关于 BI 平台建设的思考

现状理解

公司目前正在进行 BI 平台的规划和建设，属于从 0 到 1 的建设阶段。希望在建设过程中，由底层通过规划设计数据分层架构，形成包括数据治理在内的完整的数据应用体系，完成数据体系后，希望实现前端数据内容展示和后端数据开发的分工协作方式。

公司目前通过一些前期历史原因形成的基础设施和中间件服务，形成了数据的中后端环境，在基于此环境的基础上，需要有一个数据产品经理可以起到内部桥梁作用的角色，来与业务部门保持紧密的沟通协作，通过充分了解业务经营模式和业务活动开展方式，收集和评估业务部门需求，结合业务痛点，对业务场景进行数据化解析，提炼业务指标、分析维度，梳理业务数据逻辑，设计指标计算模型，并通过对数据基础进行清洗、整合，形成完整的从数据到业务的数据应用链路。

通过贴合业务场景，符合业务分析思路的分析场景的技术实现，将数据现状呈现到包括战略、管理、执行层面的各类终端用户，形成向上汇聚，向下挖掘的数据分析应用体系，将常规需求、通用需求、专题需求和临时性需求进行优先级划分和开发计划的编制，让业务用户充分了解需求响应和满足情况，保障业务与数据团队的充分理解和相互包容，形成良好的协同工作氛围，最终帮助业务部门通过数据分析发现的洞察，采取相应的业务调整，实现业务上的增长，降本增效等价值。

需求规划

角色

建议通过分层分类的方法作为起点，来设计分析需求体系，设计满足公司决策层、管理层、执行层等不同层次人员的分析需求。

决策与管控层

关注点：包括最高管理者和高层决策者在内的用户，注重企业整体经营结果或专属领域的经营结果，包括经营、客户、渠道、服务、人力、财务等方面，需要提供战略层面的数据依据和分析，以提高决策质量、提防决策偏差。

交付物：以概括性的核心业务指标和指标评价结果的及时传达的驾驶舱类个性化数据分析看板内容，如：销售额、销售目标达成率、库存周转率等、利润率、人均创效等。

管理与分析层

关注点：主要提供一线管理层对数据需求的响应，通过可视化分析内容、明细报表，多视角对一线实际业务工作进行有效的数据分析、以帮助管理者及时做出经营活动上的响应，发现经营活动中存在的问题，并驱动进行改善和优化活动。

交付物：固定的或周期性的细分场景的经营性结果指标的呈现，以图表组成的看板为主。如：动销比、动销率、库销比、存销比、售罄率等。

执行与应用层

关注点：主要提供执行操作人员其管理范围的数据的管理报表以及需求数据的查询，帮助提高产能。满足各部门业务线岗位开展工作所需的数据支持能力。

交付物：以固定格式的报表或可导出报表，将具体经营或工作事项中的相关数据向一线工作人员抛出，满足一线业务执行人员，第一时间获取辅助工作的业务数据。如：商品库存数、折扣比例、发货周期、到货周期等。

指标体系

构建方法

通过识别核心指标，围绕核心指标进行维度拆解，形成指标树，遵循 MECE 原则，相互独立、完全穷尽。

1、识别核心指标，比如零售行业，为“人、货、场”三个方面，它们是并列关系，缺一不可：

• 人：店员、顾客
• 货：商品(品类、款式、价格、进货量、库存量、销售量等)
• 场：门店(门店等级、面积、货架陈列等)

2、定义和划分各要素相关的指标，进一步拆解出关键指标：

人的指标：

• 店员数量、人效(人均销售额)、提成
• 顾客数量、客单价、复购率、客诉率

货的指标：

• 商品的品类数量、SKU 数量
• 各品类销售量、销售额、毛利率
• 库存周转率、缺货率
• 进货及时率、供应商的稳定性

场的指标：

• 门店数量、单店销售额
• 坪效(单位面积销售额)
• 客流量、跳出率
• 货架陈列合理性

3、基于上述指标，结合具体的业务目标，可以搭建对应的指标体系：

(1) 描述经营现状的指标

以“货”为例，描述现状的指标有：各品类的销售量、销售额、库存量、周转率等。

(2) 反映经营过程的指标

比如店员数量变化、品类结构变化、单品动销率、货损率等，反映出经营过程。

(3) 衡量经营结果的指标

销售目标完成率、利润率、满意度等，用于评估整体经营结果。

(4) 各指标间的影响关系

分析指标间的影响和制约，比如销量、客单价、复购率如何影响总销售额。

综上，构建指标体系的思路（以零售为例）是：

识别关键要素(人货场) --> 定义划分各要素指标 --> 搭建现状、过程、结果指标 --> 分析指标间的影响关系。

构建示例

指标文档示例

分析主题

分析案例

门店分析

首先可以看到 6 月份总体业绩进度达成 103%，业绩呈现出周期性。很容易发现，10 月份的时候，达标率明显低。

点击 10 月份，红色代表低于 70% 的地区，有新北市和北市两个地方。再看下北市的情况，发现第一个门店的业绩很高，但是达成率不高，高业绩低达成率会影响公司利润。

继续看北市表现不好的采购，可以分析具体哪些产品完成情况不好。

也可以查看整个北市的情况，这里能发现内湖旗舰店是需要重点关注的门店，它的业绩很好，但是达成率低，这样会严重影响公司利润。

发现 10 月份的时候，大多数区域表现都不太好，但绿色部分的门店在这种情况表现优异，值得关注。

继续做对比分析，比如可以对比红色旁边的表现比较好的绿色门店，分析原因，这里拿内湖旗舰店旁边的南京旗舰店做对比分析。

可以查看大品类和细分品类两个店的不同情况，从而进一步分析是门店的销售人员管理的问题，还是门店营销活动的问题，以及为什么绿色门店表现优异，进行下一步业务动作的调整。

实施方案

BI 工具对比

整体对比

劣势对比

Power BI

可视化配置选项有限：Power BI 提供的可视化配置选项较少，用户在自定义和优化可视化方面的灵活性有限。

学习曲线陡峭：更适合有技术背景的人员使用，Power BI 的学习曲线较陡峭，需要花费时间来有效利用平台并生成复杂的报表和可视化。

Tableau

有限的数据预处理：Tableau 主要是一个可视化工具，数据预处理功能有限，用户通常需要借助其他工具（如 kettle、Tableau Prep 等）进行数据清洗和建模。

表格处理：不适合制作复杂的中国式报表形式的视图。

Finebi

功能相对单一：FineBI 主要专注于数据分析和报表生成，可能在数据可视化和高级分析功能方面不如 Tableau 和 Power BI 丰富。

集成能力有限：FineBI 在与其他第三方工具和平台的集成方面可能不如 Tableau 和 Power BI 强大，特别是在跨平台数据连接和处理方面。

用户界面和体验：FineBI 的用户界面和用户体验可能不如 Tableau 和 Power BI 直观和友好，特别是对于非技术用户来说，可能需要更多的学习和适应时间。

总结

Tableau 产品组合起来有以下优势：

1. 简单但强大的数据可视化分析：Tableau 拖拽式的操作方式和直观的强大的可视化效果，让即使是非技术背景的业务用户，也能快速上手实现数据分析和洞察，用户可以与数据进行对话，快速切片、钻取、过滤数据，并实时观察数据变化。
2. 端到端的数据分析流程覆盖：Tableau Prep 负责数据准备和清洗，Tableau Desktop 用于数据探索、可视化和报表创建，是数据分析师发挥创意和洞察力的利器，Tableau Server 作为协作和共享平台，方便分析成果的发布、管理和消费。三者组合，打通了从数据到洞察到决策到管理的完整链路，使数据分析工作更加高效流畅。无论是临时的数据探索还是深入的统计分析，Tableau 都能轻松胜任，用户能充分发挥创意，挖掘数据价值。
3. 方便的协作共享、安全权限管控：通过 Server，用户能随时随地发布、访问、订阅数据分析成果，方便团队协同和管理层决策。严密的权限控制、数据安全认证等，保障数据使用的安全合规。移动访问、嵌入集成等特性进一步提升了数据分析的应用范围。
4. 从 IT 到业务用户的广泛覆盖：Tableau 在满足 IT 部门数据治理、规范化管控的同时，也充分考虑了业务用户自助分析的需求。Prep 让 IT 部门能更好地管理数据资产，Desktop 和 Server 则让业务用户能自如地进行分析和探索，两者有机结合，构建敏捷高效的数据分析协作模式。
5. 企业级的可扩展性和灵活部署：Tableau Server 可以灵活部署在本地、云端或混合环境，支持分布式集群架构，保障了优异的可扩展性，能够随企业数据分析规模的增长而平滑扩容。API/SDK 的开放也让 Tableau 与企业其他系统的集成更加便捷。

设计 Tableau 为架构的数据分析体系，让企业使用 Tableau 不仅可以管理数据资产，还可以做数据分析，减少 IT 技术部门的部署成本，降低业务用户的使用门槛，从而更快捷地让企业实现数据驱动，使用数据分析为企业带来价值。

整体架构

数据模型及指标体系构建