《帆軟：2024商業智能（BI）應用白皮書5.0（74頁）.pdf》由會員分享，可在線閱讀，更多相關《帆軟：2024商業智能（BI）應用白皮書5.0（74頁）.pdf（74頁珍藏版）》請在三個皮匠報告上搜索。

1、帆軟數據應用研究院出品BUSINESS INTELLIGENCE APPLICATION WHITE PAPER商業智能應用白皮書 5.0智能BI定位和落地的探究企業數據治理策略的優解01030204BI設計理念與演變的解讀BI促數據資產入表的實踐商業智能研究公眾號帆軟官方小程序地址：江蘇省無錫市錫山區安鎮街道文景路51-3號映月湖科技園B2棟帆軟軟件有限公司商務咨詢電話：400-811-8890轉1帆軟官網：https:/研究院官網：https:/PREFACE前言編委會名單在新質生產力、數字經濟、AI 技術等關鍵詞大熱的大背景下，數據作為數字經濟時代的基礎性和戰略性資源，開始加速成為企業競

2、爭的關鍵生產要素，加速讓數字化顛覆成為各行各業的“新常態”。各行業雖然數字化轉型進程不一，但是大多不約而同地將企業層面的全面數據決策能力和數據價值洞察列為迎接變革和商業創新的決勝因素，并把商業智能作為其中重要的數據利器。BI的發展已有二十余年，從開始的報表式BI到自助分析式BI到智能BI，均受到各行業的廣大企業的廣泛應用，碩果累累。BI 產品的發展歷史有一條清晰的主線，即不斷地利用新技術降低數據分析門檻，讓更多的企業能夠從大數據中受益，真正把數據轉變成生產力去驅動業務，實現數據資產積累。不同類 BI 各有優劣，分別適用于不同的場景，不是絕對的相互替代的關系。企業除了需要根據自身信息化情況去選擇

3、合適的 BI 工具類別，也要做好數倉建設；當業務規模和復雜度不斷增加時，更需要關注數據治理、維護數據指標體系等問題。主編輯責 任 編 輯指 導 專 家特 別 鳴 謝：袁華杰 梅杰鮑敏 張云揚陳敏 王佳東 翁林君 付一然 沈濤 呂品 張鯤 凌晨 楊揚 孫中華 濮丹丹 吳晶晶呂家霖 王超毅浙江交投高速公路運營管理有限公司：謝曉輝 陳飛（排名不分先后）版權聲明：本報告由帆軟軟件有限公司版權所有，并受有關商標和著作權的法律保護，部分文字和數據采集于公開信息，所有權為原著者所有。未經許可，任何組織和個人不得以任何方式或途徑復制或傳播，包括但不限于復制、錄制，或通過任何數據庫、在線信息、數字化產品或可檢索

4、的系統，特此聲明。免責聲明：本報告中的行業數據主要為三方研究人員采用文獻研究、市場調查及其他研究方法獲得，企業數據主要為問卷調研與訪談獲得，其數據結果受到樣本的影響，僅代表調研時間和人群的基本狀態，僅服務于當前的調研目的。受研究方法和數據獲取資源的限制，本報告僅作為市場和客戶的參考材料，帆軟軟件有限公司對該報告的數據和觀點不承擔法律責任。帆軟數據應用研究院基于最新的洞察，在商業智能應用白皮書 5.0中闡述了以下核心內容：解讀 BI 產品演變，BI 多形態共生理念究竟包括什么？強調數據全鏈路管理和建設，產品的價值主張是什么？對話企業內部 BI 資深用戶，有哪些工具使用的感悟？探究智能 BI 更多

5、是 AI for BI，如何定位方向及落地？解析案例如何用 BI 發揮數據價值，加速數據資產入表？分享浙高運實踐經驗，企業數據資產入表該準備什么？提出企業數據治理的優解：如何用“拉式策略”做治理？指導企業如何建指標體系、建底層，以及如何應用指標？傳遞帆軟如何用 BI 進行數字化建設的心得，以財務為例？010203040506070809目錄CATALOGUE借力 BI：發揮數據要素價值，加速數據資產入表04解析數據資產入表：概念側闡釋4.149480552企業精馭 BI 在于數：集成、治理、梳理73737475數據倉庫的重要性：數據底層建設的優解數據倉庫的本質：面向數據分析應用數據倉庫的特點：

6、集成、時效、持久數據倉庫：為業務決策和經營管理做支撐5.1數據資產入表，企業該入什么數據資產入表，企業該準備什么數據資產入表，企業會經歷什么數據資產入表，企業會得到什么解讀數據資產入表：結合帆軟產品的實踐數據資產化的關鍵：預期帶來經濟利益帆軟產品助力數據應用和數據價值發揮實踐案例：基于帆軟產品實現數據資產化4.3解構數據資產入表：企業側指南4.2525456586271數據資產的前身：數據到數據資源理解數據資產：數據三權和資產內涵理解數據資產入表：計入報表相關科目494951626263展望數據資產入表：未來趨勢4.47077777880帆軟理解的數據治理內涵：是一套管理體系帆軟數據治理策略：

7、拉式策略與推式策略適合多數企業的數據治理更優解：拉式策略數據治理：面向數據應用提升數據準確性5.287879698如何建體系：自上而下&自下而上相結合如何建底層：貼源-明細-匯總-應用如何用指標：BI 分析為主，多層次應用數據指標：企業監控與貫徹戰略的抓手5.307BI 理念：讓企業用好數據、提升效率0211151617BI 核心價值：助力企業提升效率BI 如何幫助企業提效：實現數據化決策 FineBI 產品特點：多維度夯實 BI 價值 FineBI 的產品功能：分解成八個維度FineBI 的優勢：強大的性能與分析能力FineBI 的發展方向：萬變不離其宗FineBI Platform：多形態

8、融合的分析平臺2.12.22.3智能 BI：產品落地更多是 AI FOR BI0335353637定義：AI 和 BI 的融合更多是 AI for BIWhat：如何理解 AI 和 BI 的融合Why：為何融合更多是 AI for BIWhen：何時邁入 AI for BI 時代How：目前如何發展 AI for BI 產品3.14041帆軟的產品落地：AI 和 BI 的融合帆軟近年來對智能 BI 的探索和思考產品落地：定位是對話式業務分析工具3.2081011回溯 BI：主線是多形態共生的演變01BI 定義：提供數據依據和決策支持BI 產品演變：多形態分析共生1.11.23540013402

9、04走進 BI 資深用戶：所用與所悟 2.427回溯 BI：主線是多形態共生的演變TRACING BACK TO BI:THE MAIN THREAD IS THE EVOLUTION OF MULTI FORM SYMBIOSIS06129133帆軟數字化建設之道：BI 筑基，業務引領帆軟視角：數字化建設的三大階段帆軟實踐：數字化建設中的業務層帆軟實踐：財務領域的 BI 應用創新部分業務引領階段，金字塔建設邏輯帆軟的財務數字化轉型歷程：從 Excel 到 BI帆軟財務實踐：基于 FineBI 的費用專項分析6.16.26.3106129107113113107108110數字化：始于跟隨、加

10、速協同、奔向引領帆軟數字化建設：三大階段實踐進程帆軟信息化部門的定位：保障效率提升獲取電子版，獲取書中專家一對一指導，可掃碼聯系工作人員0203商業智能應用白皮書 5.0商業智能應用白皮書 5.0BI 定義：提供數據依據和決策支持1.1早在 1958 年，IBM 的研究員 Hans Peter Luhn 便將“智能”定義為“對事物相互關系的一種理解能力，并依靠這種能力去指導決策，以達到預期的目標?！边@期間出現的領導信息系統（EIS，Executive Information System）和決策支持系統（DSS,Decision Support System）等技術應用，可以看作是 BI 的前

11、身。BI 并不是全新的事物，而是對一些現代技術的綜合運用。BI 為企業提供迅速分析數據的技術和方法,包括收集、管理和分析數據，將數據轉化為有價值的信息，并分發到企業各處，讓企業的決策有數可依，減少決策的盲目性，理性地驅動企業管理和運營。按照圖 1-1 中的 DIKW 模型，數據轉化為信息，升級為知識，升華成智慧的過程，便是數據價值的展現過程，其中要用到的種種技術和工具，就是 BI。BI 即 Business Intelligence，中文譯為商業智能、商業智慧或商務智能。最新定義BI是在打通企業數據孤島，實現數據集成和統一管理的基礎上，利用數據倉庫、數據可視化與分析技術，將指定的數據轉化為信息

12、和知識的解決方案，其價值體現在滿足企業不同人群對數據查詢、分析和探索的需求，從而為管理和業務提供數據依據和決策支持。早前，帆軟數據應用研究院對 1000 多名 BI 從業人員進行了調研，結果顯示，我國企業從業人員對 BI 的理解集中于數據的分析和展示，甚至被等同于數據分析與數據可視化。后續，帆軟數據應用研究院聯合知名媒體機構對眾多企業 CIO 進行了多次訪談調研。分析各次調研結果及變化，我們得出了以下主要結論：在 2020 年 9 月發布的商業智能（BI）白皮書 2.0中，帆軟數據應用研究院在文獻研究和企業調研的基礎上，結合我國的市場環境，對 BI 做出了新的定義。在本白皮書中，基于前文的描述

13、和分析，我們繼續沿用 BI 的這一最新定義：主要結論企業對于 BI 有著明確的訴求路徑，即整合數據解放 IT(體現在數據的接入、集成和管理上），通過分析和可視化手段輔助企業管理和業務決策，最終實現企業的降本增效和各項業務能力的優化提升。BI 已經被大眾所熟知，絕大多數企業都知道 BI 甚至會關注 BI，不少企業已經應用 BI；企業界對 BI 仍然有著眾多不同的理解，但將 BI 解釋為一整套解決方案的企業占比逐年增多，企業對 BI的認知開始趨于統一；數據信息知識智慧數 據 轉 化 為 智 慧圖：數據的價值展現0405商業智能應用白皮書 5.0商業智能應用白皮書 5.0BI 產品演變：多形態分析共

14、生1.21996 年，Gartner 集團正式將商業智能定義為：一類由數據倉庫（或數據集市）、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的、以幫助企業決策為目的的技術及其應用。從概念誕生到現在的幾十年間，BI 的價值和使命并未發生根本的變化，依然是將數據轉化為有用的信息，讓企業的決策有數可依，變化的只是 BI 所使用的技術，而 BI 的發展也就是體現在技術上。目前，BI 的核心技術主要包括數據存儲、數據 ETL、數據分析、數據挖掘，以及數據可視化分析。隨著數據量的激增和應用場景的復雜化，BI 在技術上也有所補充，例如 Hadoop 和 Hive 等大數據技術的出現就很好的彌補了 B

15、I 處理大數據的能力?；厮?BI 產品的發展歷史，會發現有一條清晰的主線，就是不斷的利用新技術降低數據分析門檻，從而讓更多的人能夠從大數據中受益，真正把數據轉變成生產力去驅動業務。圖：BI 產品的演變BI，即 Business Intelligence，中文稱為商業智能或商業智慧。2013 年以前：2013 年以后：用戶要具備 SQL 編寫、OLAP 建模等技術能力，用戶滲透率不到 1%。不要求 SQL 編寫等技術能力，但對數據分析能力要求高，用戶滲透率 10%。進一步降低了技術門檻，但仍要求用戶具備一定的數據思維。BI 起源于 20 世紀 80 年代，主要技術包括 SQL（結構化查詢語言）、

16、OLAP（聯機分析處理）和數據可視化。這些技術雖然提供了強大的數據分析能力，但對用戶的技術要求極高。用戶需要具備 SQL 編寫、數據建模和深厚的業務理解能力，因此，這類 BI 產品的用戶主要是 IT/DT 人員，用戶滲透率比例不到 1%。在這一階段，BI 的使用門檻非常高。用戶不僅需要掌握復雜的技術，還必須具備數據思維和業務理解能力。這意味著，只有那些既懂技術又懂業務的用戶才能真正發揮 BI 的價值。比如，一名優秀的 BI 用戶需要像DBA（數據庫管理員）一樣精通 SQL，同時也需要像 MBA 一樣具備深入的業務理解能力。這使得 BI 的普及非常困難，主要集中在少數專業技術人員手中。VizQL

17、 技術的出現，消除了用戶寫 SQL 的能力要求，從而讓一部分懂 OLAP 數據建模，同時具備一定的數據思維和業務理解能力的分析師和業務部門的數據 BP 能夠用自助式 BI 產品做自助分析，用戶滲透率大幅提升到 10%左右?；ヂ摼W的發展讓原本停留在學術界的機器學習、深度學習等 AI 技術在工業界得到了廣泛應用和快速發展。大家開始嘗試用這些技術去進一步降低 BI 產品的使用門檻，核心理念是用 AI 技術去增強 BI 產品的能力。當時的 AI 技術一定程度上確實降低了用戶的使用門檻，也催生了早期的檢索式/對話式 BI 產品。但用戶的滲透率并沒有得到大幅提升，從 10%上升至 15%。其中很大一個阻塞

18、就是用戶依然需要具備一定的數據思維才能使用增強 BI 產品，這對很多業務人員來說是一個巨大的門檻。報表式 BI：自助式 BI（即敏捷 BI）：增強式 BI：0607商業智能應用白皮書 5.0商業智能應用白皮書 5.0破除數據思維這個用戶門檻，用戶滲透率逼近 100%。以大語言模型（Large Language Model，LLM）為代表的生成式 AI 技術，為進一步消除數據思維這一項能力要求帶來了新的機會。在預訓練的過程中，LLM 內嵌了數據分析的知識，還可以通過 SFT 讓 LLM 具備專業領域的數據分析知識。產品集成這些具備數據分析知識的 LLM 以后，用戶只要具備一定的業務理解，就能從數

19、據中得到他所關注的業務問題的答案。智能 BI：BI 產品終極目標是“讓人人都是數據分析師”，奔著這個目標 BI 產品持續演進，會發展出不同的產品形態，以滿足不同場景的數據需求。需要強調的是，這幾類 BI 各有優劣，分別適用于不同的場景，不是絕對的相互替代的關系。尤其是報表、自助式 BI 和智能 BI。這三類 BI 將長期共存，供企業按需選擇，直到信息化基礎條件發生根本改變，建議企業根據自身數據應用成熟度來判斷哪一類 BI 更適合自己，或者是否需要結合使用。以雙模 IT 下的帆軟 BI 體系為例：報表式 BI 滿足企業管理層固定看數的需求；自助式 BI 滿足業務分析師自助分析的需求；智能 BI

20、滿足普通業務人員的即時查數與分析需求。圖：雙模 IT 下的帆軟 BI 體系BI 理念：讓企業用好數據、提升效率BI CONCEPT:ENABLE ENTERPRISES TO MAKE GOOD USE OF DATA AND IMPROVE EFFICIENCY以業務為中心的自助大數據分析平臺；主要面向業務和數據分析師，以問題為導向的探索分析；也支持報表制作具備業務邏輯和數據素養的業務人員或數據分析師傳統 IT記錄型信息系統穩定/可預測計劃驅動善于應對復雜場景數字化 IT差異化創新系統敏捷/探索性探索性驅動善于應對不確定場景雙模IT產品產品定位 定位 典型用戶典型用戶典型功能典型功能以 IT

21、 為中心的預定義報表平臺；主要面向 IT 部門，為企業日常管理提供固定式的報表展示具備基礎 SQL 知識的 IT人員固定式數據展現自主探索式數據分析復雜報表定時調度打印輸出管理駕駛艙參數查詢數據填報業務數據包Spider大數據引擎OLAP數據集故事儀表板自助數據集智能圖表FineReportFineBI以業務為中心的問答式大數據分析平臺，主要面向普通業務人員的即時查數與分析需求具備一定業務理解的普通業務人員產品定位 典型用戶典型功能智能問答式數據分析輸入聯想思路拆解多輪問答一鍵生成儀表板意圖解析分析報告Finechat BI0809商業智能應用白皮書 5.0商業智能應用白皮書 5.0BI 核心

22、價值：助力企業提升效率2.1讓數據成為生產力，既是一個可以宣傳的口號，同時也是指導著產品發展的方向。帆軟軟件產品研發團隊數據，為何能夠提高企業的效率？用數據決策，就一定做出正確的決策嗎？企業內有多少決策？回答這個問題，我們先看企業的成本在哪里，有的企業在意人力，有的企業在意原料，有的企業在意時間。人力、原料和時間都是成本，都不能輕易浪費?？赡睦镉姓婵盏沫h境呢，浪費一些總是難免，對于所有企業而言優先要考慮的就是巨大的浪費。巨大的浪費是怎樣產生的？有一句俗話叫做“兵熊熊一個，將熊熊一窩”，其本質邏輯是在講錯誤的決策永遠是最大成本的浪費，因為將軍不只是打仗更是那個做決策的人。一個錯誤的決策，會帶來人

23、力、原料以及時間上巨大的浪費。為何企業重視人才，因為人才可以基于他的知識和智慧來提高決策效率。所以，數據為何能夠提高企業的效率？因為數據可以提高決策效率，可以減少錯誤的決策，避免巨大的浪費。智者千慮也必有一失，數據決策不是萬能的，但它的出現必然可以提升正確決策的比例。所有的決策都是綜合各種信息而后做出的判斷，孫子兵法中講到：“夫未戰而廟算勝者,得算多也；未戰而廟算不勝者,得算少也。多算勝,少算不勝,而況于無算乎?！眰鹘y的中國智慧早已將這一邏輯講的透徹了，缺少信息的支撐難以做出正確的決策。數據可能不是決策所需要的全部信息，但數據必然可以提供大量的關鍵信息，有和沒有數據對于決策而言有著巨大的差距，

24、越是復雜的形勢下越需要數據來支撐決策。復雜的經營環境下，企業內的決策絕不僅是高層的特權，企業內上上下下每天都做著無數的決策。對于一個零售企業而言，采購部門要考慮哪個商品要補貨、該進多少貨；營銷部門要考慮哪個商品要促銷、該怎樣促銷；人事部門要考慮哪個部門存在人力缺口、怎樣選擇合適的人才。除非機械化作業，其他每一個要發揮個人主觀能動性的崗位都要自主地做各種各樣的決策來工作。差異在于有的決策簡單，有的決策復雜，有的決策影響較小，有的決策影響很大?？芍灰菦Q策就可能會出錯，每一個錯誤背后都存在著成本的浪費。所以，企業內有多少決策？這是數不清的，這些決策也是變化的。讓所有的決策都是正確的，減少從大到小的

25、每一個損失，這是每一個企業的理想，如何做到？靠著每一個人的能力嗎？這不現實，但我們讓每一個決策背后都有數據，就可以讓這一理想成為現實。到這里，我們再看標題上的問題，BI 的核心價值是什么？答案呼之欲出:BI 幫助企業更多地使用數據來決策，從而提高企業的效率總設計師說過：科學技術是第一生產力。恩格斯的觀點：生產力是具有勞動能力的人和生產資料結合而成的改造自然的能力。我們通俗地講，生產力就是單位時間內可以產出生產成果的量，也就是各企業關注的核心效率。企業之所以存在，是因為它將多個個體組織起來，通過優化生產關系從而實現比個體獨立生產更高的生產效率。效率是企業存在的根本，低于平均效率的企業和組織必然是

26、會解體的，企業之間的競爭本質也就是效率的競爭。因此，企業需要想盡一切辦法來提高效率，企業引進優秀的人才，是要提高企業的效率；企業引進先進的設備，也是要提高企業的效率；企業進行組織變更，同樣是為了提高企業的效率。同理，我們所說讓數據成為生產力，也就是讓企業通過數據來提高企業的效率。1011商業智能應用白皮書 5.0商業智能應用白皮書 5.0BI 如何幫助企業提效：實現數據化決策2.2讓數據規范起來：BI 就是要解決以上四個問題，從而能夠讓企業實現數據決策，提升企業的效率。讓數據可以看到：讓數據可以被編輯：足夠簡單和高效：很多企業的數據是混亂的，甚至夾雜著大量的錯誤的、無效的數據，這樣的數據是沒有

27、辦法用于決策的。明細數據無法被閱讀和理解，而將數據按照對應的維度和指標來展示就有了它的意義，如果匹配上合適的圖表，數據將具備更好的可讀性，也能夠表達出更豐富的業務意義。圖表與數據的結合是一項專門的科學，其內容十分豐富，對于企業的數據分析用戶來說是一個非常值得深入研究的領域。既然數據已經是規范的、可用的，還需要對它再編輯嗎？所謂：“道生一，一生二，二生三，三生萬物”。數據是死的，但業務卻是活的，面對復雜的經營環境，業務則不僅是活的，更是靈活的，半部論語治天下的時代已經過去了。所以數據需要能夠被編輯，能夠基于固定的原始數據衍生出無限的可能，應對任何復雜的業務需要。如果說前三個需要是在“畫龍”，這一

28、條則是“點睛”。前文已經介紹，現如今企業內需要的決策不是有限的一兩個，而是每天都有大量的決策。另一方面企業不是面對固定的問題來決策，業務問題是靈活多變的。如此環境，非簡單高效之工具不能解決問題。簡單和高效不僅僅是對于企業的宏觀層面，同時也是對于用戶每一個分析過程體驗的微觀層面。下文中將以帆軟 FineBI 產品為例，具體剖析 FineBI 如何幫助企業解決上述四個問題。數據就在那里，可是要拿來用于決策，中間還有幾個問題需要解決。這是BI的邏輯，但這也還只是BI的基礎能力。企業可以用BI解決1個問題，也可以解決1w個問題，可以解決1個人的問題，也可以解決1w個人的問題，雖然都是在使用BI解決企業

29、的問題，但給企業帶來的價值卻有著天壤之別。企業使用BI能夠給企業帶來多大的價值，能夠給企業提高多少的效率，這不僅是企業自身管理水平的問題，也是BI工具水平的問題。好的BI工具要有最低的推廣門檻，也要有最低的使用成本，這可以降低企業推廣的難度，降低用戶分析的難度，讓企業以極低的成本實現數據化決策，這才能讓大多數企業獲得成功。FineBI 產品特點：多維度夯實 BI 價值2.3FineBI 的產品功能：分解成八個維度BI要幫助企業實現基于數據進行決策，中間有一些問題必須要解決，這決定了BI產品的基礎形態。在此之外，BI不能僅僅滿足于只解決一兩個問題，我們知道企業內有很多決策要做，其中只有一兩個決策

30、基于數據和全面實現數據化決策是兩種概念。BI的使命是要讓企業實現全面的數據化決策，是要給企業創造最大的價值，那這就決定了BI產品的發展方向勢必要解決上述企業面臨的4個問題：BI產品會有很多的功能，但并不是散亂隨意的，我將BI的產品功能劃分為了8個維度，而這8個維度與上文的四個方向形成了一定的對應關系，具體如下：讓數據規范起來讓數據可以被編輯讓數據可以看到足夠簡單和高效圖：BI 產品功能的 8 個維度1213商業智能應用白皮書 5.0商業智能應用白皮書 5.0010203當然，以上的邏輯圖只是一個簡單的呈現，產品的幾個維度彼此之間并不完全獨立。例如產品數據分析能力的提升不僅僅可以幫助企業里的更多

31、數據被看到，也可以幫助讓更多的數據可以被編輯。8個維度具體的解釋及相應的FineBI功能設計如下：完整的數據規范管理穩定安全可靠的系統高效的性能用戶能夠分析好數據的基礎是有一份高質量的數據可以使用。規范數據卻一直是企業數據建設的難題，企業數據量大且龐雜，數據的一致性、準確性、完整性等面臨著巨大的挑戰。因此產生了很多方法和工具來幫助企業規范數據，比如數倉建設方法Inmon和Kimball模型、比如后期衍生的數據中臺建設方法論等等。BI應用越深的領域，所產生的分析需求也越多，數據質量的要求也越高，因此BI工具是否具有規范數據的能力就越重要。這是所有ToB產品的基礎要求。所有用戶都會有產品確定性和安

32、全性的要求，一個穩定的系統才是可控的，才能夠讓用戶放心地使用。第一，用戶查看、分析數據時，產品要有快速的反應，這是效率的體現；第二，面對龐大數據量時，產品依然有高效率的表現。這些就是對產品高性能的要求。FineBI提供了豐富的數據管理方法，尤其在今年我們將進一步完善數據建設能力，包括模型建設和管理、指標管理、維度關聯、全局血緣分析等等?；谝陨夏芰ξ覀儗⑻峁┩暾臄祿幏豆芾斫鉀Q方案，幫助客戶建設規范的數據平臺，支撐數據的分析和展示。FineBI為了系統的穩定安全可靠做了大量的工作，比如我們做的集群架構、存算分離架構、服務拆分以及運維平臺等等都圍繞著這一目標。是什么：是什么：是什么：FineB

33、I 做了什么：FineBI 做了什么：0504強大的數據分析能力完善的系統管理縱觀國內所有的BI廠商，FineBI應該是在這一維度投入最大的。我們研發了自己的引擎，并且我們的引擎經過了幾個版本的迭代，可以在億級別的數據量上有著非常優秀的性能體驗。此外，我們自研的引擎相比通用引擎有著一個巨大的優勢，那就是可以和數據分析的場景進行很好的結合。FineBI能夠識別出最重要的一些場景，智能地調節計算資源，正如蘋果軟硬件結合的設計能夠給到用戶最佳的體驗一樣，引擎和產品的深度結合也會給企業給用戶帶來最佳的體驗，這種體驗是其他和通用引擎結合的BI所無法提供的。FineBI 做了什么：核心是系統的用戶管理和資

34、源管理，具體包括用戶管理、權限管理、安全管理、任務管理等等。我們要讓更多用戶使用產品，但用戶越多，系統所產生的所占用的資源也就越多，系統管理就是去實現系統整體不隨著用戶使用的增多而變得更復雜或是更混亂這一目標，從而保證每一個用戶都能用得舒服。一份數據能挖掘出多大的價值，就非常依賴產品的分析能力。一份數據，只能原封不動的將其展示出來，這就是沒有分析能力，只有展示能力；一份數據，能夠加工成任何用戶所需要的數據或子表，這就是產品強大分析能力的體現。強大的分析能力能夠讓用戶看的更深、看的更遠，這也是數據決策的核心體現。FineBI在基礎的系統管理能力上是十分完善的，例如內置的用戶和數據權限體系能夠滿足

35、集團級管理需求。同時FineBI的運維平臺能夠實現對系統資源的管理監控，包括負載、網絡、內存等等情況。FineBI打造了數據分析“三大件”的分析能力體系，數據編輯+主題模型+分析函數的結合能夠讓用戶獲得任何他需要的數據結果，能夠解決任何復雜的數據需求，可以說我們基于數據分析“三大件”從而具備了最完整和強大的分析能力體系。是什么：是什么：FineBI 做了什么：FineBI 做了什么：1415商業智能應用白皮書 5.0商業智能應用白皮書 5.0060708豐富美觀的可視化展示更多的數據應用場景易學易用的產品簡單說就是將數據轉換成圖形或圖像并允許用戶進行交互處理。對于一些業務場景而言，餅圖就是最直

36、觀的展示方式，而有些業務場景只有通過散點圖才能發現其中的問題，豐富的可視化展示能力可以顯著提升用戶數據解讀的效率。數據能用來做什么？分析數據，對數據進行可視化，這是BI的基礎能力，在這些基礎能力上可以衍生出更多具體的數據應用場景，例如數據的預測、數據的問答、數據的解讀等等。這一維度上目前大多數BI產品處于同一水平?；跀祿Q策是要提升企業效率的，但用戶完成某個分析卻要很高的成本是不行的。只有低成本的分析，才能讓用戶愿意持續使用，所以產品的易用性易學性，不僅僅是提高用戶自身分析效率這么簡單，它也是企業數據化決策推廣的重要條件。我們提供以規則為基礎的圖形展示能力，相比于圖表類型的窮舉方案，基于規則

37、配置，通過不同規則的組合可以實現極為豐富的展示圖表。FineBI目前已經更新了數據問答、數據解釋兩種應用場景，此外我們在數據協作分析場景上有完善的功能提供。結構上，在FineBI6.0之后，我們優化了我們的分析路徑，讓用戶實現在一個主題內沉浸式地進行完整的數據分析，從而具備更高的分析效率。具體設計上，我們每一個設計都特別關注到產品功能上的易用性，例如在數據編輯里的每個功能設計，都能夠讓毫無數據分析基礎的用戶完成非常復雜的分析。我們也會不斷回顧產品的歷史設計，對不易用的功能進行不斷的重構和迭代，例如近期FineBI過濾層級方面的重構。是什么：是什么：是什么：FineBI 做了什么：FineBI

38、做了什么：FineBI 做了什么：FineBI 的優勢：強大的性能與分析能力BI產品的基本形態是相似的，例如系統管理能力、一定的數據分析能力、可視化能力等這些基礎能力是所有產品都具備的，在這些基礎能力之外不同產品之間也有一定功能上的差異。整體上而言，FineBI相比起其他的產品，更加重視產品自身內功的建設，無論是底層的引擎建設還是產品分析能力的開發都需要巨大的投入，然而這兩個維度的投入并不如可視化模塊的投入那樣可以快速地體現。但是我們清楚地知道這是企業需要的核心能力，隨著企業面對的分析問題的多樣化和復雜化，隨著企業使用BI功能的深入，產品的引擎和分析能力的價值就會愈發凸顯出來。當然，這些優勢只

39、是某一時刻的狀態，FineBI還在繼續發展。如前文所述，我們在數據規范建設、系統的穩定性等等各個維度都有著巨大的投入，未來一段時間內這些維度上的產品功能都將會有巨大的提升?？偟膩碚f，FineBI 在兩個功能維度上具有最大的優勢：高效的性能：正如前文所述，帆軟長期堅持自研分析引擎，并且進行了多個版本的迭代。因此FineBI的引擎不僅僅可以支撐超大數據量的高性能分析，并且能夠智能匹配BI的分析場景，使得我們的產品具備了最佳的分析體驗。最明顯的體現是我們的引擎能夠實現分析過程的高性能體驗，而市面上其他大部分的引擎都只能支撐對一個固定的結果進行計算。市面上其他的BI產品面對分析過程只能選擇局部數據計算

40、，或者放棄分析過程中實時結果的反饋，這樣會增加用戶分析過程中抽象化思考的負擔，從而增大用戶分析的難度。強大的數據分析能力：很多BI產品將它們的分析能力集中在可視化功能上，而忽視了分析能力的建設，這是一種取巧的做法。產品專注于提高其可視化能力可以在短期內快速看到價值，但面對用戶復雜的分析需求時就會顯得無力，而FineBI則是系統性地設計了產品的分析能力，并以此形成了獨特的基礎結構。FineBI不僅能解決用戶剛剛使用產品時的一些簡單的問題，也能夠解決用戶深入使用產品之后想要解決的更復雜、更深入的問題。1617商業智能應用白皮書 5.0商業智能應用白皮書 5.0FineBI 的發展方向：萬變不離其宗

41、所謂萬變不離其宗，FineBI的發展不會改變BI產品本身的定位，而是尋求更高的效率。從目前來看，BI的未來發展也離不開上述幾個維度。01穩定安全可靠的系統FineBI 發展方向：很多人說BI不是業務系統，穩定性要求不如業務系統高，個人并不認同這一觀點。隨著BI被企業的應用范圍越來越廣，它對業務的影響范圍也隨之增大，它的穩定與否也時刻影響著企業的業務安全。在這一維度上FineBI仍有很大的發展空間，即便帆軟已經做了很多功課，但我們還要進一步追求更高的目標。今年帆軟將圍繞著防宕機對FineBI做更多的優化，我們會系統性地梳理所有可能引發宕機風險的問題并將其根除。02高效的性能FineBI 發展方向

42、：對于一般的產品而言，性能當然是越快越好。但是對于BI產品來說，更快的性能不是錦上添花，而是必不可少。企業的數據量越來越大，數據決策越來越多，數據分析的場景也會越來越復雜，這些都給引擎帶來了巨大的壓力，一款優秀的BI產品必須要擁有一顆強大的心臟。FineBI在億級別的數據量處理上已經有著非常優秀的性能體驗，但帆軟對產品的性能和支撐的數據量還有更高的追求。我們今年將會對FineBI引擎進行進一步的升級，從而實現在十億數據量級別上的高性能體驗。03完善的系統管理FineBI 發展方向：我們今年會新增資源控制管理功能，從而避免用戶無序使用進而浪費企業內有限資源的情況。同時我們會進一步完善資源使用情況

43、的監控，方便企業對無效資源和風險操作的管控。04強大的數據分析能力FineBI 發展方向：在這一維度上FineBI目前的能力是比較完善的，而未來我們需要進一步完善的是具體功能上的細節，從而進一步降低分析的成本。比如完善模型的多事實多維度能力、完善窗口計算能力等。05豐富美觀的可視化展示FineBI 發展方向：FineBI目前具備的圖表類型很完善，但相對弱勢之處在于，基于規則的配置相比基于窮舉的方案的學習成本要高一些，這是我們接下來需要解決的方向。06易學易用的產品FineBI 發展方向：新的技術將為產品易學易用性帶來新的變革：這里所說的新技術便是AI。AI的出現給我們的工作生活帶來了許多新的可

44、能，通過AI技術的融合能夠讓BI使用變得更加簡單和高效?；蛟S用戶不需要學習大量的工具知識也能做好分析，或許用戶即便不懂數據也能夠用好數據來解決業務問題.總之，AI的出現帶來了很多可能，對于BI產品來說也是一樣，AI技術的結合將是下一代BI的必備能力。除了新技術的應用，產品易用性的升級探索是永無止境的。今年我們將針對FineBI的圖表配置易用性、函數編寫易用性等方面做進一步的優化和改進。BI因為其豐富多樣的可視化組件，簡單靈活的制作方式而被人所熟知，但“福禍相依”，其優勢使得大家以為BI僅僅于此。隨著企業對于數字化轉型的重視，對于數據驅動決策的認識提高，BI在整個企業數字化轉型中的生態位越來越重

45、要，在部分企業的重要性已經等同于甚至超過生產系統了。前文提到，BI產品終極目標是“讓人人都是數據分析師“，注定會發展出不同的產品形態，以滿足不同場景的數據需求。然而，不同種類BI各有優劣，分別適用于不同的場景，并沒有絕對互相替代的關系，因此是屬于多形態共生。同時，帆軟認為BI僅靠一種模式并不能滿足企業的訴求，需要包含數據全鏈路的管理和建設，包括了數據生產，數據準備，數據存儲，數據可視化和分析，數據決策，以及資產的治理，行業方案的應用復用，甚至包括了組織和人才的構建。FineBI Platform：多形態融合的分析平臺1819商業智能應用白皮書 5.0商業智能應用白皮書 5.0FineBI Pl

46、atform是將帆軟多款數據產品，包括FineReport、FineBI、FineDataLink、FineVIS、FineChatBI，整合到一起的“全鏈路數據分析平臺”，滿足不同角色的不同數據訴求，滿足不同企業的信息現狀的不同訴求。因此，帆軟基于“BI 多形態共生”的理念，融合自身的多種形態 BI 產品，推出全鏈路數據分析平臺FineBI Platform：FBP作為“全鏈路分析平臺”，主要的價值主張如下：圖：FineBI Platform-全鏈路數據分析平臺-價值主張01多形態分析融合數據分析師需要以業務為導向的自助深度分析對外呈現需要炫酷的大屏財務類復雜場景需要固定式復雜報表大量業務用

47、戶需要像即席或者問答 BI這種簡化的分析形態BI不同形式產品之間并不是代際替換關系，而是需要長時間共存的。因為，企業的場景是豐富多變的：2021商業智能應用白皮書 5.0商業智能應用白皮書 5.002行業應用復用因此僅靠一種模式并不能滿足企業的訴求，因此帆軟將多種形態融合在一起。伴隨著企業數字化改革的深入，很多企業已經脫離使用工具的階段。向外看，從客戶視角出發，當前帆軟提供給客戶的場景解決方案（工具產品+項目服務），用戶不清楚概念性的方案的最終形態（售前階段難以理解帆軟），用戶的上線成本&時間較高（交付階段難以相信帆軟），主要有以下提升點：所見即所得：降低應用成本：提高應用數量&質量：圍繞業務

48、用戶提升需求選擇&確認的效率，客戶不需要去想象基于帆軟產品能實現什么系統，而是在平臺上直接挑選“成品”；圍繞開發用戶提升綜合開發效率，降低系統綜合上線成本&時間，形成需求發起-應用市場挑選-系統對接上線-個性化修改的高效路徑；圍繞數據生態，吸引更多的需求方和供應方參與進來，從而提升整個產業效率，企業內、企業間形成數據資產的交易，讓數據應用變得更簡單。從短期角度來看，目前的調研信息顯示當前應用復用主要阻塞點包括：因此在FBP中，帆軟將行業應用復用上升成公司級的戰略，同時推出包括帆軟市場，行業智庫，應用數據源，本地的素材庫等多個功能模塊旨在讓帆軟的行業經驗以更好的形式落地到客戶的實際場景中。將帆軟

49、的行業經驗，結合數據中心的載體，將其內化到產品里，再也不是PPT的形式?？梢运娂此?，且可以快速基于指標和模板，搭出自己想要的DEMO，縮短交流對齊的周期。產品阻塞：平臺阻塞：運營阻塞：內容阻塞：客戶工程還原回來困難、底層數據復用難度大、應用內容復用到客戶困難等平臺渠道雜亂、平臺運營管理不佳、生態能力欠缺、當前營銷能力難以支撐應用內容跟客戶業務需求的匹配大量內容沉淀在個人而非組織、組織之間的資料流轉不佳、重心在打單回收效率不佳等內容通用阻塞（內容不足、價值不高、缺少體系化整合）、重點內容阻塞（客戶案例價值不高、demo質量不佳）a)行業智庫2223商業智能應用白皮書 5.0商業智能應用白皮書

50、 5.0我們將客戶的常用的組件、模板、甚至解決方案，打包上傳到帆軟市場上，方便用戶更好的參考。這一項目其實自2018年就開始構建，但之前僅僅是PPT的形式。在FBP中，我們做了一系列功能，包括資源導入導出，數據脫敏等讓模板復用的效率極致提升。用好BI的前提是對接數據，這項工作雖然簡單，但極其繁瑣，在FBP中，我們將常用的數據源進一步封裝，包括SAP數據、用友NC、釘釘數據、飛書數據等等，如下圖，可以“開箱即用”b)帆軟市場c)應用數據源0304統一資產門戶統一數據中心2022年之前，BI工具往往聚集在如何更好更快的生產出數據資產，但隨著企業的數字化轉型，很多企業已經走向第4個階段數字平臺化，即

51、如何將現有資產通過更好的治理發揮出更大的價值。強大的消費層必須得依賴統一的數據層，帆軟在FBP中將多產品的數據層能力融合到一起，包括數據目錄、指標模型、數據管理、數據開發、數據服務、運維中心等，如下圖：因此在FBP中，自2023年開始，通過統一資產門戶、通過流程管理，對產出的元數據梳理，治理條約的整合，全生命周期的管理等等，將以前通過自服務產生的內容，更好地發布出去，將資產價值最大化。沉淀從數據到應用管理體系，提升業務用戶找資產、用資產的效率，提升面向管理用戶的運營運維能力。2425商業智能應用白皮書 5.0商業智能應用白皮書 5.0帆軟統一數據中心有如下幾個優勢：原先中帆軟生態里，FR和BI

52、的數據來源不同，帶來阻礙和困惑，FR的數據權限該如何控制？FR和BI的數據計算方式不一致，如何保證數據一致性？數據變更后上述問題變得更為嚴重。同時，又可以通過數據服務的能力，可以將統一的數據層輻射至其他場景。IT和業務的配合是企業數字化建設中最大的難題，甚至沒有之一。FBP中將兩者完美結合，即支持業務類Excel式的數據處理，又支持復雜的ETL開發，維度建模。傳統IT模式標準但復雜，導致開發周期極長，大大提高了數據使用的門檻；敏捷BI模式自由簡單但缺少管理，雖然極大的激發了業務使用的潛力，但數據處理的不規范和隨意，使得系統在性能、存儲空間、更新時長、口徑混亂上有極大的風險。消費層的統一數據層，

53、天然解決統一數據口徑、數據權限等問題IT 復雜標準構建與業務靈活自助完美結合由于FBP將自數據的ETL開發、模型、指標、組件到模板，全鏈路血緣進行整合，我們可以基于此架構帶來無限可能全鏈路血緣帶來的無限可能 一張看板里到底用了哪些指標？一張看板里的某個具體的指標，到底是怎么來的？其背后的含義是什么？一個指標到底用在了哪些看板里面？指標改動后會影響那些看板？基于血緣，判斷哪些指標是常用的，哪些直連可以物化。當數據錯誤時，可以基于全鏈路血緣進行排錯。2627商業智能應用白皮書 5.0商業智能應用白皮書 5.005統一運維管理隨著BI系統的復雜度提升，拿帆軟的工具舉例，既有消費層的FineRepor

54、t、FineBI，又有數據層的FineDatalink，同時還有引擎和存儲的架構升級，包括了當前的存算分離的架構，及未來的MPP架構的引入。無疑給系統的運維管理提出了極大的挑戰：我們在享受私有部署帶來的安全自由的同時，又不得不應對如上挑戰。因此，FBP通過帆軟統一運維平臺，將帆軟應用整個運維鏈路中的問題（從部署到運維管理，到監控告警，到故障問題快速處理）通過可視化的形式最低成本的解決。單產品的集群如何部署，存算分離的架構該如何部署？多產品之間的升級如何不互相影響，故障如何隔離？標準產品與第三方組件如何更好的適配，如何保證第三方組件的高可用，使得系統能真 高可用？多產品如何更好的集成部署？產品內

55、的問題如何運維等？復雜產品架構與環境的適配度該怎么應對？走進 BI 資深用戶：所用與所悟2.4對話【2024 帆軟 MVP 候選人】華東理工大學出版社有限公司 數據運營總監王曉博哪些企業應該要上 BI？所在企業背景：所在企業為什么要上 BI，以及 BI 帶來了哪些作用？所有的企業。很多企業上 BI 的阻礙之處主要有兩大方面缺乏人才、對數字化轉型投入產出的未知。其實不管目前任何規模的企業，都應該有員工學習 BI 產品、零代碼產品，規模小的企業可以從 SAAS 的產品如九數云開始切入，甚至先把 FineBI 本地版“物盡其用”都是極好的，投入幾千塊錢買幾個簡道云賬號把企業簡單的流程“在線化”都是數

56、字化轉型小投入的開始，只有開始才能有下一步的數據指導經營決策。所有的工具都只有一種特性用則有用，不用則無用。我所在企業是一家100人左右的中小型企業，有25個BI產品用戶，比例相對較高。21年，公司面臨數字化轉型的挑戰，從剛開始做BI的選型到真正上線這一過程，我們只有100個人，并花一年的時間教會這25個BI產品用戶具體如何使用。相較于大企業較為宏大、每年投入幾個億的數字化轉型，我們這種幾百人到一千人之間的中小企業在數字化轉型過程中，可以有更多的互動交流，與其他企業的數據分析師或者是IT項目負責人一起交流，互相進步。組織架構十分扁平。由出版社社長統一領導整個數字化轉型項目，協調各方的資源，不需

57、要花費很多時間進行跨部門溝通，能夠快速達成共識。職務角色比較復合。正常的 IT 部門已經有比較成熟的數倉中臺、報表體系等，職責比較分明。但我們公司 IT部門只有兩個人，我作為分析師可能會負責一些 IT 項目，而我們公司 IT 也可能做一些分析工作。所以我們這樣的中小型企業職務角色比較復合，部門之間交叉會多一些。2829商業智能應用白皮書 5.0商業智能應用白皮書 5.0所在企業內 FineBI 用戶使用情況：對于中小型企業而言，在進行數據分析等需求時，選擇 BI 的必要性有哪些？如何理解數據素養？結構組成：內部使用 BI 的人大部分是業務部門的，只有四個人（2 個分析師，2 個 IT）具有技術

58、/數據背景，剩下 21 個人都是業務部門的骨干、中層領導等。FineBI 掌握程度：25 人中大概有一半（12 人左右）經常使用 FineBI，并且用的比較好，大概能有 5 人能達到精通水平，能夠做一些比較深入的分析。第一點需要考慮是否存在每月需要人工重復性操作的任務，花費時間有多少。比如我們公司有 12 個人，每月需要花兩天時間去處理數據的事情，一年大概有三百多天要做這個事情。如果把這個重復性工作徹底解決，就沒有額外工作量。所以主要從重復性工作角度去考慮選擇的 BI 必要性。第二點是自助式探索式分析的必要性。我們企業有 100 人，18 個部門，均為扁平化管理。每個部門人很少，數據需求又完全

59、不同，因此我們會面臨很多部門很多不同形式的數據需求。我們之前只能依賴于 excel 去做，最后導致無法及時響應所有部門的所有需求。業務用戶也會因為數據延遲進而錯判時機，沒有進行實時決策和分析，進而導致錯失良機。數據素養可以理解為個人理解和分析數據的能力，包括數據的獲取、處理、分析和決策并優化流程的能力。數據素養是理解和分析數據的基礎，數據思維是應用數據進行決策的思維方式，而數據工具技能則是實現數據素養和數據思維的具體技術手段。三者相輔相成，共同構成了在數據驅動的世界中成功的關鍵能力。技術能力較弱。專業的運維技術人員在使用 FineBI 時遇到一些小問題可能對他來說比較簡單，調調參數即可。但是我

60、們要借助外部力量，需要咨詢帆軟的技術支持，沒有任何的經驗，需要一步步慢慢摸索。但是好處是我們能夠非?？焖俚陌盐覀冋莆盏膬热萃ㄟ^多次內部培訓教授給這些 BI 產品用戶。大幅提高工作效率。我們這種規模的企業數據分析師只有兩個人。而數據分析內容分散在各業務部門銷售、印制、總編辦公室等，數據統計工作量較大，占個人30%到50%工作量。之前沒有Fine BI時都是通過手工去做，現在把這些固化的東西放到 FineBI 里面做儀表板，通過一些分析替代掉這些手工固化工作，進而剩余時間去做其他事情。除此之外，我們企業去年 11 月份更換 ERP，因為在 ERP 更換過程中有大量數據（大的表單近千萬級別量級）需要

61、核驗，FineBI 在這個過程中起到十分關鍵的作用，這些核驗的工作全都是在 BI 中進行的，如果沒有 BI的話工作量會非常巨大，就是對于我們一個中小企業來說，沒有專門寫報表寫 SQL 的人。我們認為數字化時代員工是需要“數字化能力底座”的，就是無論你從事任何的專業崗位，數字化能力都是高效工作的基礎。我們在 BI 項目中，為企業挖掘了一批業務能力優秀且具有非常強的數據素養的人才，這些很快成為各部門骨干，擔任了部門比較核心的工作崗位，且在部門中有著不可替代的作用。如何理解企業數據文化的？什么時候感受到 BI 的價值？企業數據文化和企業數字化轉型一樣，是一把手工程。只有領導重視數據分析，且自身有較強

62、的數據敏感性，能夠通過大家提供的分析中得出真正有利于企業發展的決策，才能真正鼓舞推動企業的數據文化建設。自助式分析實現業務價值：企業管理比較扁平化，100 個人分為 18 個部門，數據分析+技術只有 4 名員工，支持 18 個部門不同視角的數據需求在響應效率上影響比較大。而很多需求對業務部門來說是重復性的，數據分析的過程是相對比較簡單的，完全可以通過業務用戶自助式分析實現。所以在 BI 項目在各部門全面推廣之后，對各部門涉及數據查詢需求的用戶進行了多輪培訓，實現了每個部門都有自己的 FineBI 設計用戶，進而實現了業務的自助式、探索式分析，真正是業務視角出發的數據分析去解決業務當中的問題。企

63、業數字化意識提升提高效率代替“偽工作”：吳軍博士在見識中提到典型的偽工作者有的人明明能夠通過學習一種新技能更有效地工作，卻偏偏要守著過去的舊工具工作，甚至手工操作，這種人是典型的偽工作者。從 BI 項目的推廣落地，顛覆了之前手動統計數據的“偽工作”，帶來了大家對數字化時代工作模式的思考，哪些是能產生價值的工作，哪些是通過工具可以直接替代的工作。組織變革：數字化時代員工能力底座 3031商業智能應用白皮書 5.0商業智能應用白皮書 5.0對話【2024 帆軟 MVP 候選人】周大生集團下的全資子公司深圳市互聯天下 數字建設部黃 燕現在做 BI 和之前做 BI 在目的和意義上有什么區別？區別一：平

64、臺定位為：數據決策與數智賦能的核心平臺，而非報表制作工具區別二：項目性質定位為：數字化轉型升級持續性團隊建設，而非分期的 IT 項目建設主要負責FineBI相關項目，并成功引入FineBI，第一批購買的15個賬號均為滿額高頻使用，帶領團隊實現從0到1搭建及落地經營分析報表體系，順利帶動商品中心及客服中心的同事自主學習FineBI推薦課程。當前共購買25個賬號，BI分析次數達到月均3000次。同時也負責數倉項目立項，包括數據標準的梳理以及數字建設部工作規范體系梳理。我們決定將FineBI平臺定位為周大生電商業務數據決策與數智賦能的核心平臺。這意味著，FineBI將不僅是一個數據查詢工具，更是驅動

65、業務增長、賦能終端決策的智能引擎。為了實現這一定位，我們將圍繞FineBI構建以下三大核心價值場景：a.統一數據分析門戶：解決數據分散、處理困難的問題，將所有分析人員的明細數據集中在一個平臺上，形成統一的數據源，減少數據處理中的冗余與誤差，提高工作效率。b.自助式數據分析：賦予業務人員自我分析、自我挖掘數據價值的能力，讓他們能夠基于自身業務需求，快速構建個性化的數據分析報表，提升業務洞察力和決策效率。c.智能數據驅動決策：通過FineBI的AI算法和預測模型，為管理層提供基于數據的智能決策支持，幫助他們更準確地把握市場趨勢，制定更有效的業務策略。在確定了BI平臺的定位和價值場景后，我們意識到，

66、要實現這些目標，必須有一支具備數字化思維和技能的人才隊伍。因此，我們將啟動一系列人才培養和團隊建設措施：a.內部培訓：組織針對FineBI的專題培訓，讓全體員工了解BI平臺的功能和價值，掌握基本的數據分析技能。b.實戰演練：鼓勵員工在實際工作中運用FineBI進行分析和決策，通過實戰演練提升他們的數據應用能力和業務洞察力。c.團隊建設：建立跨部門的BI團隊，吸納具備數字化技能和業務知識的復合型人才，共同推動BI平臺的建設和應用。通過這些措施，我們期望能夠培養出一支具備數字化思維和技能、能夠熟練運用FineBI進行數據分析和決策的人才隊伍，為業務的數字化轉型和數智化升級提供有力支持。有沒有發現大

67、家對 BI 存在一些認知上的誤區？自身的工作內容如何助力公司積累數據資產？最早接觸的帆軟產品是哪款產品？對于 BI（商業智能）的認知誤區，許多人可能只是簡單地將 BI 視為一個可視化的工具，但其實它遠不止于此。并非只是簡單的數據可視化工具。雖然數據可視化是 BI 的一個重要組成部分，用于將復雜的數據轉化為直觀、易于理解的圖形和圖表，但它僅僅是BI體系中的一個環節。BI的真正價值在于能夠深入分析和理解這些數據，揭示出隱藏的業務趨勢和機會，從而為決策提供有力支持。BI 并不是 IT 部門的專屬領地。盡管 BI 技術和解決方案通常是由 IT 部門開發和維護的，但 BI 的真正價值在于其能夠為整個企業

68、帶來洞見和價值。從高層管理人員到一線員工，每個人都應該能夠理解和利用 BI 工具，以便更好地了解業務狀況，做出更明智的決策。BI 也不是一個一勞永逸的解決方案。隨著業務的發展和數據的增長，BI 系統需要不斷地進行更新和優化，以適應新的需求和挑戰。這意味著，BI 的實施是一個持續的過程，需要不斷地投入資源和精力，以確保其始終能夠為企業帶來最大的價值。因此，我們需要更加全面和深入地理解BI，擺脫那些傳統的認知誤區。只有這樣，我們才能真正發揮BI的潛力，為企業創造更大的價值。a.構建一套完善的人貨零售電商數據分析體系，深度挖掘數據潛力，為業務決策提供強有力的數據支撐，實現精準的業務方向引導。b.精心

69、搭建 FineBI 分析域和分析主題體系的數據業務包，確保同分析域下分析主題應用數據源的一致性，進而達成標準數據指標口徑的高度統一，有效促進業務決策的數據化、標準化。c.在實際操作中，我們引導并教導業務管理者遵循正確的使用路徑，利用 FineBI 進行自助式數據分析，從而顯著提升業務洞察的效率和準確性，為業務價值的實現提供有力保障。最早接觸的是 FineBI，2021 年 10 月帆軟商務向我們蜜蜂互聯董事長及 CTO 及數據分析負責人們介紹FineBI 主要功能和報價。第一印象：好貴，但有 Excle 分析能力基礎的業務人員能很快用起來。董事長“割肉”3233商業智能應用白皮書 5.0商業智

70、能應用白皮書 5.0什么時候感受到 BI 的價值？上線 FineBI 平臺，我們感受到的比較明顯的四個價值：1.數據獲?。簩崿F了數據的自動取用，以前我們要提需求給 IT 部門，現在數據已經在 BI 上匯總好了，需要哪個數據自己上去取就可以。買下后 3 個月，沒有業務人員用起來，都是產品/數據分析人在用。機緣巧合，我僅花了一周時間，做出了一個數據分析報表，驚喜到 CTO，被推薦為 BI 建設推廣項目負責人。FineBI 用了三年，經歷了 FineBI 從 5.0升級到 6.0，再升級到 6.0.14 版本。分別用到了如下圖版本升級的主要功能，以最短路徑實現同分析主題下，數據模型血緣的最簡化和數據

71、模型的可視化。2.數據控制：數據的安全管控其實以前是個比較痛的點，excel 滿天飛我們也很難管控的數據的權限，那現在基于公共數據的這種管理模式，我們實現了數據權限的全鏈路管理。3.報表設計：這里想提一下帆軟的協作能力，真的是極大地提高我們人員間的配合效率。4.最后就是一個比較大的點，也就是我們組織對這一塊的認可度比較高的，就是經營分析效率。因為 BI 它可以很快速的去實現相關組件的聯動和鉆取，所以實際上我們分析數據問題的時候效率有了很大的提升。以前用 excel 是結果數據，發現了問題我們人員要去透視表里重新定位，現在可以直接基于看板聯動定位，這樣我們就可以沉淀一些深度的分析應用在 BI 上

72、面，管理層甚至可以自己去分析一些關注的業務問題。然后從這個整個的人效跟工作模式的變化上我畫了一個圖來做總結，可能說我們業務部門的分析工作從原來 80%的時間花在數據處理上，而且是重復性的數據處理，轉變成了 85%的時間是用于報表的模型設計以及經營分析的業務洞察，這個是對我們來做最大的轉變。3435商業智能應用白皮書 5.0商業智能應用白皮書 5.0智能 BI：產品落地更多是 AI FOR BIINTELLIGENT BI:PRODUCT LANDING IS MORE AI FOR BI定義：AI 和 BI 的融合更多是 AI for BI3.1What：如何理解 AI 和 BI 的融合Why

73、：為何融合更多是 AI for BIAI+BI 模式=AI 與 BI 相結合AI 和 BI 存在本質區別，BI 擁有自己的發展路線，而 AI 目前并不是 BI 的核心功能AI與BI的區別在于BI負責梳理生產關系，AI是先進新質生產力。那么AI+BI模式通過將AI嵌入BI，構建基于AI的BI平臺，利用AI的智能讓BI系統能夠解決更復雜的業務場景，產出更精準的分析結果，從而使決策更為科學和準確。BI的發展路線是以數據為基礎的，主要是數據的管理和分析。雖然AI技術的范圍非常廣，但當前BI系統中真正能用上的主要是一些處理文本、圖像等非結構化數據的AI技術。但是除了一些特定行業，大部分的企業很少會有文本

74、處理和圖像處理的需求，絕大多數BI系統需要處理的仍然是結構化的數據。對于結構化的數據，BI系統可以應用一些準確度更高的機器學習算法，得到更精確的分析結果。例如市場營銷，采用AI+BI模式就可以在用戶分群的基礎上，得到更精細的針對每個用戶的分析結果，從而給出更精準的個性化營銷方案。還有金融領域的風險監測，AI+BI的模式可以分析出金融風險和其他指標、行為之間的內在聯系，預測更為準確。對于非結構化的數據，BI可以應用圖像處理、語音識別和文本分析等AI技術，智能化地處理BI系統的復雜業務場景。例如AI+BI模式能夠通過語音識別技術錄入數據，控制駕駛艙和數據大屏的制作等。還有智能客服系統，不需要手動收

75、集客戶問題再分配人員解答，通過語義理解和自然語言處理等技術分析客戶問題，實現實時、自動回復客戶。從概念和理論上來說，AI+BI 模式是有價值有前景的AI 與 BI 存在本質上的區別，BI 的目的是將數據轉化為知識來輔助決策，AI 則追求以更智能的算法得到更精確的結果從具體場景上來說，AI+BI 的模式能讓部分 BI 場景更深入，產出更有價值的知識3637商業智能應用白皮書 5.0商業智能應用白皮書 5.0When：何時邁入 AI for BI 時代AI的機器學習強調算法，BI的數據挖掘還包括對數據的管理，算法選擇上也較為簡單，沒有神經網絡和深度學習等復雜AI算法。不是要用AI代替BI，而是盡可

76、能借助AI的相關能力，提升BI工具在各環節的效率、降低BI工具的上手和使用門檻，讓更多領導和業務人員把BI用起來，幫助客戶最大化地用好BI工具的價值。目前在中國，預計2025年左右，BI將開始邁入智能化階段；到2030年，BI的智能化也將進一步擴大。隨著AI技術和BI系統的不斷成熟，AI在BI中的應用將會越來越多，二者重合的部分也越來越多，但是因為它們存在本質上的區別，因此不會完全重合，而是以AI for BI的方式存在。AI 與 BI 的交叉只在于機器學習和數據挖掘，而且這種交叉也極小因此，AI 并不是 BI 的核心功能，AI+BI 的模式難成為 BI 市場的主流，更多的是 AI For B

77、I：維度AIBI定義模擬人類智能技術數據轉化為商業洞察功能學習、推理、自動化數據分析、決策支持應用自動駕駛、智能助手數據洞察、業務分析技術機器學習、深度學習數據挖掘、數據可視化圖：AI+BI 的發展現狀和趨勢How：目前如何發展 AI for BI 產品目前是采用“對話”的方式來提問，主要發展方向是 降低消費門檻+提升制作效率具體到AI For BI的落地場景，大體可以分成兩大類：對話式分析：對話式搭建：直接以對話為核心入口，能夠實現即時性問數查數，AI輔助人工分析數據、數據資產檢索等，系統性地降低用戶的使用門檻；嵌入到原有產品流程中，去提升搭建制作的效率，實現快速生成組件/儀表板生成制作，做

78、出分析報告等。圖：AI For BI 的發展方向圖：AI For BI 的應用場景3839商業智能應用白皮書 5.0商業智能應用白皮書 5.0結果缺乏可解釋性:召回和精度方面的問題：AI For BI，一個核心落地場景是對話式 BI人們需要基于可信的數據做業務決策，由于整個意圖解析和數據生成過程是一個黑盒，人們無法確定返回的數據就是他想問的數據。也就是用戶問了10個問題，其中有多少個系統能夠給出正確的回答。之前的問答BI產品在技術上大都采用規則解析或規則解析+預訓練（?。┠Ｐ偷姆椒▉韺崿F文本到 SQL 的轉化，技術上的限制導致問答的召回和精度不夠理想。進一步的，由于預訓練（?。┠Ｐ偷目鐖鼍胺夯?/p>

79、能力不足，就需要針對特定場景不斷的增加語料，并重新訓練模型來提高精度和召回，從而導致實施成本變得難以接受。AI For BI的核心價值是降低用戶的使用門檻，讓離業務最近、離技術最遠的一線業務人員也能在數據驅動下做更好、更快的決策。然而，近年來國內外各 BI 廠商陸續推出的一系列問答 BI產品在實際落地過程中都會發現，真正能夠讓用戶用起來的場景少之又少。大致有兩方面原因導致大多數問答 BI產品淪為一個個“玩具”。一方面，是由于業務人員不具備數據思維，問不出有價值的數據分析問題。另一方面，是產品確實還不夠成熟。這兩方面挑戰造成目前大多數AI For BI產品并不成熟：近年來，隨著市面上各種數據分析

80、類的課程的推廣和普及，越來越多的業務人員逐漸具備了數據思維，能夠從數據的角度去分析業務問題。而大模型作為當下最大技術紅利，其跨任務、跨場景的泛化能力為我們實現一個成熟的 AI For BI產品帶來了新的機會。其核心技術是 Text2SQL，就是要把自然語言轉化成具體的數據查詢語句。該技術從2000年左右在學術圈就有人開始研究，當時主要是從事數據庫的人員在做，很多論文都是發在類似 VLDB 這樣的數據庫領域的會議上。那時候該技術并不是太強，主要是基于傳統的機器學習，先把用戶的查詢抽象成幾個分類，定義出一些模板，然后用有監督學習去做一個分類模型，再去填模板。由于這種技術本身的局限性，產品呈現出來的

81、精度一直很低，遠遠沒有達到產品化落地的要求。直到2016年左右，正值互聯網發展成熟，隨之帶來了一些新的技術，包括：檢索、推薦、深度學習等。此時，美國有工程師嘗試做了產品創新，把數據的查詢變成一個在有限空間內的數據檢索問題，然后用檢索技術來解決 Text2SQL。同時他也做出了一些當時讓人很驚艷的產品，在BI領域引起了不小的關注。但是當時的技術路徑本質上還是檢索，這種技術路徑的主要問題是沒法真正去理解自然語言，而是把一個句子分成一個個的詞去做匹配，并沒有去真正理解一句話中的主謂賓、定狀補。AI for BI 的技術與產品發展路徑 但是這種產品形態引起了一些有很強學術能力的公司的關注，比如 Mic

82、roSoft，他們開始用基于神經語言模型的 NLP 技術來實現對話式 BI。當時雖然已經開始用神經語言模型去理解語義，但模型的尺寸和后續出現的預訓練模型以及當下的大語言模型相比有巨大的差距。模型的能力也有局限性，所以當時的產品現狀是精度低、配置成本高，意圖理解的能力也很弱，處于“人工智障”的一個狀態。直到大語言模型的出現，算法的改進和模型尺寸的提升帶來了大語言模型的上下文學習、思維鏈等一系列新的能力，讓我們有機會去解決一些原來老的技術很難解決的問題。圖：AI For BI 的技術與產品發展路徑 4041商業智能應用白皮書 5.0商業智能應用白皮書 5.0帆軟的產品落地：AI 和 BI 的融合3

83、.2帆軟近年來對智能 BI 的探索和思考帆軟近些年對外并沒有過多宣傳AI+BI，但是內部一直都在緊密的跟蹤 AI 相關的技術。尤其在2019年前后，當看到國內外廠商紛紛推出了問答式 BI功能后，帆軟也開始探索問答式 BI的可行性，成立專項攻堅團隊，推出 FineAI 進行小范圍驗證。從來自內部用戶的反饋來看當時的模型精度暫時達不到產品化落地的要求，同時來自市場的反饋也印證了這個結論。帆軟也走訪調研了一圈國內外的客戶，問答式 BI當時的現狀是“理想很豐滿，現實很骨感”。當時的問答式 BI在技術上大都采用規則解析或規則解析+預訓練（?。┠Ｐ偷姆椒▉韺崿F文本到 SQL 的轉化，技術上的限制導致問答的

84、召回和精度不夠理想。進一步的，由于預訓練（?。┠Ｐ偷目鐖鼍胺夯芰Σ蛔?，就需要針對特定場景不斷的增加語料，并重新訓練模型來提高精度和召回，從而導致實施成本變得難以接受。這就導致問答式 BI會面臨意圖識別、查詢結果的精度和基于場景定制化開發、部署的成本之間不可調和的矛盾，并最終淪為一個擺設，實際用起來的少之又少。所以暫時終止了問答式 BI產品的市場推廣，并持續跟蹤和研究這方面的技術和產品。在千模大戰和開源大模型成為趨勢的背景下，大模型本身并不是優勢，在一個場景里面用好大模型才能建立優勢。大模型的核心能力是基于內嵌知識的生成能力，而“可控性差”在BI的應用場景下是一個致命弱點。當下用好大模型的三個

85、關鍵要素是：回到 BI 場景，帆軟通過服務30000+客戶，覆蓋了國內最廣泛、最豐富的客戶和場景，這些場景的積累為我們建立了巨大的優勢，讓我們能夠快速收斂場景、驗證功能。從數據層面，有句話叫“garbage in，garbage out”，在目標任務上精調大模型的數據準備在精不在多，關于模型的選擇，目前的狀態是國內沒有一個模型能在所有任務上絕對碾壓其他模型。而關鍵是客戶需要針對基于場景定義的目標任務要去評測和挑選最合適的模型，并把效果做到最好。當新的技術能夠讓模型精度在通用場景下，達到產品化落地標準的時候，帆軟將利用這方面能力進一步降低用戶自助式分析的門檻。大模型作為當下最大技術紅利，其跨任務

86、、跨場景的泛化能力，讓大家看到了實現一個成熟、能落地的問答式 BI產品的可行性。這是帆軟堅決投入AI For BI研發的核心邏輯。清晰的場景設計豐富的數據準備可靠的基座模型近些年來，帆軟對客戶進行嚴謹調研和小范圍實踐，結合AI For BI的兩大落地場景-降低消費門檻&提升制作效率，2023年在這兩大類場景上都做了探索：BI產品終極目標是“讓人人都是數據分析師”，奔著這個目標 BI 產品持續演進，并發展出不同的產品形態，以滿足不同場景的數據需求，具體包括：在降低消費門檻方面，帆軟孵化了現在的對話式 BI產品FineChatBI。在提升制作效率方面，帆軟研發了AI 小助手，具體包括公式生成、組件

87、制作、數據編輯、看板美化和分析報告五個功能。產品落地：定位是對話式業務分析工具2024 年帆軟會重點投入 FineChatBI，目標是讓更多的能夠直接發揮數據生產力價值的業務用戶用起來報表式 BI：自助式 BI：對話式 BI：以復雜報表為核心能力，滿足企業管理層固定看數的需求；以數據編輯和拖拉拽搭建為核心能力，滿足業務分析師自助分析的需求；以語義理解與對話式交互為核心能力，滿足普通業務人員的即時查數與分析需求。圖：帆軟在 BI 賽道的布局4243商業智能應用白皮書 5.0商業智能應用白皮書 5.0掌握上面這套方法，能夠基于自己的業務經驗，產生合理的假設并形成分析思路；手上有容易取到的數據來驗證

88、這些假設。前一代的對話式 BI本質上是一個對話式/檢索式取數工具，它的價值僅僅是讓業務人員更容易的取到數據。但是光能取到數據還遠遠不夠，如果業務人員沒有掌握上面提到的這套方法，也只能“忘數興嘆”，還是不會做業務分析，這是自助分析和老一代對話式 BI沒有在國內大范圍用起來的根本原因。利用 Text2DSL 技術把取數這件事做到極致，技術上采用完全可控的方式取到可信的數據；利用大模型 hypothesis testing 知識和分析思路生成能力補齊業務人員認知和能力上的差距。實現對話式的業務分析，讓業務人員能夠真正用起來。對話式：以對話為主要交互形式。從產品能力上，需要以可信查數為基礎能力，構建思

89、路拆解 數據查詢 異常檢測 歸因分析 趨勢預測 報告生成整個分析閉環。業務分析：做數據分析不是為了分析數據本身，而是為了分析業務。我們做新一代對話式 BI就是要同時解決以上兩個問題：讓人人都是數據分析師這句口號的背后的真實目的是人人都是合格的業務分析師，也就是每個業務人員都是合格的 BA（Bussiness Analyst）。而業務分析的基本套路是從業務視角出發，結合自己的經驗和認知形成一些定性的判斷（假設），然后通過實驗及實驗產生的數據（定量）去驗證假設（檢驗）。這個過程叫 hypothesis testing，包括回顧性分析、前瞻性分析等方法。所以，業務人員要想做科學的、高質量的業務分析需

90、要兩個前提：同時把用戶場景進一步細分成對話式數據查詢、對話式數據分析和對話式資產檢索三大場景。對話式數據查詢能夠讓業務人員在日常工作中、業務經營會和出差途中快速查找某個業務指標。對話式數據分析能夠讓不具備數據思維的業務人員方便地從數據中得到業務結論。對話式資產檢索能夠讓業務人員方便地找到 BI 系統中已經存在的看板、指標和組件。Why：為何定位是對話式業務分析How：如何進行 FineChatBI 的落地對話式資產檢索：數據中心+問答BI對話式數據查詢：主題模型+問答BI對話式數據分析：思路拆解數據查詢異常檢測波動歸因趨勢預測報告生成 目的是真的想讓業務用戶零門檻做數據分析：圖：FineCha

91、t BI 產品結構生成可控、結果可信、分析閉環、交互友好。1.基于 FineBI 能力底座的企業級 BI 能力：What：如何理解 FineChatBI 的功能數據準備更簡單多表分析更高效計算邏輯更智能權限配置更省心4445商業智能應用白皮書 5.0商業智能應用白皮書 5.02.輸入聯想與模糊匹配：規則模型預讀問題模糊字段觸發聯想二次確認命中精準 圖：FineChatBI-基于 FineBI 能力底座的企業級 BI 能力圖：FineChatBI 可以實現輸入聯想與模糊匹配 高質量的問答配置：3.意圖解析與調整：4.思路拆解與推薦問題：一鍵切換圖表類型分析思路全透明開放圖表生成規則模糊語義好對齊

92、自由切換指標口徑自動返回最優解調整過程結果更準 推薦問題次優解 圖：FineChatBI 可以實現意圖解析與調整 圖：FineChatBI 可以實現思路拆解與推薦問題 4647商業智能應用白皮書 5.0商業智能應用白皮書 5.05.多輪問答：6.歸因分析與報告：異常發現又準又快智能解釋問題所在自定義維度也支持大模型幫你寫報告圖：FineChatBI 可以實現多輪問答圖：FineChatBI 可以實現歸因分析以及撰寫報告 記錄上文連貫提問替換維度問得出來新增指標也能有數 7.生成儀表板：一鍵生成儀表板二次分析可編輯團隊共享與協作業務分析能閉環圖：FineChatBI 可以實現生成儀表板對話之間，

93、數據不再高冷，“人人都是數據分析師”不再是一個空洞的口號BI 產品終極目標是“讓人人都是數據分析師”，奔著這個目標 BI 產品持續演進，并發展出不同的產品形態，以滿足不同場景的數據需求，有報表式 BI 滿足企業管理層固定看數的需求；自助式 BI 滿足業務分析師自助分析的需求；對話式 BI 滿足普通業務人員的即時查數與分析需求。帆軟基于數據分析能力和分析復雜度將用戶場景分成四個象限：1）低水平，簡單分析；2）低水平，復雜分析；3）高水平，簡單分析；4）高水平，復雜分析。對話式 BI會先滿足數據分析能力比較低的業務人員的簡單分析場景，然后隨著產品能力的提升，逐步滲透到更加復雜的分析場景，并滿足更高

94、數據分析能力的業務人員的分析需求。同時，帆軟一直以來認為AI要用得起來，未必只靠大模型，對客戶有價值才是最重要的，大模型技術在BI的實踐已經被過度神話，實際還有很長的路要走。帆軟的使命是“讓數據成為生產力”，對話式 BI會讓更多的業務人員能夠從大數據中受益，真正把數據轉變成生產力去驅動業務。同時，帆軟也歡迎各位客戶一起參加共創！4849商業智能應用白皮書 5.0商業智能應用白皮書 5.0借力 BI：發揮數據要素價值，加速數據資產入表LEVERAGING BI:UNLEASHING THE VALUE OF DATA AND ACCELERATING THE LISTING OF DATA AS

95、SETS自數據正式與土地、勞動力、資本、技術并列，成為我國的第五大生產要素以來，如何充分利用數據價值、發揮數據要素乘數效應一直是各界討論的重點。2023年8月，財政部發布 企業數據資源相關會計處理暫行規定，規范企業數據資源的相關會計處理；2023 年 9 月，中評協印發數據資產評估指導意見，規范數據資產評估執業行為，為評估機構對數據資產的價值評估給出指導意見；2024 年 1 月，財政部發布關于加強數據資產管理的指導意見，旨在通過主導數據資產的合規高效流通使用，有序推進數據資產化，加強對數據資產全過程的管理，更好地發揮數據資產的價值。所有這些文件都有一個交集：數據資產。作為官方提出的重磅新名詞

96、，我們旨在通過本文幫助企業理解數據資產的含義、明晰數據資產入表的動作，通過對數據的充分應用發揮數據要素價值以實現數據資產化。解析數據資產入表：概念側闡釋4.1數據資產的前身：數據到數據資源數據資源是可被識別、采集、加工、存儲、管理和應用的原始數據及其衍生物，是可供社會化再利用且具有潛在價值的數據集合。理解數據資產：數據三權和資產內涵01數據資產的基礎“數據三權”任何領域里的資產，都會追溯到產權的概念。數據資產入表的相關規范源于2023年8月財政部印發的企業數據資源相關會計處理暫行規定（以下簡稱暫行規定）。而關于數據資產產權的概念，則可以追溯到2022年12月中共中央、國務院發布的關于構建數據基

97、礎制度更好發揮數據要素作用的意見（以下簡稱“數據二十條”）這份前置性的文件?！皵祿畻l”從數據產權、流通交易、收益分配、安全治理四個方面初步搭建了我國數據相關的基礎制度體系?！皵祿畻l”非常創新地提出了要淡化數據所有權，強調數據使用權，以促進數據使用權流通為核心目標，建立數據資源持有權、數據加工使用權和數據產品經營權“三權分置”的數據產權制度框架。數據三權的確立為后續的數據資產化鋪平了理論道路。5051商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：數據三權分置02數據資產的內涵從“資產”類推“數據資產”要想了解數據資產，必須先明確資產的概念資產就是能給企業帶來經濟收益的資源，換言

98、之，資產的實質就是任何形式的擁有價值的東西。從會計的視角出發，一項資源要被定義成資產，需要滿足企業會計準則的三個條件：滿足企業會計準則的三個資產定義條件該資源是由企業過去的交易或事項形成的；該資源由企業所擁有或控制；該資源預期會給企業帶來經濟利益。此外，要將一項資源在會計上確認為資產，除了需要滿足企業會計準則對資產定義的三個條件外，還應同時滿足兩個資產確認的條件：滿足企業會計準則的兩個資產確認條件與該資源有關的經濟利益很可能流入企業；該資源的成本或者價值能夠可靠地計量。數據資產，本質上就是能給企業帶來直接或者間接經濟利益的數據資源從經濟視角出發，能對生產加工、產品研發、經營決策起到價值的數據資

99、源，就應當被視為數據資產。例如，用戶的APP使用行為數據、積累多年的客戶數據、重要的情報數據等。從會計視角出發，符合財政部暫行規定中相關要求的數據資源，可以被認定為數據資產。相似地，數據資產在會計上的確認也需要滿足上文中企業會計準則對于資產定義和資產確認的諸條件。圖：從數據資源到數據資產理解數據資產入表：計入報表相關科目數據資產入表即是對企業內滿足資產確認條件的數據資源進行登記、評估、成本計量等，并根據財政部暫行規定相關要求，計入到企業資產負債表相關科目下并進行信息披露的過程。來源：賽迪顧問2023-2024 中國數據資產發展研究報告5253商業智能應用白皮書 5.0商業智能應用白皮書 5.0

100、解構數據資產入表：企業側指南4.2數據資產入表，企業該入什么企業進行數據資產入表，需要將企業的數據資源以無形資產或者存貨的形式，計量初始成本后列示在資產負債表相關科目下并披露信息。依據暫行規定，企業應當按照企業會計準則相關規定，根據數據資源的持有目的、形成方式、業務模式，以及與數據資源有關的經濟利益的預期消耗方式等，對數據資源相關交易和事項進行會計確認、計量和報告。企業使用的數據資源，符合企業會計準則第 6 號無形資產（財會20063 號）規定的定義和確認條件的，應當確認為無形資產。企業日?；顒又谐钟?、最終目的用于出售的數據資源，符合企業會計準則第 1 號存貨（財會20063 號）規定的定義和

101、確認條件的，應當確認為存貨。簡單來說，以內部使用為主要目的，與其他資源相結合并服務生產經濟管理活動的數據資源，可以被確認為無形資產進入資產負債表；而以對外出售為主要目的，進行原始數據直接交易或加工后交易的數據資源，可以被確認為存貨進入資產負債表。確認為無形資產的數據資源的初始成本計量成本類別具體說明外購成本企業通過外購方式取得確認為無形資產的數據資源，其成本包括購買價款、相關稅費加工成本直接歸屬于使該項無形資產達到預定用途所發生的數據脫敏、清洗、標注、整合、分析、可視化等加工過程所發生的有關支出自研成本應當區分研究階段支出與開發階段支出。研究階段的支出，應當于發生時計入當期損益;開發階段的支出

102、，滿足無形資產準則第九條規定的有關條件的，才能確認為無形資產其他成本包括數據權屬鑒證、質量評估、登記結算、安全管理等費用圖；數據資源的初始成本計量關于數據資源入表的列示和披露要求，企業除了需要在資產負債表“存貨”下增設“其中：數據資源”項目；在“無形資產”下增設“其中：數據資源”項目；或在“開發支出”下增設“其中：數據資源”項目進行相關列示外，還應當按照企業會計準則及暫行規定的相關要求，在會計報表附注中對數據資源相關會計信息進行披露，具體如下：項目外購的數據資源無形資產自行開發的數據資源無形資產其他方式取得的數據資源無形資產合計一、賬面原值1.期初余額2.本期增加金額 其中：購入 內部研發 其

103、他增加3.本期減少金額 其中：處置 失效且終止確認 其他減少4.期末余額二、累計攤銷1.期初余額2.本期增加金額3.本期減少金額 其中：處置 失效且終止確認 其他減少4.期末余額三、減值準備1.期初余額2.本期增加金額3.本期減少金額4.期末余額四、賬面價值1.期末賬面價值2.期初賬面價值圖：確認為無形資產的數據資源具體披露格式確認為存貨的數據資源的初始成本計量成本類別具體說明外購成本企業通過外購方式取得確認為存貨的數據資源，其采購成本包括購買價款、相關稅費、保險費，以及數據權屬鑒證、質量評估、登記結算、安全管理等所發生的其他可歸屬于存貨采購成本的費用加工成本企業通過數據加工取得確認為存貨的數

104、據資源，其成本包括采購成本，數據采集、脫敏、清洗、標注、整合、分析、可視化等加工成本和使存貨達到目前場所和狀態所發生的其他支出5455商業智能應用白皮書 5.0商業智能應用白皮書 5.0項目外購的數據資源存貨自行加工的數據資源存貨其他方式取得的數據資源存貨合計一、賬面原值1.期初余額2.本期增加金額 其中：購入 采集加工 其他增加3.本期減少金額 其中：出售 失效且終止確認 其他減少4.期末余額二、存貨跌價準備1.期初余額2.本期增加金額3.本期減少金額 其中：轉回 轉銷4.期末余額三、賬面價值1.期末賬面價值2.期初賬面價值圖：確認為存貨的數據資源具體披露格式數據資產入表，企業該準備什么經驗

105、分享：浙高運公司的數據資產入表準備工作浙高運公司作為浙江交通集團的高速公路運營管理平臺，現有員工 6800 余人，主要從事高速公路運營收費、監控指揮、清障施救、機電養護等運營管理工作，目前運營 19 條高速公路，運營總里程達 1939 公里。隨著公司數字化改革工作的不斷推進，公司內部每天會產生 TB 級別的數據量。這些數據形成了巨大的數據資源，其蘊含的價值和應用場景值得深度的挖掘。在數字化時代，數據已成為企業的重要資產。數據資產入表對于精準評估數據資產價值，提升公司對數據資產價值的認知有重要意義，將驅動公司建立和完善數據管理體系，進而提升數據治理能力。為積極響應集團關于數據資產管理的新要求，浙

106、高運公司對數據資產入表工作進行了探索，并取得了重要突破。在數據資產入表工作的準備階段，公司明確了幾條應對措施來保障后續工作的順利開展：以數字化為戰略導向，利用統建系統結合基于帆軟簡道云搭建的高麗云平臺，對各業務條線進行數字化轉型，積累浙高運公司數據資源；明確數據資產化戰略：以公司數字化建設辦公室為基礎，建立數據資產化管理專職部門，承擔數據管理、數據運營（數據價值評估、數據權屬明確、數據流通促成）、技術支撐等工作；建立數據資產化組織：按照數據管理能力成熟度評估模型，建立數據安全、數據質量、數據標準等 8 個核心能力域，提升自身數據治理能力，完善企業數據治理體系；堅持數據治理工作：對數據資源進行分

107、開認定，通過建立工時系統、項目臺賬等工具，對研發支出進行有效歸集和準確記錄。設立單獨會計科目，通過精細化管理，確保財務處理的依據充分、金額準確；準備數據資產財務處理：公司除了將數字化重點集中在內部協同機制的升級之外，也構建起了廣闊的數字生態圈，協同外部單位，如高信公司、商業集團、數據資產交易所、物流企業等充分發揮數據資產價值；構建數據資產內外協同：數據資產入表會導致企業資產的增加，可能會造成資產虛增的負面影響。公司在進行數據資產價值分析時，建立了嚴謹的風險管理體系，通過準備充足的證明材料以及與審計單位的溝通協商，最大程度地規避入表過程中的法律和審計風險。完善風險管理體系：基于以上體系化的準備措

108、施，浙高運公司成功在今年二季度完成了首筆數據資產入表工作，成為集團內首批實現入表的子分公司。公司重點針對運營過程中產生的監控、營運、養護、機電數據進行了入表試點，此次入表的數據資產主要為浙高運公司所管轄路段的圖像數據。通過人工結合機器的方式標注出高速公路事件信息，實現圖片信息結構化解析，標注后的數據對于視頻識別算法模型的訓練與優化具有重要作用，將有效提升高速公路交通事件識別的準確率。結合市場5657商業智能應用白皮書 5.0商業智能應用白皮書 5.0調研，初步測算本次入表數據可轉化經濟價值約 30 萬元，為公司降本增效工作提供了一條新的實施途徑，是公司運營轉經營的又一落地舉措。未來，浙高運公司

109、將進一步扎實做好公司數據資產管理，完成更多業務領域的數據資產入表工作，推動公司邁向數據驅動、智能化決策的新高階，助力公司數字化管理高質量發展。浙高運秉持著開放合作的精神，歡迎業界同仁一起深入學習交流企業數字化轉型及數據資產入表的前沿觀點與實踐經驗，共創數據資產管理美好未來，真正發揮數據要素的乘數效應。數據資產入表，企業會經歷什么數據資產入表是數據資產化的一個重要步驟和表現。企業的數據資產正式進入資產負債表，首先需要進行數據的資產化，提煉出數據資源的價值并加以利用。企業的數據資產化流程大致會經歷以下幾個階段：圖：企業數據資產化流程數據資源化企業數據資產化的前提是數據資源化。企業需要進行數字化建設

110、，通過軟硬件的投入形成數字化基建，從而將業務信息數據化，并通過數據治理、數據加工處理、數據采購等一系列方法，逐步獲取并積累形成具備潛在價值的數據資源。數據產品化數據資源成為數據資產的關鍵是它們預期會給企業帶來經濟利益，數據產品化即是充分挖掘和提煉數據資源經濟價值的階段。數據產品化始于對數據應用場景和業務問題需求的定義，在明確了這兩點后，通過對數據資源的加工處理、深度挖掘、應用分析、可視化展現等方式，形成可以對內使用或對外售賣的有價值的數據產品，在特定應用場景下解決業務問題，為企業帶來對內降本增效或是對外貢獻營收的作用，真正發揮數據資源的經濟價值。數據資產化在明確數據資源能夠帶給企業的經濟價值后

111、，企業將數據資源資產化并計入財務報表（即數據資產入表）通常需要經過一些關鍵步驟。目前不同地區的數據資產入表實操流程還存在差異，但本質上企業數據資產入表的過程就是讓企業的數據資源滿足會計上資產定義和確認條件的過程，因此企業需要通過一些方式來解決諸如數據確權、數據價值判斷等問題，具體如下：數據合規是判定數據資源能否執行入表操作的前提。解決合規問題需要企業建立一套適配會計準則的管理制度來規范企業及其成員在數據生命全周期中的行為，使其符合國家法律法規、監管規定等規章制度的要求。企業可以通過聘請合規律師的方式，進行數據來源、內容等多方面的審查，并通過數據合規報告來證明企業內數據資源的合規性。合規確認：數

112、據資產入表對數據質量和數據應用場景的價值有一定要求。企業需要從多個維度評估自身擬入表數據的質量和數據應用場景的價值，來證明擬入表的數據資源預期會給企業帶來經濟利益流入。企業也可以通過第三方服務機構來進行評估。質量評價：數據確權是關系到數據資產形成的重要因素之一，只有厘清數據的權屬，數據資產才具備實現價值的法律基礎。目前的數據相關法律法規淡化了數據的所有權概念，這也造成了“確權難”的問題。目前全國多個省市地區都在探索解決數據確權問題的方式，其中一種方式是在數據產權登記機構正式登記，通過產權登記和頒發數據資產登記證書來明確數據資源為企業所擁有或控制。登記確權：數據資源的成本計量可分為成本歸集和成本

113、分攤兩大類。要實現精細化的成本歸集與分攤，企業應該根據自身組織架構，建立相應的成本歸集口徑，以及公共費用分配制度來合理分攤公共成本。成本計量：5859商業智能應用白皮書 5.0商業智能應用白皮書 5.0企業滿足資產化條件的數據資源可以被確認為無形資產或存貨列示在資產負債表中，并進行相關信息披露。列示披露：數據資本化數據資本化是在數據資產化的基礎上，賦予數據資產更多的金融屬性。企業通過資產評估機構對擁有的數據資產進行全面的評估，隨后以數據資產為質押申請貸款，或者為企業增信，將數據資產作價入股等等?？傊?，與傳統資產類似，數據資產也能為企業帶來多種資本化渠道。數據資產入表，企業會得到什么01改善報表

114、，提升凈資產收益率數據資產入表可以改善企業的報表情況，提升企業凈資產收益率。自暫行規定正式實施后，企業數字化投入中符合要求的，可以被計入數據資產進入資產項，擴大企業整體的資產規模；企業軟硬件投入形成的無形資產和固定資產，每年攤銷、折舊掉的費用成本可以被重新計入數據資產再次回到資產項，減緩折舊周期。圖：暫行規定實施后對企業資產和折舊攤銷的影響在企業負債規模不變的情況下，資產規模的擴大將降低企業整體的資產負債率。而重新回到資產項的折舊攤銷費用會降低企業成本，提升利潤水平，進而提高企業的凈資產收益率。圖：數據資產入表影響企業財務指標的邏輯02拓展融資，開啟數據資本化之路企業數據資產的形成并不是終點，

115、相反這是數據資本化之路的起點。企業可以對自身擁有的數據資產進行全面的價值評估，利用它們進行多種方式的數據資本化探索：企業披露所擁有的數據資產，在一定程度上反映了企業的業務實力，能夠提高銀行對企業的信心，增加銀行授信。披露增信：數據資產質押貸款是一種新型的融資方式，企業基于擁有的數據資產作為質押物來獲取銀行貸款。質押貸款：數據資產作價入股是指企業將其數據資產轉化為股權或股份，作為出資方式參與公司的設立或增資，使其成為公司的股東，從而分享公司利潤。數據資產作價入股：6061商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：各地數據資本化實踐摘錄各地數據資本化實踐摘錄類別時間地點事項備注數據資

116、產質押融資貸款2023 年 8 月江蘇揚州江蘇羅思韋爾電氣有限公司以其擁有的T-BOX 車聯網信息數據 知識產權質押成功向蘇州銀行揚州分行融資 1000萬元。2023 年 4 月 28 日，江 蘇省數據知識產權登記平臺正式上線運行2022 年10 月 12 日北京佳華科技兩個大氣環境質量監測和服務項目的數據資產估值達到 6000 多萬元，促進了佳華科技數據資產“變現”。最終于 2022 年 10 月 12 日，佳華科技成功獲得 1000 萬元數據資產質押融資貸款。在 2023 年 7 月 5 日，佳華科技獲得北京國際大數據交易所正式發放的首批教據資產登記證書數據資產無質押融資貸款2023 年6

117、 月貴陽貴陽農商銀行與貴州東方世紀科技股份有限公司完成一筆授信簽約，這是貴陽農商銀行與貴陽市大數據交易所合作落地的全省首筆基于數據資產價值應用的融資貸款。貴州東方世紀科技股份有限公司的大數據洪水預報模型評估價值超過 3000 萬元，成功獲得貴陽農商銀行首筆數據資產融資授信 1000 萬元。數據資產作價入股2023 年8 月 30 日青島青島華通智能科技研究院有限公司、青島北岸控股集團有限責任公司、翼方健數(山東)信息科技有限公司進行全國首例數據資產作價入股簽約儀式。本次發布的數據資產作價入股路徑分為登記、評價、評估和入股四個環節，每個環節依據相關標準和指導文件予以實施:一是對經由合規審查通過后

118、的數據資產進行登記;二是在數據資產價值與收益分配評價模型標準的指導下，通過建立評價模型來評價數據資產的質量;三是對數據資產的價值進行評估;四是在三方合力下推動數據資產作價入股，華通智研院、北岸數科和翼方健數三方成立合資公司。數據資產入股，即“以數據資產作為數據股東投入資本，在成立公司時其初始資本占比。一旦數據資產能夠入股，企業和其他組織就有充足的經濟激勵，對其持有的大量數據資源進行整合、治理，以期替代貨幣作為新設立企業的出資。新設立企業的各投資人既然接受了數據資產的入股，將會充分發掘數據的價值，或自用、或開發成新的數據產品對外交易，促進數據的流通。企業數據資產化的愿景引導并推動企業對數據治理的

119、重視。數據的資產化離不開充分的數據應用，數據的充分應用離不開高質量的數據準備，數據的高質量準備離不開精細的數據治理。企業的數據資產化，能夠以用促治，倒逼企業建立數據治理體系以及相配套的數據戰略，做好數據資源化工作，提升企業數據的整體質量。04以用促治，引導企業治理數據數據資產化是加速企業匯聚數據、豐富數據價值，引導企業深化數字化轉型的重要抓手。企業報表的數據資產披露要求，將倒逼企業重視數據資產的價值挖掘和使用，深化企業數字化轉型。而企業數字化轉型的深入將產生更多的數據，促使企業深度探索數據價值化路徑，打造具備可復用性的數據產品并對外流通交易，推動數據進一步的資產化變現增值，形成正循環。03打造

120、循環，推動數字化轉型進程圖：數據資產化與數字化轉型正循環6263商業智能應用白皮書 5.0商業智能應用白皮書 5.0解讀數據資產入表：結合帆軟產品的實踐4.3數據資產化的關鍵：預期帶來經濟利益根據企業會計準則對資產的定義，企業的數據資源若想被定義為數據資產，至關重要的一個條件是它們必須預期會給企業帶來經濟利益。換言之，這些數據資源必須能給企業創造經濟價值：或是通過對內降本增效的方式；或是通過對外制造營收的方式。帆軟產品助力數據應用和數據要素價值發揮 企業通過信息化手段收集到了數據、通過標準化流程治理了數據，但是這些數據仍然只是企業的資源而非資產，因為它們并沒有真正給企業帶來經濟價值。如何讓數據

121、要素發揮其價值？答案是必須充分應用數據，以數據來進行決策。數據資產化，關鍵在于數據的價值最大化，讓數據從存儲中心流動到具體的應用場景中，賦能企業決策。商業智能工具，作為數據消費的終端，能夠有效幫助企業充分應用數據，發揮數據要素乘數效應，走完數據價值實現的“最后一英里”路，是數據資源轉化成數據資產的關鍵助推。在 2024 年第一和第二季度，全國范圍內已有不少企業進行了數據資產入表的嘗試。我們發現一些進行了數據資產入表的企業使用了帆軟產品進行數據的應用，并最終實現了數據的資產化。實踐案例：基于帆軟產品實現數據資產化某公共交通管理有限公司的業務涉及某地城市公交客運管理。該公司從公共系統中收集并整理了

122、超 5,000,000 條客流與公交路線相關的數據，并保持著每日更新的頻率，形成了乘車客流與路線分析數據資源集。該數據資源集涵蓋了一些關鍵要素以反映該地的城市公交客運情況，例如公交站點、線路、車次執行情況、不同站點的客流熱度指標等。01案例一：某公共交通管理有限公司持有的乘車客流與路線分析數據資源集FineBI 可視化熱力圖助力客流密度分析原始的乘車客流與公交路線數據量龐大且結構復雜，數據使用者難以直接從中獲取到顯性價值，因此勢必要對數據進行再處理以展現關鍵信息?；诖?，公交公司選擇了帆軟 FineBI 產品對該數據集進行可視化處理，并搭建了客流監控平臺以展示不同公交站點間的客流信息。Fine

123、BI 搭載的熱力圖功能可以直觀地呈現出不同站點間客流分布及客流密集度情況，幫助公共交通系統管理者快速識別擁堵地段，合理分配公交服務資源。搭建于 FineBI 之上的客流監控平臺和不同站點客流情況熱力圖幫助該公共交通管理有限公司深度應用了數據資源。在數據通過圖表等形式具象化呈現的過程中，原本隱藏在復雜且抽象的數據背后的經濟價值也逐漸顯性化。公交系統管理者可以憑借直觀的圖表掌握該地區公共交通整體的運營情況，及時做出線路調整部署，減少因擁堵帶來的服務成本。該乘車客流與路線分析數據資源集有諸多的應用場景。例如，基于 FineBI 呈現出的客流熱力情況服務了該地公交管理部門進行公共交通路線和班次的優化，

124、節省了出行高峰期市民們在人流密集的站點約 10%的等候時間。此外，該數據資源集還能夠服務于商業廣告機構。通過對高人流熱力站點的標注和識別，商業廣告機構可以做出更精準的商業分析和廣告投放策略，在人流更密集的線路和站點周圍投放更具商業價值的宣傳廣告，從而獲得更高的潛在回報。數據應用場景的明確自然而然地導致了數據對企業經濟價值的明確。公交管理公司可以通過此數據集優化線路安排，實現降本增效；也可以將此數據集提供給有需要的外部廣告機構，實現營收增長。至此，該數據資源集帶給其持有者的經濟利益非常明確，滿足了數據資產化的關鍵前提。6465商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：船舶航行動態大

125、屏示意圖圖：船舶進出港監控大屏示意圖通過 FineBI，散貨公司的船貨數據資源實現了數據應用、消費的最終目標，能夠在多個具體的應用場景下賦能企業經營管理，實現降本增效。至此，這些數據資源真正地具備了價值，能夠給企業帶來經濟利益，滿足了數據資產化的前提。某散貨碼頭有限公司（以下簡稱散貨公司）主要從事散貨、雜貨的裝卸作業以及倉儲和港口物流延伸相關服務。散貨公司自行收集了來港船舶及貨物相關的數據，并對所獲數據進行了清洗、整合與加工，保證了數據的質量。至此，散貨公司已完成了數據的資源化過程。02案例二：某散貨碼頭有限公司持有的船貨數據資源集FineBI 可視化大屏實時展現船舶航行動態然而，原始的船貨相

126、關數據抽象且不易閱讀，企業難以直接應用這些數據。因此，散貨公司基于 FineBI 產品搭建了船舶航行動態大屏。借助 FineBI 的可視化技術，散貨公司得以將抽象的航運數據具象化從而以圖表和地圖等形式實時、直觀地展示船舶航行動態、船只貨運量等信息。此外，利用 FineBI 提供的多種交互式數據分析工具，用戶可以根據自身需求，通過排序、篩選、聯動等功能，對復雜數據進行深度分析，洞察到更多潛在機會?；?FineBI 搭建的船舶航行動態大屏支撐了散貨公司對數據的應用及后續決策的需求。原本抽象的數據具象化后，企業決策者可以快速理解數據背后的含義，掌握船舶運營的整體情況并做出及時反饋。在多個業務場景下

127、，基于 FineBI搭建的動態大屏都能幫助企業充分應用數據，優化經營相關決策，實現降本增效的結果。例如，依托于 FineBI 對船貨數據集的可視化展示，港口碼頭的管理人員對來港船舶做了更優化的調度安排，平均減少了 15%的船只進出港等待時間，提高了港口的吞吐量；此外，碼頭管理人員還通過 FineBI 大屏實時監控來港船舶的動態位置，及時偵測到潛在的船只碰撞、擱淺風險等，避免了風險事故的發生，保障船舶航行安全；基于船貨數據集中的歷史數據，還能夠預測港口未來的流量變化情況，從而提前規劃港口資源分配。某集裝箱有限公司（以下簡稱集裝箱公司）的業務涉及港口庫場貨物倉儲相關服務。集裝箱公司通過自動化結合人

128、工的作業方式采集到了超 1,500,000 條某港口庫場中不同地點存放的貨物種類、余量等信息，并成立了數據治理團隊對采集到的數據進行了標準化和規范化的處理，以服務后續對數據的應用需求。03案例三：某集裝箱有限公司持有的堆存管理數據資源集FineReport 和 FineBI 的趨勢分析、警戒預警、深度分析和可視化展示功能全方面促進數據應用充分應用數據才能最大化數據的價值。集裝箱公司組建了數據應用團隊，負責對所獲數據的計算分析與展示應用，并參與后續數據相關的決策行動?；诜浀?FineReport 和 FineBI 產品，數據應用團隊搭建了公司內部的數據服務管理平臺，進行三方面的數據應用工作。

129、6667商業智能應用白皮書 5.0商業智能應用白皮書 5.0其一：基于 FineReport 的計算分析功能，選取適當的公式和函數，對各種貨物的歷史存貨量進行匯總計算和變化趨勢分析，以便預測未來不同貨物的存量變化情況，提前規劃庫場存儲空間、優化倉儲分配，實現效益的最大化。圖：貨物存量匯總及變化趨勢分析示意圖其二：對貨主在庫場內存放貨物種類、存量及存放時長的分類統計，以及對于超期存放、長期無人取貨等情況的預警?；谶@些應用，集裝箱公司可以識別出不同貨主的存貨習慣，個性化地為其定制倉儲服務，同時及時催繳超期存放貨主的租金，降低公司的服務成本。圖：庫場堆存管理平臺示意圖其三：基于 FineBI 的可

130、視化展示功能，以圖表、數表等方式將復雜的存貨余量數據直觀地展現出來，幫助管理者便捷地獲取到庫場內不同存放位置的貨物總量及剩余空間信息，讓管理者及時洞察到空間不足的情況，優化存儲空間利用率。此外，集裝箱公司還通過 FineBI 集成員工工效數據，以收貨數據結合工效數據深度分析庫場入庫效率低下的問題根源：是庫容不足還是人員偷懶。圖：收貨數據結合工效數據深度分析入庫效率問題6869商業智能應用白皮書 5.0商業智能應用白皮書 5.0憑借 FineReport 和 FineBI 的多種功能，集裝箱公司得以對庫場堆存數據資源進行趨勢分析、警戒預警、深度分析和可視化展示等多方面的數據應用，從而挖掘出數據背

131、后的經濟價值，實現為企業降本增效和擴大營收的目標。具體到應用場景，該堆存管理數據資源集在 FineReport 和 FineBI 的輔助應用下，提升了庫場 16%的倉儲空間利用率，平均縮短了約 20 分鐘的入庫時間，實現降本增效。此外，該數據資源集還可以服務于供應鏈金融。銀行等金融機構可以通過該數據資源集了解不同貨主在庫場的存貨種類及數量變化情況，由此掌握相關供應鏈中該環節的運作狀況，以便對供應鏈上下游企業進行信用風險評估和放款。該貨轉水數據資源集主要由某港口有限公司整合生產系統內記錄的貨物流向信息、貨權信息、貨物貨種信息等源數據而成，涵蓋貨轉水運輸業務相關的多個數據字段。04案例四：某港口有

132、限公司持有的貨轉水數據資源集FineBI 整合多數據源打通“數據孤島”該港口有限公司對不同數據源的數據進行了清洗和加工，隨后基于業務邏輯，依托 FineBI 的多表串聯功能構建了跨表間的關聯關系，從而有效整合了貨轉水業務鏈上下游的全部數據。這使得原本分散的來港船舶信息、轉水信息、貨物信息等數據能夠相互鏈接，從原本彼此獨立、不具備分析價值的多個零散的“數據孤島”，變成能夠精細描述出貨轉水業務鏈上下游全環節的完整數據資源，有力地支撐了后續多維度的數據分析與應用，為企業決策提供價值。整合后的數據資源集可以提供轉水業務的關鍵信息，在物流分析、貨運優化等場景下有廣泛的應用空間，具備經濟與社會價值。例如，

133、通過對各碼頭轉水日期、貨物噸數、運貨船次數等數據的分析，管理者可以衡量各碼頭的轉運效率，分析轉運效率瓶頸環節并通過諸如減少貨物重復搬運、優化堆場布局的方式提升碼頭作業效率。05數據資產入表實操流程上述企業在明確了所持有的數據資源集的應用場景和價值屬性后，按照一定流程進行了數據資產入表的探索。數據資源集的持有者首先通過律所，進行了法律上的合規確認，確保數據資源集內數據的來源、內容、流通符合法律法規要求，并獲得了律所開具的數據資產合規報告；合規確認：數據資源持有主體請第三方機構對數據資源集內數據質量和應用場景的價值進行了評價，并獲得了機構出具的數據資產價值評價報告以證明數據集預期會給持有主體帶來經

134、濟利益流入；質量評價：隨后數據資源集被提交至某數據資產登記平臺進行資產登記。在通過平臺對數據合規性、質量以及應用場景價值的審查后，這些數據資源集被正式登記公示。同時數據資產登記平臺頒發了數據資產登記證書作為數據集被持有主體擁有或控制的證明，解決了確權問題。至此，這些數據資源集正式滿足了在會計上被定義為數據資產的多項要求；登記確權：數據資源集持有主體針對使數據集達到預定用途而進行的數據收集、數據整合、數據處理以及包括可視化、深度分析在內的數據應用等過程中發生的相關支出進行計量，并依據會計準則確認為無形資產或者存貨的初始成本，這其中就包括上述主體對 FineReport 和 FineBI 的部分投

135、入；成本計量：根據數據資源集的使用目的（內部使用或對外出售），以及給數據持有主體帶來的經濟利益的性質差異（降本增效或貢獻營收），持有主體相應地在其報表的無形資產或存貨科目下進行列示，并按暫行規定的要求進行相關信息的披露。列示披露：7071商業智能應用白皮書 5.0商業智能應用白皮書 5.0展望數據資產入表：未來趨勢4.4大風泱泱，大潮滂滂，暫行規定自 2024 年 1 月 1 日起的正式實施，昭示著數據資產元年的到來。未來，數據將不再被企業視為負擔和成本，其價值屬性的不斷顯性化，將給企業帶來長遠且可持續的利益。從產業數字化到數字產業化，未來的商業競爭離不開對數據的爭奪。誰能掌握更豐富的數據資源

136、、誰能挖掘更寶貴的數據價值、誰能打造更多樣的數據場景，誰就能獲得更領先的競爭優勢。將數據價值化提煉成資產，將資產內化打造成競爭優勢，這將是企業未來的必經之路。目前，帆軟提供的 FineBI、FineReport 產品為企業應用數據、充分發揮數據要素價值提供了有力抓手，加速了企業的數據資產入表。鑒于企業數據質量對后續的數據應用深度及數據資產化有重要影響，我們認為企業應重視對自身數據倉庫的建設、對指標體系的梳理以及對數據質量的治理，以期完善好高質量的數據基礎，為數據應用及價值挖掘鋪平道路，穩步推進數據資產化進程。未來，帆軟將通過 FineBI Platform，統一數據資產門戶：力圖打磨服務于企業

137、數據資產管理的支撐性載體，幫助企業精準盤點數據資源、高效運營數據資產。借助資產描述、資產目錄、全鏈路血緣、資產統一管控等功能，實現企業數據的可流通；借助資產權限管理、資產責任人管理等功能，實現企業資產的可監管。企業精馭 BI 在于數：集成、治理、梳理THE KEY TO APPLY BI LIES IN THE FOLLOWING:INTEGRATION,GOVERNANCE,AND ORGANIZATION7273商業智能應用白皮書 5.0商業智能應用白皮書 5.0BI 是以一個整體的產品、技術和解決方案出現的。由于前端報表沒有很強的交互能力，因此只能通過前端函數、腳本來控制一些效果；前端報

138、表的任何細微調整或者改動，幾乎都只能由 IT 人員來完成，BI 項目約等于純 IT 項目。由于需要考慮前端的性能問題、需求變更對底層的影響等原因，造成在底層數據倉庫設計的時候會非常重視底層架構的搭建、建模方式的選擇。早期的 BI 開發人員底層 ETL 技術能力非常扎實、數據倉庫架構的參與程度也相對較深，具備全棧的端到端的技術開發能力。但是任何前端的大小改變，業務部門的參與度幾乎為零，幾乎都需要IT部門去做，成本非常大；另外，早期的報表的樣式并不美觀，包括鉆取在內的基礎的功能無法實現，性能也并不好。談到 BI，基本上是完整的包括數據倉庫、ETL、CUBE、報表的全棧開發。BI在2013年左右，前

139、端和底層分離，分別開始朝著不同的方向開始演變。前端有可視化展現、交互、自助分析能力的強化，在某些細分領域開始崛起；底層開始往大數據、數據中臺方向發展。2013年開始，大數據的發展開始喚醒大家的數據意識，ETL并不能解決底層數據量不斷增大和非結構數據處理的問題，而當大數據架構出現以后，這些問題可以被解決了。因此，大家開始采用大數據架構作為數倉的解決方案之一。因此從根源上來說，企業想要用好 BI 的關鍵之一是做好數倉建設，而數據倉庫的建設難點并非僅僅在于本身的設計，同樣也在于后續隨著業務發展而帶來的數據治理挑戰。當業務規模和復雜度不斷增加時，如何有效地監控數據質量、維護數據指標體系同樣就成為企業想

140、要用好 BI 的關鍵。圖：BI 演變的兩個分支這些傳統 BI 的痛點推動 BI 開始加速演變：2013 年之后，BI 開始主打自助分析的概念，解決前端的展現能力問題，這種產品深受大多數企業歡迎，尤其是之前被前端無法使用問題所困擾的客戶群體。數據倉庫：為業務決策和經營管理做支撐5.1數據倉庫的重要性：數據底層建設的優解大多數企業不同部門的視角和問題并不太一樣，信息部門常處的狀態就是加班重、任務重，有大量的需求需要去響應。對于信息化、數字化的建設投入了大量的人力和物力，但時常還會受到業務部門的吐槽，投入產出比較低，價值也沒辦法去衡量，所以通常信息部門會被企業定義為成本部門或者邊緣部門。而業務部門想

141、要數據，想要結果看板，但是可能提流程或者工單需要經過較長的響應周期才會實現，做出來的結果看板常常會遇到加載時間長的問題，每一次看的數據可能是前天或者昨天的。因此，數據結果的開發周期、準確性、時效性是業務部門最關心的部分，而企業管理部門最關注的是投入產出比，比如信息化建設的 OA/ERP 等業務系統，成本其實都不低，隨著業務信息化的投入，整個資源的應用還會加大，但是業務部業務人員常常會給管理層抱怨信息化建設并未有效地提高業務運營質量。此時，管理者就會對于信息化的投入產出比是否對等產生疑問，同時由于數據存在問題，所以管理者常常沒有辦法以全局的視角進行管理和決策。為了解決這些問題，企業需要明確做信息

142、化建設的目的就是支撐業務的發展，幫助提升業務經營質量，為企業帶來價值。同理，企業不是為了做數倉而做數倉，要讓數據的建設和業務緊密關聯，將數據和業務進行強綁定。帆軟數據應用研究院在調研客戶時，發現很多企業反饋最終想達到的模式是讓業務部門和信息部門各司其職，信息部門做好數據準備的工作，業務部門做好分析的工作，讓懂業務的人員去分析業務，讓懂數據建設的人員去建設數據，兩者形成一種新的配合模式。為了實現這些目的，數據倉庫的重要性就凸顯出來了。數倉作為信息化建設的后半段成果，以沉淀的業務數據為基礎，通過構建良好的數據模型來為業務決策和經營管理做支撐。為什么會強調以建設數倉來解決不同角色的訴求呢？因為隨著市

143、場的快速發展，企業想方設法地提高業務管理質量，需要可靠的數據及時地做出判斷決策甚至業務調整，所以往往會選擇建設更專業化的信息系統去支撐業務發展。7475商業智能應用白皮書 5.0商業智能應用白皮書 5.0隨著業務的不斷擴大，業務系統沉淀的數據也會呈指數級的增長，會有越來越多的數據需要被收集、存儲應用。這種情況就會導致數據存在系統孤島的現象，數據難以整合，不同系統的數據口徑不統一、不規范，數據結構也很復雜，導致數據應用的難度也會持續增加，最后會造成業務部門和信息部門跨部門之間的協作效率逐漸降低。企業過去花費大量的精力在數據獲取和處理上，但是其實企業真正應該關注的是面向業務的經營分析，這就要求數據

144、底層建設應該變得更便捷快速，其中建設數據倉庫是一種性價比極高的方式，能夠以較低的成本快速看到效果。圖：數據倉庫是為企業所有級別的決策制定過程，提供所有類型數據支持的戰略集合數據倉庫的本質：面向數據分析應用并不是一款產品，而是一種具有數據架構的數據集合，按照企業的特性進行個性化的搭建，目的就是為了給業務決策提供數據支撐。仍然是一個數據庫，而且是將業務系統的數據組織形式轉變成面向分析型應用的形式。業務系統的數據庫和BI 數據庫（數倉）有根本的區別，業務系統的數據庫更多是是描述業務過程，支撐業務流程；而 BI 的特點是跨越組織，跨業務流程，是一個面，而不是線，因此 BI 數據庫（數倉）是面向數據分析

145、應用的。這兩種形式的轉化是不容易的，因此數倉就是通過 ETL 和建模來完成，ETL 來控制表數據如何計算，完成輸出到另外一張表，而模型控制的是表格結構。數據倉庫的特點：集成、時效、持久數倉是面向業務主題的，這意味著數倉為關心的業務主題提供準確全面的數據，讓大家能夠深入地了解業務的現狀和歷史發展的趨勢。數倉是集成的，數倉整合了多個業務系統的數據，保證了數據的完整性、一致性，能夠支撐復雜的查詢和分析。數倉是時效的，意味著數倉會定期或者實時地從業務庫同步新的數據內容，并且會向應用前端提供高時效的數據，能夠及時地響應業務變化。數倉是持久且非一時的，這就意味著數倉本身存儲的數據長期進行保留，方便對歷史的

146、數據進行回顧，對整體的發展趨勢進行整體的分析。圖：數倉的特點7677商業智能應用白皮書 5.0商業智能應用白皮書 5.0可能有企業會問，是不是所有的企業都必須要建設數倉？是不是建設了數倉就高枕無憂了？其實不一定，企業不同的發展階段，底層的需求是不一樣的。數據建設沒有萬能的公式，只有最適合企業自身的解決方案，個性化地建設數倉。企業的信息化建設初期，數據量比較小，邏輯結構也很簡單，可以通過直讀數據庫的方式快速地應用數據。隨著系統的數據量變大，業務的擴展，讀寫頻率就會變高，這個時候業務庫的壓力就會變得越來越大，會影響到業務系統本身的使用。為了解決這個問題，會建立中間數據庫，也就常說的中間庫，進行讀寫

147、分離，將數據預處理；或者常規的離線處理，就是 ETL，在中間庫這個階段改造成本很小，但是數據應用效率提升卻非常明顯。大部分的企業會在中間庫階段發展很長一段時間，因為這個階段已經能滿足很多基礎的數據應用了。中間庫階段算是數倉的初級階段，但是隨著業務交叉越來越多，需求也越來越多，由于中間庫沒有進行統一的整合管理，中間庫做的一些成果，只能有針對性地應用，不可復用，對中間庫的改造也比較困難，造輪子的現象比較嚴重，此時需要開始建設完整的數倉。企業通常會以滿足業務主題為目的，建設獨立的數據集市架構或者集中式架構，這兩者都是應用于業務發展。其實它們的區別很簡單，獨立的數據集市架構就是根據 ERP 系統，或者

148、針對 mess 系統，進行專門的小型數倉的搭建，嚴格來說稱之為數據集市，但是也能夠滿足業務，但是隨著業務系統越建越多，比如有了 OA，除了主數據系統以外，還有PPI、ML、PLM，還有 WS 等其他系統。此時，業務交叉很頻繁，需要通過集中式的架構把所有的業務庫的數據集中在一個數倉里邊，然后對數據進行分層應用?，F在很多企業，多業務系統是很常見的，集中式架構可能更適合大多數的企業，這樣將不同的系統進行集成，所有的數據都是一個出口，實現了輸出一口，其次統一了不同業務系統的口徑標準；并且在整個數據庫的搭建過程中，會進行相應的數據治理，比如 DW 層/DIM 層，實現建立完善的數據管理體系，讓數據成為生

149、產力的發動機。帆軟最希望的模式，是通過建設數倉，幫助企業打好數據底座，改變傳統的數據分析模式，以前 it 人員需要去搞定數據準備，自己利用數據進行報表開發，業務人員常常就在旁邊扮演評委?，F在 it 通過搭建數倉，準備好數據以及寬表，數據利用的角色從 it 變成了業務自身，自己去做自助式的分析。讓懂業務的分析業務，讓懂開發的搞數據開發。而好的數據應用其實最離不開的就是數據基礎。數據治理：面向數據應用提升數據準確性5.2帆軟理解的數據治理內涵：是一套管理體系數據治理（Data Governance DG）數據治理（Data Governance DG）是企業對數據資產管理行使權力和控制的活動集合（

150、包括計劃、監督和執行)，它是管理企業數據資源的一種方式、方法，旨在確保數據的質量、安全、合規和有效性。數據治理是企業實現數據戰略的基礎，是一個管理體系，包括組織、制度、流程和工具。數據治理是一套復雜的管理體系，它無法通過單一的工具或產品來實現。數據的生命周期包含了源頭、處理和消費這三個階段，數據的問題也可能會出現在這三個環節中。例如在數據源頭環節，用戶錄入數據的規范性存在問題，導致了最終數據消費環節的數據質量低。數據表象問題的根源，可能來自于業務系統用戶交互設計，乃至是底層數據庫表結構設計上的缺陷。而要想解決這些表象的數據問題，就必須解決深層次的信息化業務系統開發以及數據庫表約束設計等問題。例

151、如為了保證用戶錄入數據的準確性，有三種方式去設計業務系統：其一是設計前端的檢驗驗證，避免用戶做出相同的選擇；其二是通過程序編寫過濾判斷的邏輯，篩除掉前端誤入的數據，作為第二層驗證；其三是通過建立約束條件，例如唯一性約束、檢測約束等等來控制數據錄入準確性。因此，企業的數據治理遠非使用一款單一的工具或產品就可以實現的，它是需要回到源頭，對企業的組織、流程制度、業務系統、底層架構等多個方面進行排查和重構的，它是一套復雜的管理體系。7879商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：數據問題表象與根源帆軟數據治理策略：拉式策略與推式策略考慮到數據治理工程的復雜性，我們提出了兩種目的性不同的

152、數據治理策略：拉式策略（Pull Strategy）和推式策略（Push Strategy）。01拉式策略面向數據應用，是以提升數據應用過程中的數據準確性為目標的數據治理建設策略它強調在數據應用的過程中定位和解決問題，以數據應用項目為建設周期。具體而言，拉式策略有三個特點：拉式策略通常以指標體系為起點，進行金字塔式自上而下的規劃與建設，通過“數據流、業務流、信息流”的過程反向推動數據質量提升；自上而下：它包括多系統的數據整合、拉通、清洗、處理，以及數據倉庫建設和 ETL 開發過程；數據整合：拉式策略面向數據應用。根據實際業務情況，主要解決數據指標定義標準不清晰、指標計算口徑不統一、指標計算口徑

153、版本變更、數據不準確、數據上報與數據審核等數據應用場景出現的問題。數據應用：02推式策略面向數據全生命周期的管理與控制，是一種體系化的數據治理建設策略它強調體系化的計劃、監督、預防與執行，包括多年計劃的數據策略建設周期。具體而言，推式策略有三個特點：推式策略不針對某個單一的、具體的數據應用場景，而是一個全面體系化的治理過程；體系化、系統化：它貫穿數據全生命周期的管理，例如數據采集、數據質量、數據應用、數據安全、數據分享等多個環節；全生命周期：推式策略從數據治理策略（目標、范圍、方法和組織）開始，通過專業的數據治理團隊進行數據治理的規劃、實施和監督，通過制定數據管理流程規范從源頭業務系統的構建到

154、數據的分發、流轉，包括數據安全策略與控制，最終貫穿數據資產管理、分析和挖掘的全生命周期過程。立體策略：8081商業智能應用白皮書 5.0商業智能應用白皮書 5.0拉式策略（Pull Strategy）推式策略（Push Strategy）項目時間分配80%的時間分配在數據消費端和處理端，以數據消費推動數據治理80%的時間分配在數據生產端，先數據治理后數據消費數據治理范圍范圍小，專注于治理被消費的問題數據范圍大，專注于治理數據生產端，即產生數據的地方的問題涉及企業流程數量、范圍可控的核心業務流程企業各級別的幾乎所有業務流程外部參與外部供應商配合參與程度低需要外部供應商配合參與系統改造實施成本成本

155、可控且試錯成本低成本較高且試錯成本高投入周期短，通常以月為單位長，通常以年為單位根據多數企業的實踐經驗，以數據應用需求為起點的拉式策略有著更短的實施周期和更低的投入成本，是一種更加靈活、更加敏捷的數據治理策略，我們將在下文中著重介紹這種數據治理策略。適合多數企業的數據治理更優解：拉式策略以提升數據應用過程中數據準確性為目標的拉式數據治理建設策略主要包括 3 個流程：基于數據指標體系，以“數據流、信息流、業務流”的基本邏輯框架，在限定的范圍內及時洞察數據質量問題的根源，并逆向推動業務信息化和業務管理的改善和提升；基于指標體系的數據問題洞察：通過數據倉庫建模、合理的分層設計、ETL 過程開發等，保

156、障數據模型及架構的穩健性和可擴展性，提高數據使用的準確性；穩健的數據架構設計：03兩種策略比較拉式策略以數據應用需求為起點，推式策略以標準規劃為起點，兩種策略在多個方面有差異：建立面向高層管理的數據指標管控及審核機制，確保數據應用過程中（上報、可視化分析）關鍵數據必須經過有效審核，提升數據使用質量及數據準確性。數據應用審核管控機制：01基于指標體系的數據問題洞察數據問題洞察流程數據問題的洞察過程可以分為5個步驟：第一步是企業內部的資料收集和需求調研；第二步是指標體系梳理；第三步是確認可視化原型設計方案；第四步是“數據流-信息流-業務流”的問題識別過程；第五步是暴露問題，形成數據質量提高待辦。這

157、些步驟中最為重要的是第二步指標體系的梳理和第四步“數據流-信息流-業務流”的問題識別過程。數據問題洞察，本質上就是基于數據指標體系，以“數據流、信息流、業務流”的基本邏輯框架，在限定的范圍內及時洞察數據質量問題的根源，并逆向推動業務信息化和業務管理的改善和提升。企業數據問題的洞察始于數據流層面的對指標體系的梳理。指標體系里包含指標和維度，指標即是目標，維度是數據的視角。在確定指標體系后，就需要標準化指標的定義與計算口徑、計算邏輯，包括對不同計算口徑的版本管理。在計算口徑確認后，就需要順著計算邏輯逐層向下追蹤，查看數據能否被獲取到。數據流層面：圖：數據流-信息流-業務流的數據問題洞察流程8283

158、商業智能應用白皮書 5.0商業智能應用白皮書 5.0如果在數據流層面出現了問題，比方說數據不能被獲取到，那么問題很有可能出在信息流層面，例如信息系統建設存在問題導致數據沒有被收集。在這種情況下，可以通過手動填報的方式補錄數據，也可以在后續的階段中完善信息系統的建設。這一過程體現了從數據流到信息流的分析，企業能夠更深層次地洞察數據問題的本質，通過數據流暴露的問題來逆向推動未來信息流建設的完善，進而支撐更全面的指標體系。信息流層面：數據流層面出現問題，排除信息流層面存在的信息系統建設問題，還有可能是業務流層面的管理問題導致的。例如同一個指標有不同的計算口徑，這就不是信息系統的問題，而是管理自身的問

159、題，是由于部門間的沖突而導致的。從數據流到業務流的分析，企業可以通過表層的數據問題洞察到自身業務流程上存在的弊端，從而逆向完善業務管理流程和管理邊界。業務流層面：在這樣金字塔式的數據問題洞察方法下，通過階段性、有限的指標體系框定了取數的來源范圍，因此不會盲目地擴大數據治理的范圍和目標。通過在限定的系統范圍內洞察存在問題的數據，可以形成有針對性的數據治理策略，讓問題聚焦。最后通過階段性的識別問題、解決問題，可以由點到面、由淺及深，暴露的問題逐步解決，保障階段性的建設成果。數據問題洞察案例案例一：通過“數據流”和“業務流”定位到“信息流”層面的建設問題某集團內部分包導致項目產值及二級單位業績劃分不

160、明確表象問題：在數據流層面上，發現各部門項目產值不一致，數據的準確性存在問題?；谶@個問題，進一步去挖掘信息流層面和業務流層面的根因。在業務流層面上，集團有明確的業務管理標準和規章制度，需要各部門在項目成立時就明確產值，并在繳納管理費時才需要上報產值，因此業務流層面不存在嚴重問題。在信息流層面上，項目組織建立時存在同一個項目在信息系統中有兩個層級項目的情況，因此 NC 中項目組織存在“多對一”的情況，導致系統中取自 NC 的項目組織的數據存在問題。至此，我們通過“數據流”和“業務流”的分析，將數據問題定位到了“信息流”層面的系統設計問題。根因分析：從信息側的角度，在 NC 中建立項目組織時，需

161、要劃分項目組織層級，總承包項目部由總承包申請建立，內部分包項目部建立時需要選擇對應的總承包項目部；從數據側的角度，進行產值統計時，項目總產值僅統計一級組織的產值數據。核算各公司產值時，按照對應組織核算自施部分產值，并抵扣內部分包的產值。解決路徑：最終，通過完善業務系統中項目分級管理的機制，實現項目產值的精準核算，完成了從數據問題洞察到數據治理的過程。治理成果：圖：數據治理成果展示-信息側-數據側-8485商業智能應用白皮書 5.0商業智能應用白皮書 5.0案例二：通過“數據流”和“信息流”定位到“業務流”層面的管理問題某集團在建項目、完工項目數量各部門數據不一致表象問題：數據流層面上，發現在進

162、行數據分析時，從各業務系統中獲取的數據不一致，并且項管部仍存在線下統計數據的現象。進一步分析，發現信息流層面不同的業務系統，對項目狀態的定義模糊、不一致，例如項管部以項目部發文為開工，商務部以獲取開工報告為開工。至此，我們已經可以明確問題的根源在于業務流層面，集團內部缺乏統一的制度、流程來明確項目各節點的劃分標準，也沒有明確以固定的流程節點劃分項目狀態。因此，要想治理各部門項目數量的數據問題，就必須在集團管理流程和標準上做出改善。根因分析：從業務側的角度，開展跨部門的溝通交流，統一項管部、人力部、商務部的項目狀態定義標準；從信息側的角度，完善項目狀態各階段劃分流程，在OA系統中完善、改造流程節

163、點；從數據側的角度，根據現有流程優化取數邏輯，實現數據的來源一致和跨部門應用。解決路徑：最終，實現了跨部門項目數據的統一，規范了項目全生命周期的管理流程，完成了從數據問題洞察到數據治理的過程。治理成果：-信息側-業務側-數據側-圖：數據治理成果展示02穩健的數據架構設計在洞察到數據問題所在并進行了數據側、信息側或者業務側的改善后，進行穩健的數據架構設計是拉式策略的第二個流程。這里主要涉及通過數據倉庫建模、合理的分層設計、ETL 過程開發等，保障數據模型及架構的穩健性和可擴展性，從而提高數據使用的準確性。值得強調的是思考數據架構有三個出發點：穩健性、可擴展性和效率。數據倉庫架構的穩健性需要通過數

164、據倉庫分層來解決；數據倉庫的可擴展性要通過數倉建模、維度一致性等方式來解決；效率問題需要通過多系統數據集中、處理，從流程型數據架構轉變到分析型數據架構來解決。03數據應用審核管控機制我們數據治理策略的最后一個流程是建立一個企業內部，面向高層管理者的數據指標管控及審核機制，確保數據應用過程中（上報、可視化分析）的關鍵數據必須經過有效審核，提升數據使用質量及數據準確性。8687商業智能應用白皮書 5.0商業智能應用白皮書 5.0以某集團的經營分析會數據審核流程為例，集團總部的填報用戶保存、提交數據后，數據會被鎖定并流轉至集團總部的審核用戶處。如果數據審核通過，它會被定版并做會前使用準備；如果數據審

165、核不通過，它則會被退回填報用戶處，并且系統會自動推送審核失敗原因給填報用戶，后臺同步更新審核記錄和狀態。子產業集團的填報用戶提交數據后，流程情況與集團總部的填報用戶類似，只是需要額外經過一輪子產業集團審核用戶的審核。如果在子產業層面審核通過，數據將會做會前準備定版，流轉至集團總部審核用戶處。如果集團總部數據審核不通過，數據將會被直接退回子產業數據保存中心，并推送原因給子產業填報用戶?？傊?，雙重審核流程保障了子產業集團數據上報的準確性，進而提高了集團總部高層使用數據的質量。圖：某集團經營分析會數據審核流程歸根結底，企業表層數據問題的產生往往有深層次的業務系統設計、流程制度管理方面的原因。因此要想

166、通過數據治理提升企業數據的質量，就不能僅僅依靠一個工具或產品解決表象的問題。帆軟提出了企業數據治理的拉式策略（Pull Strategy）和推式策略（Push Strategy）來滿足不同的數據治理需求?？紤]到當今企業面臨的復雜環境，實施周期更短、治理成本更低的拉式治理策略更能及時滿足企業數據消費的需求，是一種更靈活、更敏捷的數據治理方式。在該策略下，基于指標體系的“數據流-信息流-業務流”分析邏輯能夠幫助企業發現、洞察、追蹤數據問題產生的根源；穩健的數據架構設計能夠幫助企業解決數據質量的問題；數據應用審核管控機制的建立能夠幫助企業解決錯誤數據被使用的問題。經過系統化的數據治理，企業數據質量將

167、更能滿足消費的需求，基于數據的決策也將更加精準。數據指標：企業監控與貫徹戰略的抓手5.3大多數企業數字化轉型已經取得初步成果，戰略方向上基本明確，組織架構上有足夠支撐，系統工具上基本完成建設。不過實際的轉型效果依然參差不齊，不少機構仍然存在戰略與執行脫節，取數難用數難，指標口徑不統一，同名不同義等痛點。究其原因，大多數的問題都在指標上，因為指標是監控與貫徹戰略的抓手，取數、用數自然也是為了計算指標，口徑不一等指標的痛點，自然也影響業務監測，進而導致戰略與執行脫節。因此，數據指標能否用得好，成為數字化轉型的關鍵，本節將介紹數據指標在行業中的應用，重點圍繞下面三點展開：如何建體系如何用指標如何建底

168、層如何建體系：自上而下&自下而上相結合首先來介紹如何構建指標體系。指標體系設計框架已較為成熟，主要來源于企業戰略自上而下的演繹，以及一線業務實操自下而上的歸納?；谶@種設計方法，再加上底層應用和管理體系的支撐，共同構成了一個整體的經營分析的指標庫。整體的目標制定是基于公司的發展戰略，如十四五戰略規劃、數字化轉型規劃等，分析戰略實現的決定性因素，梳理指示實現價值的可測量數據，進而形成一級指標，或稱北極星指標。8889商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：指標體系設計-核心框架 指標體系是按照自上而下演繹、自下而上歸納兩個方法結合，多維多層指標框架是對整個業務板塊指標的梳理，在每

169、一個板塊里面橫向展開指標業務的維度，縱向基于整個指標的層級，從戰略指標展開至經營管理指標、業務執行指標。指標體系梳理完畢，應用包括可視化、流程、用戶交互等。指標的管理體系，需要基于管理制度、管理流程、組織職責。01自上而下的方法：基于企業自身業務戰略戰略銜接需要通過核心指標拆解成為各個部門的承接指標，但是這些指標中的維度和口徑之間會有區別，這些區別是整個指標體系設計里面需要重點關注的各項標準。這里需要引入“價值樹”的概念，可以理解為戰略分解的關鍵影響因素，可以拆分為不同層次的價值流，比如綠色工廠里面可能會分解為相應的供應鏈，供應鏈里面又可以分解成為不同的價值流，包括每個環節的響應效率、每個環節

170、執行的質量健康度、基于時效和質量產生的對應成本等。其次，這些價值流在不同業務板塊都有不同的呈現方式，需要根據價值驅動因素優先級進行排列，比如目前哪些部門里面的哪些對應的價值流是需要核心先關注的。自上而下的演繹包括制定北極星指標、建立價值樹和價值驅動因素優先級，逐步拆解形成指標。例如，提升客戶活躍和留存的北極星指標，可以拆成增加客戶留存、提升產品銷售能力和提升審批效率等二級指標，再向下可以拆成增加客戶留存、提升客戶粘性、提升客戶忠誠度、促進交易量等子指標?；诠緲I務發展戰略，通過企業價值樹分解，梳理企業核心關鍵 KPI，形成指標庫圖：自上而下演繹：運用價值樹分解價值驅動因素，逐層進行指標的拆解

171、 這種自上而下演繹的方法論和傳統指標體系建設方式存在一定差異，傳統指標體系通常是拆解到維度，而這里則注重指標上下級之間的關聯。在大指標出現異常的時候，會對其下的子指標進行分析，尋找原因，而不是單純的只看大指標的維度。圖：自上而下演繹：運用價值樹分解價值驅動因素，逐層進行指標的拆解 9091商業智能應用白皮書 5.0商業智能應用白皮書 5.002自下而上的方法：基于企業現有指標體系也叫做歸納法，通過梳理企業現有的經營指標去歸納總結，形成相應的指標互補，最終形成一個多維、多層級、全場景覆蓋的指標樹。比如提升渠道能力，可能涉及很多指標，我們把各個渠道的，比如網銀的、客戶經理產能的指標都細分出來，歸納

172、到體系中，形成一個結合業務維度和技術維度的全場景的指標體系框架。指標在收集的過程中，一方面需要對一線的業務系統做收集，一方面要對當前日常匯報材料進行歸納匯總，包括定期復盤會、各級管理會議相應的資料，這些資料可以幫助去做整合歸類，而整合中又會用到目前指標的業務維度、技術維度等。但是自下而上梳理的過程中，也存在不同部門之間可能會有重合指標的情況，而這些重合的指標甚至可能也會在對應口徑上有出入。為了解決這種問題，最好的解決方式之一是設定業務的指標owner，不同業務的指標owner會幫助整個指標梳理的過程形成更好的聚合。通過指標的收集、解析、整合和歸類，形成指標庫圖：自下而上歸納：通過指標的收集、解

173、析、整合和歸類，形成指標庫有了自上而下演繹得到的指標，為什么還要做自下而上的歸納呢？因為演繹過程中，可能為了追蹤新的戰略目標，而設置一些新指標，這些指標對一線業務來說是比較陌生的，因此還需要收集一線常用的指標并將其體系化，進行自下而上的歸納。兩個方向相結合，形成最終的指標庫。案例 1：供應鏈環節具體的指標盤點主要包括七大步驟，即通過調研訪談梳理業務條線、場景，以及業務流程和過程，覆蓋所有業務條線和場景、流程，形成原子指標，進而形成衍生指標。以供應鏈的采購執行為例，采購執行可以分為對整個物料需求的拆解，到需求的下單，再到供應商的對接。采購執行環節包含了不同的流程，整個信息流里面會包含單據，所以這

174、些流程和單據幫助企業構成了一個業務環節，這個業務環節所對應的原子指標同時也可以明確出其分析維度，比如供應商的維度、對應產品線的維度、不同財務科目的維度等，這些維度可以幫助企業去拆解出來KPI?；谶@樣的KPI，就可以明確出計算邏輯，最終通過平臺落地。最終形成一個圖譜，涵蓋所有的環節，可以看到每個環節中有多少指標。如果某個環節沒有指標，就說明存在遺漏，需要針對性地去補充指標；而如果某個環節指標偏多，則可能是KPI導向或者存在重復指標。這樣梳理出的圖譜就會比較完整，并且是基于統一價值鏈的。需要特別注意“補數據”動作，不同的業務板塊里面可以拆解出來相應的業務環節，以及對業務環節拆解出相應的原子指標，

175、但是同時企業也需要去注意采取主動或者被動的方式去補充相應的數據指標。比如供應鏈里面供應商的管理，需要去根據現在的系統做一個比照，包括供應商的降本、供應商的配額等，這樣就可以幫助企業查看哪些數據已經覆蓋，哪些數據還沒有覆蓋。圖：指標體系-建體系：通過 7 大步驟逐步自下而上梳理指標體系 9293商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：做評估&補數據，構建數據全景圖，有序推動指標完整性建設案例 2：LTC 環節決策層關注的人均產值、銷售收入、凈利潤、資金周轉、銷售訂單的情況，再往下拆解就對應到業務環節里面，包括銷售拜訪、訂單簽訂流程、發貨出運的流程等等。這些流程構成管理層想要的核心

176、指標，并拆解成具體的維度，比如產品、訂單、銷售業務、財務等。繼續往下看，這些維度會涉及到執行層里面詳細的一些指標的戰略體系，基于指標體系在價值流的過程中可以梳理出多維的價值動因分析，再去對相應的問題進行拆解指標，解決問題。由上至下可以分成三層，決策層、管理層和執行層舉一個場景的案例，比如要對目前某個期間內訂單下滑明顯的行業，以及對應的客戶進行定位，就先要對客戶的類型、當前合同類型、延期提貨、以及訂單狀態等生命狀態去做相應的監控。要注意去觀察是否在某個期間內有客戶的價格是明顯低于紅線價的，依照LTC環節，分解出一個一個價值的動因。通過這樣的方式，最終可以解決在業務環節中指標體系的完整性和業務問題

177、。9495商業智能應用白皮書 5.0商業智能應用白皮書 5.003形成指標庫指標庫分成三個視角去看，業務屬性、技術屬性以及管理屬性。業務屬性包括指標含義、指標業務口徑、計算規則、統計區間以及相應的統計頻率；技術屬性包括系統的字段名稱、指標數值類型、指標的技術口徑等；管理屬性包括指標分類和屬主部門(指標的owner)。指標定義，應包括業務屬性、技術屬性和管理屬性，特別是屬主部門非常關鍵，需要明確由哪個部門對該指標的定義負責，當指標數值出現偏差時誰負責修正，指標管理中的很多痛點都是源于屬主部門沒有定義清楚。04指標全生命周期管理指標體系建好之后，還要管理好。首先，需求收集流程要明確，即需求誰來提、

178、誰來處理。指標的拆分創建流程，也要定義好各部門的職責。接下來，指標的審批、發布，后期的監控和失效歸檔，都需要建立相應的機制。譬如，某股份制銀行的數據資產平臺中存在6-7個AUM指標，無法明確該用哪個，所以只好再增加一個，如此下去就可能導致指標的無限增長，因此需要一套完善的體系對指標的使用進行監控、分析和管理。分為指標的 owner、指標落地的開發者，指標管理的維護者，指標的消費者。這些不同的管理角色可以對應到端到端的指標分解的流程（指標需求收集-指標拆分創建-指標發布應用-指標歸檔失效）中，以及管理制度中。指標管理角色的定義指標管理的第一步是進行指標需求的收集，需要對齊業務口徑，數據初探以及梳

179、理分歧/冗余指標。在整個指標全生命周期管理的過程中，需要每一個業務部門的高層牽頭去做業務指標的定期優化改進，比如可以通過定期的復盤會的形式。圖：指標體系的運營管理制度、流程、組織職責，三大維度全面保障9697商業智能應用白皮書 5.0商業智能應用白皮書 5.0將戰略指標進行拆解，對于經銷商的覆蓋率會下沉到對每一個三-六線城市進行分析；對于庫存是要考慮每一個工廠、每一個基地，每一個城市的分倉/中心倉等等。對于這些維度進行運營動作的分析拆解，比如考慮城市內的門店覆蓋率，必備單品的品規數，相應門店活動的投資金額、品牌的覆蓋等等。以大區負責人的視角為例，本月預估是可以 4 個大區達成 75%，但是其中

180、的東區整體目標達成只有 70%。在這種情況下，需要去關注這些變化來分析東區。同時，可以通過看中心倉/分倉，以及不同的區域和經銷商來看目前必備單品/新品庫存、暢銷品庫存的情況等。這些庫存的情況一方面可以幫助企業指導經銷商大力去推廣哪些品類，另外一方面可以幫企業通過經銷商的視角去預測。以經銷商的運營分析體系為例：如何建底層：貼源-明細-匯總-應用指標來自于數據倉庫和數據集市，接下來看一下底層數倉/集市是如何搭建的。數倉的標準結構包括ODS層、DWD層、DWS層、ADS層。目前很多企業在使用BI等數據應用的時候，數據直接由ODS對接到數據應用，缺少了中間各層的數據加工。應用層直接讀取原始數據，由于明

181、細數據量很大，會導致應用層很慢，不同的分析師從ODS從頭按自己的理解加工，也會帶來指標口徑不一致的問題。因此企業一定要建數倉、建集市，一層一層地建設，最后通過ADS層來服務各類數據應用。主要做清洗和落標的工作，對于垃圾數據、臟數據、空數據、不符合碼值的數據會統一在這層做清洗，統一標準。同時在該層做一些維度退化，把表適度做寬。最后是做數據脫敏的工作。DWD 層即匯總層，將數據匯總成服務于某一主題的寬表，不面向特定應用。DWS 層表需要滿足通用性，原則上不跨主題域，并且要標明統計周期，因為不同域的時效性不一樣，還要避免將不同層級的數據放在一起。匯總層如果直接從底層數據取數，那么指標的邏輯會寫在SQ

182、L中。例如授信余額這一指標，業務含義是在授信額度上減掉已用額度所剩下的額度，如果沒有提前在匯總層中把授信余額計算好，每個人對指標含義的理解可能不同，就會導致不同系統算出來的授信余額不一樣，可能帶來超額授信等風險。出現指標差異，要去查底層邏輯也會非常耗時耗力。如果把授信余額口徑提前在匯總層加工好，在指做指標時只需要篩選客戶類型，然后選中授信余額，就可以出指標，這樣業務部門就有了自己分析指標的基礎，因此數倉的良好構建非常必要。9899商業智能應用白皮書 5.0商業智能應用白皮書 5.0如何用指標：BI 分析為主，多層次應用構建好底層數倉和指標體系后，接下來看一下如何應用指標。BI 分析是指標應用的

183、主要場景，主要包括 4 種類型：即基于現在的數據做統計分析，了解現在的數據呈現怎樣的特征，這是大多數客戶使用 BI 的場景。第一種是統計型即了解為什么數據會呈現某種統計結果，是由哪些原因導致的，可以通過指標的維度分布查看，也可以通過下鉆查看關聯指標和子指標的情況。第二種是歸因型指標主要用在 BI 分析，可分為 4 個層次，統計型、歸因型、預測型、決策型基于現有數據進行統計分析 統計型分析統計結果，得出導致現狀的主要原因、次要原因等 歸因型得知原因后，直接通過業務系統改進，完成閉環 決策型根據現有統計分析，預測一段時間后的指標變化，或者可能發生的事件 預測型即根據現有的數據去預測未來的趨勢?，F在

184、通常的做法是通過一個項目來做，例如在金融行業里預測下個周期的不良率，或某個客戶的投訴概率，在風險領域的建模，就是這樣一個過程，很少能通過 BI 直接完成這個建模和預測的過程。當然目前有拖拉拽式的自助式建模分析平臺，這是另一條技術路線。第三種是預測型現在能做到這一步的非常少，或者說這不是 BI 的定位。決策型是指當發現某業務的趨勢后，直接通過接口把需要修正的業務通過 API 發送給業務系統進行修正，例如改一個開關功能、改限額、改屬性等，整體是把 BI 的邊界做得很大，這是不是 BI 的職責目前還沒有定論。但這確實是指標分析的終極目標，即能夠完成從分析、歸因到改進的閉環，并且能夠監控改進后的結果。

185、第四種是決策型目前絕大多數 BI 都屬于統計型，包括報表和大屏一類的可視化應用。隨著人工智能技術近兩年突飛猛進的發展，AI for BI這個賽道最近又熱了起來，AI在統計型BI中，能幫用戶做些什么呢？100101商業智能應用白皮書 5.0商業智能應用白皮書 5.0利用大模型的能力，可以通過問答的形式，給到一些原因的提示，如果輸入的內容其他人已經輸入過，或者在庫里能夠匹配到這些度量或者維度，系統會做一些提示，也可以幫助引導分析思路。分析出來后，產品會把整個的意圖和分析過程展示出來，由用戶確認分析路徑是不是有問題，用戶也可以在上面直接去改維度和分析的度量。這就是目前 FineBI在嘗試的問答 BI

186、 產品。統計型 BI 更多的還是為你展示數據是什么樣的，但不能告訴你為什么?；谶@一問題，FineBI 提供了數據解釋的功能，可以初步完成歸因和下鉆。比上圖所示，可以看到 2016 年利潤突然上漲很多，一般在傳統 BI 中需要把該指標提出來，再去數倉中做分析。FineBI的數據解釋功能，可以自動將利潤指標所涉及的維度全查出來，這樣就可以看到哪個維度占比最大，比如 A 產品的利潤占 88%，是主要的貢獻者，可以繼續下鉆查看 A 產品在不同地區的銷量，又發現華北的 A 產品銷量貢獻最大。這樣就得到了初步的歸因，但這還是基于維度的，有時維度差異不大，再往下鉆維度差異也不大，就說明可能不是這些維度的影

187、響，可能是底層其他子指標的影響，因此需要進一步的歸因分析。在完成初步的分析以后，還可以進行深度歸因，這是基于指標體系構建時不同指標之間上下級的關系。102103商業智能應用白皮書 5.0商業智能應用白皮書 5.0例如信用卡的透支余額指標，可能受卡數量和戶均余額影響，這就是指標體系構建時，將北極星指標拆解到兩個子指標，還可以繼續下拆，比如卡數量可能受申請總量和通過率影響，申請總量又可以看不同的渠道，到底是線上還是線下渠道的申請總量變動比較多。類似的拆分邏輯是基于業務知識的沉淀，通過大模型以及問答 BI，學習業務人員的分析思路，最終體現在產品中，給出一些提示和建議。比如在問答時自動彈出一些推薦，提

188、示是否要看一些關聯指標。這是AI在指標管理和BI領域中的一個非常好的應用場景。預測型BI相對比較困難，目前大多是通過項目來實現。通常會涉及一些邏輯回歸等模型，需要對大量的歷史數據做處理，之后形成對未來的洞察。例如預測投訴，客戶多次訪問頁面并在與客服通話中多次表達不滿，這些都是客戶投訴的前期表現，有了這樣的數據積累后，就可以預測客戶在哪些日期存在較大概率會投訴。如果通過 BI 或指標來分析比較困難，首先這其中涉及非常多的非結構化數據以及非數值數據，需要進行 WOE 或 onehot 變換，其次到底是哪些因素影響的Y 變量，很難判斷，需要非常多的數據積累，反復的調參以及業務人員的經驗，因此通常通過

189、項目來實現?；跉w因分析發現了問題根因，然后通過 API 或者在跳轉業務平臺的直接操作，完成問題發現、歸因到解決的閉環。例如前面的例子，卡量下降 8%，經過分析發現線上申請總量下降了 9%，那么就要定位到線上渠道去解決問題，如果解決不了可以督辦下去，這就涉及到經營分析的一些思路，即通過指標分析和歸因識別到問題以后，督辦問題負責人予以解決，把問題轉給渠道管理來解決。又比如，筆均交易額突然出現大幅下跌，筆均交易額通常是受交易渠道限額影響，接下來去分析渠道的限額，如果發現確實是交易限額有變化，就可以去修改限額設置，直接在 BI 里面完成接口修改。這就是將來指標管理和BI產品的一個可能的方向，即完成統

190、計、歸因、預測、決策的閉環，在BI中直接解決問題，這樣使數據分析的價值更加顯性化。104105商業智能應用白皮書 5.0商業智能應用白皮書 5.0指標體系都存儲在指標庫中，可以由專門的指標管理系統來存儲，不過不必糾結于工具，比如我們團隊的指標庫就是基于飛書在線文檔實現的，包括業務架構、指標清單、管理要素、指標模型、維度清單等，還包括常用指標展示的駕駛艙和數據應用場景等。例如前面舉例的信用卡余額指標，拆解為數量和余額，以及進一步拆分成申請總量和通過率，這些都可以通過父子指標的層級配置實現。北極星指標的拆解關系都配在指標庫中，業務人員想要分析時，只要在指標庫里面查一下這個指標的下級指標都有哪些、怎

191、樣使用，還可以疊加不同的維度，就可以完成指標的下鉆和歸因分析。寫在最后構建好底層數倉和指標體系后，接下來看一下如何應用指標。數據項目的最大風險：建完了以后沒人用 所有的產品的最終目標是讓業務人員可以直接使用。然而目前在很多企業，BI 的推廣和使用還存在很多問題，比如一些年齡比較大業務人員不會使用或者說抗拒使用，還有些人認為應該由技術人員來做，數據分析的職責不清。針對這些問題，最關鍵的是組織架構上，需要有相應的數據分析團隊幫業務部門分析，而且數據分析團隊最好內置在業務部門，每個業務團隊有 1-2 個數據分析崗，這些人員由業務部門考核，逐步的讓業務條線感受到數據的作用，以及數據分析上手不難，這是需

192、要一個過程的。數據項目的最大風險就是建完了以后沒人用，因為數據項目與業務系統不同，通常是非剛需項目，不是雪中送炭，只是錦上添花，即沒有這一套產品，業務也能生存下去。所以在做數據類項目時，經常是建完以后業務部門覺得學習或遷移成本太高，沒必要用，業務部門還是習慣在原有的邏輯中去完成。甚至有一些業務人員認為數字化對其自身是一種威脅，原來所有的業務經驗和知識，包括客戶都在腦子里，如通過數字化的手段固化到系統中，那個人的價值在哪？因此要讓業務人員充分參與，意識到產品能夠減輕工作量而不是增加工作量，需要長期的宣導、培訓、競賽，把企業的數據文化建立起來，這是最核心的工作。通常的培訓都是產品上線后介紹產品操作

193、方法，做起來非常簡單，但是絕大多數情況下不起作用?，F在帆軟有專門的團隊通過一套方法論來引導客戶，而不是單純的講產品功能。整體包括數據人才診斷、培養和評估三個環節：先看整個組織架構有沒有問題，包括人才體系建設、職能崗位職責分布；然后去做培訓，有線上、線下、集中、分散、點對點、批量等多種方式；之后去做評估，包括 FCA 和 FCP 認證。我們合作的客戶中，例如華夏銀行，就把指標派到了分行，要求每個分行都有一些工程師能夠參與分析，這樣就可以比較好地加強業務的積極性。在東亞銀行，也做了很多培訓和大賽，包括請領導站臺、內部宣發、外部宣發等，使整個產品的使用比例有了大幅提升。當習慣用數據做決策后，這套系統

194、就會成為業務人員工作中的必不可少的工具。106107商業智能應用白皮書 5.0商業智能應用白皮書 5.0帆軟數字化建設之道：BI 筑基，業務引領THE WAY OF FANRUAN DIGITAL CONSTRUCTION:BUILDING BI FOUNDATION,LEADING BUSINESS帆軟視角：數字化建設的三大階段6.1在帆軟眼中，數字化分為三類：業務主導，給 IT 部門布置任務，但是只有 IT 部門自己懂信息化、數字化。第一個是業務追隨（Following Phase)業務和 IT 深度配合，出現業務型 IT，IT 型業務。除了 IT 部門，業務部門也開始有部分人擁有信息化意

195、識、數字化意識。第二個是業務協同（Synergizing Phase）IT用數字化手段去幫業務進行突破，幫業務分析是否有問題，盯相關改進進度，最后達到讓數據成為生產力。同時，業務人員開始更多的人擁有信息化意識、數字化意識，和 IT 部門共同驅動新場景變革。第三個是業務引領（Leading Phase)數字化：始于跟隨、加速協同、奔向引領108109商業智能應用白皮書 5.0商業智能應用白皮書 5.0帆軟數字化建設：三大階段實踐進程01業務追隨階段（Following Phase，2011-2017 年）在 2011 年之前，帆軟內部只有一個用來提交 bug 的 bugtricker 的系統。2

196、011 年之后，帆軟開發了 CRM1.0，起源是銷售部門提出系統需求，銷售拜訪記錄需要有專門的系統記錄。2012 年，帆軟想要進一步把把客戶抓起來，上線社區V1.0，同時 crm 里面開始分成線索、銷售、合同管理模塊。2014 年，開始在 CRM 里面做企業經營管理，所有的模塊都放在這套系統里面，包括營銷線、后方的日常管理，甚至產品需求提交。在此階段，仍然僅有 IT 部門人員擁有信息化意識、數字化意識。02協同業務階段（Synergizing Phase，2017-2021 年）從 2017 年開始，帆軟數字化進程開始踏入“業務協同”，業務部門開始有部分種子選手逐漸擁有信息化、數字化意識。帆軟

197、在業務建設這塊主要是參考華為的 LTC 標準化流程來進行梳理。其次，帆軟自身的 FineBI 產品也在不斷的往前走，逐漸成為市場頭部廠商；同時，乘著零代碼市場快速發展的東風，帆軟的簡道云產品開始逐步占據市場，對外而言，幫助不少客戶的業務部門實現更快地搭建流程；對內而言，也幫助帆軟自身提速進行業務協同布局。圖：數字化三階段矩陣（Three phases of Digitalization)03部分引領階段（Partially Leading Phase，2021 年-至今）從 2021 年開始，帆軟重新定義 IT 在公司內部的角色，由 IT 集中制轉向 IT 自治化，即產品線有自身的 IT，營銷

198、線有自身的 IT，公共支撐也有自身的 IT。當時正值 FineBI 進行全面市場推廣時期，同時帆軟將自身內部作為試點，在內部進行 BI 推廣，不僅在總部設置數據運營官，同時也在各個戰區設置相應的數據運營官，同時大部分業務部門開始擁有信息化、數字化意識。此外，大部分的業務流程都遷往簡道云，比如財務報銷、人事等。從 2023 年開始，帆軟自身的發展進行平穩期，開始重新審視自身的數字化工作，包括是否有重復開發的、浪費成本的動作，重視高效運維。這一年最大的動作是重新合并公司的若干個 IT 部門；其次采用運維+專項開發的模式并行，即開始通過若干個專項，朝著業務協同方向發展，真正明確帆軟能產生的價值和投產

199、比。最后構建客戶和帆軟的互動旅程，例如帆軟服務平臺、在線報價單等。從 2024 年開始，除了高效運維、專項推動，另外更加注重信息安全，帆軟內部推進了各種保障方案，包括推進等保三級認證、設計數據密級等?？偨Y 2023-2024 年，帆軟成功落地一些最佳實踐，包括 2023 年 CRMBI 推廣，以及 2024 年數倉推廣等。圖：帆軟各系統的階段 110111商業智能應用白皮書 5.0商業智能應用白皮書 5.0帆軟信息化部門的定位：保障效率提升01整體定位是保障公司整體效率的提升（Ensure Top-to-Down Efficiency)首先是業務運作效率的提升，為了能夠讓信息化部門更加關注提升

200、效率，帆軟把數字化專項中的業務和信息化區分開，這樣信息化部門不需要關注業務價值的變化，而是重點關注業務自動化、審批簡單化以及自助分析的本身效率；其次是系統支撐效率，主要動作包括全民開發、系統框架化；最后是管理效率提升，主要方向包括全面預算和數據文化?；谝陨先齻€提升，帆軟可以盤定位、拉現狀、立專項，做好部分引領階段的專項推動工作。02信息化部門的整體規劃藍圖（Overall Blueprint）分成設施層、數據層、應用及分析層、面向客戶平臺、客戶層，每一個層級都有對應的小組在進行服務。每年服務器花費一千多萬，主要是云服務器以及托管的機房；第一個層是設施（Infrastructure Tier)

201、圖：帆軟信息化部門的自身定位（Self Positioning)目前在做數據倉庫，會有相關的數據質量報告，基于主題做相關的數據存儲；第二個層是數據（Data Tier）首先是對內應用，比如公共平臺，比如kms、需求管理。其次是業務層的應用，像EAP研發測試平臺，以及市場管理、銷售管理、項目管理、服務管理等等，這塊主要是營銷支撐、公共支撐、產品支撐以及技術預研小組在里面進行投入；第三個層是應用及分析（Application-and-Analysis Tier）有營銷平臺或者在線報價平臺、在線交易平臺、在線的服務平臺，未來會有在線渠道平臺；第四層是面向客戶的互動平臺（Interaction-wit

202、h-Clients Tier）有在線服務、在線交易、供應商管理、開發者社區、合作伙伴幾個大模塊。第五層是客戶（Clients Tier）圖：帆軟信息化整體藍圖規劃（Overall Blueprint）112113商業智能應用白皮書 5.0商業智能應用白皮書 5.003如何搭建具體的系統架構（System Structure）？帆軟基本是通過自己的產品來進行搭建，包括 FineReport、FineBI、簡道云、FDL。首先，目前數據庫是采用的第三方數據庫，但是數據層的數據流通的實現都是通過自身的 FDL 產品；其次在應用層這塊，主要是用自身的 FineReport和簡道云，其中簡道云更多被業務

203、部門用來進行應用開發和流程搭建；最后，分析層是采用 FineBI 產品，用來進行各種關鍵業務的數據分析。帆軟實踐：數字化建設中的業務層6.2部分業務引領階段，金字塔建設邏輯帆軟的數字化建設邏輯是以金字塔的形式，先從“文化（culture)”牽引出“戰略(strategy)”、根據“戰略(strategy)”設定對應的“流程(flow)”，再從“流程(flow)”拆解對應的“績效(performance)”，最后基于經營結果進行“分配(allocation)”，借助從“文化(culture)”到“分配(allocation)”整個過程中的數字化力量對業務進行賦能提效。文化是帆軟的底層邏輯，帆軟任

204、何的流程、制度都不會違背帆軟文化，帆軟做決策的時候會判斷哪個選擇更符合“為客戶提供更高品質的產品和服務”。在文化的基礎上，帆軟通過定戰略明確未來的發展方向和路徑。文化圖：帆軟數字化建設之道（Digitalization Construction）114115商業智能應用白皮書 5.0商業智能應用白皮書 5.001戰略是分為短期和長期的，24年短期戰略是“國產化客戶突破”和“新產品推廣”，長期十年戰略是以“應用復用”和“公共模塊”為主。戰略執行過程中資源會向戰略對齊，未來的資源會跟戰略匹配，調整不匹配發展方向的產品，不做集成商、不做代理商。戰略流程是實現戰略的重要手段，是最佳實踐的沉淀，標準和靈

205、活共存，有明確的制度和流程公示，指導同學以高質量和優秀方式方法進行工作。帆軟的流程主要學自華為，結合自身情況進行了優化，整體的落地過程是先有業務的標準化再落實到系統。專項是以項目制運作的，有明確的項目目標，有明確時間、范圍、成本來解決特定問題。流程帆軟通過組織績效實現戰略到執行層面的落地，目標是從戰略拆解到部門，再拆解到個人，從流程到績效，再由績效反饋流程，優化流程；同時也重視員工的能力成長，提高企業人效?？冃Х峙涫墙洜I成果的共享，帆軟會根據經營成果導出薪酬包，根據績效和職級等系數導出個人收入；同時也會根據個人收入設定遞延，共利金，導向長期共識。分配文化層和戰略層（Culture and St

206、rategy）談帆軟的戰略之前，首先了解一下帆軟的組織架構（organization structure）：第一層：戰略小組分成6個虛擬組織，四個共識營（戰略共識營、分配共識營、文化共識營，不坑客戶共識營）+兩個參謀營（管理會計參謀營和人力資源參謀營）第三層：產品支撐平臺，包括測試開發團隊、文檔團隊等作戰層：國內營銷線、國際及港澳臺業務線、Fine+產品線等第二層：公共支撐平臺，包括很常見的財務、行政、信息化，戰略洞察、文化、帆軟大學等帆軟制定戰略的流程源自于華為的 DSTE。首先，先做宏觀的市場洞察，結合帆軟自身的經營數據分析和差距分析，經過多個輪次的研討確定戰略，然后根據戰略輸出衡量戰略達

207、成效果的指標進行宣講。接著，在戰略的落地和預算的執行過程中，戰區和后方部門會滾動地做財務和人力方面的預測。最后，在整個執行過程中會按照固定的頻率進行經營分析和問題追蹤閉環。方法論（Methology）圖：帆軟組織架構（organization structure）116117商業智能應用白皮書 5.0商業智能應用白皮書 5.0基于華為 DSTE 戰略流程，帆軟通過運行自身的數字化系統來進行戰略落地：以某個戰略落地的 pdca 場景為例，帆軟使用 FineBI 做戰略輸入：戰略輸入（FineBI）預算制定（FineReport）進展復盤（FineBI）問題改進（簡道云）比如現場poc從0到1，項

208、目從0到1 中面臨實際的一些情況，包括怎么提高落地效率，怎么降低poc成本內部輸入依靠戰略洞察組分享的很多的市場洞察信息和數據，基于這些數據分析結果做外部戰略輸入外部輸入基于 FineBI 分析歷史數據和公司當前情況給大家提供一版測算，后續跟大家討論確定最終的目標。帆軟使用FineReport 搭建的財務系統進行預算錄入，使用 FineBI 做進展復盤，做了組織績效頁面進行組織績效達成監控，做了 BI 戰役和國資戰役看板用于監控戰役達成情況。同時，片聯、各職能線例會用簡道云作為議題和待辦系統，在業務中發現問題可以到簡道云中建立流程和待辦，責任人進行問題的改進，委員會確認之后再關閉流程。實踐（P

209、ractice）圖：戰略制定流程 DSTE-源自于華為02流程（Flow）流程其實是實現戰略的重要手段，帆軟現在流程提到最多的 LTC、MTL，包括 IPD、GTM，以及服務的 ITR。帆軟的流程主要學自華為，結合自身情況進行了優化，整體的落地過程是先有業務的標準化再落實到系統。業務流程建設圍繞“三流+兩個循環”協同進行：業務流是業務流程，比如LTC是帆軟的一個大業務流程，專項是一個小的業務流程；信息流是信息系統，finereport和簡道云是帆軟執行業務的信息系統；數據流是BI或者finereport的數據呈現模塊。三流是指業務流（business flow）、信息流（info flow）、

210、數據流（data flow）正循環是指數字化建設要先建業務流程，有了標準化的業務流程才能固化到系統里面，系統正常運轉之后，得到數據，可以進行經營分析。逆循環是指建設BI之后能發現數據的問題，數據不能獲取或者數據粒度不夠，就能反哺到業務系統建設，甚至業務規則建設。兩個循環是指正循環（positive cycle）和逆循環（negative cycle）方法論（Methology）圖：帆軟戰略落地的數字化118119商業智能應用白皮書 5.0商業智能應用白皮書 5.0在帆軟業務流程建設中，業務流（business flow）擁有 大業務流程（以 LTC 為代表）+小業務流程（以費用控制專項業務為代

211、表）兩種類型：大流程-LTC：第一層是業務模塊，第二層是具體的執行動作，第三層是關注的重點指標。線索、客戶、機會、合同、項目、回/付款、準標桿、標桿。業務模塊產品下載、創建名片、創建機會、上傳合同、需求提交等。業務動作線索量、客戶數、機會數、合同數、項目人天、凈回款等。關鍵指標實踐（Practice）圖：業務流、信息流、數據流每個流程模塊都會有具體的業務動作和關鍵指標，即是 KCP 在這個流程到底做得多好，能提高多少，這是要靠指標來衡量出來的；再根據判斷數據的正?；蛘弋惓?，決定接下來動作要怎么做。帆軟的 LTC 跟其他公司有些差異的點是標桿，因為對于帆軟來說，回款不是整個流程的終點，會繼續找有

212、潛力的客戶打造成標桿，輸出對應的標桿案例以官網、公眾號等形式進行宣傳，還會舉辦市場活動，擴大標桿的影響力。這些動作會對 LTC 里面的線索和客戶跟進都產生顯著的效果。帆軟主要依靠 FineReport 和 FineBI、以及簡道云三款工具，采取總部+戰區協同的方式：正循環（positive cycle）圖：帆軟 LTC 業務框架圖：LTC 流程-正循環120121商業智能應用白皮書 5.0商業智能應用白皮書 5.0總部管理核心流程和核心數據戰區根據自己業務實際情況的不同有一定的流程和數據分析的自由度，比如東北、西南都用簡道云建設了業務系統，然后通過 FDL 把數據回傳的總部系統，每個戰區都用

213、FineBI 做了很多中間戰區經營情況的分析比如基于回款異常，通過 BI 看有哪些原因，再基于項目異常，再到合同，再到客戶再到線索；基于逆循環，基于結果來看，哪些關鍵節點客戶提升，哪些動作是可以執行的。帆軟的業務是從線索到回款的，但是通過數據分析可以從結果逆推前序業務的過程，是否回款有問題，項目是否正常。項目都很少，簽單是否足夠，機會儲備是否足夠，客戶池是否足夠大，線索和 public 池是否夠充足。逆循環（negative cycle）圖：LTC 流程-逆循環（negative cylce）圖：帆軟 23 年 LTC 業務流程建設的成果小流程：以費用控制專項業務為代表2023 年 LTC 業

214、務流程建設成果圖：帆軟費用控制專項業務流程小型流程122123商業智能應用白皮書 5.0商業智能應用白皮書 5.0帆軟產品在專項過程中的作用：總部基于 FineReport 有一套財務系統，可以進行相關數據錄入，設定好費用科目的預算數；再到分析系統，檢查費用是否有異常；再生成相關的制度再進行公示；最后通過系統把這些流程進行落地；下面來看看帆軟產品在這個場景中的角色。首先帆軟的人事財務系統是簡道云搭建的，使用 FineBI 分析數據問題，用簡道云搭建了新的宿舍系統。當發現了費控問題后，以前只能在群里去問財務，現在采取了更加直接有效的方式：帆軟在內部組建了一個團隊，由戰略小組牽頭，召集相關部門的同

215、學進入項目組，比如財務是管差旅費報銷等業務的，行政負責辦公室和宿舍，人事負責社保公積金，而信息部得角色是提供底層數據。過程中如果不能確定費用是否合理，就使用 FineBI 拉數據觀察最近三年的數據，以各個大區和各個同學為維度對比看，一旦找到有問題的數據，就繼續鉆取下去看，做根因分析。在專項過程中，團隊做了很多看板，用數據來講道理。后續專項的經驗也落實到了帆軟的制度里面，信息系統也做了對應改造，拒絕問題再現。在這個小流程專項中，帆軟認為：如果經驗不能落實到流程、制度和系統上，那么 100 個專項也解決不了問題。逆循環（negative cycle）正循環（positive cycle）圖：費控專

216、項-正循環值得注意的是其中做自助分析的人員均是相關的業務部門，包括行政、財務。帆軟認為這些同學自己熟悉業務，做自助分析能更快更好的輸出報告。相反如果是走信息化開發，那么開發效率可能就會削弱。業務人員在分析過程中寫了很多的自助數據集，把相關數據都拿起來，做到有據可依。最終這個費控專項小流程成功幫助公司在差旅費、勞務費用等各個方面實現降本。2023 年費控專項的成果圖：費控專項-逆循環圖：2023 年費用控制專項的成果124125商業智能應用白皮書 5.0商業智能應用白皮書 5.003績效（Performance）目前在帆軟營銷線的組織績效框架中，采用的是典型的指標體系的設計邏輯，自上而下：CEO

217、基于戰略專項和經營任務，設立了總部的 AT 和 ST；再往下，總部設立了總部運營團隊，區域設置了戰區作戰團隊；同時戰區有分戰區級的指標，以及各個組的具體指標。在組織績效設定當中，要滿足一個核心“達成一致”和兩個原則“對齊原則”和“smart 原則”。其中最核心的一點就是達成一致：組長要承上啟下，跟組織目標和小組團隊目標對齊，也要跟其他配合團隊目標對齊；對同學要輔導溝通達成一致組織績效的制定。方法論（Methodology）圖：帆軟營銷線的組織績效框架圖：帆軟組織績效設定原則組織績效的 PDCA 是通過戰略的一步步拆解形成了績效的制定，帆軟通過簡道云系統進行錄入；錄入完之后，通過FineBI 或

218、者 FineReport 進行過程的監控；同時，各個部門也會進行一些自助式分析。其實在做組織績效相關的系統時，很多企業經常遇到一些挑戰，市場是快速變化的，為了匹配市場，業務也要靈活調整，系統為了支撐業務也要頻繁迭代，系統經常跟不上業務的變化。帆軟的產品，FineReport、簡道云、FineBI 優點就是比較靈活，剛好可以解決這些問題。以帆軟自身為例，戰略定的指標是 BI 銷售額和合作客戶新購 FineBI 合作數，然后拆到不同戰區不同個人，個人在自己的 PBC 指標里面可以看到對應的指標。其中用簡道云錄入組織績效數據，用 FineBI 做組織績效看板，用FineReport 做當時調度，把結

219、果定時輸送給同學。用 FineBI 做經營分析，發現問題之后，可以通過 crm 或者簡道云給同學建任務去解決問題，才能真正做到循數管理。圖：組織績效流程中的 PDCA實踐（Practice）126127商業智能應用白皮書 5.0商業智能應用白皮書 5.0從 2024 年開始，帆軟本部運營中心會進行每周一次的經營例會，要求大家必須會做數據分析，抓各項 LTC 流程的KCP 改進，抓各個專項的進展?？梢悦黠@感覺到大家做自助分析的積極性大大提高，在會議上對著看板去看數，抓具體的異常點去進行追蹤。大家針對問題的處理思維也發生了變化，以前是覺得某一個人可能有什么問題，現在思考的是具體某個人的哪些數據有哪

220、些問題，針對這個具體問題去做什么改善方案。04分配（Allocation）帆軟的分配邏輯是基于正循環（positive cycle）預算填寫審核，逆循環（negative cycle）進行 BI 分析?；诠菊w結果分包，有A類、B類、公共支撐業務。第一層看支撐關系，從一級組織分給支撐團隊，例如營銷線分包給總部運營中心。第二層從團隊到小團隊，比如銷售運營中心會分到具體的銷售運營和客戶運營管理組，其次是小團隊內部進行分配，按照績效、職級、長期激勵等參考因素。第三層圖：帆軟的分配邏輯帆軟在接觸客戶的時候發現很多公司都存在管理層定了戰略之后，很難帶動基層員工的積極性的問題，帆軟在這個場景的解決方案

221、是通過組織績效，先有戰略目標，再定 KPI 指標，把戰略目標層層拆解，融入到部門和個人的組織績效目標里面，驅動個人和部門的工作跟戰略對齊。圖：帆軟的分配邏輯終：帆軟忠心希望真正地踐行“讓數據成為生產力”愿景帆軟的使命：為客戶提供更高品質的產品和服務 健康增長為世界一流的百年企業 為同學提供業內領先的收入128129商業智能應用白皮書 5.0商業智能應用白皮書 5.0對于帆軟來說，數字化的本質其實是怎么做到循數管理。對于戰略-流程-績效，首先是做語文題，每次定性的思考；其次是基于一套數據分析去做的數學題；最后是產生企業的決策力，讓相關的動作能更快一些。其中，語文題是關注客戶體驗，數學題是客觀理性

222、，決策是關注投入和產出。同時，業務需要配合 IT 一起做專項，畢竟一榮俱榮，一損俱損，需要體現的是力出一孔，最終分配遵循按貢獻分配的原則。以上全部內容是帆軟核心價值觀在數字化建設視角的體現，帆軟忠心希望真正地和各位伙伴攜手共進，踐行“讓數據成為生產力”愿景。圖：帆軟的使命帆軟實踐：財務領域的 BI 應用創新6.3帆軟的財務數字化轉型歷程：從 Excel 到 BI帆軟的財務數字化轉型遵循著先提效，再融入業務，最后通過數據賦能業務的建設理念。我們的財務數字化建設歷程始于 2021 年，以業務需求為出發點，提效為目的。從財務數字化 1.0 階段到 2.0 階段，我們逐步實現了從應付管理自動化到集成稅

223、控、費控、金稅、商旅等多種模塊的財務綜合體系自動化，實現了賬務、報表自動生成，打破了信息孤島，實現業財協同共享。到 2023 年，帆軟進入了財務數字化 3.0 階段，實現了業財資稅數據的全面關聯。我們上線了資金管理系統，并在此基礎上以專項形式開展財務數據分析，讓財務數據真正賦能業務。預計在 2024 年，我們將優化迭代財務的全面數據分析，讓數據成為真正的生產力，給決策提供支持。01帆軟財務數字化建設歷程圖：帆軟財務數字化建設歷程130131商業智能應用白皮書 5.0商業智能應用白皮書 5.0具體到帆軟財務數字化的建設規劃，底層的數字化基礎建設例如外部系統的集成以及基礎支撐層的搭建都是由 IT

224、人員進行處理的。在核心的業務處理層，帆軟的財務系統正在從 CRM 系統逐步替換至簡道云系統，這個轉變是為了解決落地困難的問題。選擇簡道云系統，是因為財務人員現在可以自行操作，處理那些不涉及代碼修改的流程和系統調整，這不僅使得流程更加貼近財務的實際需求，也大幅提高了財務人員對業務需求快速變化的適應能力，從而更好地融合業務。帆軟財務數字化建設的上層管理決策層，包括了通過 BI 工具搭建各種模塊的管理看板，幫助及時洞察數據問題，為決策提供支持。02帆軟財務分析難點帆軟在財務分析方面也經歷過三個階段：從 Excel 基礎操作，到電子報表的自動化，再到 BI 的智能化分析。每個階段的發展都踐行著我們數字

225、化轉型的理念。這個階段的分析流程往往是管理層提出分析需求，財務人員響應需求去多個財務業務系統里人工地導入導出 Excel，再通過 Excel 計算得出結論，做成精美的 PPT 呈現給管理層。這一階段的問題顯而易見：效率低下、容易出錯，且難以與業務數據融合。例如 CEO 關注一季度的收入金額，財務人員導出各系統數據核算后回復一個數字，但是由于與財務分析 1.0EXCEL圖：帆軟數智化建設藍圖另一個部門的統計口徑存在差異，數據不一致，引起了管理層的質疑。在這種情況下，財務人員不得不花費大量時間精力去核對數據和公式，甚至需要與業務部門重新對齊數據口徑。圖：財務分析 1.0EXCEL隨著我們數字化程度

226、的提高，財務分析也進入了電子報表階段。隨著 IT 人員的介入，數據可以通過接口自動獲取，生成固定格式的報表和看板，極大地提升了我們財務人員的工作效率。這個階段CEO再需要了解常規的經營數據像營收、費用、利潤等，只需要通過查看電子報表就可以獲取數據。在這一階段，經常對話的兩個角色變成了IT人員和財務人員。然而財務和 IT 在企業內存在天然的溝通壁壘，前期雙方溝通地再詳細也會出現效果與預期不符的情況。并且當財務人員需要新增分析維度時，需要排期等待IT調整代碼，如果數據結果不合理還需要反復溝通，由IT人員再次排查問題所在，這無疑增加了分析工作的復雜性?？偟亩?，電子報表解決了財務分析的效率問題，但是

227、遺留了分析及時性的問題。圖：財務分析 2.0電子報表財務分析 2.0電子報表132133商業智能應用白皮書 5.0商業智能應用白皮書 5.0為了解決分析及時性這個問題，我們進入了財務分析3.0BI智能分析階段。在這一階段，IT人員幫助進行數據治理，將數據抽取、保存到 BI 平臺里，而財務人員則可以自主地在 BI 中進行數據處理、分析和看板搭建。這個階段既解決了 Excel 階段效率低下的問題，又解決了電子報表階段反復溝通、開發導致的及時性問題。面對同樣的場景，當 CEO詢問收入金額時，財務人員可以迅速提供一個分析鏈接，這個鏈接不僅展示了實時數據，還包含了豐富的分析維度，同時給數據使用者養成了查

228、看看板的習慣。并且如果需要新增分析維度，財務人員也可以在半天內完成分析。除此以外，BI 還幫助我們走在業務前端，不再是業務追著財務要數據。通過實時更新的經營分析報告、風險預警指標等，財務能夠及時識別到異常數據，告知業務及時關注?？偨Y而言，BI 給我們財務分析帶來的變化對應到前文的三個發展階段可以概括為：提效、保質、賦能三個詞。值得額外強調的一點是，BI 工具保證了分析步驟的可追溯和可協作，這是 Excel 和電子報表很難做到的一點。在一般的多人合作分析項目中，分析人員通常很擔心數字、字段或者公式在 Excel 表格傳閱的過程中被誤改，并且這種誤改很難被發現。在電子報表中，IT 人員編寫的取數邏

229、輯和計算公式對于財務人員的理解成本就更高了。但是在 BI 中，數據分析過程清晰可見。多人協作分析的時候不僅可以共享分析邏輯，還便于分析人員檢查準確性。財務分析 3.0BI圖：財務分析 3.0BI圖：BI 給財務分析帶來的變化帆軟財務實踐：基于 FineBI 的費用專項分析01費用專項分析背景帆軟的費用管理模式采取的是弱事前管控，以業務優先。例如，員工可以自由通過差旅平臺預訂票務和住宿，隨后在CRM 系統中記錄出差行程。這種管理模式便捷的同時，也帶來了費用浪費的問題，因此需要通過事后分析識別潛在的業務痛點和制度執行的不足。圖：BI 給財務分析帶來的變化134135商業智能應用白皮書 5.0商業智

230、能應用白皮書 5.0比如我們在年初編制預算時，注意到房租費用異常高昂，且在過去三年里持續增長這一問題，因此需要對房租費用進行多維度的深入分析。如果只關注財務數據，那么我們可以識別出哪些團隊、哪些人員存在房租金額過高的問題，但是我們無法挖掘出這背后的原因：有哪些因素導致了這些團隊和成員的房租過高？正如前文所述，只有融入業務的財務數據才能提供更多價值。因此我們獲取了和房租費用相關的一些業務數據，比如項目金額、項目簽到率、押金支付/回收額、租房城市等多個維度進行分析，最終發現了多個異常點以及其中導致了大額浪費的兩個因素：02FineBI 在費用專項分析中的應用圖：FineBI 在費用專項分析中的應用

231、洞察到這兩個因素后我們采用專項的方式解決問題，全流程追蹤閉環該問題。我們搭建了對應空置率和押金退還情況的看板，針對歷史問題定期開專項會復盤空置率降低的比例和追回押金的比例。為了防止將來再次出現因為房屋空置和押金未退導致的租房費用居高不下的問題，我們基于 FineBI 搭建了數據預警功能。當租房空置率高于一定閾值時自動推送對應責任人，敦促及時清退租房。最終通過一系列的制度更新和系統更新，我們成功地將解決措施落地在系統層面，最大程度地避免了問題的再發生。即所租的房子每個月都在支付房租，但實際卻無人入住或對應的租房項目無簽到記錄其一是租房空置率過高即業務人員在租房后沒有追回押金其二是押金未退情況嚴重

232、圖：同期租房費用對比圖：同業租房費用對比FineBI 簡便的操作和沉浸式的主題分析給我們提供了充分挖掘不同數據集信息的條件。通過對同期數據進行對比，我們發現去年的租房費率相較 21 年有顯著降低。但是若與同業數據進行對比，則仍然存在著降本優化的空間。發現問題階段136137商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：發現問題階段FineBI 通過快速抽取數據，快速進行數據處理，能以最高效的方式搭建一個實時更新的分析看板，形成分析專項。借助 FineBI 組件中聯動下鉆的功能，我們可以進一步挖掘有異常的數據，深度分析其背后的原因。圖：分析問題階段分析問題階段FineBI 也能輔助我們

233、進行決策。差旅費用作為主要支出之一，其優化對成本節約至關重要，我們對機票、酒店、火車和打車等模塊進行了細致的分析來尋找降低差旅費的方法：通過分析員工入住的酒店類型，我們與六家主要集團酒店協商了更優惠的協議價，確保公司能夠在保持服務質量的同時降低酒店成本。酒店費用圖：酒店費用識別出某平臺的單里程均價遠低于市場平均價，我們便引入了該平臺的企業版，既降低了費用也方便了員工。打車費用解決問題階段138139商業智能應用白皮書 5.0商業智能應用白皮書 5.0圖：打車費用根據分析顯示，提前一天預訂機票可享受更高的折扣?；谶@一發現，我們鼓勵員工提前規劃行程。機票價格圖：機票價格通過分析，我們發現存在超標

234、預訂的情況。因此我們通過系統限制了超標座位等級的預訂，以符合公司政策?；疖嚻鳖A訂圖：火車票預訂追蹤問題階段通過 FineBI 搭建實時的數據監控系統，我們可以在分析儀表盤清楚地關注到租房費用的目標值、當前值以及指標完成度情況。借助 FineBI 的數據預警功能，租房費用高于目標值的業務部門數據被直接推送財務人員，財務人員進入分析儀表盤后可以通過聯動功能定位到存在問題的部門、地區或者個人，從而進一步追蹤并解決問題。圖：追蹤問題階段140商業智能應用白皮書 5.003費用專項分析的價值圖：帆軟費用專項分析的價值通過開展租房費用的專項分析，我們為公司創造了巨大的價值。具體到金額上，我們最終減少租房浪

235、費金額約 305 萬元（其中通過分析差旅協議價等方式節約差旅費 130 萬，通過追回押金減少租房空置方式節約費用 150 萬，通過全公司服務器集中管控方式節約金額 25 萬）。在專項分析的過程中，我們還識別出了公司制度潛在的漏洞，并更新了 9個財務、行政、人事相關的制度，同步上線了簡道云宿舍系統。在費用分析的過程中，我們遇到的一個問題，也是非常普遍的一個問題就是如何能夠獲取全面的數據來進行分析。實際上，我們的分析并非總是從最開始就擁有完整的數據集。我們的數據始于小的專項分析，通過后續不斷的梳理來補充。類似的，我們的分析數據準確性也是在不斷的質疑中改進和提升的。我們非常鼓勵業務團隊在數據分析的過程中，對數據保持質疑的態度，通過實際的數據消費和使用來治理數據，從而形成一個持續改進的良性循環。一句話總結我們的思路，那就是先用數，再治數?？傊?，回顧帆軟財務數字化轉型的理念、歷程、痛點，以及具體的費用專項分析實踐案例，這些內容都圍繞著三個核心關鍵詞：提效、業務、賦能。用三句話總結就是：工欲善其事，必先利其器。選擇好的工具才能事半功倍，實現財務工作提高效率的目的；數據不該是一座座孤島。只有充分融入業務的財務數據才能體現真正的價值；客觀理性用數據說話。從數據中發現問題，也要從數據中尋找答案，如此財務數據才能真正賦能決策。