业务01：金融业务中的Tableau分析框架

在服务客户过程中，我特别喜欢零售和金融的场景。零售是自己早期的业务，当年还没有成熟的框架思维，也没有Tableau加持，所以走了不少弯路。如今，我把自己当作小学生，做金融的大海中一边遨游，一边思考，希望积累一些通用的、普适性知识，提供给后来的分析师借鉴使用。

近期思考有两个成果，其一是「业务-数据-分析」的三层结构，其二是建立在这个三层结构和第三字段分类基础上的数据准备浅见。这里借助于金融场景简要介绍，只有续篇会选择最难的“风控分析”场景逐次展开。

一、金融中的「业务-数据-分析」结构

任何数据表都是对业务的记录和反映，更高级的说，数据是业务的抽象表达。而分析则是希望借助规范化的数据发现规律、找到改进方向、指导决策，可以认为是进一步知识总结、提炼的过程。

1

如图所示，从时间和对象的角度看，常见的金融业务可以理解为“贷前——贷中——贷后”的三个环节，分别对应意向客户、客户账户和异常账户三个差异化对象。如果进一步从业务流程看，则可以选择几个标志性里程碑，细分为“申请——签约放款——贷后管理——资产处理”等环节；它们对应不同的工作内容，同时也具有明显的前后衔接关系。

在企业中，部门设置通常按照业务流程设置，他们分别对应流程中的不同工作，因此也就对应不同的考核指标。考核分析指标虽然来自于业务，但是无法直接从业务中得来，就像我们不能去零售门店问一个店长“你本月门店的收益率和货物周转率是多少”。

为了完成分析，我们需要首先把每笔业务抽象为标准化的数据，然后再从标准化、规范化的数据中建立业务关联、寻找洞察。这就是我建立“业务-数据-分析”的初衷，这个逻辑表达了分析背后的数据来源。

2

为什么说“数据是业务的抽象？”它不仅仅是记录和反映吗？把客户购买的每一笔商品记录在册，把客户的名字记录下来，诸如此类，何来抽象？

这就要了解数据表和字段。

其一，不是每一笔业务交易，都可以在一个表中记录完成。

因此业务到数据表的记录，涉及到进一步的数据表拆分、业务数据映射、准确记录等过程，这期间需要一些逻辑上、抽象化的数据表和字段，比如建立“订单号”来记录客户单次购买，这样，数据库工程师就可以轻松把订单信息（抬头）和交易信息（物料）分别存放在两个地方，并以“订单号”建立关联，既能单独使用，又能合为一体。

“订单号”字段虽小，它包含了很多的分析知识。它是对业务场景的抽象，是真实世界中并没有、根据需要无中生有的数据典型。

其二、即使是真实的业务数据，也需要抽象化处理。

我们每个人都有看似唯一的名字，有很多不变的属性特征（比如性别、籍贯），也有很多随着时间变化的属性特征（比如年龄、购买次数和周期等）。会员记录虽然有记录我们的名字、性别、学历，但是这些都需要进一步抽象化处理，比如为了保持会员信息的一致性，使用id代码来记录，而非中文名称，甚至用设备唯一编码追踪用户手机记录；比如为学历设置数字编码便于维护和保存；比如设置一个本身并不存在的“客户生命周期”，反映客户的特征。

这些抽象化处理，旨在保持业务数据的准确性、一致性，是未来分析的基础。

建立在这些基础上，业务流程可以拆分到很多细颗粒度的数据表中，又可以随时整合，它们是数据准备的基础；数据可以应对业务的复杂变化，从而建立面向分析的稳定桥梁。

3

从数据层到分析层，是业务分析的关键，也是建立在“虚实结合”的数据表之上的二次抽象，是分析的灵魂，是通往决策的道路。

在《数据可视化分析》和《业务可视化分析》两本书中，我在努力总结这个环节的分析知识，目前包含了几个关键：

• 问题分析的结构：问题范围、问题描述和问题答案
• 问题分析的过程：分析即聚合，聚合即分析
• 大数据分析是多维度、结构化的分析，要借助于聚合的二次聚合和预先聚合技术

在这里，本文的重点将是三层结构和数据准备，因此分析过程不再展开。

二、数据准备与分析

起初，我是对数据准备敬而远之的，后来通过Tableau的join、union、blend慢慢理解了数据准备的道路，最终大成于“第三字段分类”的总结。

第三字段分类的关键是理解「业务字段」和「分析字段」的双层结构，前者是行级别的、物理层的，后者是包含聚合的、逻辑层的。

如果把这个知识放到上面的“业务-数据-分析”三层结构中，那么可以把数据准备分为两个环节：

• 从各种数据表子集到描述业务的数据层：每个数据子集的关系通常都是一对一，通过join连接，把不同数据表整合为一个“宽表”的物理合并过程。
• 从每个业务场景的数据层到更大场景的分析层：保持每个数据表的独立性，建立彼此之间的匹配关系，比如销售数据与KPI等。

基于此，我通常把数据准备分为两种基本的类型：

• 数据合并：数据并集union和数据连接join，特殊情形下，也包含基于聚合的join，对应prep/desktop中的fixed LOD表达式，它在本质上是一种聚合的自我合并。
• 数据匹配：数据混合blend和数据关系relationship，虽然它们可以完成一对一匹配，但通常都是一对多甚至是多对多的场景。这种用法为不同的业务场景建立了分析的桥梁。

建立在上述知识基础上，我基本了然了2022年新书《业务可视化分析案例集》和2023年新书《数据准备与数据模型》的底层逻辑，基于此结合案例为大家讲解更多分析案例和可能性。

接下来的续篇，我计划从金融分析中最难的“风控分析”开始这个主题，这个主题完成，其他主题都可以顺流而下，水到渠成。

喜乐君 @yupengwu
Aug 20, 2021 凌晨