自助化數據分析如同其它“去中心、去中介”的商業形態一樣，是需求方(用戶)與提供方(數據)的直接見面，是效率與效果的巔峰對話。同時，自助化分析數據也是在“決策輔助支持”層面對經典管理理論——PDCA的真正踐行!自助化數據分析的潮流將不可逆轉的到來，而大數據、可視化、內存計算等新技術都是對這個商業形態的有力支撐。

　　——思邁特軟件Smartbi

　　DT時代的到來，使得金融業對數據的依賴越發加強，眾多的金融環節都需要通過對數據的收集和分析后完成。銀行業每創收100萬美元，平均就會產生820GB的數據!

　　數據來源：SINIA，NextGen Storage，BDG等，2015年

　　縱觀海外，已有三分之一的銀行在組織流程中嵌入了匹配大數據的工作方式，識別出更多的商業機會。他們在多年的實踐和不斷試錯后，運用成熟的分析手段，持續地獲得有價值的商業洞察!而國內商業銀行經過信息化的建設也積累了大量的數據(有數據稱>100TB)，這些數據一方面在經歷整合清洗的過程(以提高數據質量，保證可用性)，一方面也在進行著統計分析。

　　而在數據分析上，大量的數據產生的有效分析結果卻非常有限，猶如人體血液中血細胞不足一樣，商業銀行們也都或多或少患有“數據貧血癥”!面對這樣的情況，近十年來，銀行大多數采用的傳統解決方案是“以項目的節奏先建數據倉庫、再投入人力運維數據倉庫開發報表”。前者主要是對數據的數理，也是不可避免的。但后者的方式導致了很多效率和效果的問題，比如下圖中業務人員和科技人員的“對話”!

　　銀行的客戶，無論是一線客戶經理，還是總行運營部門，亦或科技中心領導，對這個圖反應的問題都會有強烈共鳴。這些問題主要導致了3個管理缺陷：

　　1、 不夠迅速：社會上多個朋友多條路，企業里多個流程多堵墻!當業務部門的任何需求都要提交到冷冰冰的流程系統，還要去關注、催促、期待，恐怕有相當多的“小需求”都會被自行澆滅掉了!

　　2、 不夠靈活：無論什么樣的BI前端軟件，按照“需求分析”做出來的成品，一旦交付都存在難以調整、修改、變更的問題，哪怕增加個參數、增加個計算字段、換個圖形都無法繞開“流程”!

　　3、 難以共享：經歷過這樣的過程，有哪個業務用戶愿意把這樣的成果“分享”出來呢?

　　我們分析問題不難看出，傳統的集中開發報表模式是無法適應DT時代的“數據化運營“需求的，以前的“數據”被賦予了生產力屬性，變成了銀行中重要的“生產資料”!在這樣的時代、管理背景下，“自助分析”就被提上了日程!

　　數據的自助分析如同自助餐廳的模式一樣，有人專注于準備美味的數據和舒適的消費環境，更多的人可以盡情選用、組合、品嘗“美食”!我們仔細觀察一下這樣的自助餐廳，會受到很多啟發，簡單來說至少有5個方面的工作需要考慮：

　　- 選餐導引：好點的自助餐廳一般都會包含涼菜區、熱菜區、海鮮區、飲料區、水果區等等。如果沒有人工或者標識牌的導引，顧客就會產生很多不必要的走動，不僅影響運行效率而且破壞了就餐環境。對自助化數據分析道理也是一樣的，首先應向用戶(就餐者)提供清晰的元數據服務，說清楚“這里有什么數據”和“它是什么樣的數據”，否則也會引起同樣混亂的后果!

　　- 豐富食材：古人云“巧婦難為無米之炊”，無論是否自助化，原材料(數據)的質量是最基本的保障。在BI的行業內，也有這樣的訓誡——“garbage in garbage out”，就在提醒我們要始終保持對數據質量(完整、準確、及時)的關注!

　　- 加工服務：原材料很多時候不能直接享用，比如要進行選取、清洗、烹飪等工序，這就好比BI行業里的ETL工作。一般來說，會有非常專業的廚師各自負責食材加工，只是有些加工的過程(蒸、炒等)是在后廚完成的，有些加工過程(切、煮等)是在用戶面前“交付“的。類似的，提供自助化數據分析，也不可避免的會需要數據加工處理的環節，其中有的處理復雜，也有的處理簡單，單純想開放原始數據進行數據分析的說法和想法，都有點過于理想了!

　　- 便捷工具：自助餐的工具包括輔料和餐具，輔料比如油鹽辣椒芥末等，餐具比如刀、叉、勺、筷、盤、碗等。對自助化數據分析來說，查詢數據、分析數據、設計格式化報表、制作可視化報告、編制分析報告等功能是否具備且簡單易用，就是BI前端工具的核心競爭力了!

　　- 舒適環境：有了豐富的、高質量的數據，也有了專業的加工過程，用戶也可以快速找到可口的“食物”并進行自助的調味和享用，剩下的就需要規劃好就餐的環境了。比如如何排隊、如何等待、如何收拾、如何反饋等等。這里每個細節，都可以映射到自助化數據分析的平臺功能上來(大家可以自己琢磨)!

　　Smartbi深耕以銀行為主的金融行業十余年，希望借此比喻總結出我們自己的觀點，與同業專家和最終用戶進行思想上的討論，這也是我們自己認為所肩負的一種責任。如有感興趣的朋友，請與我們聯系更深入的交流!