对于BI的定义，大家是各有各的说法，但比较普遍和默认的一种讲法，是用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业经济价值。当然，对于一些非互联网从业者而言，这么说会比较费解，那么我们大家可以有一种更简洁的说法：“将大数据转化为业务知识，帮企业做经营决策”，理解起来就要容易许多。

  但如果我们要深入理解BI所代表的概念，就要有一些独特的看问题视角了。从数据分析的视角看，BI是面向研究主题的一个分析过程，收集与主题相关的有价值、高质量数据，并对数据来进行分析验证，得出部分结论或者是假设。

  从数据技术的视角看，BI是一系列信息化、数字化工具的集合，能够帮助企业简化收集、访问、分析数据的过程，自动化的将原始数据转化为有战略价值的信息。

  从企业管理的视角看，BI是企业改造自我、提升竞争力的一种有效途径，通过分析企业自身的数据，以更好的了解市场和客户，并改进企业的经营流程。

  现在非常流行的“数据驱动业务增长”的说法，就是以数据作为驱动企业增长的精细化运营策略，也是BI本质的一种体现。

  在互联网公司中，对BI的要求和期望会更高一些，通常BI的成长也是有明确的路径，主要包括三个层次：

  第一个层次是准确，即能够掌握清洗底层数据的方法，并准确反映业务实际情况，通过看板反馈给业务；

  第二个层次是洞察，在准确数据的基础上，能够分析数据中所蕴含的商业逻辑，并给出可行的结论和建议，如业务的健康度、业务的风险指数、市场上的潜在机会等；

  第三个层次是决策，在提供建议的基础上，能够进一步的与业务产生互动，推动整体决策观念的统一，并将结果落地，形成正反馈循环。

  BI是一个比较吃经验的岗位，也是一个需要厚积薄发的过程，正如“没有准确的数据就没有正确的结论”，BI并非需要学会业务的每一个流程环节，但依旧需要尽可能多的了解与业务相关的基础知识，这些都是日常工作中点滴积累下来的。

  BI的工作定位，可以用“业务参谋”，这个比较形象的语言来代替。根据上文BI成长的三个路径，日常的工作，也可以划分为三个阶段。

  第一个阶段，是定目标，并且规划策略打法。这个阶段打交道的目标，主要是面向一些决策层，比如总裁等，明确某个阶段，公司的战略是什么，要怎么来打赢这场仗，并且把KPI设定好。

  第二个阶段，是根据策略，寻找实现目标的途径，这时候与各个业务线的牵头人，关系就非常紧密了，考虑清楚做什么动作，来完成KPI是最合适的。换句话说，日常的最多事情，就是深度参与到业务的周会、项目会中，用数据来提供决策建议。

  第三个阶段，是属于自己的，也就是抓动作的进度，监控日常业务的数据指标。这个时候，数据的基础就非常重要了，要能够通过数据看清楚业务发生了什么，看板、指标、集市，能通过报表工具做起来的事情，都要体现在业务的数据看板之中。

  除此之外，通过各种报告，来管理目标的方法，也是日常工作中所需要关注的，主要包括：

  每日的数据看板：主要关注核心指标的波动，如果发现异常情况，需要给出关注的建议点；

  每周的KPI进度解读：主要包括KPI数据的当周达成情况，进度是否符合预期，并复盘近期的策略；

  每月的数据周报：对近期OKR整体的复盘，从数据视角解读业务的健康度，并敲定后续的策略规划。

  业务同学每天起床后，想的第一件事情，是我的KPI有没有缺口，今天我要补上多少。

  业务希望通过数据化运营来保障KPI的达成。但数据化运营的本质，是对用户的运营，数据都源自于用户的属性和行为，通过用户行为分析指导运营策略。

  因此，数据化运营并不是能够立竿见影的，要达成GMV和毛利双重KPI，解决问题的思路就一定是个系统化的过程。不建议就事论事，而是分阶段的予以解决。在数据化运营中，每个阶段的工作中心各不相同。以下分阶段拆解一下动作：

  KPI阶段：设定每个周期的目标，能够根据月份、用户群体进行拆分，并符合财务预算；

  获客渠道：分析的内容包括，考虑拉新仍然存在的空间有多大，我能够与那些场景合作，来触达我的用户；同时，投放广告时，我的落地页文案如何设计，转化漏斗如何提升；

  用户特征：通过整体场景的用户画像，配合一些线下场景的行为特征，如AIPL，可以辅助参考运营形式的设定，以及优惠方案的设计；

  运营手段：考虑整体的运营手段有哪些，除了加入会员群、发放优惠券之外的行为还有哪些；如何评估这些手段的价值，以及能够带来的转化率提升；不同的运营手段对于不同的人群、地域特征有什么差异；

  ROI优化：通过数据分析，找到优惠投入和毛利要求之间的平衡点，确保ROI效果最好。

  可视化工具的搭建：电商行业的运营，越来越依赖大促带来的成绩，因此数据的时效性要求非常高，也就是做Excel已经不行了，要有可视化的数据看板，来实时指导决策。

  以上是一套完整的数据化运营方案，但如同精益创业中MVP理论一样，BI通过数据分析，所总结的策略并非一定有效， 并不一定可以快速达到预期效果。在策略执行的同时，通过数据的积累沉淀，监控相应数据指标情况，对策略进行优化，优中选优，才能确保结果的实现。

  第一种，是对比，分析业务进度的快慢、市场竞争中的位置，通过与自己的同比、环比，能够非常显著的看出业务增长的速度，再跟市场上的竞对进行对比，可以分析出我们自身发展的优劣势；

  第二种，是根因，通过不断的拆解指标、维度下钻，找出影响问题的最关键因素，拿出最经得住询问的两个问题，持续做多元化的分析；

  第三种，是驱动，通过A-B实验，验证方案的优劣势，找出驱动业务发展的因素。

  BI的日常工作中，因为要与一线的业务打交道，有一些还是非常难缠的角色，需要经得起询问，比如：

  第三，这个数据的变化，意味着业务在发生怎样的变化，有哪一些原因在影响这些变化；

  第四，作为业务负责人，我需要做什么，能不断优化这些指标，这些动作是不是具备合理性；

  第五，市场上的竞对是怎样的，我的市场位置哪里，目标和路径是否朝着正确的方向发展。

  很多类似的问题，不一而足，作为辅助决策的岗位，要更多的听业务在讲什么，通过简单的指标来“讲业务听得懂的语言”，而不是沉浸在“自己专业的语言中”。

  所以，很多时候，我们讲的“懂业务”，就是要比业务更懂业务，每天早上上班第一件事就应该是看数据。并且，数据只是一个手段，为一致的业务目标努力，我们要做的事情，不应该有边界。

  同时，日常的工作中，也有两个角色是经常打交道的，例如数据仓库团队，需要能够沉淀数据资产、指标体系；例如数据产品团队，沉淀产品数据看板、自助分析模板。在已有资产的基础上，总结业务模式，拔高到商业理解，通过专题看板，来指导业务如何看营销效果，如何看流量波动。

  未来数据分析师，可能朝着三个方向走，一个是“人人都是分析师”，将数据分析的技能，像Excel、PPT一样工具化；一种是“BI + AI”，通过算法赋能数据科学；一种是“数据驱动产业”，例如企业类服务/产业互联网这两个领域，数据分析还有较大的发展前途。