IT系统自带报表功能，为什么还要额外采购BI？

报表和BI都能做数据分析，区别在哪里？

加班加点做了那么多表，为什么还不满足老板需求？

报表分析需要IT团队来开发，那BI呢？

这些应该是大家对商业智能（BI）和报表的一些普遍性困惑，今天，我们就来聊一聊什么是报表、什么是BI。

我们为什么需要BI或者报表工具？信息化时代，企业通过基础IT建设产生大量的业务数据，这些数据存放在不同的系统中，数据口径不一，需要花费大量时间进行数据处理；而商业环境瞬息万变，业务发展迅速，更加需要企业去收集各个来源产生的数据，从而提升企业的管理效率和形成数据决策闭环。

企业想要从存储于各种商业信息系统中的数据转换成有用的信息，最终帮助决策者做出更快、更好、更合理的决策，依托报表工具或BI可以在不同层面上帮助企业实现这个目标。

企业数据化转型的4个阶段

我们先来了解一下企业数据化转型常规的4个发展阶段：

1）Excel阶段：这个阶段属于纯劳动力密集型的数据分析，数据分析师还被行业内戏称为“表哥表姐”；Excel确实功能强大，但在数据分析上的局限性也非常明显，当数据量达到5万、10万时就会非常卡顿，更承担不了多表关联等数据清洗这样的工作。

2）报表系统阶段：报表系统一般是会进行模型设计，把数据套用进相应的模板通过前端的图表来展示。能够实现固定报表的自动化，例如日报、周报、月报这样重复性报表的数据查询。但在响应业务变化进行底层模型的调整、以及在实时获取有效信息等方面都无法进行有效支持。

3）传统BI阶段：主要面向IT和专业的数据分析师，企业只有5%左右的专业人士能进行自主分析。且部署开发周期长，需进行整体的架构设计，各个模块均需进行技术开发；有了数据之后也难以给予业务上的指导，以分析历史数据为主，无法支持动态更新。

4）智能BI阶段：面向不具备IT背景的业务人员，比传统BI更灵活易用，一定程度上摆脱了对IT部门的大幅度依赖。通过自主分析实现业务探索，通过实时追踪实现业务预警，以及一些偏AI化的智能应用，真正实现“人人都是数据分析师”的愿景。

由此可见，报表系统进行数据分析已经落后于时代趋势，需要通过更具生产力的BI，乃至智能BI来实现“业务主导的自主分析模式”。

BI和报表的本质区别在哪里？

1）任意分析维度

假设老板需要对一份有20个维度的销售明细数据进行任意维度的查看。维度有省、市、区、经度、纬度等区域字段，以及商品编号、商品名称、商品类型等商品属性字段等。

报表可以实现多维度数据展示，却无法支持任意维度任意组合。有N个维度，制作N张报表的形式虽然可以勉强支持，但工作量直接翻了N倍；就算不考虑后期运维成本，如果每张报表再考虑配置数据权限，是N*N指数级工作量的增长。

2）任意分析路径

分析路径，不仅仅指代通过钻取改变分析的颗粒度。除此之外，数据分析需要对多维形式组织起来的数据进行联动、钻取、维度切换等各种分析操作，以便剖析数据。毕竟，领导们看数的需求是无法预先设置的，真正的“任意分析”是满足老板随心所欲想要什么就有什么的看数需求。

且不说报表配置参数有多曲折繁琐，这一切，都不是靠报表系统配置一些常规的分析路径就能够满足的。

3）实时分析

如何实时掌握今年双十一的销量情况？

如何自定义业务核心指标并保持实时更新，让管理部门迅速发现问题？

如何实现异常数据自动预警，以便企业及时调整规划？

如何统计公司内部任务安排情况（例如研发开发排期），协助领导进行人员等资源调配？

首先，单纯的报表系统实现不了“实时数据”的支持，再者，实时数据≠实时分析，企业更渴望的是“实时分析”。实现准实时、分钟级实时数据的更新，同时支持复杂计算与分析才是老板的刚需。

4）报表系统无法实现的地方

报表系统可以连接多维数据库，但无法实现拖拽分析和自助分析；报表系统一般接入在某个业务系统数据库上提供查询功能，也可以实现跨库关联查询，但实现的复杂度和性能依赖报表工具的能力，除了数据展现以外，数据挖掘、性能优化、权限管控上都无法支持。

由此可见，报表，只是数据的一种展现工具，是静态的、固化的。所谓报表工具，例如国外的水晶报表，这类产品的本质是统计和展现数据，并提供基础的分析功能（排序、总计、方差等），报表目的是帮助用户掌握和了解数据，让使用者通过观察企业数据，知道当下发生了什么事情，着重于短期的运作支持。

而BI的重点在于商业数据的分析，它是立体多方面的，集成了数据统计、数据展示、数据分析和挖掘、数据预警等一系列整体的解决方案。在企业经营的过程中，决策者不仅仅需要知道发生了什么，还要知道为什么发生，以及通过已知去推断未来可能会发生什么。

总结一下，BI侧重于数据分析，是业务、数据、数据价值应用的过程，是一整套完整的解决方案。报表侧重数据展现，报表只是BI中的一个组成模块，报表无法替代BI。

BI的价值体现在哪里？

现在企业都在谈增长，BI对于企业的意义不是能给企业带来多少增长，而是能够给企业创造比别人更多更快的增长机会。

来看一个连锁零售行业的例子。门店盈利是连锁门店店长关注的重点，但很多企业对此的处理，只是计算一下各个门店的利润值，这样的数据统计称不上BI分析。

当得知最近一周单某店铺盈利下降/上升时，对利润指标背后的隐藏信息进行发现和提炼，进行横向和纵向的比较，利用BI去层层定位到波动原因。

单店盈利是由“毛利润”和“成本”构成，“毛利润”拆解后的衍生指标有“流量”和“客单价”等。假设成本不变的前提下，去分析门店盈利下降的原因，结合上图的指标拆解，可以细化定位到主要是“流量”锐减所导致的。此时，再结合实地考察可知，近期马路对面开了一家同类型的店铺导致了自然客流分散。

找到企业经营上的问题，并针对性的提出解决方案，以及逐一梳理影响指标的最小因子，发现新的盈利增长机会，才能说明这项指标的BI应用是完整的。

从行业来看，任何一个行业都需要精耕细作，例如，如何做到单店、单品、单客户的全息画像？如何针对每一次促销活动进行效果分析和评估？如何从成百上千、成千上万个SKU中定位到本季度、CBD类型的门店内最热销的关联商品搭配？

面对激烈的市场竞争，企业更需要有快速反应的能力。假设当下午3点某主力SKU时效类商品销售不及预期，如何第一时间触发预警、产生行动建议，并在可能错失第二波客流高峰之前，快速层层上报，拉动及时干预？当新品退出的时候，如何做到“快反”，通过局部的实时趋势结合历史的规律，探测新品的销售曲线，以最快的速度响应市场的节奏？

数据分析的高级玩家，已经开始尝试预测决策：预测是任何一项决策的最重要入口。波士顿咨询BCG最新的报告显示，对于零售和消费品行业，销售预测的准确度提升，可以为企业带来2.5%的潜在增长。如何基于历史经营数据与外部公共数据，预测未来1-7天不同细分品类、乃至SKU的销售额，进而进一步指导订货、促销、生产、物流？

这些就是BI能够带给企业的价值。让每一次决定、每一个管理细节、每一层战略规划都有数据支撑。

BI的演化：ABI市场未来发展趋势

近几年Gartner关于BI魔力象限的定义逐渐由过去相对传统的Business Intelligence变更成Modern Analytics and Business Intelligence（现代分析和商业智能，以下简称“ABI”)。这其实是行业在倒逼数据分析业务变得越来越敏捷和一站式，不再像传统BI一样需要完整的产品切割，不同的产品应对数据分析过程中不同阶段的数据处理过程。

ABI平台不再因其数据可视化功能而有所不同，这些正在成为常规必须的功能。差异化正在转向——对企业报告功能的集成支持。企业感兴趣的是，这些以敏捷数据可视化功能而闻名的平台现在如何帮助它们实现企业报告需求的现代化。

再者，也强调了增强分析，是指机器学习和人工智能相关的数据准备、生成和洞见解释，业务人员和分析师如何探索和分析数据，正在迅速成为差异化竞争优势的关键来源。

观远数据的产品理念和Gartner的ABI定义不谋而合，从前期的数据接入、到利用Smart ETL进行数据建模与清洗、以及面向分析主题构建数据可视化分析页面、再针对性的进行数据实时分析和动态交互分析（钻取、联动、下钻）、乃至多终端呈现（数据大屏、移动轻应用）与进行决策追踪，无需涉及BI的多款产品工具，统一平台实现数据分析的全路径。

观远数据提出了“5A路径”（Agile敏捷化、Accurate场景化、Automated自动化、Augmented增强化、Actionable行动化）作为企业数据化建设的最佳实践参考，前三步是帮助企业实现从传统数据分析到实时、动态、场景化的智能数据分析需求。

对于前期做好BI积累的客户，则可以过度到下一个增强化和行动化的阶段，通过先进计算力实现更深度分析和可行动化的建议，和Gartner强调的“增强分析”也是异曲同工。

企业如何选择适合自己的BI？

至此，相信大家已经了解到BI是数据化建设的趋势。

不同的行业，不同的企业，其BI需求是不同的。企业首先明确自己的业务类型、企业规模、目前的经营状况。对于数据知识发现的方法和手段多种多样，前提是要对业务本身有深刻理解，同时清楚地知道BI的终极目标，然后再考虑BI的可扩展性、售后服务以及迭代更新模式等。

以下几点是小编总结的BI选型关注的要点，供大家参考：

1）轻量型：很多BI平台重在开发，对研发资源的要求高且对接慢，后期维护繁琐。如果企业没有相应的资源支持，建议选择轻量的平台，能够快速上手，维护成本低。

2）方便易懂：数据分析的结果最终是要赋能业务端，但是业务端用户尚缺乏专业的数据分析能力，建议对BI的选择要考虑产品的易用性和学习成本。

3）创新灵活：我们很难预估未来数据分析需要什么样的程度，所以在选择之前一定要足够考虑BI平台的创新能力，例如是否有异常检测、智能诊断、AI预测引擎、算法扩展等功能模块。

以上，就是本期为大家整理的BI和报表的差异，希望在边界认知上对大家有所帮助。

原文链接▽▽▽

终于有人讲清楚了，BI和报表的差异!