安博离子裤数据仓库 - 派可数据商业智能BI可视化分析平台数据可视化 - 派可数据商业智能BI可视化分析平台

　　企业级商业智能 BI 分析平台的构建是一个系统型的工程，涉及业务分析需求的把控、各类数据资源的整合清洗、数据仓库的架构设计、可视化分析报表逻辑设计、IT 部门与业务部门的工作边界划分与配合等等居多环节。

　　每一个环节的重要性都不容忽视，第一是业务分析需求的把控，第二是数据仓库的构建，这两个问题处理的好坏也在很大程度上决定了一个商业智能 BI 项目的成败。

　　对于很多准备或者正在规划商业智能 BI 项目的企业来说，业务分析需求的梳理是整个项目开始的第一步，往往也是最困难的：

　　1. 业务部门懂业务，提出具体的分析需求，但不知道如何实现这些想要的需求。

　　2. IT部门懂得如何实现信息化，但却不懂业务，提不出基于业务的分析需求。

　　3. BI 实施方很难在短时间内梳理清并通过一种非常直观的方式和业务用户进行有效的沟通。

　　4. 对于管理层、上级领导部门，特别希望可以直接看到可视化报表分析的成果。他们不会去关心技术和如何实现的问题，能不能先让看到效果。只有看到效果，才会有比较直观的认知，这个项目才有可能被认可和立项。

　　5. BI 项目需求分析涉及到很多部门，有的时候内部资源的沟通、协调和推动往往比外部（乙方）的推动要困难的多。

　　当我们的用户没有数据分析思维意识的情况下，让业务用户提出一些分析的想法，或者让领导提出分析的内容是非常不现实的。但是让他们参考一个比较成熟的分析体系或者方案，再来提出自己的想法这样还是比较容易的。

　　一个独立顾问可以在很短的时间完成用户的分析需求梳理和分析页面搭建，包括各类动态效果、钻透、联动、跳转等等，并且在这个阶段我们不需要连接用户的实际数据源。

　　数据仓库的开发，可以理解为一种技术，也可以理解为一种方法论或解决方案。在商业智能 BI 中，数据仓库就是最核心的那一层，起到的就是一个承上启下的作用。往下承接各类数据源中的数据，往上支撑各类分析报表。

　　但目前的现状是越来越多的企业为了追求所谓的 敏捷 基本上已经放弃了传统数据仓库的构建。敏捷快速开发是没有错的，但很多人错就错在没有分清楚什么时候应该敏捷，什么时候应该保留传统数据仓库的架构。

　　同时，数据仓库的构建水平将直接影响到商业智能 BI 项目的整体质量。潜在的问题也恰恰出在这里：数据仓库的架构设计对开发人员的能力要求相对较高，并且在同一个项目上，不同开发人员对数据仓库理解的不一致也可能会造成设计的缺陷。

　　●完全没有数据仓库的搭建，基本上使用大宽表、临时表组成临时的数据集，没有统一的维度设计，逻辑基本不可复用。一旦业务逻辑或者维度层次结构发生调整，整个受依赖的所有分析报表基本上全都得改一遍。

　　●有数据仓库的架构，但缺少统一的开发标准和规范。一个数据仓库的设计与维护，不同的开发人员能力各不相同，对于数据仓库的理解程度高低不一，这对后期的开发维护造成极大的困难。

　　● 现在很多的 BI 分析产品工具整体的设计，过度的追求前端可视化的效果，过度的追求快速敏捷开发。这类产品的定位实际上更加适用于个人或者部门级的数据分析场景，并不适合一个真正企业级的 BI 项目构建。

　　●大部分经历过传统数据仓库搭建的这批人员要么逐步退出一线开发，要么进入比较稳定的甲方企业或大型咨询机构继续大型的数据仓库设计与架构贡献自己的专业能力，因此仍然活跃在市场上且能够把控一个企业级数据仓库架构设计的乙方专家也越来越少。

　　所以企业级的 BI 项目离不开数据仓库的规划与设计，而这种规划与设计对人的依赖相对较高，当市场上这类人越来越稀缺的时候，企业想要构建一个稳定可扩展的数据仓库难度就更大。

　　就是如何让数据仓库的构建可以不依赖于某一个人，而是在某一个平台上直接赋予企业一个完整的企业级数据仓库开发能力，并且让所有的 BI 开发人员都自动的遵守同一种开发准则，这个问题就迎刃而解了。

　　通过数据仓库的平台能力，企业可以极大的提高数据仓库的开发效率，并且统一标准和规范，避免因人员流动而造成的项目卡壳等问题。各类维度和指标关联清晰可见，所有分析指标可追踪可查看，给项目的长期升级和维护带来了很大的帮助。