粉丝服务

企业为什么要建设数据分析平台？应该怎么建？

大数据时代，几乎每一个企业都对数据分析平台趋之若鹜，尤其是在经历过疫情爆发之后，更多企业主意识到了数据所具有的极大商业价值，以及其作为支撑企业信息智能化的无形资产。
通常来说，企业内部的运营和业务系统每天会积累下大量历史数据，一些企业最多是对一些零散的数据进行浅层次的分析，真正的海量数据其实并没有得到真正有效的分析利用。
同时，随着系统的不断增加和积累，沉淀在系统深处的数据也更加难以提取和整合，后期的报表展示和可视化分析也就成了空壳应用。
所以数据分析平台的建设就十分必要了，一方面它可以汇通企业的各个业务系统，从源头打通数据资源，另一方面也可以实现从数据提取、集成到数据清洗、加工、可视化的一站式分析，帮助企业真正从数据中提取价值，提高企业的经营能力。
1

神秘的数据分析平台究竟是什么？
通俗一点说，数据分析平台就是将公司所有的数据进行进行收集整理，包括系统数据、业务数据等等，在统一的数据框架下实现对数据的挖掘和分析，最后通过可视化的手段进行数据展示。
因为数据分析平台涉及的组件众多、功能复杂，如何将其有机的结合起来是其建设过程中最关键的核心。我们不妨以某集团的数据分析平台为例，来看一下具体的数据分析平台架构是什么样的：
在搭建数据分析平台之前，要先明确业务需求场景以及用户的需求，通过大数据分析平台，想要得到哪些有价值的信息，需要接入的数据有哪些，明确基于场景业务需求的数据平台要具备的基本的功能，以上图为例从下至上可分为四个层次：
数据采集层：底层就是各种数据源，主要是对企业底层数据的采集和解析，将零散的数据整合起来，包括企业的核心业务数据、用户数据、日志数据、集团数据等等，通常有传统的ETL离线采集和实时采集两种方式。
数据储存和处理层：有了数据底层的数据，然后根据需求和场景的不同进行数据预处理，储存到一个合适的持久化储存层中，比如说OLAP、机器学习、数据库等等。
数据分析层：这里就要用到BI分析系统，比如FineBI，如果是传统的数据挖掘还有SPSS，这一层主要是对数据进行加工，然后进行深层次的分析和挖掘。
数据应用层：根据业务需求不同划分出不同类别的应用，主要是对最终的数据进行展示和可视化，如上图的数据报表、仪表板、数字大屏、及时查询等等。
总结来说，企业对数据、效率要求的逐步提高，也给大数据提供了展现能力的平台，企业构建大数据平台，归根到底是构建企业的数据资产运营中心，发挥数据的价值，支撑企业的发展。
2

数据分析平台真的有必要吗？

在企业在进行数据分析平台建设之前，经常会有一个疑问：企业数据系统每天都在正常跑数据，业务系统也都正常稳定，那我们还需要数据分析平台吗？
答案是当然需要，在实际的企业数据管理中，业务系统往往不是单一的，而是多源的。业务人员看似每天都在用业务数据，但实际上彼此的数据都是相互割裂、不打通的，如果想要实现数据分析，就要从多系统中取数，然后手动整合分析，这个显然是不能靠人力就能做到的。
这就叫做数据孤岛，这个问题的难点在于需要跨数据源进行分析，不同数据源之间的对接很难打通；其次，企业的数据一定是海量的，有的还需要二次加工，如果没有数据分析平台的支撑很难实现。
另外从企业业务系统的角度看，我们如果把数据分析的工作直接单独放在业务系统上，一来系统的性能支撑不了这么耗费资源的事情，系统压力会很大，二来随着数据的积累，单独的业务系统很难承受大数据量的处理，所以重新构建一个大数据处理平台就是必须的了。
所以，一个数据分析平台的出现，不仅可以承担数据分析的压力，还可以对业务数据进行整合，更可以不同程度地提高数据处理的性能，基于数据平台实现更丰富的功能需求。
3

数据分析平台建设流程

数据分析平台的建设流程基本上可以从数据分析流程来理解，比如数据采集、数据整合、数据加工、数据可视化等等，一般的大数据平台都会包括这些流程，叫做一站式大数据平台。

这里要注意一点，很多企业通常把基础数据平台建设错以为是一站式数据平台，二者最大的区别就在于架构上有没有实现业务探索式分析。
一站式数据平台架构有很多类型，现在比较流行的是自助式分析，也就是主动式的企业数据分析平台，让业务人员直接参与数据分析，借助于BI平台充分探索分析数据，并能将庞大的任务分解为小任务处理。
下面就以FineBI为例，简单梳理一下自助式数据分析平台的具体建设流程：

1、数据采集

企业数据从产生到应用依次经过了数据产生、数据存储与处理、数据应用三个阶段，由业务系统产生的数据经过ETL加载到数据仓库，并在数据仓库中进一步加工处理后进入BI工具，最后通过BI工具实现数据分析与可视化展示。

要想顶层应用良好，那么底层的数据建设就相当重要，所以自助式数据分析平台建设的第一步就是要搭建数据仓库。如上图所示，一般来说，数仓在技术上采用三层架构设计：ODS、DW、DM。

  • ODS全称是Operational Data Store，即操作数据存储。它是最接近数据源中数据的一层，数据源中的数据，经过抽取、洗净、传输，也就说传说中的ETL之后，装入本层。本层的数据，总体上大多是按照源头业务系统的分类方式而分类的。

  • DW全称是Data Warehouse，即数据仓库，是数据仓库的主体。在这里，从ODS层中获得的数据按照主题建立各种数据模型。

  • DM全称为Date Market，即数据集市或宽表，也可称为或DWS。DM层为面向最终应用的主题层，一般依据前端报表/业务包需求进行设计，对DW层明细数据进行多表关联，用于提供后续的业务查询，其主要作用是提升报表查询性能。

在经过ETL清洗后的数据就是我们建立BI系统所需要的数据，这时候就需要通过FineBI连接企业的数据仓库。
其次，FineBI通过业务包的形式进行数据存储，IT人员基于业务需求将数据进行分类管理，通过设立表间的关联关系和多路径设置来进行数据整合。
这样就得到了企业业务系统的底层数据，但是这些来自不同系统的数据指标基本是混乱的、没有意义的，所以下一步就要对数据进行加工。

2、数据加工

我们整合过的数据往往也是异构数据源中的数据，因此要先对关系数据进行初步的处理，比如说指标的筛选等等，将处理后的表存到业务包中作为数据分析的基础，这就叫做自助数据集。
而FineBI实现自助分析的方法也是通过自助数据集的方式，它就相当于一个数据容器，IT将清洗好的数据放入数据集中，如果业务觉得基础数据不满意，或者是需要进行跨表联用，就可以自主建立数据集，自己进行数据的加工处理。
IT人员创建了数据连接和业务包以后，为业务人员构建BI基础的数据模型，分析用户配置好关联关系，分配好权限和设置好数据更新的频率，提供一层可供业务理解的基础模型。然后业务再在数据集中对这些数据进行进一步的加工处理，比如筛选数据、过滤数据、数据分组汇总、数据行列转行等等，经过加工后的数据就是业务进行分析的最终数据了。

3、数据分析和展示

得到了清洗后的数据，业务就可以进行自助式分析了。FineBI 的可视化探索分析，是面向分析用户，让他们能够以最直观快速的方式，了解自己的数据，发现数据问题的模块。业务人员只需要进行简单的拖拽操作，选择自己需要分析的字段，几秒内就可以看到自己的数据。
在这一步我们还可以对可视化组件进行OLAP分析操作，比如FineBI如果想要实现国家地图与省份地图的切换，就可以使用钻取功能，将某个特定分组数据按第二维度继续细化的方式。
类似的还有组件放大、组件复原、查看组件过滤条件、组件维度切换、组件跳转、联动设置、组件悬浮、组件标题、组件导出Excel、组件复用等。
4

总结

总的来说，无论是大数据平台的流程，还是业务分析平台的建设，必须要注意保证平台的性能：大数据分析平台的性能一定要保证高效，在数据量激增的情况下可以支撑海量数据分析。
最后，在大数据时代，企业的数据分析平台架构必然向着分布式、可扩展及多元化发展，这样才能通过对数据流程的梳理，去推动公司梳理整个业务体系。

本栏目精选

热门推荐

频道导航

科技娱乐汽车体育财经旅游育儿历史美食军事国际情感