在企業走向數據驅動的過程中，BI是重要的組成部分。而國內不少BI廠商都提供從數據倉庫到報表的一站式解決方案，能夠提供數據倉庫某種程度上體現了廠商的技術實力。不少企業也選擇搭建數據倉庫將數據統一歸集方便企業更好調用數據釋放數據價值，但數據倉庫實施周期長投入高的特點也讓一些企業望而卻步，那么數據倉庫是企業的必須嗎？

數據倉庫非企業所必須

帆軟是國內知名的BI廠商，專注BI十四年，可以提供從數據倉庫到報表、大屏可視化的一站式BI解決方案。帆軟數據應用研究院院長楊揚介紹在帆軟合作的客戶中，包括大的企事業單位在內的大部分客戶都沒有搭建數據倉庫。數據倉庫比較重，而且實施周期長，在長實施周期內領導不易發現數據倉庫對日常經營管理帶來的價值。很多企業會選擇搭建一個簡單的ODS層、主數據或者中間庫，結合前端業務一個小版塊比如財務先用起來，有效果再逐步拓展到其它業務。

“當前的這種數據倉庫，很多時候還面臨一個比較大的問題，就是會被各個業務條線的績效考核牽引，會導致數據倉庫面臨大量的調整，所以說是不是要建數據倉庫我們可以做一個保留，但是做數據加工整理、聚合整理是有必要的。”楊揚強調，面向主題的數據倉庫數據本身是冗余的，大量的調整容易會導致數據口徑出錯，影響數據使用，所以數據倉庫應該拒絕前端交互行為，都是通過ETL抽取數據。比如有些企業會想要通過帆軟的填報修改數據倉庫的數據，其實會對數據倉庫的數據質量帶來很多的挑戰，

若企業不搭建數據倉庫，有的會選擇某個業務板塊或者主題建中間庫等，楊揚介紹選主題容易走入誤區，有的企業做了一堆主題分析，結果這個主題分析對業務或者對企業的管理經營沒什么太大幫助，這樣反而造成負擔。如果企業選主題分析可以從以下兩點考慮選取：

一是從上向下做，選擇高層關注的主題，需要選主題分析的企業一般想在投入產出上快速看到效果，所以第一個考慮滿足企業高層的需求，選擇企業內部比較關注的點。比如零售企業會選門店盤點，銀行會做一些存款產品的分析等，這樣高層可能會持續地推動項目，使之不斷迭代完善。

二是從下向上做，要把一線基層的KPI以可視化的方式能夠讓讓一線員工能看到，這樣員工也會去推動項目不斷完善。

不少人認為國內數據底子薄弱體現在數據積累參差不齊，有從業者會指出“都沒有建數據倉庫”來表達這種薄弱，與國外相比國內企業的整體數字化程度確實存在差距，而適合國情的產品和解決方案才最合適。

楊揚認為對于國內BI廠商來說，國產化進程還會面臨諸多難題和挑戰。首先大數據方面的標準參差不齊，國內廠商在做產品規劃時沒有一個統一的導向和標準。其次，雖然國內產品可以滿足大部分的數據分析和應用需求，但是一些前沿技術，比如AI＋BI、數據挖掘等，還處于理論或者不成熟階段。

數據標準參差不齊

數據的價值正在日益凸顯，而市場進入數據資產化的標志是數據標準的大規模建立。多位大數據／BI專家認為數據標準的建立是企業走向數據驅動的關鍵，也是當下國內的一個亟待解決的難點。

實際上企業有痛點和訴求，制定數據標準的工作一直在進行著，如果數據統計口徑不一樣，在前端查看同樣的指標，在不同系統會看到不同的結果。就如同有的叫“男人”，有的叫“man”，類似這樣的差異可能不利于企業做查詢分析、營收測算。“數據標準和數據倉庫不一樣，數據倉庫更多的時候是在做數據的集合，數據標準更多的是在做數據標準的制定。比如編碼規則、命名規則或者劃分、分享，做什么接口等。”楊揚指出。

不同行業制定數據標準有自己的原則，數據標準制定的時候并不會考慮所有的數據，更多時候是把一些主數據或者很多系統都會用到的數據，比如客戶信息或者做分析衡量都會用到的數據，去制定一些對應的數據標準。其中，金融業會把數據標準以其核心系統為準，然后其它邊緣系統按照各自的業務主題來定。

其實很多大的企業會有數據標準管理委員會這樣的部門，負責制定標準、搭建管理平臺和制定行政管理規范。“從標準到管理平臺做到管理規范這樣一系列操作，它其實就相當于是在制定整個的一個數據標準。”楊揚指出，數據標準的核心點在于一套標準要用在多個板塊上面，所以要有聯通的板塊一起進行設計，沒必要追求一套標準適用所有，因為各個行業都有自身通用的一些標準，而這些通用標準只能解決最簡單基礎問題。

但是數據標準的規范有時候也會受到業務排斥，比如指標分為基礎指標和派生指標。在實際運作過程中，數據標準對應的基礎信息可能并不能解決業務的問題。所以有的時候業務部門還是比較抵觸排斥梳理好的數據標準。

可見企業走向數據驅動并非易事，數據標準可以從企業內部外延到企業外的行業、政府等，大數據時代更多維全面的數據連接打通流轉才能有全局的視角，釋放數據更大的價值。有業內從業者指出企業內部數據整合打通比較容易，而外部數據由于標準不一等問題難以有真實性和健康度的保障。楊揚認為不論什么規模的企業，目前大部分企業內部數據都沒有做到很好掌控，比如即使部署了很多IT系統，還是有很多數據流轉在Excel里。“內部的數據相對好掌握可能更多是從數據獲取的角度以及在這個具體的某個特定板塊下用這個數據的角度看，企業整體把數據給管控起來還是比較困難的。”

AI及自助式BI的中國困境

很多人相信AI與BI的融合是未來，增強分析和智能預測是當下企業的一個關注點。在AI比較火熱的時候帆軟沒有為之所動，繼續聚焦BI。帆軟認為隨著BI智能化的發展，未來企業產品選型的參考重點還是以數據管理和數據分析為主。預計在2025年左右，中國的BI將邁入智能化階段，而當下國內AI在BI的應用還是泡沫。

AI＋BI的發展現狀和趨勢

楊揚指出，AI落地核心點是和企業組織機構的實際業務結合，目前AI上手難度大，技術思維重，同時企業實際業務標簽、模型沉淀比較少，對于企事業單位的業務幫助不高，很容易變成一個空心球。當前BI的應用主要還是在內部經營層面，開始注重場景的閉環，比如零售企業做到庫存周轉率的提高、制造業高效設備巡檢提升效率等，不足之處是很多經驗還伴隨著比較強的企業特性，比如零售里面在A客戶的配貨算法，到了B那邊就不一定試用，同時很多企業也不愿意針對這些方法進行深度溝通，在整個交流范圍上，還欠缺一些，需要不斷去梳理標準。

現在最適合企業的是從經營目標出發，找到降本增效的方法，不管通過傳統中間庫＋報表的方式還是通過模型＋自助分析的模式，而企業最迫切需要的應該是兩塊：

1：BI結合實際業務場景提供對應的分析思路；

2：BI項目落地的同時，能夠培養員工數據分析思維的學習途徑，短期看項目，長期還是看人才。

除了AI和數據挖掘，自助式分析是當下BI的最主要趨勢。無論是國外的Tableau還是國內的帆軟等BI廠商都在強調自助式分析的重要性和價值，一方面可拖拉拽的靈活定制降低了使用門檻，業務人員可以直接上手釋放更多數據價值，另一方面也減輕了IT人員的壓力。

多位BI從業人員指出國內自助式分析還處于非常初級階段，面臨著很多困境，無法實現數據分析的自助。造成這種局面的因素有很多，數據文化和人才缺失是比較重要的原因。

楊揚認為造成自助式分析難以推動的主要原因是數據分析項目發起人和使用者間的沖突。企業引入數據分析有兩個渠道，一是通過科技部門或者IT部門，二是通過業務部門。

IT部門以前做數據跟蹤報表，每次業務提需求基本是上午提下午要，給IT部門很大壓力，而IT部門引入數據分析的目的是減輕部門壓力，可能會準備些基礎數據，有些企業甚至會把明細表全部開放，讓業務部門自己在前面去拖拽選取，如此壓力就傳導到業務部門。

如果業務部門引入自助分析，期望會很高。希望找某個數據的時候，調出來的數據就是所需的數據口徑，而且數據準確的無誤。但實際過程中業務部門要的不是基礎數據，都是需要做進一步加工萃取匯算的派生數據，所以業務部門經常會說調取的數據和業務系統對不上。

IT部門與業務部門各自為戰的情況并不少見，楊揚建議IT部門向前邁一步，在項目前期與業務交流，根據不同業務部門對接不同數據口徑，業務部門再請IT人員做一些自定義的工具，業務部門要思考如何把這些數據應用到自己想要的場景里面去。他認為比較有效的破局之道是在IT和業務部門之間建立一個角色作為橋梁溝通協調，比如有的企業會設立首席數據官、數據運營官的職位，使各部門之間不再各自為戰，形成合力。

企業未來3～5年BI功能需求

“不管做BI還是什么，切記的是搞個大工程。所有部門一起上，那像這樣一種情況，其實成功率特別低，但是這個原因有很多種，不管是從業務的內心排斥角度，還是從企業的數據準備角度，以及他企業對這個事情的一個思想準備角度，都沒有到位。”楊揚強調，國內BI有廣闊的前景，如果追求一步到位往往適得其反，結合企業自身情況選用合適的BI產品和服務，才能不斷向著數據驅動邁進。
責任編輯:pj