《业务可视化分析》第15章

“归来：成为优秀的业务分析师的个人建议”

本书的重点是业务可视化分析。最后，笔者想基于多年来业务实践、数据分析及客户服务的经历，给出一点点业务可视化分析的拙见，希望能帮助更多新人和企业用户穿过数据的迷雾，畅享分析的喜乐。

如果要用几句话概括，暂且总结如下。

业务是土壤，数据是种子，软件是工具；
可视化图形是树木，仪表板是树林；
地无穷尽，天无尽头，学习以制胜，反思以制心，远离诱惑，循序渐进。

喜乐君

15.1  好奇、探索和持续学习的欲望，是前进的源泉

分析的对象是业务，但最重要的还是理解业务和完成分析的人。

大数据分析是21世纪的新兴专业，又是当下最稀缺的岗位之一。面对技术的快速发展、知识的迅速迭代，特别是深奥莫测的业务环境，只有那些为此做好了充分准备，且主动拥抱变化的人方才能胜任。

业务分析师要同时面对来自两个方面的未知：一方面是大数据的“深渊”；另一方面是业务的“复杂”，有时还有“人性”。这就要求业务分析师具备超乎寻常的好奇心和探索欲、百折不挠的毅力，以及随时学习补充“知识食量”的热忱。缺少了任何一点，都很难在充满不确定的路上保持长远的定力。

做数据分析的过程，就像信心满满地爬一座山，不料却是一个坡连着一个坡，如图15-1所示。分析师应该充分地认识这其间的辛苦，并保持“以终为始”“长期主义”的毅力。

图15-1  分析师的旅程（根据网上图片改编）

不过倒也没有什么可怕，人生不就是这个样子的吗？显然没有比好好活着更难的事情了。

15.2  学习理解原理，方能举一反三、事半功倍

学习Tableau对笔者一个非常深刻的启示是“凡事从根上问为什么”，也许这就是很多人所推崇的“原理性思考”或者“第一性原理”。

大数据可视化分析可以从多个角度切分为多个板块，比如统计学原理、可视化规则、业务逻辑等，每个板块都有前人总结的原则、方法和思考体系，即便时代不同、工具各异，背后的很多地方都可以互通。一旦掌握了这些方法，在时间和实践的酝酿之下，就具备了触类旁通、举一反三的基础。时常阅读好书，给笔者提供了在客户服务过程中源源不断的营养。

读书和学习是一个在头脑酝酿化学反应而非物理堆叠的过程，假以时日，就不断有灵感如星星之火，最后终成燎原之势。当然，学习无须设限，广泛阅读和学习有助于创新，逐渐地才会有触类旁通、举一反三的感觉。

在《数据可视化分析（第2版）》一书中，笔者从DIKW的模型理解数据与业务的关系，用Tableau 2020.2版本中“物理与逻辑”的分层方法倒推理解整个数据合并体系，用详细级别分析方法理解整个复杂问题，并重建了整个计算的理解体系。一步一步，最终实现各个角度的逻辑自洽和前后统一。也正是在这个过程中，笔者理解了Tableau面向业务环境的方法论，并希望以“Tableau传道士”的公众号和“喜乐君”博客保持帮助更多人学习。

作为非IT背景并且晚来的分析师，这就是笔者成长的体会。笔者脱离了科班的IT基础，也免除了那些背景知识的束缚，按照Tableau的逻辑体系，一步步从零搭建了可视化逻辑体系。

在本书中，笔者试图进一步完善问题分析的“逻辑大厦”，然后在《用图表说话：麦肯锡商务沟通完全工具箱》一书的逻辑基础上，把可视化分析体系往前推进一步，最终通往结构化分析的业务重点。

当然，原理永无止境，这就是科学的成长之路。在阅读《统计学的世界》一书时，笔者也发现自己的盲区远远超过预期。比如，在该书第2部分的内容回顾中，作者总结了如图15-2所示的框架帮助笔者理解了散点图的层层逻辑结构。

图15-2  从数据到模型的过程（来自《统计学的世界》，模仿绘制）

15.3  深入理解业务，方能立于不败之地

业务是分析的土壤，建议每一位分析师都要深耕你所在的业务环境，直到达到游刃有余的地步，方才转身探索另一个领域。

当然，深入理解业务的最好方法不是“远观”，而是身临其境、置身其中。笔者早年在零售行业的工作经验，给笔者的数据分析之路提供了莫大的帮助，之后作为项目经理全权负责门店管理、人员、营销、产品等业务，又体验了领导观察业务和数据的视角。

对任何一个行业和公司，数据都是对业务逻辑的记录和展现，业务逻辑相对而言是稳定的，业务经理和分析师只需要沿着公司领导每年、每季度、每月的管理和运营视角，就能大致洞察业务的来龙去脉，依次建立整个企业的常规分析仪表板。这也是笔者给初次转型数字化运营的客户建议的捷径。只有以新技术提高传统的分析效率，才有时间和精力展开接下来的业务探索分析。

业务探索分析不外乎“人、财、物”几个方面，如图15-3所示，沿着类似的角度进一步展开，几乎就可以触及主要的业务板块，并确定核心的分析主题和分析指标。

图15-3  一个分析指标的简单模型

动态业务就像是各种板块的拼盘（甚至可以对应到公司的业务部门和岗位）。按照上述逻辑，业务分析师可以完成核心主题的数据可视化分析，并带领对应业务的负责人展开自助分析，进而细化到决策验证领域。

深入理解原理和深入理解业务，是优秀分析师的左膀右臂。企业招聘“分析专家”，不是因为他/她的数据工具使用得熟练，而是因为他/她对业务的长期、深入的思考，这种思考深入原理，使他/她可以轻易地看到别人看不到的分析和业务的真相，故称为“专家”。

比如，在《数字蝶变：企业数字化转型之道》一书中，数字化转型专家赵兴峰老师就阐述了他多年业务经验之后的数字化理解，面对完全相同的数据，他可以给出独立的、创造性的理解，这是业务分析师的最高境界。

15.4  分析要从明细开始，过度整理会远离真相

在业务分析的过程中，应该尽可能从最具有业务代表意义的数据明细开始分析，而非通过各种中间表。业务分析和探索的关键是查找业务中数据之间的逻辑关系，业务逻辑关系只有通过明细才能尽可能地恢复原貌。每一次数据加工，都是对真实业务的扭曲或提炼。

业务探索分析不外乎“人、财、物”几个方面，更完整地说，每一个业务逻辑，都是如下一句话的不同版本：

“谁（who）在何时（when）、何地（where），给谁（whom），以何种方式（how），提供了什么产品（what），交易的量化指标是什么（how much）”。

这其中的每个字段，又都是由详细级别鲜明的很多值构成的，比如 “事业部、大区、门店、业务员”构成了“谁（who）”，“哪年哪月哪日、几点几分几秒”构成了“何时（when）”，“类别、子类别、产品名称、产品id”构成了“产品（what）”，诸如此类。

经常，分析师为了提高效率使用聚合工具对数据做预处理，这种方式通常限于常规的定制化报表，用于给领导展示宏观角度、确定性的问题，而非探索业务。

从业务的角度，聚合意味着业务逻辑的折叠。比如，聚合到年月的销售汇总，就无法再从订单角度探察产品的关联销售和客户的忠诚度；聚合到子类别，对产品的分析就止步于子类别。虽然这有助于提高确定性问题的分析效率，但它无疑也在分析师和业务用户面前树立了一面高墙，隐藏了真实的决策需要，降低了结构化分析的可能性。

曾经有一家大型客户的IT分析师，在刚开始使用Tableau时，习惯性地以Excel加工的“数据透视表”作为数据源，然后来问笔者如何实现结构化的分析场景。陷入的就是这个处境。

大数据分析以应对庞大的“大数据”为基本前提，如果一个分析软件无法在几千万行的数据中实现敏捷分析，它就失去了作为大数据业务分析工具的前提。

当然，作为数据分析的重要组成部分，数据准备和治理也要兼顾明细数据的数据探索和聚合数据的综合展现的基本目标。因此，可以根据不同的数据场景，生成不同的数据源，但务必保持数据来源的一致性。图15-4展示了使用Tableau Prep Builder完成的基于SAP HANA大数据量的整理流程（部分），最终输出了多个数据源，从而驱动不同的业务场景，实现效率与真理的结合。

图15-4  一个典型的数据整理流程 （左侧省略更多来源）

中心线是包含了核心业务字段的业务明细数据，设计产品规格、发票、客户明细等，数据量超过几千万行。同时生成了“CEO数据源”“大客户数据源”“当年明细”多个节点，以此兼顾特定场合的定制报告和分析。

15.5 工具不在多而贵在精，熟能生巧、巧能生智

如今，最令我们兴奋的事情之一大概是工具前所未有的方便，以至于选择时都无所适从。基于Excel体系的各种衍生品直到Power BI，基于Python的各种开发包，基于各种数据库的通用SQL，基于敏捷拖曳的代表性工具Tableau等，百花齐放、百家争鸣。

产品无所谓好坏，只有是否适合你；选择也无所谓对错，只是各有得失而已。也有人说各种工具各有利弊，各取其一，对高手而言可能适用，对初学者反而会是毒药，多未必是好，反而容易导致失衡。

笔者个人之见，不管是偏向底层的SQL、Python，还是面向业务的Tableau、面向IT的Power BI，都在逻辑体系上自成一格，通往业务分析的“罗马”。因此，精通任何一门技艺，都能达到事半功倍的效果，而且有助于用它的逻辑体系去快速地理解其他工具的设计原理。毕竟作为分析工具，出发点和服务人群各有差异，但是分析的大方向和目的地却殊途同归。

每个人的选择根据自己的学习背景、职业岗位、发展路径而定，SQL即将成为如同Excel的通用工具，Python面向IT背景的分析师，Tableau面向业务用户，Power BI居于中间，偏向IT人员。

分析师一旦深刻地掌握了一门工具，并在业务环境中驾轻就熟，接下来就可以适当学习其他工具，取长补短。比如通过学习SQL，简化了Prep Builder中的取数逻辑，而Python的可视化包让笔者理解了更多的图形。

初学者，学不在多，而贵在精；先熟能生巧，辅助思考后能生智。图15-5右侧所示是笔者学习Tableau过程中几个关键的时刻，通过深入理解字段和计算，最后在“LOD详细级别”的地方找到了交汇点，从而突破了理解上的很多瓶颈；之后又把详细级别的理解从字段扩展到数据表，理解了数据合并的多种方式，最后通过本书的“问题的详细级别分析方法”融会贯通。

图15-5  笔者学习Tableau的关键节点

15.6  循序渐进，不要好高骛远

每个知识体系都比我们预料得要庞大，特别是深入其中更会发现知识的浩瀚。因此学习的耐心至关重要，只有秉承“长期主义”的态度，循序渐进，方能致远。

既要坚守业务，又要保持跨学科的开放态度，比如笔者对SaaS商业化的最深刻的理解，来自多年前阅读的一篇名为SaaS Metrics 2.0^[1]的文章，其中基于客户的成本（CAV）和贡献（LTV）的生命周期模型，让笔者看到了长期主义商业模式的魅力。如图15-6所示，全文用了两个简单的图形和两个公式，就让人明白了背后的原理。笔者深受启发，甚至尝试用这个模型来理解笔者的客户服务过程。

想要学习更多的分析模型，就需要深入相关的著作。

定价作为营销中的皇冠，笔者几乎所有的相关知识都来自赫尔曼·西蒙的两本经典书籍——《定价圣经》与《定价制胜》，特别是前者几乎可以涵盖所有企业的价格体系，不管是零售业的动态价格、航空业的登记定价，还是国际定价。反复阅读这样的好书，加上对所在行业的理解，就能逐渐为业务用户提供更多有价值的见解。除了定价，其他的商品分析和客户分析模型也是同理。

图15-6  SaaS Metrics 2.0 摘要（图片布局略有改动）

时间和好书，会帮助我们在分析中取得胜利。希望本书也是其中之一。

---

[1]  SaaS Metrics 2.0 – A Guide to Measuring and Improving what Matters，作者：David Skok，来自For Entrepreneurs，通过搜索引擎搜索可得。