靠一工具，把数据分析变成养老工作，做着做着月薪成了3w

记得我刚毕业那年，父母一直让我报考统计局，毕竟对于一名刚刚毕业的数学系应届生来说，铁饭碗的工作无疑是最好的选择。但是当我进入系统之后才发现，枯燥无味的工作根本提不起我的兴趣，升职加薪也不会落到我的头上，于是我总是想着出去看看外面的世界。

大约过了2年，当时网上的数据分析刚开始火起来，虽然跟我所学的专业毫不相关，但是直觉告诉我这是一个风口。于是我开始拿出空闲时间了解和学习数据分析，在学习了大约两个月后，我决定裸辞了稳定的工作，进入一家互联网公司做业务分析员。

后来一边工作一边学习，跳槽了2、3次，慢慢开始从业务员做到了数据分析师、数据挖掘师等等，我的工资也从原来的3k涨到了3w，成为了公司数据部门的leader。

数据问题频出，掌握好工具很重要

一开始做数据分析的时候，当然也犯了很多小白的错误：

不知道如何分析有价值的数据，不明白什么才是有价值的数据，领导不重视、同事不认可，最终变成了取数机器。

当初我每天的工作就是取数做报表，业务要拿什么数据、什么指标、什么报表，我就要写代码帮他们做个模板出来，日复一日，比之前的统计工作还要枯燥无味。

我几次都跟领导反映，领导都摇头说没办法，公司业务部门不会sql、不会取数，他们的需求只能让我们数据部门完成。IT部门本来工作就多，还要为业务取数服务，我提出让业务人员自己学会取数分析，解放一下我们IT的人力，领导却说学习成本太大，业务部门不会答应。

除了应对业务部门，我们IT部门内部的矛盾也是日益严重：

我们数据组觉得数据仓库里的数据口径太混乱了，而且当初是直接用的hive计算资源，取数速度实在是太慢了，不能支持大数据量，所以我们提出能不能换成性能更强的关系型数据库。

IT底层组却说公司用的数据仓库版本太老旧，很多数据只能做底层的ETL处理，所以只能简单做一层数据清洗给我们用，属于历史遗留问题，很难办。

除了IT和业务上的矛盾，还有一个最大的问题就是个人的数据分析能力：

在我当初做数据分析的时候，用的是Excel的数据透视表，但一旦面对大量的数据和复杂表格，根本就搞不定，做出来的可视化也很丑，没什么价值。后来学R语言又比较复杂，于是就想着有没有更加简单、功能强大的BI工具来代替。

于是我尝试了powerbi、FineBI这些工具，你会发现BI工具才是数据分析路上最必不可少的！

因为BI工具是完全按照数据分析的流程来设计的，先是数据处理、整理清洗，再到数据建模，最后数据可视化，展现图表，用图来讲故事，发掘问题影响决策。这些工具之间的差别也很大，经过不断尝试，我选择了FineBI一直到现在，至于原因且听我慢慢讲来。

一、数据整合+数据处理，解放IT

因为数据口径的问题，我们与数据底层部门没少发生矛盾，后来引入了FineBI之后，把数据源彻底打通，各个业务部门的数据都统一放入数据库，通过FineBI的ETL数据处理功能进行数据指标的梳理与清洗，IT底层人员的工作量大大减少。

而且FineBI不仅能够支持关系型数据库，而且还支持Oracle、SQLServer、MySQL等数据库，以及其他各种主流多维数据库，它采用的是自己的分布式连接方案，取数速度比以前快上不止一个等级。

此外，FineBI的ETL能力很让我意外，不仅是因为可以实现数据清洗，比如添加数据指标，而且操作十分简单，IT和业务都只需要简单的鼠标拖拽就能完成，数据合并、聚合、过滤、分组等等根本不需要编程基础，甚至比Excel还简单。

二、取数不必学sql，业务也能自主分析

以前业务总是苦于太依赖于IT，一旦分析需求有变化就要重新返工IT，而IT根本难以应付。而当引进了FineBI之后，业务人员现在可以自己进行取数分析了，完全剥离了IT的束缚实现了自助分析，效率自然是提高了好几倍。

FineBI实现自助分析的方法是通过自助数据集的方式，相当于一个数据容器，IT将清洗好的数据放入数据集中，如果业务觉得基础数据不满意，或者是需要进行跨表联用，就可以自主建立数据集，自己进行数据的加工处理。

这个过程当然也是通过鼠标点击来实现，不需要学习sql等编程，十分适合业务人员。

三、多维分析+数据可视化，实现BI展示

数据分析师是否能够得到有价值的结果，除了要求自己的业务思维与数据思维之外，BI工具的分析功能也是很重要的因素。FineBI除了拥有丰富的可视化图表之外，还可以制作出炫酷的dashboard，在领导面前展示自己的分析结果，事半功倍。

最重要的，是我们可以利用FineBI的联动、下钻、跳转等OLAP分析操作功能，结合业务思维，实现有价值的数据分析，而不是流于表面的拉表作图。

比如分析销售情况，我们可以用FineBI做出上图，先整体看当前这一阶段或这一时间段的销售目标完成情况。然后根据销售趋势图进行同比、环比分析，内部趋势跟自己之前的数据比较，外部趋势跟同行业其他企业的数据比较。

分析完宏观趋势之后，进行下钻切片分析：去对比区域店铺的情况，看找哪个区域店铺销售问题，同样也会对比区域店铺的销售同期环期。依次类推会下钻到品类、再到具体的单品。最后结合资源配置情况，找到异常数据的原因，提供最终的建议结果。

总结

数据分析之路漫漫，一个能真正解决你的问题的BI软件，才是最棒的工具；而一个能被自己得心应手的使用，并能提高自己能力的，才是最适合自己的工具。