前端，对自己权限范围内的数据进行多维拖拽探索和自助分析，发掘隐含在数据中的业务价值。

需求产生的原因：企业的传统信息化建设中，IT信息中心对公司数据进行高度集中的管控，来自企业各职能部门的数据处理以及报表就会全部由IT人员来输出，一旦业务部门需求集中扎堆，就会造成响应不足，业务部门怨声载道。信息中心自身成员熬夜加班做报表，成就感却很低。

满足该需求对企业的价值和意义：通过高效灵活的BI工具，业务人员对自己权限范围内感兴趣数据进行多维拖拽探索和自助分析，以工具简单易上手的低学习成本，让真正对分析业务价值最熟悉的业务人员实现自助数据分析探索，最大化业务数据的分析维度和分析效率，灵活发掘数据中可能潜在的业务价值，同时也解放了IT人员的劳动力，降低企业人力成本。

(三) 可快速搭建型自助BI业务数据模型，占受访企业87.5%。

需求描述：数据库表中的数据需要基于业务分析主题进行分类管理，相关数据表之间支持手动/自动构建关联模型，同时建立的关联模型支持灵活应用，无需反复编辑修改或创建新的模型，一次建立即可灵活满足多重业务场景进行数据分析使用。

需求产生的原因：传统BI工具创建的底层数据关联相互独立，无法重复利用，一旦遇到新的业务数据计算分析场景，数据关联就需要修改或重新创建，极为麻烦，非常不利于IT人员维护。

满足该需求对企业的价值和意义：通过BI工具快速构建的新型自助式BI业务数据模型，较传统BI工具针对不同业务分析场景需要多次、重复建模的应用痛点，极大地提高了BI工具的企业中业务数据分析应用的效率，解放了以往IT人员对数据维护的压力。

(四) OLAP多维分析：上卷、下钻、旋转、切片、联动、跳转等，占受访企业84.5%

需求描述：BI工具支持强大的页面OLAP多维分析功能，包括分析视角的上卷、下钻，维度的旋转切换，指标的切换，分析数据的切片过滤，组件之间的联动过滤、页面超级链接跳转等。

需求产生的原因：随着业务发展的复杂化，单一角度的数据分析往往难以再发掘出更多有价值的潜在业务信息，取而代之的是需要BI工具能够满足强大的页面OLAP多维分析功能。

满足该需求对企业的价值和意义：通过BI工具强大的OLAP多维分析功能，以实现多角度、多关联数据之间的数据无限层次探索分析，发掘出数据中潜在的业务价值。

(五) 大数据处理性能处理能力达到十亿数据秒级响应，占受访企业63.6%

需求描述：BI工具可支撑处理亿级以上大数据分析计算的秒级响应，提供多维加速引擎对传统关系型数据仓库（SQLServer、Oracle、Mysql等）进行数据提速处理，同时也支持实时对接企业大数据平台（Vertical、Kylin、Greenplum等）进行数据分析计算。

需求产生的原因：一方面，传统关系型数据库在面对上亿级别以上数据量时，容易出现性能瓶颈，长时间的查询等待往往会导致业务数据分析效率太低。另一方面，当今信息化水平飞速发展，越来越多的企业已经有了自己的高性能大数据平台，对于这部分企业来说，拥有一款能够直接对接大数据平台进行数据分析的工具尤为总要。

满足该需求对企业的价值和意义：BI工具提供的强大数据计算处理引擎，能够降低企业数据查询等待时间成本，提高业务数据分析效率。同时，通过直接对接企业大数据平台，还可满足企业实时数据分析的需求。

(六) 业务人员可完成工具层面的零代码数据加工处理工作，占受访企业57.5%。

需求描述：BI工具可通过快速易上手的交互方式，让业务人员也能完成工具层面的零代码数据加工处理工作，例如例如表合并、分组统计、结构数据分层、过滤、增加列、同比环比、累计值、所有值、公式运算等数据清洗和数据处理方法，实现对数据的无限层次多维透视分析统计。

需求产生的原因：当业务需求相对偏复杂时，简单的维度和指标统计往往无法直接计算出业务所需要的计算结果，以往的处理方式往往可能是业务部门提需求给IT，然后IT经过SQL或者代码对底层数据表加工处理，然后最终导出一张excel数据表给业务部门，期间的反复沟通和等待时间往往降低了企业的业务数据分析应用效率。

满足该需求对企业的价值和意义：通过BI工具，使得业务人员也能快速实现对数据的无限层次多维透视分和析加工统计，降低了传统模式下的沟通成本和等待时间，提高了企业业务数据分析的应用效率。

(七) 移动端数据分析查看支持，占受访企业44.9%

需求描述：BI工具支持移动端数据分析多维分析查看功能（兼容PC端的上卷、下钻、旋转、切片、联动、跳转等），对于BI工具的应用app支持便捷的扫码登陆、离线查看、批注、分享等...

数据分析的多数简单操作，就是把焦点聚焦于多分类维度的数据呈现，以表格、图表的形式将重点突出。

关于FineBI，可能很多小伙伴多多少少了解过这款商务智能工具，这是目前市面上应用最为广泛的自助式BI工具之一，与之同行的还有Tableau、PowerBI等。

你可以把它是做为是可视化工具，因为他里面自带几十种常用图表，以及动态效果；你也可以把它作为报表工具，因为他可视化报表展现，以表格状、以dashboard状；你也可以把它看作是数据分析工具，因为如果你有数据，你想分析，可以借助FineBI做一些探索性的分析，其内置等数据模型、图表。

但严格定义来讲，他其实一款自助式BI。常常被用作大数据前端展现的工具，对接hadoop、Spark等平台；用作业务部门的取数、业务数据分析（IT数据部准备好数据，业务查看分析）。

它的操作就像是Excel中的数据透视表，相信很多小伙伴儿特别是已经在职场已经混迹很多年的小伙伴儿，对Excel中的数据透视表非常熟悉，没错，FineBI的操作类似一个升级版的数据透视表。

它不仅仅可以将原始的一维表数据透视为二维表格，它还可以将原始数据直接透视成多维图表，流程跟用Excel做数据透视表几无二致。

接下来我从几个角度来做个演示, 以案例的形式来展示一下：

前提

再讲之前我觉得有必要明确维度和度量的概念，以及对于可视化的认知。

1、维度和度量的概念

BI里面有一个维度和度量的概念，BI的数据可视化其实就是在呈现一组由不同维度和度量组成的字段。

维度是dimension 是描述类别的，比如城市，来源等。

度量是metric，是描述可以进行运算的数量的，比如收入，新用户数等

一个维度可以对应多个度量，比如城市的收入，该城市的新用户数等等。

无论是一维、二维、三维甚至更高维的情况，所有的可视化形式都是建立在维度与度量等指标之上的。所以在导入数据源之后，就应该有意识的熟悉数据结构，认识到所有的指标的属性（是维度还是度量）以及度量之间的关系（粒度的粗细，层级的高低）。

2、可视化并不拘泥于excel图表

想强调的第二点是，数据可视化是一种表达，他的表现可以不同图表、不同颜色区分、多种图表组合、不同动效…并不仅仅是excel里面自带的十几种图表。可视化形式应该服务于业务分析与关系挖据的需求，或者说我们是按照自己的目的去定制可视化的呈现形式。

对比

1、FineBI表格与Excel数据透视表的操作界面，大致相当

FineBI的操作是：选择表格/图表——选择维度和度量指标——附加操作：指标计算（同比环比排名等）、指标筛选过滤操作等，还有一些自定义的条件选项。

Excel的数据透视表和FineBI的表格计算，操作体验和风格大致相当，都提供菜单式操作。

总的来说，FineBI，当数据准备好了之后，新建一个分析，选择需要的图表，然后就会出现左手边的这些字段，依据你想要呈现的结果，将字段分别拖拽到维度和度量框内。分类代表维度，只不过FineBI的筛选器直接放在了字段里，每个字段可做单独筛选，筛选掉不符合条件的数据，比如空值。

2、FineBI表格与Excel数据透视表，FineBI附加更多快速简单的指标计算和样式更改

说了这么久，干巴巴的总要来几个案例练习一下，同样的数据，同样的菜单，同样的字段布局。

针对Excel而言，多维表格数据的展现已经是极限了，因为Excel数据透视表透视的仅仅是表，没法再多给出除了数字之外的信息，这时候就是FineBI大展身手的时候啦。

FineBI可以直接对度量指标设置条件，比如让不同区间的数据变换成不同颜色，以示区分，避免写公式。

可以直接在现有数据基础上，计算排名、同比、环比等指标，简单高效。

3、FineBI-数据透视表=数据透视图

新版的excel里有数据透视图功能，可以图表的形式展现数据。

在finebi里面你可能一键切换图表，或者托转另外一个图表重新制作。

将各个数据图表汇总组合，它还可以制作数据大屏

FineBI我觉得高明之处在于，数据展现方便。通过拖拽数据字段，能立马展现可视化效果，加以联动钻取扥功能以及图标切换功能，动态效果立马显现，自助式BI的精髓表达的淋漓尽致。

据说之后发布的5.0版本，会增加很多数据分析功能，利内置数据分析模型，用维度透析的理念来按需完成可视化探索过程，将BI的功能维度又上升一层次。