接传统BI的班

何春涛

Forester曾有一份调查报告显示，在拥有传统BI的企业或机构中，大约83%的数据分析需求未能得到满足。甚至，大多数时候，用户还是会用Excel等工具去分析数据。这是一个可怕的现象，它说明了企业或机构投资建设的BI系统只满足了少量需求。

弥补传统BI的短板

传统BI系统的经典架构是这样的，底层是数据源，中层是ETL（抽取、转换、装载），上层的数据仓库形成DWD。为了进行数据分析，用户一般会把数据预先汇总，形成DWA（汇总数据层），或者抽取到数据集市，或者抽取到Cube Server打Cube，然后再通过前端展现工具让用户进行数据分析。

那么，传统BI架构在处理企业数据时存在哪些短板呢？首先，整个系统由诸多个单独产品组成，总体拥有成本比较昂贵。其次，建好一套BI系统通常需要几个月甚至跨年，上线周期太长。第三，完成系统计划之后，实施人员开始从前往后的瀑布式实施，但是，每一步都涉到比较“重”的数据形态转变。这种情况有点类似于我国多年前提出的“计划经济”，不够灵活。

而对于传统BI面临的这些短板，敏捷BI都能够有针对性地提出解决方案。敏捷BI直接把数据装载到内存数据集市中，内存数据集市存储的是细节数据而不是汇总数据，所以不存在DWA或Cube，然后用户就能直接在前端BI平台上开始数据分析了。另外，基于细节数据，用户就能做探索式分析了。TDWI一旦有数据，用户就可以在数据中做探索式分析，而不是仅仅地利用现有的分析模型，将用户找到答案的成功率从原本的23%提升近50%。

对比传统BI，敏捷BI的特点在于：整个敏捷BI系统，只需要一个产品，成本一般会低很多；由于数据集市中存储的是细节数据，建模工作比较轻量级，BI系统的上线周期大大缩短；实施过程是自下而上，由业务来驱动。

敏捷BI快速步入成熟期

2006年，Gartner公布的BI魔力象限中，标榜为领导者区域的第一象限还看不到一家敏捷BI厂商，全部是大家熟知的传统BI厂商，例如Cognos、Business Objects等。直到2012年，Gartner公布的BI魔力象限第一象限中才见到第一家敏捷BI厂商QlikTech。但是，到了2014年，Gartener的BI魔力象限的第一象限中就已经出现三家敏捷BI厂商了，在数量上占据了近半数的规模。

在传统BI增长势头依旧非常强劲的今天，敏捷BI的发展速度令业界感到惊讶。这种趋势也说明了，不管从厂商还是从用户的角度来看，敏捷BI都已经步入了成熟期，成为一种主流的BI系统建设方法。

目前，中国市场上已经涌入了一些敏捷BI厂商，比较活跃的有三家，它们分别是Tableau、QlikView和永洪BI。总体来看，这三家厂商各有优势。首先，在计算方面，Tableau可基于数据库和本地缓存，QlikView可基于数据库和内存计算，永洪BI可基于数据库、内存计算，或者分布式的集群。其次，在支持的操作系统平台方面，Tableau和QlikView都是基于桌面操作系统产品起家的，也正是由于这个历史原因，大量代码集都运营在Windows上，永洪BI可以兼容Windows和Linux两种操作系统。

综合来看，Tableau在数据可视化方面很突出，QlikView则在内存计算方面是强项，永洪BI在内存计算和分布式计算方面都不错。

“计划经济”与“市场经济”

如果说传统BI是一种类似“计划经济”的理念，那么，敏捷BI更像是“市场经济”。

一方面，企业用类似“计划经济”的那套理念建设BI系统，因为分析组合和分析指标是之前已经确定的，用它们来决定明天的决策，显然缺少实效性；另一方面，经济建设如果一味地开放市场，而不做引导和监管，整个系统又有失控的风险。因此，传统BI与敏捷BI分不清孰优孰劣，它们适用于不同需求的企业而已。

同时，传统BI存在了几十年，最初建设时，企业可选取的信息技术并不多，硬件水平低，软件系统一般都基于关系型数据库，所以数据科学家想了很多办法来把数据分析推动起来，比如数据层可能有这些步骤：Stage、ODS、DWA、DWD、OLAP等。

随着硬件水平的大幅提升：内存和CPU的价格逐渐下降、计算能力提升非常大，分布式存储和计算技术都开始走向成熟期。因此，现在要建设一个数据分析系统，企业有很多的办法可以选用。

那么，传统BI与敏捷BI两者的差异到底在哪里呢？第一，传统BI一般会建立统一视图，这是一个重量级的建模工作；而敏捷BI一般不会试图建立统一视图，而是按主题分类，给每个分析主题分别建一个视图。

综合看来，两者的做法对于企业来说各有利弊。传统BI建立的统一试图，更有利于用户宏观地把握数据，但是工作量会很大；敏捷BI建立的按主题分类的视图，建立的速度比较快，但是缺乏整体感。

第二，传统BI一般会分层次处理数据，例如预先把处理好的数据汇总存储到DWA中，或在Cube Server中打Cube。而敏捷BI一直都是基于细节数据，所以最终用户能用的数据依旧是细节数据。从数据分析的角度来说，汇总数据基本已经固化了分析组合和分析指标，而敏捷BI的细节数据将给业务带来更大的灵活性。从理论上来说，分析组合可以随意，分析指标可以随意，最终用户的决定空间较大，可以做探索式分析。

知名杂志DM Review（数据管理评论）在美国曾做的一份调查报告显示，敏捷BI在部署周期、项目成本、成功率、用户覆盖等方面完胜传统BI。

那么，用户应该如何看待传统BI和敏捷BI的关系呢？笔者的建议是“守正出奇”。用户应该融合传统BI和敏捷BI的各自优势为我所用。

一方面，传统BI发展多年，其经验成熟、产品稳定，不能否定更不能抛弃，可将其用于企业决策、洞察、监控整体业务状况，尤其是那些较少变化的宏观指标。

另一方面，敏捷BI可以提升企业洞察力和决策力，让更多的人拥抱BI。企业需要更快地实现BI，快速而准确地开展商业工作。

两个角度开启敏捷BI之旅

传统BI系统一般用于监控相对静态的指标，也提供一些基于模型的数据分析工作，只要运行良好就可以保留。为了提升内部的数据分析工作，提升大家的洞察力，提升企业的决策力，企业可以从部门级和企业级两个角度考虑建设敏捷BI系统。

对于部门级BI应用。如果部门级数据量不大，直接基于数据库进行分析既对业务没有太大影响，而且性能也足够好，企业则可以直接基于数据库搭建分析系统。当然，有些部门级应用数据量不一定小，有的可能达到TB级甚至PB级。对于这种情况，企业可以把细节数据直接抽取到敏捷BI系统自带的数据集市中，解决性能问题。

同时，对于部门级应用，由于数据层比较简单，部门人员也不多，因而计算和分析资源分配起来比较简单。不过，敏捷BI也应该提供比较完备的Audit机制，让企业可以知道在数据和计算上有没有错配，如果有的话及时做一些小调整即可。

对于企业级BI应用，笔者比较认同Forester推崇的一种架构。这种典型的架构被称为“Hub & Spoke”，意思是辐射状架构。

该架构的最中央是一个大型数据中心（Hub），最底部是各种数据源。通过选取各种合理的ETL途径，企业将各个数据源的细节数据抽取到数据中心里。数据中心甚至可以存储半结构化和非结构化数据，而且是非常轻量级的建模，主要是做好数据管理。数据中心的建设可以采用商业产品也可以用开源产品。

同时，该架构的两侧是部门级BI应用和企业级BI应用，顶部是分析师工作台。部门级BI应用和企业级BI应用，都可以把数据从数据中心抽取到敏捷BI系统自带的数据集市中并做轻量建模，实现快速发布和快速应对变化。分析师工作台的工作者是数据科学家，他们会做一些挖掘、预测、探索式的分析工作，数据可以移入专用工具里计算，也可以直接在数据中心进行计算。endprint