恶汉眼里的小桃花因为随着大数据、数字化时代的来临，企业希望变得更加以数据为导向，自助式分析的承诺无疑是诱人的：所有用户，无论其角色或技能如何，都能够分析数据并做出更明智的决策。

　　我接触过很多国内外企业，确实，其中一些企业已经开始从IT为中心转变为业务为中心，还有些企业仍然不肯张开双臂，尽管采购了BI工具，但本质上还是新瓶装旧酒。

　　今天就来和各位讲讲自助分析到底是什么？它能给企业做什么？它的未来又在哪里？

　　传统数据分析的模式下，想对数据进行分析或者是更改数据，必须要找到会技术的IT，就好比是产品经理和程序员的关系，业务需求提出来了之后，剩下的就是等待。

　　有三类人需要牵涉到整个BI系统的环境或者是业务的搭建过程中（ETL，数据分析及可视化，业务人员），去中心化就是企业不再需要有一个专门的BI部门去完成整个业务的需求，

　　而是业务部门的人员需要参与到数据分析及可视化的日常工作中间去，利用一个平台或者工具能够实时地满足自己的分析需求，就拿FineBI为例吧，它是国内少有的自助式敏捷BI，同时也是行业领先者，

　　FineBI提供了各种简单高效的数据处理功能，让用户自助操作数据，提高数据分析的效率。

　　传统的数据分析模式，也就是我们说的报表式BI阶段，是我们再熟悉不过的：注重数据底层的建设，注重报表的开发。在这里面 ，IT有点像业务的保姆，业务想要一个需求，IT就开始准备数据、开发报表，

　　如果不满足需求则进行数据和报表的二次沟通和调整，这种方式沟通成本非常高，因为业务的需求不能被IT及时满足，同时容易导致业务分析师变为业务部门的提数机器，没有精力去探索挖掘更有价值的数据信息。

　　长此以往，这种模式对于大家都是煎熬，企业真正实现数据化管理的企业是远远不够的。

　　传统BI通常指企业内部大而全的统一报表或分析平台，一般面向IT研发人员，多集中在企业的技术部门，代表性的老牌BI工具厂商如 IBM的cognos，SAP的BO等。打造方式如下：

　　按照传统BI的方式，向IT部门提出数据或分析需求，由IT技术人员实现，解决问题的时间可能延长到数周甚至数月，早就错过了最佳分析期。

　　针对传统BI的缺点，自助式BI就应运而生了，所谓自助分析，就是让更多需要数据的业务不需要IT也能够没有门槛地掌握和应用数据。

　　面向的是不具备IT背景的业务分析人员，与传统BI相比更灵活且易于使用，而且一定程度上摆脱对IT部门的大幅度依赖。

　　有人会问Excel算自助式分析吗？肯定不算，因为在你还在找Excel入口的时候，有人已经拿专业的自助分析工具做好了一张数据分析看板。

　　近几年自己也做了几个BI项目，从最早的cognos到 bo，再慢慢接触到现在的 FineBI，让我越来越喜欢让用户自己去研究数据模型、展现从而得到结论，所以自助式分析模式的兴起是必然的。

　　举个例子，当我们在面对一个个具体的业务问题时，例如：什么原因导致了销售额下降，业务何时发生的变化，可能是哪些因素造成的…这类问题是BI探索的核心，解决它们需要的不仅仅是提供一个数字，还需要解释背后的商业原因，这在传统的IT-业务配合模式下是很难实现的。

　　解决问题的方法，是把一些数据开放给业务人员，让他们可以在前端处理数据，加工成自己所需要的数据。当然，不可能让他们和IT人员那样，通过写复杂的SQL实现，唯一的方式是提供可视化的界面，

　　让业务人员通过可视化的ETL过程，实现数据的清洗、转换，最终生成所需要的数据。

　　在自助BI的帮助下，业务人员只需随意拖拽想要分析的数据，并凭借自己的业务专业知识，对各种可能的情况进行探索，最终得出结论。

　　往往我们在本地电脑上打开一个上十万的Excel文件就已经痛苦不已，到如今你可以在自己电脑上用专业的自助式分析工具处理千万级别的数据，就拿FineBI的spider计算引擎来说吧，在特定条件下，

　　可以轻松实现亿级以内的数据秒级呈现。直连30多种数据库，本地与直连双模式切换，可以依托数据库的计算性能实现前端的快速展现和分析，计算能力的提升也使得用户的需求能够更好被满足。

　　“10几张报表一年下来都反复修改了将近40次，而这不算IT的绩效” 、”我也不知道我要什么，但我知道这不是我想要的“、“我们给业务做了很多报表，但最后都没有人看”....而这仅仅是IT人员抱怨的冰山一角。

　　一个企业自助分析的想要成功的前提条件是数据仓库，有没有数仓以及数仓质量如何会直接决定这个企业能否推动起来自助分析以及自助分析的天花板，毕竟业务人员对于数据库中的数据本身并不了解，

　　底层数仓实际上最大表单在亿级以内，对于数据量较大的分析，查询需要10min左右，但是如果用FineBI的抽取模式，只需要3秒就可以在前端展现，大大提高了效率。

　　有了自助分析之后，IT人员会更有精力去聚焦企业的数据底层，让企业的数据质量越来越好，或者去创新，去突破数字化转型道路上更多技术点，比如数据挖掘智能式BI等。

　　总的来说，自助分析的最终结果是让IT和业务都直接受益，IT一年节省大量的报表开发工作，业务应用数据的效率大大提升。 而IT，也有更多时间去聚焦在企业数据底层的梳理，让企业的数据质量越来越好。

　　自助式分析的其他特点，有很多，我这里就大概举例几个吧：可视化丰富、能接入多种不同类型的数据源、还可以衔接大数据平台，处理复杂报表。

　　但尽管自助式分析工具已变得越来越方便用户并且需要更少的IT参与，这些工具并未引起广泛采用，原因何在？

　　数据质量是自助分析平台中不可或缺的一个环节，如何保证数据准确性和及时性大多数时候都是IT开发需要考虑的问题，但是在产品设计过程中如何给业务“承诺”数据质量也是一个很重要的命题。

　　提升数据处理要从两方面来提升：一方面是更好利用分布式计算的能力，另一方面是强化自身产品的数据引擎处理能力。

　　这两点和BI工具的引擎性能是分不开的，如果让业务人员在自己处理数据时得到的数据是正确的，以及如何让数据在几秒之内得到快速的展现，FineBI的解决方式都是值得BI公司参考的。

　　我们当下站在一个企业使用分析数据的转折点上，该转变不仅仅会影响企业的决策方式，也将影响业务的运转方式。

　　数据和业务将联系的更加紧密，而如今，得益于技术的发展让我们每个人不再会因为技术而成为我们使用数据的瓶颈，从而实现真正的数据驱动企业决策。