BI是实现企业数据化运营的最有效手段，从数据到决策，BI技术的进步正在减少人工投入和提升普及度。

从发展阶段来看，BI经历了“以报表为核心的IT响应式服务”、“以宽表为核心的自助可视化分析”和“以指标为核心的可视化分析、增强分析”三阶段。

不同的BI阶段解决了当时企业数据化运营面临的问题，企业对数据化运营的思考和践行也同时促进了BI的发展。

本次，我们就详细了解了BI发展不同阶段运行模式及遇到的问题。

开始的时候，BI是以报表为核心的IT响应式服务：

决策管理者和业务人员提出用报表等来展示经营管理数据的需求；接着IT响应需求，进行需求沟通、数据处理加工、报表开发等主体工作；最后决策管理者和业务人员对开发完成的报表等进行验收和使用。

但是，随着企业业务发展、数据规模和多样性的增长，报表模式出现很多问题，影响了分析的及时性和数据的可信性，也让开发成本和维护成本居高不下。

报表是由IT按需开发，不够灵活，当有新的报表需求时，也许只是增加了某个分析维度，都只能向IT求助；并且需求从提出、确认、开发再到验收，周期长，尤其当需求一多，IT疲于应付，无法及时响应，满足不了敏捷分析的需求。

因为信息不互通，存在报表孤岛，我们常听到决策者抱怨说，想查看一个简单的业务数据，却发现不同的部门提供报表中的同一指标对应的数据不一样。比如CEO发现运营部、产品部等在不同的报表里面对于【新增用户数】这个指标以不同的业务逻辑来定义，因此导致数据不一致。

这种情况的频繁发生，用户也开始怀疑自己的数据，对数据质量的信心下降，对数据使用的效率下降，决策者和业务用户的信任也下降了。

对于IT来说，由于存在报表孤岛、不够灵活且管理混乱现象，导致报表一直被重复开发，IT疲于应付，开发成本更高。

同时，每个报表都对应一系列后台的ETL处理、数据集，IT也不敢随便更新删除，因此报表越来越多，长期运行遗留的报表债，让报表状态未知、混乱，难以更新维护。

比如某企业去年做了几百张报表，仅过了一年就发现因为没有更新，可用的报表不到三分之一。

“以宽表为核心的自助可视化分析”阶段的到来，解决了第一阶段的报表开发中，报表数据和展现完全耦合在一起的问题。通过构建宽表，让报表和数据集解耦，解决数据应变能力不灵活、分析不敏捷的问题。

在这一阶段主要是通过各种数据集功能以宽表的模式建设分析主题，业务人员进行可视化分析和报告。

业务人员如有报表/分析需求，自己就可以通过简单的拖拽勾选等操作进行自助可视化分析，提高了开发效率，让IT把工作重心放在数据方面。对于一些简单的数据加工需求，用户可以先基于宽表中已有的字段进行组合加工，甚至业务用户在分析时能一键生成同环比之类的时间计算字段。

宽表的再加工能力增加了数据的应变能力、通过业务自助可视化分析提高了用户敏捷分析的能力。目前市面上大部分的BI产品都处在这一阶段。

但是，我们发现宽表模式还是报表需求驱动，对指标没有完整的统一规划和管理，会出现以下问题：

当数据消费的主体为不懂“表”的业务用户，他们分析使用时难以定位需要的指标在哪些数据集或表中，只能构建新的数据集。随着报表需求的持续性增长，让宽表数量爆炸、状态混乱，业务用户愈加难选，如此循环，分析效率降低。

宽表分散且管理混乱，哪个宽表有哪些指标都比较模糊，如有数据加工需求，不知是否存在相似，仍会进行重复开发。和报表类似，每个宽表后端也对应一系列的ETL数据处理，不敢随便更新删除，开发和维护成本越来越高。

此外，数据口径不一致的问题也还是存在。在之前的“以报表为核心的IT响应式服务”阶段，数据口径存在报表层面的不统一，现在是宽表层面不统一。在宽表开发的过程中，没有统一规划，可能导致同一个指标数据口径在不同的宽表里面不一致，让数据不可信。

复杂的再加工关系也让数据变更难以跟踪。IT修复了某个数据问题后，发现下游的分析结果并没有显示修复成功。因为宽表之间复杂的再加工关系，IT花费了大量的时间去寻找原因，不仅增加了维护成本，业务人员也不能实现及时的数据分析。

由此可见，如果想为数据分析提供正确、一致的高质量可信数据，我们必须对指标进行统一的规划从而形成标准的指标体系。这就是BI的下一阶段——以指标为核心的可视化分析、增强分析。

为了解决这些问题，企业进行了为期数年的大幅提高公司数据质量的改革，而改革的核心就是以指标为核心构建指标体系。

在以指标为核心的初始阶段，是以IT为主体来构建指标体系的。

IT对指标进行了一系列的梳理、规划、处理、创建，构建了完整统一标准的指标体系，并存储在指标库中。统一的指标库相当于在上游数据和下游消费之间搭建了桥梁，不仅IT能够灵活地进行数据变更，同时将一致且正确的数据提供给各种下游消费者进行可视化分析。

当业务有新的指标需求时，IT先去指标库中搜索是否已经存在类似指标，已有指标无需重复构建；部分指标IT可以基于已有指标计算得出；剩余指标IT再根据业务需求进行定义、取数、计算、存储等操作，从而解决了重复加工和数据口径不一致的问题。

以上以IT为主体的指标体系构建，只是指标为核心模式的第一阶段。这一阶段为数据消费者分析数据提供了统一有保证的数据，但也存在对管理需求响应不及时的问题：

业务提出指标需求，但并不直接参与指标体系的构建操作，指标的定义、加工等主体工作都是IT来完成，IT需和业务反复沟通确认指标的含义、描述、口径等信息，再进行加工处理，效率低下，周期长。

因此，就出现了指标模式的第二阶段，这一阶段的核心是让业务直接参与指标体系构建：

业务和IT基于平台配合定义基础指标，业务进行指标的定义、业务属性、口径等，IT进行指标技术上的加工实现，两者各尽所能，相得益彰，平台的依托可以直接进行需求澄清，沟通效率高、数据解读准确。

业务还可以基于已有的指标进行再加工，生成计算指标，无须每个指标都让IT开发实现，提高了需求响应的及时性。

这种以业务和IT最佳协同的指标模式，打造了自增长的指标体系，实现企业数据资产的沉淀！

目前最具有代表性的产品就是：Smartbi V10.5——以指标为核心的ABI平台。

思迈特软件提供以指标为核心的一站式ABI平台Smartbi，帮助企业建立以数据为依托、业务为中心、指标体系为管理抓手的数据化运营体系。

以指标为核心的一站式ABI平台Smartbi建设思路包括：基于客户顶层视角的指标梳理、以指标为核心的ABI平台承接指标落地和应用、标准化交付服务。

Smartbi以指标为核心的一站式ABI平台不仅帮助企业统一数据口径，解决重复开发问题，降低了IT开发和维护成本，为决策管理者和业务人员提供高质量、可信任的数据。同时，通过业务和IT的最佳协同，解决以IT为主体构建指标体系时管理需求响应不及时的问题，帮助企业打造自增长指标体系，沉淀企业数据资产。

是不是听起来很心动？还有更多关于 指标管理的解读 和 基于指标为核心的ABI平台构建思路，我们在下期内容为您揭晓，敬请关注！