大數據時代，幾乎每一個企業都對數據分析平臺趨之若鶩，尤其是在今年疫情爆發之後，更多的企業主意識到了數據所具有的的極大商業價值，以及其作爲支撐企業信息智能化的無形資產。
通常來說，企業內部的運營和業務系統每天會積累下大量歷史數據，一些企業最多是對一些零散的數據進行淺層次的分析，真正的海量數據其實並沒有得到真正有效的分析利用。
同時，隨着系統的不斷增加和積累，沉澱在系統深處的數據也更加難以提取和整合，後期的報表展示和可視化分析也就成了空殼應用。
所以數據分析平臺的建設就十分必要了，一方面它可以匯通企業的各個業務系統，從源頭打通數據資源，另一方面也可以實現從數據提取、集成到數據清洗、加工、可視化的一站式分析，幫助企業真正從數據中提取價值，提高企業的經營能力。
1
神祕的數據分析平臺究竟是什麼？
通俗一點說，數據分析平臺就是將公司所有的數據進行進行收集整理，包括系統數據、業務數據等等，在統一的數據框架下實現對數據的挖掘和分析，最後通過可視化的手段進行數據展示。
因爲數據分析平臺涉及的組件衆多、功能複雜，如何將其有機的結合起來是其建設過程中最關鍵的核心。我們不妨以某集團的數據分析平臺爲例，來看一下具體的數據分析平臺架構是什麼樣的：
在搭建數據分析平臺之前，要先明確業務需求場景以及用戶的需求，通過大數據分析平臺，想要得到哪些有價值的信息，需要接入的數據有哪些，明確基於場景業務需求的數據平臺要具備的基本的功能，以上圖爲例從下至上可分爲四個層次：
數據採集層：底層就是各種數據源，主要是對企業底層數據的採集和解析，將零散的數據整合起來，包括企業的核心業務數據、用戶數據、日誌數據、集團數據等等，通常有傳統的ETL離線採集和實時採集兩種方式
數據儲存和處理層：有了數據底層的數據，然後根據需求和場景的不同進行數據預處理，儲存到一個合適的持久化儲存層中，比如說OLAP、機器學習、數據庫等等
數據分析層：這裏就要用到BI分析系統，比如FineBI，如果是傳統的數據挖掘還有SPSS，這一層主要是對數據進行加工，然後進行深層次的分析和挖掘。
數據應用層：根據業務需求不同劃分出不同類別的應用，主要是對最終的數據進行展示和可視化，如上圖的數據報表、儀表板、數字大屏、及時查詢等等。
總結來說，企業對數據、效率要求的逐步提高，也給大數據提供了展現能力的平臺，企業構建大數據平臺，歸根到底是構建企業的數據資產運營中心，發揮數據的價值，支撐企業的發展。
2
數據分析平臺真的有必要嗎？
在企業在進行數據分析平臺建設之前，經常會有一個疑問：企業數據系統每天都在正常跑數據，業務系統也都正常穩定，那我們還需要數據分析平臺嗎？
答案是當然需要，在實際的企業數據管理中，業務系統往往不是單一的，而是多源的。業務人員看似每天都在用業務數據，但實際上彼此的數據都是相互割裂、不打通的，如果想要實現數據分析，就要從多系統中取數，然後手動整合分析，這個顯然是不能靠人力就能做到的。
這就叫做數據孤島，這個問題的難點在於需要跨數據源進行分析，不同數據源之間的對接很難打通；其次，企業的數據一定是海量的，有的還需要二次加工，如果沒有數據分析平臺的支撐很難實現。
另外從企業業務系統的角度看，我們如果把數據分析的工作直接單獨放在業務系統上，一來系統的性能支撐不了這麼耗費資源的事情，系統壓力會很大，二來隨着數據的積累，單獨的業務系統很難承受大數據量的處理，所以重新構建一個大數據處理平臺就是必須的了。
所以，一個數據分析平臺的出現，不僅可以承擔數據分析的壓力，同樣可以對業務數據進行整合，也會不同程度的提高數據處理的性能，基於數據平臺實現更豐富的功能需求。
3
數據分析平臺建設流程
數據分析平臺的建設流程基本上可以從數據分析流程來理解，比如數據採集、數據整合、數據加工、數據可視化等等，一般的大數據平臺都會包括這些流程，叫做一站式大數據平臺。
這裏要注意一點，很多企業通常把基礎數據平臺建設錯以爲是一站式數據平臺，二者最大的區別就在於架構上有沒有實現業務探索式分析。
一站式數據平臺架構有很多類型，現在比較流行的是自助式分析，也就是主動式的企業數據分析平臺，讓業務人員直接參與數據分析，藉助於BI平臺充分探索分析數據，並能將龐大的任務分解爲小任務處理。
下面就以FineBI爲例，簡單梳理一下自助式數據分析平臺的具體建設流程：
1、數據採集
企業數據從產生到應用依次經過了數據產生、數據存儲與處理、數據應用三個階段，由業務系統產生的數據經過ETL加載到數據倉庫，並在數據倉庫中進一步加工處理後進入BI工具，最後通過BI工具實現數據分析與可視化展示。
要想頂層應用良好，那麼底層的數據建設就相當重要，所以自助式數據分析平臺建設的第一步就是要搭建數據倉庫。如上圖所示，一般來說，數倉在技術上採用三層架構設計：ODS、DW、DM。
-
ODS全稱是Operational Data Store，即操作數據存儲。它是最接近數據源中數據的一層，數據源中的數據，經過抽取、洗淨、傳輸，也就說傳說中的ETL之後，裝入本層。本層的數據，總體上大多是按照源頭業務系統的分類方式而分類的。
-
DW全稱是Data Warehouse，即數據倉庫，是數據倉庫的主體。在這裏，從ODS層中獲得的數據按照主題建立各種數據模型。
-
DM全稱爲Date Market，即數據集市或寬表，也可稱爲或DWS。DM層爲面向最終應用的主題層，一般依據前端報表/業務包需求進行設計，對DW層明細數據進行多表關聯，用於提供後續的業務查詢，其主要作用是提升報表查詢性能。
在經過ETL清洗後的數據就是我們建立BI系統所需要的數據，這時候就需要通過FineBI連接企業的數據倉庫。
其次，FineBI中是通過業務包的形式進行數據存儲，IT人員基於業務需求將數據進行分類管理，通過設立表間的關聯關係和多路徑設置來進行數據整合。
這樣就得到了企業業務系統的底層數據，但是這些來自不同系統的數據指標基本是混亂的、沒有意義的，所以下一步就要對數據進行加工。
2、數據加工
我們整合過的數據往往也是異構數據源中的數據，因此要先對關係數據進行初步的處理，比如說指標的篩選等等，將處理後的表存到業務包中作爲數據分析的基礎，這就叫做自助數據集。
而FineBI實現自助分析的方法也是通過自助數據集的方式，它就相當於一個數據容器，IT將清洗好的數據放入數據集中，如果業務覺得基礎數據不滿意，或者是需要進行跨表聯用，就可以自主建立數據集，自己進行數據的加工處理。
IT人員創建了數據連接和業務包以後，爲業務人員構建BI基礎的數據模型，分析用戶配置好關聯關係，分配好權限和設置好數據更新的頻率，提供一層可供業務理解的基礎模型。然後業務再在數據集中對這些數據進行進一步的加工處理，比如篩選數據、過濾數據、數據分組彙總、數據行列轉行等等，經過加工後的數據就是業務進行分析的最終數據了。
4、數據分析和展示
得到了清洗後的數據，業務就可以進行自助式分析了。FineBI 的可視化探索分析，是面向分析用戶，讓他們能夠以最直觀快速 的方式，瞭解自己的數據，發現數據問題的模塊。業務人員只需要進行簡單的拖拽操作，選擇自己需要分析的字段，幾秒內就可以看到自己的數據。
在這一步我們還可以對可視化組件進行OLAP分析操作，比如FineBI如果想要實現國家地圖與省份地圖的切換，就可以使用鑽取功能，將某個特定分組數據按第二維度繼續細化的方式。
類似的還有組件放大、組件復原、查看組件過濾條件、組件維度切換、組件跳轉、聯動設置、組件懸浮、組件標題、組件導出Excel、組件複用等。
4
總結
總的來說，無論是大數據平臺的流程，還是業務分析平臺的建設，必須要注意保證平臺的性能：大數據分析平臺的性能一定要保證高效，在數據量激增的情況下可以支撐海量數據分析。
最後，在大數據時代，企業的數據分析平臺架構必然向着分佈式、可擴展及多元化發展，這樣才能通過對數據流程的梳理，去推動公司梳理整個業務體系。
歡迎關注我的公衆號“商業智能研究”，私信回覆“資料包”，即可領取大數據、數據中臺、商業智能、數據倉庫等6G精華資料！
