隨着IT信息化的高速發展，企業產生大量的業務數據，這些數據放在ERP、CRM、OA等不同系統中，相互之間隔離，且數據口徑也往往不一致，需要花費大量的時間進行數據處理。而，依託於BI系統能夠將這些零散的”數據”轉換成有價值的”信息”，從而協助決策者做出更明智的決策。
由此，相信大家也意識到了BI的重要性，結合實際落地來說，怎麼樣選擇適合企業自己的方式來搭建一套BI平臺系統呢？
本篇是技術類乾貨長文，小編先開門見山拋出見解：
“除非是到BAT這一體量的大公司，否則不是很建議自研一個獨立的BI，因爲就算做自研基本上也是針對前端可視化做一個固定的開發，而難以做到面向業務或數據分析師級的BI產品。
一些具備互聯網基因的公司可能會傾向於基於開源產品進行二次開發，但這個過程需要投入大量的人力物力，隨着人力成本的不斷提升，選擇採購其實是比較現實和高性價比的選擇。”
接下來，小編將針對自研、採購逐一進行分析，供大家做參考。
01 怎麼樣的公司適合自研？
一般來說，企業考慮自研最直接的原因是自身IT實力強、預算不足，且需求尚未全部清晰，會計劃先自研出一箇中間版本作爲過渡階段的臨時性的工具或平臺來使用。等到數據分析需求部門對BI性能需求、推廣應用要求越來越高的時候，會再去市場上對標找合適的產品進行採購。
從公司層面來說，選擇自研需要考慮哪些方面？
可以從企業的成本、需求、業務層面來進行評估：
1、成本層面：
- 人力成本，自研需要足夠的研發人員，在開發資源能夠得到保障的前提下進行。
- 時間成本，搭建BI平臺是個長期規劃，而不是短時間就得上線的緊急需求，整體投入回報較慢，且需要整體IT部門長時間運維升級。
2、需求層面：
- 定製化需求：如果第三方供應商的產品功能不滿足企業現階段的需求，需要按照公司內部信息化建設的特殊性進行量身定製。
- 數據安全：企業需求涉及到核心機密，擔心使用第三方供應商會存在數據泄露風險。這一點也需要看第三方產品是否有專門的安全團隊和對於安全的響應機制。
- 數據回傳：若第三方產品不支持對處理後的數據進行回傳，導致不能充分發揮數據的價值和補充此類數據的業務判斷邏輯時，需要通過自主研發對獲取的數據進行二次開發。
3、業務層面：
- 業務體量：考慮前面2者的基礎上，如果當前的業務體量也比較小，產品可以先通過自主研發給到MVP（最小可行性產品）版本的解決方案，後期再逐步迭代。
- 需求範圍與需求變動：自研的產品在開放性、可拓展性上會存在一定侷限性，對於後期升級維護來說具有一定的難度和成本。所以，選擇自研的話，更適合需求較爲固定、業務流程變動較小的背景下。
如果是理想的“人力和時間成本充足、需求明確且實現複雜性小”情況下，可以考慮自研。
從技術層面來說，BI平臺通常由那幾部分組成？
商業智能BI在數據架構中處於前端分析的位置，其核心作用是對獲取數據的多維度分析、數據的切片、數據的鑽取分析等。通過ETL數據抽取、轉化形成一個完整的數據倉庫、然後對數據倉庫的數據進行抽取，最後是商業智能的前端分析和展示。
由此可以見，BI是一整套的解決方案，是一個非常複雜的系統，絕不僅僅只是前端的可視化界面展示。
通常來說，BI由以下6部分組成：
- 數據可視化
- 數據分析
- 數據集成
- 內容分發
- 企業集成
- 部署方式
前3點是核心組成部分，給大家稍微介紹一下。
1、數據可視化
數據可視化作爲分析結果的最終展示，是用戶對BI的第一認知，也是企業最爲關心的可視化模塊，可以通過以下幾種開源技術進行實現：ECharts、D3、Vega & Vega-Lite。
不同技術的用法不一，對於BI來說，前提是數據，再進一步去分析從哪些維度去分析與定位問題，這樣才能針對性的給予改進措施。
2、數據分析
企業級的BI應用來說，需要着重考慮系統的可擴展性。當企業的數據量越來越大，一臺關係型數據庫無法承載時，則可以使用大數據或分佈式處理的方式。例如某BI廠商目前依託Apache Spark數據處理引擎，再結合Kubernetes來管理，就可以形成一個分佈式、集羣化的操作系統彙總所有的數據，做到分佈式處理。
3、數據集成
在企業中，由於開發時間或開發部門的不同，往往有多個異構的、運行在不同的軟硬件平臺上的信息系統同時運行，這些系統的數據源彼此獨立、相互封閉，使得數據難以在系統之間交流、共享和融合，從而形成了”信息孤島”。隨着信息化應用的不斷深入，企業內部、企業與外部信息交互的需求日益強烈，急切需要對已有的信息進行整合，共享信息，打破“信息孤島”。
至此，從公司層面和技術層面分析了自研一套BI系統需要的一些前提條件。從前到後實現BI的一整套系統，而不是BI某一個功能點，需要一支獨立的團隊來搭建與運維。特別是互聯網類型的公司，業務需求場景都是探索性的，更加會需要靈活支持的產品。
此外，也需要考慮產品的一些細節功能點，例如是否能夠提供圖表的下鑽，圖表之間的複雜聯動，處理大數據集的效率以及在數據權限管理、圖表管理上設計是否友好，是否真正能夠支持企業級BI的需求。
02 選擇採購，公司需要考慮哪些因素？
瞭解了自研，我們再來看看如果選擇採購會需要注意的一些因素。
用一句話表述商品採購管理的目標，就是以最低的總成本爲企業提供滿足其需要的貨物和服務。這個目標的實現，不僅僅是採購部門的事情，也需要整個企業的共同努力。
小編總結了以下選型採購要點以及可以諮詢供應商的常見問題，供大家參考：
1、產品的性能與架構
- 平臺的性能情況，例如千萬級的數據量查詢需要多少時間來響應？
- 平臺可支持的併發用戶量，是否做過可用性測試？
- 平臺對於實時數據、乃至實時分析的支持度是怎麼樣？
- 平臺的底層架構是怎麼樣的，擴展性如何？
2、數據接入
- 平臺支持哪些數據來源的接入？
- 平臺是否支持外部數據源的對接？
- 平臺是否支持定製化的數據接入？
3、數據預處理
- 平臺是否能夠進行數據清洗，是否需要另外採購ETL工具？
- 平臺是否支持複雜指標的計算與簡單數倉的構建？
- 數據預處理對於無SQL基礎的業務人員是否可以使用？
4、可視化與數據分析
- 平臺對於常見的可視化圖表的支持是否健全？支持多少種？
- 是否支持SDK插件自定義可視化類型？
- 業務人員上手成本高嗎？
- 數據分析的結果是否支持數據回傳？
- 可視化展示除了PC端，是否支持移動BI？
5、權限與安全
- 系統部署在哪裏，怎麼安裝、升級和運維？數據怎麼備份？
- 如何能夠進行權限管理？是否可以跟企業已有的權限系統打通？
- 供應商是否有專門的安全團隊，安全響應機制如何？
此外，供應商團隊的經驗、能否提供原廠服務、產品更新迭代的速度以及產品本身的可擴展性也是作爲BI選型的一些考察點。
結合當前的雲計算、大數據背景來說，採購的好處主要爲以下幾點：
1、快速迭代試錯
互聯網企業往往重點在拓展業務自身，採購BI工具可以讓數據智能更快應用到業務本身，通過業務人員自助探索性分析，在“快速迭代”的流量時代聚焦自身業務，建立核心業務競爭力。
2、性價比更高
自建BI平臺需要一個專業的研發團隊，往往需要長達數月的時間才能初步上線，在後續產品更新迭代和運維上也需要很大的精力，而外採一套BI工具費用可能只是一箇中級工程師的年薪。
3、借鑑行業最佳實踐
成熟的BI軟件供應商有非常成熟的落地行業經驗和產品規劃，可以幫助企業在規劃BI工具落地和業務場景指標搭建的時候提供行業最佳實踐。
03 小結
企業在數字化轉型的時候，需要結合自身情況來制定合適的方案，對於資源整合能力較弱的中小企業來說，現實一點的建議是採購成熟的第三方系統，如果在前端可視化展示上有一些定製化需求可以部分採取自研。
對於大型企業來說，要想讓自身的信息化系統爲企業運營提供更全面地支持，應該組建獨立的信息化團隊，這個團隊的規模應該與企業的發展要求相匹配，可以按階段分步建設。早期可以和原廠商一起快速落地亟待解決的痛點需求，後期可以結合業務實際，自己通過BI進行分析。
再者，BI已經逐漸開始向“增強分析和AI預測”這個方向發展，企業更期望通過先進的計算力來實現深度分析和可行動化的建議。除了BI數據團隊，還得組件一支AI算法團隊才能嘗試滿足這個需求。
綜上所述，自研和採購，無論是採取哪一種方式，最關鍵的是能爲企業節約成本，簡化部署，快速迭代，並且後期維護簡單。在企業自身IT實力不足和需要快速迭代、探索分析的時候，選擇採購第三方產品可以讓公司更加聚焦自身業務，基於成熟的BI產品來提升智能分析與決策能力未嘗不是個不錯最佳的選擇。
觀遠數據成立於2016年，以“讓決策更智能”爲使命，深耕零售和消費行業，致力於爲客戶提供新一代智能數據分析平臺以及零售消費行業的最佳數據分析實踐。
觀遠團隊在商業智能領域積累了超過10年行業經驗，曾經爲超過百家中國及全球500強公司提供過企業級數據分析產品與服務。觀遠數據提出一站式從BI（敏捷分析）到AI（智能決策）的完整“5A”數據落地實施路徑，可根據企業的數據基礎，協助客戶規劃相應的數字化升級路徑，打造面向未來的智能決策大腦。
公司總部位於杭州，並在上海、深圳、北京設有團隊，目前已獲得包括紅杉資本、襄禾資本、線性資本等多家頂級VC機構的投資，並先後入選全球頂尖的微軟加速器、萬達創新加速器、騰訊AI加速器；典型客戶有聯合利華、百威英博、迪卡儂、沃爾瑪、岡本、小紅書、喜茶、Lily女裝、生鮮傳奇、上蔬永輝、全家、來伊份、正大廣場等。
觀遠數據以“AI+BI,讓決策更智能”爲使命，深耕零售與消費行業，致力於爲客戶提供新一代智能數據分析平臺以及零售行業的最佳數據分析實踐。行業首創從敏捷分析到智能決策的“5A”落地路徑，可根據企業的數據基礎，協助客戶規劃相應的數字化升級路徑，打造面向未來的智能決策大腦。目前已獲得包括紅杉資本（Sequoia Capital）、襄禾資本、線性資本等多家頂級VC機構的投資，並先後入選全球頂尖的微軟加速器、萬達創新加速器、騰訊AI加速器。