开局一张图

日常跟数据打交道的朋友们好～古牧君这次打算分上下两篇文章，来聊聊数据产品中的一个子类，BI报表。今天的上篇主要聊聊这类数据产品的定位，下篇分享BI报表在AI化方向上的探索

本文主要结构如下：

1，从一个反例入手，讨论数据产品的重心，到底该在数据还是在产品？

2，聚焦到BI报表，看看它的现状和问题

3，从数据产品的角度，解析BI报表需要满足哪些用户的哪些需求？

4，在降本提效之上，建议BI报表能肩负起普及数据分析思维的重任

01

反例：不拿自己当产品的数据产品

BAT中的某家公司，曾举部门之力做过一个内部的自助机器学习可视化平台，目标据说是让人人都能玩儿转机器学习。我们先简单看下这个平台的功能结构：

底层数据仓库——平台底层打通了集团庞大的数据仓库，方便你在线调用数据训练模型；同时也支持上传一些外部数据

中层算法组件库——常见的机器学习算法，甚至深度神经网络这种程度的，都组件化封装到平台上，便于你像搭积木一样随意组合搭建出自己的模型

上层可视化交互——你看到的界面就跟office一样，不用你写代码，直接用鼠标点击拖拉拽就可以。举个例子，你可以用鼠标点击拖动某几个数据字段到界面中央的画布区域，然后再拖动一个算法组件到数据字段的旁边，进一步用鼠标点击数据字段和算法组件实现两者的连线，这时就会自动弹出窗口提示你填写一些必要的参数，点击确认后模型就将以连线的数据为输入，自动运行直到返回结果

顶层模型调度部署——上述操作并没有停留在单机自娱自乐阶段，平台还打通了其他业务场景，支持模型的线上部署，让你的努力快速落地见效

不明觉厉有没有！？然而，作为一款广义的数据产品，这个平台上线半年后门庭冷落车马稀......这里给大家一张图的时间停顿思考下，究竟是哪里出了问题？

好了，揭晓答案，我们来听听两类用户对这个平台的看法：

算法、策略岗位的用户：“这个东西好是好，可还是没我们自己写代码来的灵活。可视化拖拉拽简化了操作，但有些算法策略细节，平台还是不支持，希望能在细节层面尽量的丰富下”

产品、运营岗位等非算法背景的用户：“这个东西看起来好牛逼啊！可我们不敢用也不会用，因为很多算法我只知道他是分类的或者聚类的，但具体是什么原理我一概不知。我真的就这么点几下出来的模型就能直接用了么？要真这么简单的话，是不是以后就不需要算法和策略的同学了啊？”

总结一下，技术背景的用户觉得平台不够灵活，最好跟写代码一样灵活（那不就是代码本码了么？）；非技术背景的用户觉得平台门槛还是比较高，最好能先建立起用户的自信和信任感

有没有感觉到，这个自助机器学习可视化平台，有点儿像是一次技术的自我表达，还有点儿像是纯字面意义的“技术驱动产品”。它给人的感觉就是：“快来用我吧，我技术这么牛逼，还做了傻瓜化的可视化交互界面，你们肯定会爱不释手的！”

这是真正的产品么？真正的产品，不应该是以终为始的么？不应该是以解决真实用户的实际需求为己任的么？怎么就变成自嗨式的闭门造车了呢？

其实这种现象，在现阶段的数据产品领域比较常见。因为还有不少数据产品经理，基于自身的从业背景和经历，潜意识里认为“数据”>“产品经理”。然而，白马非马？

02

BI报表，踏入同一条问题的河流

机器学习平台不常有，但BI报表常有。不论公司体量大小，不论你是什么岗位，只要你工作中需要找数据看数据，就会遇到BI报表

BI是Business Intelligence（商业智能）的缩写，后来渐渐的常和“报表”俩字绑定在一起，变得越来越接地气，有时候也被称为数据看板。

如果你百度一下BI这个关键词，经常一起出现的还有这仨：可视化、可拖拽、自助，分别指向市面上BI常见的三个能力：数据可视化、便捷的鼠标交互、自定义配置报表。一般BI们都长这样儿：

越是常见的东西，就越容易被我们忽视其本质。看起来如此接地气的BI报表，往往也具有同样的命运。19年4月份左右，鹅厂内部某部门打造了一款BI报表，并在内网强势宣传。上线大概3个月左右的时候我尝试体验了一下，发现创建自己报表的用户很少，而且即便创建也都是浅尝辄止。20年开年后，这款BI报表停止了迭代更新，进入半休眠状态。

坦白说，这类例子在百度和阿里也曾反复多次出现。相信每个跟BI报表接触过的朋友，对此都有自己的看法，古牧君就大胆替你们开麦：

设计BI报表的朋友们：“我们做了很多工作，从数据的入库清洗管理，到每个指标的统计核算，到丰富的数据可视化组件，以及最终灵活的自定义创建报表功能。可用户并不领情，要么说懒得用不会用，要么就是抱怨没法满足他们那些奇奇怪怪的个性化要求。总之到最后，还是我们自己用的最多......”

使用BI报表的朋友们：“要不是老板经常找我要数据，我肯定不会想用这个，我就是想有个地方能快速找到数据。结果他们跟我说让我学一下自己创建报表，以后就能一劳永逸了。但问题是，我一个纯数据小白，我也不知道该用哪些数据、该怎么把我关心的问题定义成指标、该用什么图表来呈现数据啊？其实给配几个数据分析师，每周定期给我跑下数据，简单画好图表邮件发给我就好了，关键是快速及时就好！”

像不像自助机器学习可视化平台的原音重现？不过现在我们应该知道问题出在哪儿了：BI报表，同样没拿自己当数据产品。把这种BI报表直接交付给业务方，恕在下直言，宛如拿ipad去搪塞小孩儿：

03

进击吧BI报表，做回真正的数据产品

想做回真正的数据产品，就要先想清楚，到底解决谁的什么问题。盘点下，公司内部对数据的需求，不外乎这么四类：

找数据——我们得承认，虽然高喊数据驱动业务很多年，但很多公司内部对数据的高频使用场景，仍然停留在向上汇报阶段。平时大家很少有爱看数据的，要不是老板追着汇报用，大家还是更喜欢造轮子开发新功能，毕竟这个对晋升帮助最大。当然到了年底，还是会集中的想要看数据的，因为做了一年事情，需要用数字来说话，彰显自己的贡献和价值

看数据——很多老板因为被洗脑，已经接受了数据的重要性，但其实他们并不知道怎么解读数据、应用数据。不过老板嘛，都是有掌控欲的，他们需要看到数据，而且数据越多、样式越炫酷就越好。所以每一块数据大屏、每一个BI报表，或多或少都是在增强老板们的安全感

读数据——好在还是有些人想要解读数据的，他们或许是某个尽职尽责的产品经理、或许是某个背负KPI的运营、或许是某个求知欲强的交互设计师。总之，他们希望看到的不仅仅是堆砌的数据和眩晕的图表，他们想通过数据知道更多

用数据——要么是通过抽丝剥茧的分析，提出并解决一个有价值的业务问题；要么是通过打造自动化平台，直接从数据中挖掘价值、并作用于业务场景（如广告投放、推荐、舆情、数据运营等平台）

虽然上面的需求分析，已经涵盖了一些用户群体，但为了明确一些功能的优先级，还可以进一步将用户划分为专家和小白。两者最大的差异，就在于是否具备独立获取数据、分析数据、解读数据的能力

最后，我们把用户和需求简单交叉一下，就大概知道该做什么了：

对上图稍微扩展解读一下：

04

不仅如此，还应以“教育为己任

更进一步，我们应该优先解决的，是多数小白用户的问题，而非少数专家的问题。这里不仅仅是时间和精力的分配问题，也不仅仅是用户规模的问题，更重要的，是BI报表的定位问题。授人以鱼不如授人以渔，很多时候做数据的团队在公司里苦苦挣扎，不是自身水平不高，而是环境氛围不佳：

跑个题，上面的比喻，像不像宏观意义上美国vs中国的教育体制？说回到数据产品上，如果整个部门甚至整个公司，只有数据团队是懂数据的，其他部门对数据的认知理解普遍都不及格，你觉得这个数据团队会是鹤立鸡群呢、还是举步维艰呢？

实践表明，其他团队对数据的理解，决定了他们日常会怎么对待数据团队、给数据团队提什么层次的需求。只有当你的队友水平提升上来，你才有机会去处理更有挑战性的问题，否则日常那些鸡毛蒜皮就会把你消耗殆尽

所以，BI报表类的数据产品，作为公司里员工接触频率最高的数据产品之一，也可以肩负起科普教育的重任，“让先富的人带动后富人”，而不是放任“贫富差距”越来越大。

而我们做数据产品的，也可以重点打磨下数据产品中“产品”的部分，在其中渗透更多经典的分析思路，降低阅读门槛，培养大家看数据的习惯、读数据的思路

OK，本文澄清了一个数据产品该“做什么”的问题，至于具体“怎么做”（包括BI的AI化），请看本推送的二条文章~

↘好文推荐：

少有人走过的路：分析->策略->产品

数据产品经理：埋点的设计、管理与应用

腾讯面经 | 数据从业者的一次“典型”面试

点个“在看”吧