【產品對比】非對稱之戰：Tableau VS.帆软FINE BI

Apr, 2023

作為成立二十年的老牌BI公司，目前唯一能和Tableau產品“比肩而立”的，唯有微軟Power BI（2015年整合成立）；但二者又並非“你死我活”的同質化競爭，而是各有側重，在各自的方向上做到了最優（可以參考 Tableau VS. Power BI系列文章，參考1）。迄今為止，沒有任何一家國產BI的綜合功能能和上述二者比肩，甚至難言“望其項背”；當然，市面上也有競爭者急切地趕超、努力“登堂入室”。

喜樂君寫下這篇對比文章，一方面是借此幫助理解不斷階段、不同架構的工具之間的差異，另一方面是幫更多人避免市面上某些市場化言論的誤導。“桃李不言、下自成蹊”，好產品不需要言過其實的推薦，大肆宣揚的背後則往往暗藏玄機。

2019年，喜樂君曾寫過兩篇Tableau對比帆軟的文章（Tableau 2019 VS FineBI5.0)，時隔三年，FINE BI6.0姍姍來遲，Tableau全球易幟Salesforce，中國區域取消直營、銷售則易手Software One和阿裏（參考2）。在這個時間點，基於過去多年專案實踐、數據諮詢的經驗，喜樂君想更加深入地對比二者的差異，幫助更多企業做出明智的、符合當前階段的選擇。

⚠️“帆軟”是一個企業名稱，其中包含Fine Report，Fine BI、簡道雲、九數雲等多個數據類產品（參考3），本文選擇比較對象為“Fine BI”（包含數據準備、可視化、儀表板等功能，包含伺服器端），重點與Tableau Desktop（及Server伺服器，參考4）對比。部分內容會涉及到Power BI產品。

⚠️本文未經Tableau、帆軟，或其他利益相關者審定；未經允許，不得用於商業目的，不得拷貝至內部平台。

一、以終為始：企業到底需要怎樣的分析平臺？

產品對比的主要目的，是輔助企業或個人用戶做出適合自己的工具選擇。產品只有差異化特色，既無好壞，更無絕對的第一和第二；但每個企業和個人卻又自己的成長階段，有自己的需求和使命。因此，識別自己的需求，明確企業所處的數位化（數位化）階段，有助於做出明智的選擇。

從企業數據化階段來看，企業存在如下的幾個階段，不同階段，企業需要的數據化工具不同。

• “傳統企業”：“傳統”一詞和行業無關，指業務不線上、數據難以被完整、準確、及時記錄的“落後狀態”。數據Data依然存在，只是以紙質、零星軟體平臺的方式存在，無法被直接使用。
• “企業資訊化“：Information資訊是DATA有效整合的形態，這個階段企業的典型特徵是軟體平臺眾多，最典型的是ERP、MES、CRM等圍繞生產、客戶的數據採集系統，它們與業務流程直接相關，是數據的收集者和整理者；分析側重於Report、PPT而非可視化Dashboard，更鮮少探索性問題分析。
• “敏捷BI”階段：企業不在滿足於Report、PPT，而側重於從數據中探索業務問題，這個階段的典型特徵是數據倉庫（Data Warehouse）出現，業務系統與分析系統二者分離，同時，業務用戶日漸成為分析主力。
• “數位化企業”：數據成為企業決策的關鍵環節，從上而下，數據驅動的企業文化日漸形成，並推動構建以數據為中心的業務模式，比如從傳統的產品銷售到訂閱。

從上述的階段分析來看，不同的企業階段，對應不同的工具需求，對應不同的員工能力。敏捷BI是business intelligence，而非僅僅是business information，基於這樣的認知，BI輔助決策需要包含如下的功能部分：

• “數據倉庫”：外部數據倉庫，或者BI平臺自建的Data Warehouse，正如Kimball 和Ross兩位大師在Building the Data Warehouse一書中所宣導，DW/BI Platform才能把數據和分析的價值發揮到最優。
• 從“數據”到“數據服務”：雖然有了DW，但是數據資料並非就必然是數據服務，企業級的BI平臺，不僅要支持單表的分析，還要支持主題的分析，此時數據模型、指標定義就成為關鍵，缺乏這個邏輯層，就難以實現數據準備和業務分析的分離，會制約長期的分析效率。在這個環節，工具的性能是常見的瓶頸。
• 敏捷分析：面向業務用戶、人人可用的分析工具，是數據資產轉化為價值決策的關鍵；分析工具應該支持多種可視化樣式、便捷的儀錶板製作、綜合的交互功能、多種函數特別是高級分析函數，分析結果支持訂閱、通知、下載等多種服務方式。在這個環節，圖形設計方式和計算是常見的瓶頸。
• 敏捷ETL：對於數據品質較好，或者IT部門支持充分的企業而言，面向業務的敏捷ETL是錦上添花；但是對於對於數據品質欠佳的企業而言，敏捷ETL更像是及時雨，它有助於彌補數據品質的不足。

基於上述的功能板塊，企業首先要實現建立數據採集、數據分析相互獨立的分析框架，參考如下的架構所示，有助於理解“大數據可視化分析平臺”在企業數據架構中的總體位置。

基於這樣的架構，再把DW/BI平臺進一步展開為更多的邏輯層次，其中的關鍵是數據服務（數據資料和通用計算）、可視化分析內容、分析服務。每個部分都可以進一步展開更多的內容，上下貫通、左右相連，共同組成大數據分析平臺。如下所示。

對於不同階段的企業而言，這個架構的作用會有所不同，傳統企業會認為過於“前沿”，它們的首要目標是數據採集，為了滿足一定的分析功能，它們會選擇“填報類型工具”做補充，並且強調Excel等工具在數據治理中的關鍵作用。而以IT為主導的資訊化建設之下，IT會選擇簡單可視化工具作為補充，特別是部署簡單、方便開發、性能穩定、便於嵌入的產品，像Smart BI。

而對於數據品質較好的企業，才會對獨立的BI分析工具有所需求，並且期望分析從IT團隊轉向業務部門——這是business information和business intelligence 的重大區別。同時，這就要求BI工具足夠便捷，學習成本過高則業務用戶難以普及（比如Power BI），同時功能要足夠強大，解決紛繁複雜、靈活多變的探索性問題需求。

當然，高階段總是可以向下相容的，但脫離企業階段的工具往往難以發揮最大的價值，而且對用戶提出了過高的要求。這也是選擇工具時不可不慎的地方。明智的企業應該選擇略高於當前階段的工具，而且借助於優秀的軟體工具、卓越的諮詢顧問實現跨越，而非飛躍。

二、非對稱之戰：Tableau和FineBI

雖然Tableau在被Salesforce收購後，發展態勢有所減緩，但目前還沒有工具能撼動它在業務用戶中形成的“敏捷自助分析”的行業地位。因此，Tableau和Fine BI的比較，註定是一場不對稱的較量，在一開始勝負既分；不過，接下來的比較，依然有助於用戶瞭解BI的能力組合，從而評估自己的所處階段，和所需的工具。

1、數據接入和數據建模

數據連接是分析的起點，看似簡單，實則關聯著整個分析世界。它的左側是數據準備（輸出高標準的數據表），右側是數據模型（提供跨單表的主題分析）；同一個計算在兩側也會展現為不同的樣式，這既是ETL和可視化的分界線，也是Power BI中“計算列”和“度量值”的分界線。

這裏先僅僅說右側的部分，按照複雜程度，至少包含單表連接、多表合併、多表匹配、數據模型四個環節。其中前面兩個是所有工具的通用基礎，後者兩個是工具之間的差異化所在。

從功能的位置和設置來看，Fine Bi6.0更像Power Pivot，它們都把行級別的數據合併（並集/上下合併，連接/左右合併）單獨處理，而把多表關係置於分析之中，而不像Tableau可以在在一個介面中以邏輯層、物理層整合在一起。

功能/工具	Tableau	Power BI	FINE BI6.0	備註
1、單表連接/自定義SQL	☑️	☑️	☑️	入門必備
2、多表合併（Union/JOIN）	☑️	☑️ Pivot	☑️自助數據
3、多表關係（relate）	✅✅ 可多事實表	✅✅✅Pivot 多事實表 共用維度表	✅ 關聯視圖
4、包含合併和關係的Model	✅✅	✅	❌	不是所有的關係 默認是數據模型

1）基本功能對比

Fine BI 6.0的“關聯視圖”提供了上述多表關係的設置選項，不過官方說明該功能主要用於“許可權控制”（也許是我理解了這個文檔，參考2），這句話誤解了“關係/關聯”在數據分析中的重要性。當然，這也許意味著，它可能不能很好地支持多個事實表；同時，如果你要構建一個包含“行級別合併、多表關聯”的數據模型，可能也很難達到你的預期。（當然，我會等待帆軟的官方說明）

真正的數據模型，不僅僅是支持多事實表的多種合併、關聯方式，而且要考慮業務需求，在最為詳細級別的級別、在業務上有意義的級別建立關係，而且可以是多事實表的關聯關係。所以，數據關係（帆軟稱之為關聯）只是“數據模型”的前提，但並非等價。

在Tableau中，數據關係向下相容行級別的數據合併，二者構成了“物理層-邏輯層”的層次關係；這個過程可以在Desktop的數據源階段完成，不像Power BI一樣需要跳轉到Power Pivot中單獨完成（這裏先不說Pivot使用了單獨的M語言）。

當然，數據合併並非僅僅上面提到的幾種，其實數據合併是一個龐大的功能組合。喜樂君在《數據可視化分析2.0》一書中總結了“數據合併分類矩陣”的方式，如下所示。在這裏，明細表級別的合併是入門功能，為所有工具普遍支持（包括excel）；問題或者說聚合級別的匹配，以及數據模型的支持度則是BI工具差異化所在。其中難點在於關係的支持度和向下相容程度。

2）Fine BI中缺失的關係場景

隨著關係的類型越來越細化，工具之間的差異就會暴露無疑。包括數據源的類型、連接的方式（即時/提取），又都會對數據關係的設置構成明顯的影響。Fine BI甚至對與Excel合併的即時資料庫有一定要求（參考3）。

• 按照位置區分，關係又可以分為數據源階段的穩定關係（relationship）和問題階段的臨時關係兩種情景。
• 按照數據表特徵區分，關係又可以分為事實表+維度表的簡單關係，和多事實表的高級關係。

在部分業務問題中，我們甚至會遇到臨時性的關係，比如銷售過程轉化分析中完成“不同年月的轉化率”，此時需要從兩個表中獲得不同日期對應的的不同聚合。這種既臨時性，又聚合後關聯的匹配，就對產品提出了更高的要求。在Tableau中，可以使用混合（blend），而在power BI，則有“非活動關係”可供借鑒。

喜樂君圖書附圖：臨時混合關係實例——兩個事實表完成KPI達成分析

網路圖片：采悟（認識Power BI中的非活動關係和USERELATIONSHIP函數）

從上面的介紹可以看出，目前Tableau在數據關係模型最為友好，臨時關係也用混合的方式變得異常友好，當然也存在無法使用共用維度等問題（已經列在開發計畫）；Power BI的關係模型則最為專業，甚至支持環形關係，適合構建宏大的主題分析，當然這也意味著幾乎只有IT專業用戶才能完全駕馭。

相比之下，Fine BI6.0只是解決了之前沒有的“關係匹配”問題，但在多事實表關係、從關係到模型、臨時關係、數據支持度等多個方面，都還存在改進的空間。這也意味著，它目前很難被用於構建宏大的“數據主題模型”，這就限制了從數據到數據服務（data service）的支持度。一個完整的數據模型，既要高屋建瓴地支持指定詳細級別的預先匹配，又要向下相容行級別的數據合併，還要考慮一些“模型”之外的臨時性關係。如下所示，喜樂君繪製了一個通用的關係模型，包含了數據合併、數據模型的常見概念。

當然，Tableau在數據模型方面也有不足，比如不支持“網狀結構”，暫不支持“共用維度”（shared dimension），也不像DAX那麼“高級”（可以在代碼中任意引用）。不過，面向業務用戶，它已經做到了最佳的平衡，高於、但又沒有高於太多業務用戶的理解能力和業務場景。

2、數據可視化和儀錶板分析

在數據接入或構建必要的模型之後，就進入了可視化分析的範圍。可視化繪製的易用性（50%）、交互和儀錶板探索（35%）、高級圖示的支持度（15%）就成為主要的考量因素。

首先，我想強調的是，業務分析中可視化圖形不是“因人而異”的主觀設計，也不是追求“形式主義”的設計美學，而是追求以最佳的可視化樣式幫助業務領導獲得資訊、做出判斷。這個過程的背後是心理學、決策體系，是有原理可循的科學。所以，基本上可以認為，可視化圖表的最佳樣式、框架基本是客觀的、預設的；分析師只能在這個框架基礎上做補充、完善。

舉個簡單的例子，要分析“產品的銷售額”，基於單一的銷售額字段，首先要考慮的就是條形圖，如果產品非常多就要考慮分佈，這可以視為是確定性的思考範式；如果貿然用餅圖、氣泡圖等，都會讓展現走向“形式”，而非業務分析。

其次，業務可視化有兩個重點：從問題到最佳可視化圖形、多個可視化圖形的交互設計。

只有最佳的可視化圖形，才能順應觀眾視覺上的“潛意識屬性“；避免像3D、陰影、複雜動畫等不合理形式帶來的干擾。而在紛繁複雜的業務探索分析面前，交互賦予可視化儀錶板以靈魂，最常見的交互是篩選、高亮，輔助性的有跳轉、導航、下載等，高級形態則是借助變數（參數，或集合，或數組，或參數表）而來的高級交互，代表性的有Tableau中的參數動作（parameter action）、集動作（set action）和動態對象可見性（dynamic zone visibility）。

基於這樣的考慮，我們來看一下“可視化領域的梵高”——Tableau，和國產BI的代表產品——Fine BI的對比。

1）可視化的設計架構（Tableau VS. Others BI)

Tableau最以為傲的可視化架構，來自於斯坦福大學幾十年前的Polaris專案，其核心內容曾發表在communications of the acm等多篇專業期刊中。二十多年的中國，還鮮有BI產品能用類似的科學理論去支撐自己的產品設計，更多的是“拿來主義”的開源組件，和錦上添花的“自研演算法”。在可視化BI領域，由於Tableau如此卓越、超前的設計理念，很多人甚至說，世界上只有兩種BI：Tableau BI 和 others BI。瞭解背後的原理，你會知道此言雖然“過譽之嫌”，但也印證了Tableau可視化的卓越能力。

在這篇論文中，作者介紹了Tableau原型的數學基礎，並根據字段的維度/度量、離散/連續/次序特徵解釋了“通用可視化框架”的可能性框架，並用拖拽的可視化介面實現了用戶的“所見即所得”。Tableau20年後的今天，這個介面只有必要的調整，確無本質的變化；它的持久生命力，就在於Tableau對字段的特徵分類上，特別是連續/離散的分類。

相比之下，不管是Fine BI，還是Power BI，甚至於觀遠、Qlik，都沒有像Tableau一樣對字段設置默認的連續、離散屬性，這就意味著，字段的顯示樣式難以被“預設”。可視化的基礎上笛卡爾空間，笛卡爾空間依賴於坐標軸，坐標軸基於連續性的字段才有意義。

基於這樣的字段屬性，不管是拖拽Tableau中的字段，還是雙擊、多選，Tableau都會根據字段特徵推薦可用圖形和最佳圖形，背後是“問題——字段屬性——推薦可視化”的技術邏輯。在“智能推薦”（show me）中，只有聊聊十幾種圖形，既是對業務應用的抽象概括，也是Tableau自動推薦圖形專利的絕佳應用。

如下所示，Fine BI6.0和很多BI工具一樣，列舉了很多種圖示類型，包括常見的條形圖、餅圖、折線圖，也包括一些業務中使用較少的雷達圖、桑基圖、漏斗圖。從可視化的繪製來看，Fine BI既借鑒了Tableau最為經典的多層“標記”設計理念（為每個度量軸對應一個“標記”），又使用了類似於Power BI的初始範本路線，因此不同的圖形會看到不同的設置選擇題。同時，還強化了帆軟最為擅長的“報表類圖表”，可以是說融合了多個產品的特色。

基於上述的對比會發現，對於不對字段做連續、離散分類的BI工具而言，“構建可視化”之前就需要增加人工的選擇環節，變成了“問題及其字段——人工選擇合適的圖形——在可視化框架中填入字段”。為了提高這個“人工選擇”的效率，各類工具就開始內置多種圖形模版，這在方便業務用戶的同時，也讓工具失去了通用性和靈活性——無法完成超過預設模版的其他圖示。為了彌補這個不足，像Power BI就會開發擴展，並運行用戶上傳圖表模版。

可見，基於字段特徵的智能推薦，和基於預設模版的選擇設置，代表了兩條可視化邏輯、兩類BI工具範式，各有利弊、各有千秋。對於業務用戶而言，Tableau的方式智能化程度高、靈活易用、可視化圖表沒有“上限”，但對字段理解要求高、容易讓新用戶無所適從、高級圖表難以實現；Fine BI和Power BI的方式更“傻瓜式”、對高級圖表支持性好，但也缺乏靈活性、學習成本高。

過去多年的業務實踐讓我越來越感覺到，敏捷業務分析需要的是在易用性和專業性之間保持平衡的優秀工具，固定的可視化圖表適合於解釋性分析，而基於字段特徵、可視化框架的方式適合於探索性分析——這正是敏捷業務分析的精髓。這也是為什麼，Tableau的易用性“一直被模仿，卻從未被超越”，雖然它入門容易，精深很難，但基於嚴謹科學的經典架構，有助於培養通識性的分析方法。而基於“可視化範本”的BI工具，看似選擇多樣，但“多樣”的背後阻礙了通用分析方法的形成，“更多選擇”也讓很多人走向炫酷表達，偏離了業務分析的初心。

在可視化圖形上，Tableau的思路與麥肯錫“用圖表說話”的邏輯類似，都是“從問題類型走向可視化圖形類型”，依據就在問題的關鍵字和字段特徵之中。這也是Tableau只推薦少量關鍵可視化圖表的原因；當然，考慮到Tableau原理性的可視化框架，它的可視化樣式“沒有上限”，高級分析師幾乎可以設計任何想要的可視化樣式（不管是帕累托、桑基圖、多層環形圖還是“南丁格爾玫瑰圖”，都可以在Tableau Public中找到對應）。因此，可以把Tableau的可視化理念總結為如下幾點：

• 從問題到圖形的Tableau方法：“三圖一表”的簡單圖表，分佈、相關性的中級圖表，借助計算而來的高級圖示
• 借助於標記、坐標軸、參考線、交互、計算等，從基本可視化到中高級可視化
• 借助於多種交互功能，以儀錶板、故事的方式展現業務主題

2）儀錶板交互設計

Tableau中“工作表/圖表——儀錶板——故事”的三層敘述方式由來已久，算是業內較為通用的框架，不過BI領域普遍使用的是“工作表/圖表——儀錶板”的雙層框架，不管是帆軟、觀遠，還是Power BI。隨著Fine BI6.0對產品結構做出了兩大調整（數據源-內容，工作表-儀錶板），它和Tableau在儀錶板組合方面的差距在縮小，但在交互方面較少有“幾座山”的遙遠距離。

我們先來看一下Fine BI6.0中自帶的“圖表實用場景”儀錶板，如下所示。下圖左側顯示了儀錶板中可用的組件類型（圖表、過濾組件、其他），右側每個圖表旁邊則有常見的設置選項。拖入的組件默認“拼接”，具有自動磁吸功能，也可以改為“懸浮”。

工作表的關鍵是如何選擇可視化圖形類型，儀錶板的關鍵則是圖表、組件的佈局和交互。

Fine BI的組件相對簡單，默認分為三類：可視化圖表組件、過濾組件、其他（tab組件、圖片、URL頁面）。Fine BI的儀錶板类似Power BI的頁面，它們都沒有“容器類型”的組件（像Tableau的水平、垂直），設計師難以預設佈局，拖拽組合的體驗很難說優秀；相比Power BI，Fine BI的磁貼提示也不夠明顯，很容易讓新用戶“抓狂”。

相比之下，Tableau既顯著地強調了“平鋪”和“浮動”兩類佈局方式——平鋪始終占滿整個畫布，哪怕只有一個工作表；浮動則完全自定義，適合於草稿設計；又區分了“容器對象”和“內容對象”——內容對象和篩選對象可以非常方便地置於容器之中，這種“容器-對象”的雙層佈局在複雜頁面中非常實用。

當然，Fine BI和Tableau在儀錶板方面，最大的差距在“交互”。

在上面的實例儀錶板中，我們發現Fine BI只有過濾、聯動、導出Excel、跳轉等極其有限的交互功能，再把參數也視為儀錶板交互功能之一（雖然我找了半天也沒發現如何直接把參數添加到儀錶板），我們發現依然是極其單薄的。

在儀錶板交互中，最基本的交互是篩選（針對的是字段），其次是導航、跳轉、下載（通常針對的是儀錶板或單個工作表），不同BI工具在後者上的表現能力大同小異，能力差異體現在篩選上。如同小學計算可以直接口算、大學計算需要借用變數甚至方程求解一樣，交互也可以按照是否依賴於“變數”（variables）分為基本交互和高級交互兩大類。如下所示：

在Tableau中，用戶可以極其方便地創建篩選、設置篩選，並通過“操作”自定義篩選的起點、終點、篩選字段及交互方式，同樣的深度自定義卻沒有出現在Fine BI產品中。更遠的距離還在於，分析師能否在儀錶板中方便的引用單值參數（parameter）和多值參數（集set），並做深度的自定義，這在標杆分析、基準對比等案例中非常重要。類似的案例，我任意就可以講解十個之多，借助於敏捷的交互能力，探索性分析才會成為現實。

當然，基於變數的交互要想變成實現，必須依賴於計算的支持。Fine BI在交互上的孱弱，與產品的函數能力弱有直接的關係，特別是窗口函數和組合函數等包含聚合的高級函數。

3、計算體系和分析深度

說到計算，BI領域的兩大高峰是主打易用、通用路線的Tableau計算，和以專業、高深見長的Dax語言（Power BI）。Fine BI的計算，目前還卡在基本計算和高級計算之間，並未找到適合自己道路的計算體系。

工具的計算能力基本可以通過內置函數（built-in functions）體現，函數是最優演算法、最優路徑的程式固化，實現了產品經理和軟體工程師對分析的理解。在DAX中，我們可以看到精湛的表模型和表計算；在Tableau 表計算和LOD計算中，可以看到聚合的二次計算邏輯——這些都是分析計算的精華。

在Fine BI中，我們可以看到如下眾多的函數，但在最重要的高級計算函數上，只有寥寥幾個窗口函數，和6.0版本新發佈的DEF函數。

聚合是分析的本質（喜樂君），直接聚合函數是所有BI工具的標配，但聚合的二次計算則並非被每家BI所支持，就像窗口函數並非適用於所有的資料庫管理軟體一樣（Mysql直到8.0才支持）。

1）表計算（窗口計算/快速計算）對比

聚合的二次計算，代表是合計和排序，SQL可以使用SUM(SUM([measure])) 實現，並用over (partition by A order by B)來精准控制。類似的操作，就是BI工具走向高級的必經之路。

Tableau的表計算（table calculation）脫胎於SQL的窗口函數（window calculation），但又有明顯的改造和升級。它以其易用的配置，眾多的函數，幫助SQL向業務用戶普及了“聚合的二次分析”這一高級場景，幫助業務用戶快速實現同環比、排序、移動平均等以往難以實現的題目。它的改進主要體現在兩個方面：

• 為窗口函數增加了可視化的操作——通過選擇“計算依據”，直接生成over後的partition by和order by
• 通過參考線、分佈分析、趨勢線等模型化工具，簡化了表計算的自定義難度

反觀Fine BI，它的“快速計算函數”幾乎走向了SQL和業務用戶的反面，提高、而非簡化了二次分析的難度。這裏以ACC_SUM為例，它的官方說明如下：

ACC_SUM(x_agg(array),range):根據橫縱軸或行列維度添加的字段對指標進行跨行累計的計算。

• 參數說明 第一個參數為用戶計算的指標，該指標必須為聚合函數或聚合指標。 第二個參數range為用戶設置計算的範圍，0為對所有行進行累計，1為對組內所有行進行累計。

• 示例 acc_sum(sum_agg(array),0)用戶橫軸軸拖拽銷售日期（年分組），則該指標計算結果為，根據銷售日期（年）對銷量進行分組匯總，然後根據對所有行從上到下進行累加，獲得每年的累計銷量。

帆軟BI幫助

你會發現，Fine BI借鑒了Power BI的程式化設置方式，而非分Tableau的可視化設置方式，採用0和1控制範圍（partition by），這個邏輯完全阻礙了業務用戶的理解和便捷使用。如下所示，當在橫軸、縱軸中分別有分類字段時，對聚合值的排序就極其容易走向歧途，歸根結底，Fine BI既沒有像Power BI一樣能實現精細化的代碼控制，也沒有像Tableau一樣實現相對/絕對隨意切換的依據調整。這就讓高級的分析函數失去了它應有的靈活性。

如果看函數的體系，你會發現Tableau的表計算體系及其接近於SQL窗口函數，同時做了一些精細化調整，盡可能避免業務用戶的代碼操作，工具應該讓複雜的問題變簡單，這才是敏捷BI應有之義。如下，展示了排序函數的對比。

除此之外，Tableau還有WINDOW系列函數（典型如WINDOW_AVG）、偏移計算函數（LOOKUP/PREVIOUS/FIRST/LAST）、索引函數（INDEX）等多個表計算函數，可以和SQL的SUM(SUM ()) 窗口函數、LAG/LEAD/ROW_NUMBER等多個函數對應，這種繼承既降低了工具之間的轉換成本，也確保了理解上的通用性。

2）LOD運算式VS. DEF運算式

DEF運算式是Fine BI6.0新增加的高級函數（應該是取DEFINE之義），旨在實現“指定粒度的聚合”。雖然語法看似解決Tableau LOD，其實邏輯上更像DAX語言中的Calculation 和LOD函數的結合體，這種結合就有利有弊。它的運算式如下：

---

DEF (聚合, [維度1,維度2,…], [過濾條件1, 過濾條件2,…])

FINE BI6.0

---

上述的計算，對滿足過濾條件下的明細行，計算指定維度組合的聚合計算。比如DEF(sum_agg(購買數量), [產品], [是否會員 = “是” ])，可以計算會員在產品分組下的購買數量。 第二、三個參數可以缺省。

在這個DEF運算式中，你可以看到LOD和DAX CALCULATE兩類頂級運算式的影子。

• Tableau LOD運算式：{FIXED [產品] : SUM(購買數量) }
• DAX CALCULATE運算式： CALCULATE（ SUM(購買數量) , FILTER( [是否會員] = “是” ) }

在LOD中，篩選條件需要嵌入SUM之中，或者在外部添加上下文篩選器，它用計算優先順序（Operation Orders）解決過濾過濾的問題；而在CALCULATE中，它只有聚合和條件兩個部分，維度條件可以直接放在視圖中，或者寫入FIlter之中。

從結構上，DEF定義運算式之時，同時採用了兩家頂級BI的最佳運算式的特徵，然後努力融為一體，正因為此，帆軟的市場夥伴應該會說，“DEF既比LOD……，又比DAX……”。

問題也處在這裏，1+1並不總是大於2，特別是不同質的物種拼湊出來的高概率“不倫不類”，最終失去了它最重要的特色。DEF運算式追求功能上的完整性的同時，也提高了用戶的使用難度，嚴重制約了底層的計算性能。一旦數據量篩選，或者計算邏輯略微複雜，計算性能就變成顯著的問題。

所以，在我看來，FINE BI的DEF運算式，更像是農民起義，是對一次參考、借鑒的“草創”，一次高級分析的“衝鋒”，但是限於企業整體的分析理解和水準，還需要很多次的持續努力，才能有所成就。如果要真正地實現對兩大運算式的融合，Fine BI至少要彌補如下的短板：

• 計算的優先順序設定和調整：篩選的本質是計算，計算必有優先次序。Tableau通過功能預設、上下文篩選等方式調整次序；DAX通過計算列、度量值，以及Row Context、FIlter context、上下文轉換（context transform）實現。帆軟中沒有這樣的自定義設定，讓它在複雜問題中，要麼走向邏輯上的複雜，要麼走向性能上的孱弱。
• 底層模型優化：DAX的Calculate中FILTER並非我們習以為常的篩選條件，它是基於條件的表模型（table model），FINE BI沒有這樣的底層模型，對不符合過濾條件的也會執行同樣的計算。
• 計算與視圖的關係處理：計算服務於視圖聚合，計算與視圖中已有的維度、過濾條件的關係，是高級計算的難點，當然，背後的本質依然是“計算優先順序”。Tableau的處理邏輯簡單，Power BI的處理邏輯複雜，各有優劣。

4、綜合比較小結

本章從三個視角，重點比較了Fine BI和Tableau的差異，並間接提及了與業內領先、更為相似的Power BI，雖然還有更多的主題、更多的要點做詳盡對比，本文也不在展開，否則就變成了更佳複雜的“技術測評”。

在每個主題，假設以相對最優的產品為基準，我們可以粗略的估計另外兩個產品的相對得分。個人觀點，如下所示。

對比主題	FINE BI	Tableau	Power BI
數據合併與模型	6分 高級關係不足， 模型不足，性能弱	10分（基准） 臨時關係易用 共用維度不足	9分 抽象度高、高可定制， 理解難點高
可視化與儀錶板交互	7分 基本圖形和高級圖形 靈活性差、交互功能不足	10分（基準） 通用性最好 交互功能齊全	8分 圖表模版豐富 缺乏自動推薦， 參數等高級交互難用
計算和高級分析計算	6分 基本計算，高級計算弱 表計算難以控制 DEF計算體系欠佳	9分 表計算易用、LOD強大 缺乏表計算函數（轉ETL )	10分（基準） 計算功能強大、函數齊全 技術要求高、門檻高

雖然說，沒有一個最優的產品，但是在不同的方向上，總是有相對最優可選，比如IT方向希望的高級、代碼、高度可控、確定性，比如業務方向傾向的易用、靈活、“所見即所得”。Power“向左”，Tableau“向右”，它們都在自己專注的道路上做到了相對最優。Fine BI則希望紮根傳統的Report經驗、借鑒彼此的優勢（特別是Power BI），為中國的數位化客戶提供更易用的選項，希望它在這條路上能保持自己，同時有所“差異化”。

站在業務的角度看，Tableau可以作為“DW/BI+ai”平臺使用，是企業敏捷BI、業務可視化探索的最佳選擇，Fine BI在可視化探索分析、高級計算、數據模型等方面還有欠缺，更適合於對已有數據的總結性分析，生成Report或初中級可視化，或者複雜報表、大屏。對於尚未完成“資訊化”，或者有大量管理數據需要“電子化”的企業，則適合選擇支持填報的Report工具。

三、國產BI，如何走“差異化”路線？

在從多個角度對比了Fine BI相對於Tableau（以及Power BI）的距離之後，我們可以隨之思考：處於不同發展階段的各類企業，到底需要怎樣的“BI工具”？站在“國產BI”的角度則是，在兩大BI巨頭之間，應該走怎樣的“差異化”路線，才能真正賦能數位化轉型路上的企業和個人？

首先，我嘗試從一名業務用戶、一名數據諮詢顧問的角度現身說法，聰明的業務用戶需要的是既能解決當下問題，又能引領自我能力提升的產品。過度迎合客戶而設計的產品，雖然可能是你當下的“優選”，但同時也會早早地決定個人能力的天花板。因此，優秀的敏捷BI應該既簡單易用，又有近乎無限的成長邊際，在專業性和易用性上保持平衡，才有助於幫助用戶建立在職場中的競爭力和職業壁壘。

其次，從企業的角度看，企業追求“投入產出最大化”，軟體、服務和人力都是直接的成本，企業最寶貴的是時間，“用金錢換取時間”是企業的典型策略，所以產品價格不是唯一考量要素，和成本價格足以匹配的產出價值才是關鍵。同時，企業軟體瓶蓋應該考慮相容性，未來企業的數據服務將越來越像財務共用中心，將是一類企業資產中心。

“未來已來“，只有對那些充分理解、並融入數據世界的個人和企業而來，才有可能。在數位化的世界，我們用技術和工具換取了認知和見識，提前看到了其他人看不見的世界和道路，從而實現了領先。作為類似“數據”的邏輯體，“金錢”只是認知能力的邏輯上的“變現”，對於個人、企業都適用的。

從這個角度，回到第一部分的問題：“企業到底需要怎樣的分析平臺”，每個人心中會有差異化的答案，但又具有很多的相似性。這個相似的部分，應該是通用軟體平臺要努力打造的部分；而差異化的部分，則是企業勝出的關鍵點。從企業獲取、整理和利用數據的解讀看，企業數位化需要建立在如下的能力和工具基礎上：

• 資訊化工具：實現業務線上、管理線上、行為線上，典型如ERP、OA、日誌管理系統。
• 數據倉庫：視“數據為資產”，需要確保妥善的保存、整理和預先處理，這就是DW/ETL工具的價值。
• BI平臺：實現數據到決策的“最後一公里”，數據借助於分析轉化為價值決策。

從前往後，技術的複雜性、確定性的東西在減少，業務的抽象程度、主觀性的認知在增加。真正的BI平臺絕非是“填報”和“複雜中國報表”，甚至不是“大屏”——我甚至把這三個功能視為是影響數位化進程的“三大毒瘤”；真正的BI平臺應該側重數據整理、邏輯加工、知識變現，其中的關鍵是敏捷ETL、業務“指標”、可視化探索，它們才是數位化進程的“啟迪者”。

所以，從未來相當長的時間段看，數位化企業需要的是DW/BI一體的平臺，同時要求能賦能客戶的平臺。這些系統化的能力，可以被優秀的企業整合，成為超級服務。在近期的某次客戶培訓中，我就系統介紹了如下的工具能力和關鍵架構：

從這個角度看，我向來不支持那些主打填報、複雜中國報表和大屏的企業，雖然它們看似熱鬧非凡，但它們已經幾近未來的塵埃和過客。我對能認真鑽研業務邏輯、耐心打造精品、為客戶提供諮詢價值的企業則心懷敬畏。它們的代表可能是：

• SAP/Salesforce：未來的SF如同昨日的SAP，將是雲世界的業務流程重塑者；
• Excel/Tableau：未來敏捷分析工具的地位，就會像今朝的excel一樣普遍，認知能力和工具齊頭並進。
• 麥肯錫/IBM：為客戶提升價值，幫助客戶更真切地觸碰未來的諮詢顧問。

相比之下，目前國內優秀的BI企業，要麼過度迎合客戶需求，要麼失去了差異化的思考，走向“拿來主義”和“形式主義”，未能在科學的、客觀的體系框架做出有價值的創新性研究，形成自己的差異化硬實力，因此，我個人對“國產BI”未來幾年的發展依然持比較保留的態度。在這種情況下，充分地利用Tableau、Power BI這類優秀工具，更能保持“數據心智”上的“年輕態”，更能觸碰未來，把握未來。

---

參考文獻：

• 參考1：如何選擇BI工具：Power BI“向左”，Tableau“向右”
• 參考2:闢謠：“Tableau退出中國”，市場策略遷移及影響評估
• 參考3:帆軟官網（https://www.fanruan.com/）
• 參考4:Tableau官網（www.tableau.com）
• 參考5: 帆軟BI設置關聯
• 參考6:[直連]支持與Excel融合分析的資料庫