如何打造行業背景下的BI系統？筆者認為需要做好這兩步：通過需求分析深入業務，明確係統解決的問題；以及，結合業務，整理源數據，制定指標和算法，設計展現形式，完成數據分析設計。
在搭建BI(商業智能)系統時，通常有兩種選擇：一是選用市面上的BI產品；另一種則是自建BI系統。
直接購買BI產品相比自建BI系統的優點是：能快速使用、更加成熟、節約成本。但伴隨業務的發展壯大，場景的複雜化，最終都需要自建BI系統。
自建BI系統主要有兩大優勢：先是數據安全，然後，更重要的是它更能貼近業務場景。而通用的BI產品，通常很難追蹤深入行業背景下的業務問題，更多是展示一堆報表，而不能直觀的得出結論，還需要分析人員結合報表分析才能得出結論。
那如何搭建行業背景下的BI系統呢？
主要分為兩大步驟：首先通過需求分析深入業務，明確係統解決的問題；然後，結合業務，整理源數據，制定指標和算法，設計展現形式，最後完成數據分析的設計。下文結合實例，詳細講解如何搭建行業背景下的BI系統。
需求分析
BI系統在設計時，很多時候都沒有明確的需求的。如果有明確的需求問題就要簡單很多了，這裡以我負責的醫美Sass軟體舉例。
在設計之初我們調研和走訪客戶時，客戶都表明需要數據分析系統的需求。但是具體需求客戶也不明確，只是希望看到某些數據的統計。所以，我們需要深入行業中，找到客戶所面臨的問題，挖掘客戶的痛點。
首先應該明確在行業背景下，BI系統需要滿足那些需求。結合業務，BI系統需求主要有下面幾類：監控問題、發現問題、找到問題原因、預測與決策支持。
我以醫美Sass系統舉例，我們挖掘到的以下4點需求：
銷售的工作是否積極？能發現銷售額未達預期問題。能找到銷售額未達預期的根本原因。能預測銷售額。這四點需求只是整個需求池的一部分，我以這四點需求來闡述整個BI系統設計過程。
需求分析主要分為三步：場景分析、用戶分析和業務分析。
本文的需求分析只列出結論，具體需求分析過程可以參考我的另一篇文章，善用三個方法，拒絕靠「想」做需求分析。
1. 場景分析
根據調研和用戶訪談（調研和訪談不是本文重點，不展開討論），針對上面四點列舉出場景故事：客戶某天發現發現本周的銷售額未達到預期，然後通過查看銷售人員和經銷商等營銷數據，以幫助客戶確定原因，並解決問題。
2. 用戶分析
需求中角色主要有客戶、銷售人員和經銷商。客戶是該BI系統的使用者，銷售人員和經銷商主要是系統中數據產生者。在分析相關角色，做出ER圖（非重點，不貼圖了）。
3. 業務分析
客戶公司的銷售和經銷商在進行行業活動時，會使用Sass軟體，Sass軟體會將相關的銷售數據記錄下來，推送到BI系統中。
客戶使用BI系統時，BI系統會將數據進行處理，將髒數據處理成乾淨的數據。然後對數據進行分析，最後得出結果，通過可視化系統直觀的展現出數據分析結果。同時，結合業務場景給出預警提醒。
在業務分析時，需要分析需求和業務之間的關係，選取代表需求結論的指標值。恰當的數據指標能幫助用戶更好地解讀數據，得出結論。這主要依靠於產品經理對於業務深入了解和行業的熟悉程度。
以下為業務分析後所得功能清單：
數據分析系統設計
通常產品經理在完成業務分析，得出功能清單後，就可以開始著手原型的設計。但在BI系統設計中，完成業務分析後，更重要是完成數據分析系統的設計。
數據分析系統是整個BI系統的靈魂。在設計數據分析系統時，我們需要與技術人員緊密合作，特別是在數據源選取和相關的算法。
這就對BI產品經理提出了更好地要求，要熟悉統計學和數據分析的常用算法，同時對數據要有一定敏感性。
數據分析系統主要含有四個部分：數據採集、數據處理、數據分析、可視化系統，其對應著功能清單的系統列。
1. 數據採集
數據採集主要是：搜集數據分析所需要的原始數據。
B端產品數據來源，主要分為：系統內數據和外部數據。
外部數據根據具體的場景和業務，可以是外部推送數據過來，也可能是系統通過調接口或使用爬蟲去主動採集。當然，外部數據也可以直接通過Excel等載體直接導入。
系統內數據，一般是通過埋點來獲取數據。某些場景下，也需要去讀取並分析現有的日誌數據。
數據採集，最重要的選取合適的源數據。這就需要產品經理對行業有很深的理解，對業務有透徹的分析。所選取的欄位一定是和業務存在很大的相關性，或者是重要的影響因素。一旦選取數據產生差池，整個BI系統的根基就壞了。
下面為針對本文需求案例選取的數據欄位，來源就略過了。
數據採集到後，會存入到數據倉庫或數據集市。
2. 數據處理
數據處理主要做數據清洗和數據格式轉化。
數據清洗主要包括檢查數據一致性，處理無效值和缺失值。數據清洗需要根據源數據的產生場景處理，可以剔除異常數據、糾正異常數據和補齊缺失數據。
本文的例子，採用的就是剔除異常數據。如果需要糾正和補齊數據，需要使用算法來進行補齊。相關算法有好幾種類型，我們需要了解其優缺點，再結合我們的源數據特徵來選取合適的算法。我常用插值法和K最近距離鄰法來進行數據異常糾正和補齊。
數據格式轉化，主要是保證數據的一致性。通常是將相同分析算法的數據，轉化為相同的存儲格式，將數值型數據轉換成相同的計量單位。
3. 數據分析
數據分析是BI系統的核心，通過統計和數據分析算法，監控和查找問題。
數據分析的流程是：根據業務分析選取的指標值作為輸出結果，再利用處理後的數據，選取合適的算法，進行分析。
選取算法時，需要技術人員通力合作，明確業務特點，選取最適宜的算法。BI系統的數據源可能會發生變動，所以在算法選取時，需要考慮一定的擴展性。
根據本文的需求分析，系統在進行數據分析時，主要做兩個工作，預測和數據對比。
數據預測，可以選擇簡易平均法、移動算法、指數平滑法、線性回歸法、Logistic回歸等。因為我們的數據是一組數據與時間的集合，所以比較適合選擇多元線性回歸。
還有一些更高級的算法，暫時不討論。數據對比，可以直接通過可視化系統對比即可，比如：針對銷售是否異常，可以將實際銷售額與預期銷售額通過折線圖，進行圖標對比。
需求中有判斷員工是否積極的需求。這類較為抽象的需求，就需要針對「積極性」設計評估模型。針對該需求，採集到數據主要銷售數據、諮詢數據、日常工作數據。三個數據中，銷售數據的權重最高，日常工作數據最低。然後結合數據欄位擬定出模型公式。
最後，將以上算法和模型整理成便於閱讀的文檔，就完成了數據分析系統的設計。
4. 可視化系統
可視化系統，主要是通過圖表，將相對複雜的數據和分析結論，直觀的展示給客戶。
BI系統的可視化系統設計流程：確認數據和指標值->對數據和指標值按場景分類->根據數據選取展現形式->更具展現形式設計頁面布局->完成頁面設計。
以本文需求為例：可以將數據可視化劃分為銷售人員積極性監測、銷售額預測對比、銷售分析（發現銷售額異常原因）。
其中，積極性檢查可以使用列表或排行榜展示，用色塊對銷售人積極性標識，也可以折線圖描述銷售人員積極性變化。
銷售額預測可以直接使用折線圖。銷售分析，由於數據類型不同，可以選取多種展示形式，比如：競爭對手店鋪分布數量和分布，可以用地圖散點圖表示。選取展現形式的原則就是簡潔、已讀、要點明確。
完成形式選取後，就可以開始布局和原型的設計。完成原型設計後，可以正式進入系統的開發工作。
最後
完成可視化系統設計後，並不代表我們產品經理的工作結束了。一個優秀的BI系統，還需要使用真實數據調優，不斷迭代系統，通過導入真實數據，運行系統，來進行系統的優化。特別是算法和模型的一些參數，都需要結合實際數據來找到最優值。甚至在某些時候，模型或算法的缺點，只有在真實數據和實際業務場景下才會暴露出來。
一個優秀的BI系統，需要幫用戶發現問題，並找到問題根源，甚至於直接解決問題。
比如本文所舉的案例，在此我可以列舉一個幫助用戶找到問題的場景：
某天，用戶收到報警，銷售額比預測值低了很多，然後查看銷售人員工作情況為正常。同時，又收到經銷商銷售報警，某個區域經銷商銷售額銳減，而且發現競爭對手在該區域經銷商數量陡增。
這個場景中，就幫助客戶發現問題，並找到了問題的根源：某區域競爭對手經銷商快速擴張。
在我之前做的產品中，還有一個BI系統結合廣告投遞的案例。該案例中，BI系統分析出已消費的人群標籤，然後接入三方廣告平臺平臺，進行精細化、自動化廣告投放。該案例不僅僅是分析數據，還深入到了解決問題的層次。
一個完整的行業背景下的BI系統，應該具有哪些功能？如下腦圖：
作者：產品小思考，B端產品經理
本文由 @產品小思考 原創發布於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議