大数据产业创新服务媒体
——聚焦数据 · 改变商业
在数字化时代，数据分析已经成为企业和组织获取洞见、优化决策和提高竞争力的关键工具。随着大数据、AI技术的发展和普及，数据分析的方法和工具也在不断进化。
近年来，自助式数据分析成为一个显著的发展趋势。传统的数据分析往往需要依赖于数据分析专家和IT团队，而现在，借助于先进的数据分析工具和平台，即使是没有技术背景的业务人员也能够轻松地进行数据分析。
那么，为什么要推进自助式分析，如何实现自助式分析？接下来，我们将以帆软的实践为例，来探讨这个问题。
不能自助分析数据，
业务价值就得不到释放
首先来回答第一个问题——为什么自助式数据分析这么重要？
在过去，当业务人员需要进行数据分析时，往往需要通过专门的数据分析师或IT人员来实现。这种传统的数据分析模式存在着显著的问题，严重影响了数据的业务价值释放。
首先，这种依赖性显著增加了企业的成本。为了支持数据分析的需求，企业必须投资建设专门的数据分析团队和IT团队。同时，随着业务的发展和数据量的增加，这种成本压力还会持续增加。
更重要的是，业务人员、数据分析师和IT人员之间存在着沟通理解的鸿沟，很多时候都有点“鸡同鸭讲”的无力感。数据分析师和IT人员虽然具有技术背景，但往往缺乏对业务的深入理解。这种鸿沟导致了很多的误解和延误，影响了数据分析的准确性和效率。
由于业务人员不能直接参与数据“对话”，很多有价值的数据资源得不到充分的利用。而且，由于缺乏直接的数据反馈，业务人员也很难及时调整和优化业务策略，从而影响了企业的市场表现和竞争力。
让我们来看一个具体的例子。
在一家服装零售企业中，随着夏季销售季的临近，业务经理想通过分析过去三年夏季的销售数据，来预测本年度热销产品，并据此调整采购和库存策略。他希望能明确哪些款式和颜色的服装最受欢迎，以便及时下单，避免缺货。
业务经理向数据分析团队提出需求，然而，数据团队对服装销售的季节性和流行趋势不甚了解，反复询问细节，浪费了宝贵时间。而且，由于销售数据分布在不同的系统中，IT团队也卷入了数据集成的繁琐流程中。虽然业务经理多次解释需求，但数据团队和IT团队却总是提供不符合预期的报告。
两周过去了，但准确的分析报告仍未能交付。最终，当分析报告完成时，已经接近夏季销售季的开始，业务经理只能急急忙忙地下单，而由于时间紧迫，供应商无法保证充足的供货，最终导致了热销产品的严重缺货。
为了解决这些问题，自助式数据分析应运而生。它的目标是实现业务、数据和IT的三位一体，让懂业务的业务人员能够直接与数据“对话”，无需等待IT团队或数据分析团队的支持。
FineBI，要让人人都能成为数据分析师
既然自助式分析如此重要，那要怎么实现呢？
整体来看，在业务人员自助数据分析的路上，有三个拦路虎：数据编辑、数据分析模型建模、复杂业务的指标分析。
为此，需要有一个强大、好用的数据分析工具平台，来解决上述问题。以帆软的实践经验来看，这样的数据分析平台，需要具备三个方面的能力：
1、强大的数据编辑能力，这是自助式数据分析的第一步。
数据被视为企业的核心资产之一，它能够为企业决策提供有力支持。然而，数据往往分散在不同的系统和平台上，格式各异，质量不一，这为业务人员带来了不小的挑战。
业务人员在拿到数据后，首先面临的问题是数据的整合和清洗。例如，可能需要合并来自不同渠道的销售数据，清除重复或错误的数据记录，填补缺失的数据信息等。这一阶段的工作量往往非常庞大，也非常关键，它直接关系到后续数据分析的准确性和可靠性。
数据清洗和整合完成后，接下来是数据的转换和格式化。业务人员可能需要将数据转换成适合分析的格式，比如将文本数据转换为数值数据，将日期数据标准化，或者将分类数据编码。可以看到，要将数据准备好，需要大量的工作，这也构成了自助式分析道路上的第一个拦路虎。
为了解决这个问题，优秀的数据分析工具，比如FineBI，提供了强大的数据编辑能力。它允许用户以类似Excel的方式，直观、灵活、高效地进行数据编辑。用户可以轻松地进行数据的合并、聚合和过滤，也可以方便地进行数据的转换和格式化。通过这些功能，FineBI让业务人员可以更加自信、更加高效地编辑数据，为后续的数据分析奠定了坚实的基础。
2、强大、易用的建模能力，找到数据中隐藏的业务关系。
建模不仅是数据分析的核心，也是通往业务洞察的关键。然而，传统的建模过程往往技术门槛较高，需要深厚的统计学和编程知识。对于业务人员来说，这无疑是一个难以逾越的障碍。因此，强大而易用的建模平台就显得至关重要。
FineBI通过构建主题内模型的结构，按照业务分区原则设计模型，从而降低了建模的复杂度。通过建模，FineBI能够清晰地展现出业务的数据结构，帮助业务人员更好地理解数据的含义和关系，让他们更快地找到数据分析的方向和焦点。而且，FineBI能够确保数据模型的结构和业务逻辑高度一致。同时，通过将模型按照业务分区进行设计，也可以提高模型的可维护性和可扩展性。
传统的建模过程往往需要编写复杂的代码和公式，而FineBI提供了拖拉拽式的建模交互，让用户可以像搭积木一样轻松构建数据分析模型。
3、分析函数能力，应对复杂业务需求的杀手锏。
一些复杂的业务场景需要对数据进行多维度、多层次的分析。例如，企业可能需要分析销售额、利润率、市场占有率等多个指标，并且要能够灵活地应对不同的时间范围、地区、产品类别等多个维度的组合。这就需要数据分析工具具备强大的复杂计算能力，以确保能准确、高效地计算出复杂的业务指标。
FineBI推出的def分析函数，是一种强大的分析函数工具，可以实现任意复杂逻辑指标的分析。它不仅支持基本的数学、统计计算，还能实现复杂的逻辑、条件判断，满足不同业务场景的需求。
FineBI的def分析函数能够应对业界常见的“十大表计算场景”、“15大详细级别表达式”等复杂分析需求，例如客户购买频率、同期群分析、获客分析、最大交易额的平均值、回头客分群、动态区间对比、相对周期筛选、用户登陆周期、客户群组年度购买频率等。
AI for BI，用户数据分析的智能助手
AI技术发展信迅速，尤其是进入2023年AI大模型在各行各业迅速落地。那么，如何将AI引入BI当中呢？为此，帆软提出了"AI for BI"的理念。
与通常的AI BI概念不同，"AI for BI"强调在良好的数据基础和强大的BI功能支持下，利用AI技术简化用户工作流程和降低技术门槛。在帆软看来，当前阶段AI不能完全替代数据分析师，而应作为辅助工具，帮助减轻用户的机械和重复性任务。
因此，帆软致力于一方面加强FineBI产品的核心能力，如进行移动端升级、主题模型构建和优化大数据性能；另一方面也继续跟进AI技术的发展，探寻能为用户提供价值的AI For BI应用场景，以推动BI工具在数据分析和决策支持方面的应用。
目前，FineBI基于“AI for BI”的理念，推出了一系列的AI辅助功能，包括智能数据编辑、智能生成公式、智能生成图表、智能解读和智能美化等。
1、智能数据编辑
借助FineBI的智能数据编辑功能，用户只需以自然语言描述他们的需求，AI就能理解并执行相应的数据编辑操作。这种智能编辑不仅节省了用户的时间，而且让那些没有数据处理经验的用户也能轻松进行数据编辑。
2、智能生成公式
FineBI的智能生成公式功能，能根据用户的问题自动撰写相应的def函数或其他函数。这大大简化了数据分析的过程，让用户可以通过简单的描述来完成复杂的数据分析任务。
3、智能生成图表
图表是数据分析的重要组成部分，它能直观地展现数据分析的结果。借助FineBI的智能生成图表功能，用户只需提供他们想要分析的数据和分析目标，AI就能为用户生成相应的图表。
4、智能解读
数据分析的结果往往需要专业知识来解读，但FineBI的智能解读功能可以为用户自动生成分析文档。通过智能解读功能，用户可以快速了解分析结果的重要信息和业务洞察，而无需花费大量时间来解读复杂的数据分析结果。
5、智能美化
仪表板的布局和样式对于用户的数据分析体验有着重要的影响，FineBI的智能美化功能可以根据用户的喜好和业务需求，自动调整仪表板的布局和样式。这不仅提升了仪表板的美观度，而且使得仪表板更符合用户的使用习惯和业务需求，提升了用户的数据分析体验。
通过这五大AI辅助功能，FineBI成功地将AI技术应用于BI领域。这些功能的设计都围绕一个核心目标，那就是如何让数据分析变得更加简单、直观和高效。
数据分析大赛，数据分析的练兵场
以上，我们对帆软推进业务人员自助式分析的发展策略，以及实现这个策略的技术产品进行了分析。当然，这些想法能否真正落地，对应的产品是否真的有用，是否真的好用，最终还是要接受实践的考验。
近日，帆软举办了数据分析大赛，让来自各个领域的业务人员，用帆软的BI产品来进行自助式数据分析。据悉，本届大赛汇集了来自各行各业的1319位选手，在40天内产生了190份数据分析佳作，横跨零售、制造、医药、民生等各领域，这为我们检验FineBI的实用性提供了一个窗口。
接下来，我们将选取部分典型案例，来具体看看如何实现自助式数据分析。
在此次数据分析大赛，有一个号称“数据魔术师”的团队，他们的团队成员有医疗PM出身的李俊东、商业咨询出身的徐朝、财务出身的王洁、从事医院运营管理的吴诗叶、医疗软件出身的朱晓敏。他们团队要对公司产品的年度销售进行一次大的复盘，并期望找出下一年提升公司业务的机会点。
从团队成员来，他们是都是典型的业务人员，那么他们能自助式分析出想要的答案么？
该团队依据12个月（2022年7月至2023年6月）的企业销售订单数据（已脱敏），并从国家统计局获取整理了国内各主要城市的GDP数据。团队从这些数据中拆解出数十个分析指标，包括销售金额、产品SKU数、经销商数、进货店铺数、产品毛利率、进货产品比例、平均单店进货额、店铺流失率等。
分析的指标体系拆解
他们先从原有的“销售明细表”中，拆分出了“渠道维度表”和“商品维度表”两个维度表，然后将这三张表以及“各城市GDP数据”导入FineBI后，直接在FineBI中通过筛选、分组汇总、合并表、添加公式等方式，做成进一步分析所需的自助数据集，并围绕商品的铺货率、商品购物篮分析、店铺流失率、商品流失率等指标进行数据分析探索。
经过自助式数据分析，该团队得到了大量有价值的业务洞察：
例如，近一年，该公司销售额和毛利率整体呈现下降态势。
为了找出经营上存在的问题，该团队进一步分析了不同品类商品的销售情况，并制作出“二级类别销售金额进货店铺比例分布”、“二级平均每家进货额Top 20”的数据分析图表。从分析结果来看，他们发现，“机会点在大厨牌浓汤类，大厨牌大馅水饺类，大厨牌头牌虾等系列产品。他们单店进货额高，但是但是由于渠道没有铺全导致营业额丧失。”
进一步的，团队分析了各品类产品的流失率情况：大厨牌火锅蟹棒类产品的销售高，但流失率也很高。相比而言，销售额更高的大厨牌速冻粽类产品流失率就小很多。针对不同品类的销售和流失率情况，可以制定不同的营销策略，来降低流失率。
此外，他们还通过分析“各城市GDP与现有产品销量关系”、“各城市GDP与销售关系”，来为公司找到未开发的潜力市场。从数据图表可知，北京、深圳、重庆、广州、苏州、成都、武汉几个城市的经济规模大，但是公司的产品销售却较少，是待开发的潜力市场。而且，杭州、南京、天津这些大城市，公司甚至还未涉足，这些都是重要的机会点。
除了以上结论，该业务团队还从数据中发现不少有价值的信息：从渠道分布来看，主要销售都来自大卖场，其中大润发和永辉最高；平均每经销商进货额204.6万，平均每店进货额34.2万，每月产生进货行为店铺比例50%左右，从2022年2023年有下降趋势，从时间趋势看进货高峰在春节前后等等。
从上面的例子可以发现，业务人员才是最懂业务的人，他们知道每一个数据指标背后的业务细节，也更清楚哪些指标的对比分析可以挖掘出业务价值。只要给他们足够强大、好用的数据分析工具，他们就可以自助式分析来挖掘隐藏在数据中的业务价值。
需要指出的是，帆软此次举办的数据分析大赛，除了验证FineBI的自助式数据分析能力外，还有一个重要目的——构建并繁荣中国的数据分析交流生态。
一个完善的数据分析生态中，思维、工具和能力是基础，而交流的平台则是推动这个生态不断进步和壮大的关键。
通过构建交流平台，帆软为数据分析的专业人士和业务人员提供了一个共享知识、交流经验和探讨问题的场所。在这个平台上，用户可以相互学习，共同进步，推动数据分析的知识和技能在更广泛的范围内传播和应用。
而且，交流平台能够集中展示和分享行业内的最佳实践和成功案例，为企业提供参考和借鉴。通过了解和学习其他企业在数据分析方面的成功经验，企业能够避免重走弯路，更快地实现数据分析的价值。
目前，超66万名业务人员正在利用FineBI进行数据分析，日均活跃量13万，每日新增产品激活用户量1200 ， 技术支持累计服务的客户总量超8000家。这是一个庞大的用户群体，通过他们的交流碰撞，必然可以产生大量的创新火花，这对推动自助式分析的发展具有重要价值。
我们需要清楚，自助式数据分析是数字化转型旅程中的重要一环，它为企业和社会带来了深远的影响。随着自助式数据分析工具的普及，数据驱动的决策将成为企业的常态。
从更宏观的层面上看，自助式数据分析对社会的数智化转型升级也具有重要的意义。它推动了数据文化的普及和发展，使得更多的人能够理解和应用数据。随着大数据、人工智能云计算、物联网等技术的不断进步，数据将在社会的各个领域发挥越来越重要的作用，而自助式数据分析将成为连接人与数据，帮助我们更好地理解和应用数据的重要桥梁。
一花独放不是春,百花齐放春满园。我们期待看到更加繁荣的生态体系，来推进自助式数据分析的发展。
文：月满西楼 / 数据猿
