《帆软：2024商业智能（BI）应用白皮书5.0（74页）.pdf》由会员分享，可在线阅读，更多相关《帆软：2024商业智能（BI）应用白皮书5.0（74页）.pdf（74页珍藏版）》请在三个皮匠报告上搜索。

1、帆软数据应用研究院出品BUSINESS INTELLIGENCE APPLICATION WHITE PAPER商业智能应用白皮书 5.0智能BI定位和落地的探究企业数据治理策略的优解01030204BI设计理念与演变的解读BI促数据资产入表的实践商业智能研究公众号帆软官方小程序地址：江苏省无锡市锡山区安镇街道文景路51-3号映月湖科技园B2栋帆软软件有限公司商务咨询电话：400-811-8890转1帆软官网：https:/研究院官网：https:/PREFACE前言编委会名单在新质生产力、数字经济、AI 技术等关键词大热的大背景下，数据作为数字经济时代的基础性和战略性资源，开始加速成为企业竞

2、争的关键生产要素，加速让数字化颠覆成为各行各业的“新常态”。各行业虽然数字化转型进程不一，但是大多不约而同地将企业层面的全面数据决策能力和数据价值洞察列为迎接变革和商业创新的决胜因素，并把商业智能作为其中重要的数据利器。BI的发展已有二十余年，从开始的报表式BI到自助分析式BI到智能BI，均受到各行业的广大企业的广泛应用，硕果累累。BI 产品的发展历史有一条清晰的主线，即不断地利用新技术降低数据分析门槛，让更多的企业能够从大数据中受益，真正把数据转变成生产力去驱动业务，实现数据资产积累。不同类 BI 各有优劣，分别适用于不同的场景，不是绝对的相互替代的关系。企业除了需要根据自身信息化情况去选择

3、合适的 BI 工具类别，也要做好数仓建设；当业务规模和复杂度不断增加时，更需要关注数据治理、维护数据指标体系等问题。主编辑责 任 编 辑指 导 专 家特 别 鸣 谢：袁华杰 梅杰鲍敏 张云扬陈敏 王佳东 翁林君 付一然 沈涛 吕品 张鲲 凌晨 杨扬 孙中华 濮丹丹 吴晶晶吕家霖 王超毅浙江交投高速公路运营管理有限公司：谢晓辉 陈飞（排名不分先后）版权声明：本报告由帆软软件有限公司版权所有，并受有关商标和著作权的法律保护，部分文字和数据采集于公开信息，所有权为原著者所有。未经许可，任何组织和个人不得以任何方式或途径复制或传播，包括但不限于复制、录制，或通过任何数据库、在线信息、数字化产品或可检索

4、的系统，特此声明。免责声明：本报告中的行业数据主要为三方研究人员采用文献研究、市场调查及其他研究方法获得，企业数据主要为问卷调研与访谈获得，其数据结果受到样本的影响，仅代表调研时间和人群的基本状态，仅服务于当前的调研目的。受研究方法和数据获取资源的限制，本报告仅作为市场和客户的参考材料，帆软软件有限公司对该报告的数据和观点不承担法律责任。帆软数据应用研究院基于最新的洞察，在商业智能应用白皮书 5.0中阐述了以下核心内容：解读 BI 产品演变，BI 多形态共生理念究竟包括什么？强调数据全链路管理和建设，产品的价值主张是什么？对话企业内部 BI 资深用户，有哪些工具使用的感悟？探究智能 BI 更多

5、是 AI for BI，如何定位方向及落地？解析案例如何用 BI 发挥数据价值，加速数据资产入表？分享浙高运实践经验，企业数据资产入表该准备什么？提出企业数据治理的优解：如何用“拉式策略”做治理？指导企业如何建指标体系、建底层，以及如何应用指标？传递帆软如何用 BI 进行数字化建设的心得，以财务为例？010203040506070809目录CATALOGUE借力 BI：发挥数据要素价值，加速数据资产入表04解析数据资产入表：概念侧阐释4.149480552企业精驭 BI 在于数：集成、治理、梳理73737475数据仓库的重要性：数据底层建设的优解数据仓库的本质：面向数据分析应用数据仓库的特点：

6、集成、时效、持久数据仓库：为业务决策和经营管理做支撑5.1数据资产入表，企业该入什么数据资产入表，企业该准备什么数据资产入表，企业会经历什么数据资产入表，企业会得到什么解读数据资产入表：结合帆软产品的实践数据资产化的关键：预期带来经济利益帆软产品助力数据应用和数据价值发挥实践案例：基于帆软产品实现数据资产化4.3解构数据资产入表：企业侧指南4.2525456586271数据资产的前身：数据到数据资源理解数据资产：数据三权和资产内涵理解数据资产入表：计入报表相关科目494951626263展望数据资产入表：未来趋势4.47077777880帆软理解的数据治理内涵：是一套管理体系帆软数据治理策略：

7、拉式策略与推式策略适合多数企业的数据治理更优解：拉式策略数据治理：面向数据应用提升数据准确性5.287879698如何建体系：自上而下&自下而上相结合如何建底层：贴源-明细-汇总-应用如何用指标：BI 分析为主，多层次应用数据指标：企业监控与贯彻战略的抓手5.307BI 理念：让企业用好数据、提升效率0211151617BI 核心价值：助力企业提升效率BI 如何帮助企业提效：实现数据化决策 FineBI 产品特点：多维度夯实 BI 价值 FineBI 的产品功能：分解成八个维度FineBI 的优势：强大的性能与分析能力FineBI 的发展方向：万变不离其宗FineBI Platform：多形态

8、融合的分析平台2.12.22.3智能 BI：产品落地更多是 AI FOR BI0335353637定义：AI 和 BI 的融合更多是 AI for BIWhat：如何理解 AI 和 BI 的融合Why：为何融合更多是 AI for BIWhen：何时迈入 AI for BI 时代How：目前如何发展 AI for BI 产品3.14041帆软的产品落地：AI 和 BI 的融合帆软近年来对智能 BI 的探索和思考产品落地：定位是对话式业务分析工具3.2081011回溯 BI：主线是多形态共生的演变01BI 定义：提供数据依据和决策支持BI 产品演变：多形态分析共生1.11.23540013402

9、04走进 BI 资深用户：所用与所悟 2.427回溯 BI：主线是多形态共生的演变TRACING BACK TO BI:THE MAIN THREAD IS THE EVOLUTION OF MULTI FORM SYMBIOSIS06129133帆软数字化建设之道：BI 筑基，业务引领帆软视角：数字化建设的三大阶段帆软实践：数字化建设中的业务层帆软实践：财务领域的 BI 应用创新部分业务引领阶段，金字塔建设逻辑帆软的财务数字化转型历程：从 Excel 到 BI帆软财务实践：基于 FineBI 的费用专项分析6.16.26.3106129107113113107108110数字化：始于跟随、加

10、速协同、奔向引领帆软数字化建设：三大阶段实践进程帆软信息化部门的定位：保障效率提升获取电子版，获取书中专家一对一指导，可扫码联系工作人员0203商业智能应用白皮书 5.0商业智能应用白皮书 5.0BI 定义：提供数据依据和决策支持1.1早在 1958 年，IBM 的研究员 Hans Peter Luhn 便将“智能”定义为“对事物相互关系的一种理解能力，并依靠这种能力去指导決策，以达到预期的目标。”这期间出现的领导信息系统（EIS，Executive Information System）和决策支持系统（DSS,Decision Support System）等技术应用，可以看作是 BI 的前

11、身。BI 并不是全新的事物，而是对一些现代技术的综合运用。BI 为企业提供迅速分析数据的技术和方法,包括收集、管理和分析数据，将数据转化为有价值的信息，并分发到企业各处，让企业的决策有数可依，减少决策的盲目性，理性地驱动企业管理和运营。按照图 1-1 中的 DIKW 模型，数据转化为信息，升级为知识，升华成智慧的过程，便是数据价值的展现过程，其中要用到的种种技术和工具，就是 BI。BI 即 Business Intelligence，中文译为商业智能、商业智慧或商务智能。最新定义BI是在打通企业数据孤岛，实现数据集成和统一管理的基础上，利用数据仓库、数据可视化与分析技术，将指定的数据转化为信息

12、和知识的解决方案，其价值体现在满足企业不同人群对数据查询、分析和探索的需求，从而为管理和业务提供数据依据和决策支持。早前，帆软数据应用研究院对 1000 多名 BI 从业人员进行了调研，结果显示，我国企业从业人员对 BI 的理解集中于数据的分析和展示，甚至被等同于数据分析与数据可视化。后续，帆软数据应用研究院联合知名媒体机构对众多企业 CIO 进行了多次访谈调研。分析各次调研结果及变化，我们得出了以下主要结论：在 2020 年 9 月发布的商业智能（BI）白皮书 2.0中，帆软数据应用研究院在文献研究和企业调研的基础上，结合我国的市场环境，对 BI 做出了新的定义。在本白皮书中，基于前文的描述

13、和分析，我们继续沿用 BI 的这一最新定义：主要结论企业对于 BI 有着明确的诉求路径，即整合数据解放 IT(体现在数据的接入、集成和管理上），通过分析和可视化手段辅助企业管理和业务決策，最终实现企业的降本增效和各项业务能力的优化提升。BI 已经被大众所熟知，绝大多数企业都知道 BI 甚至会关注 BI，不少企业已经应用 BI；企业界对 BI 仍然有着众多不同的理解，但将 BI 解释为一整套解决方案的企业占比逐年增多，企业对 BI的认知开始趋于统一；数据信息知识智慧数 据 转 化 为 智 慧图：数据的价值展现0405商业智能应用白皮书 5.0商业智能应用白皮书 5.0BI 产品演变：多形态分析共

14、生1.21996 年，Gartner 集团正式将商业智能定义为：一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。从概念诞生到现在的几十年间，BI 的价值和使命并未发生根本的变化，依然是将数据转化为有用的信息，让企业的决策有数可依，变化的只是 BI 所使用的技术，而 BI 的发展也就是体现在技术上。目前，BI 的核心技术主要包括数据存储、数据 ETL、数据分析、数据挖掘，以及数据可视化分析。随着数据量的激增和应用场景的复杂化，BI 在技术上也有所补充，例如 Hadoop 和 Hive 等大数据技术的出现就很好的弥补了 B

15、I 处理大数据的能力。回溯 BI 产品的发展历史，会发现有一条清晰的主线，就是不断的利用新技术降低数据分析门槛，从而让更多的人能够从大数据中受益，真正把数据转变成生产力去驱动业务。图：BI 产品的演变BI，即 Business Intelligence，中文称为商业智能或商业智慧。2013 年以前：2013 年以后：用户要具备 SQL 编写、OLAP 建模等技术能力，用户渗透率不到 1%。不要求 SQL 编写等技术能力，但对数据分析能力要求高，用户渗透率 10%。进一步降低了技术门槛，但仍要求用户具备一定的数据思维。BI 起源于 20 世纪 80 年代，主要技术包括 SQL（结构化查询语言）、

16、OLAP（联机分析处理）和数据可视化。这些技术虽然提供了强大的数据分析能力，但对用户的技术要求极高。用户需要具备 SQL 编写、数据建模和深厚的业务理解能力，因此，这类 BI 产品的用户主要是 IT/DT 人员，用户渗透率比例不到 1%。在这一阶段，BI 的使用门槛非常高。用户不仅需要掌握复杂的技术，还必须具备数据思维和业务理解能力。这意味着，只有那些既懂技术又懂业务的用户才能真正发挥 BI 的价值。比如，一名优秀的 BI 用户需要像DBA（数据库管理员）一样精通 SQL，同时也需要像 MBA 一样具备深入的业务理解能力。这使得 BI 的普及非常困难，主要集中在少数专业技术人员手中。VizQL

17、 技术的出现，消除了用户写 SQL 的能力要求，从而让一部分懂 OLAP 数据建模，同时具备一定的数据思维和业务理解能力的分析师和业务部门的数据 BP 能够用自助式 BI 产品做自助分析，用户渗透率大幅提升到 10%左右。互联网的发展让原本停留在学术界的机器学习、深度学习等 AI 技术在工业界得到了广泛应用和快速发展。大家开始尝试用这些技术去进一步降低 BI 产品的使用门槛，核心理念是用 AI 技术去增强 BI 产品的能力。当时的 AI 技术一定程度上确实降低了用户的使用门槛，也催生了早期的检索式/对话式 BI 产品。但用户的渗透率并没有得到大幅提升，从 10%上升至 15%。其中很大一个阻塞

18、就是用户依然需要具备一定的数据思维才能使用增强 BI 产品，这对很多业务人员来说是一个巨大的门槛。报表式 BI：自助式 BI（即敏捷 BI）：增强式 BI：0607商业智能应用白皮书 5.0商业智能应用白皮书 5.0破除数据思维这个用户门槛，用户渗透率逼近 100%。以大语言模型（Large Language Model，LLM）为代表的生成式 AI 技术，为进一步消除数据思维这一项能力要求带来了新的机会。在预训练的过程中，LLM 内嵌了数据分析的知识，还可以通过 SFT 让 LLM 具备专业领域的数据分析知识。产品集成这些具备数据分析知识的 LLM 以后，用户只要具备一定的业务理解，就能从数

19、据中得到他所关注的业务问题的答案。智能 BI：BI 产品终极目标是“让人人都是数据分析师”，奔着这个目标 BI 产品持续演进，会发展出不同的产品形态，以满足不同场景的数据需求。需要强调的是，这几类 BI 各有优劣，分别适用于不同的场景，不是绝对的相互替代的关系。尤其是报表、自助式 BI 和智能 BI。这三类 BI 将长期共存，供企业按需选择，直到信息化基础条件发生根本改变，建议企业根据自身数据应用成熟度来判断哪一类 BI 更适合自己，或者是否需要结合使用。以双模 IT 下的帆软 BI 体系为例：报表式 BI 满足企业管理层固定看数的需求；自助式 BI 满足业务分析师自助分析的需求；智能 BI

20、满足普通业务人员的即时查数与分析需求。图：双模 IT 下的帆软 BI 体系BI 理念：让企业用好数据、提升效率BI CONCEPT:ENABLE ENTERPRISES TO MAKE GOOD USE OF DATA AND IMPROVE EFFICIENCY以业务为中心的自助大数据分析平台；主要面向业务和数据分析师，以问题为导向的探索分析；也支持报表制作具备业务逻辑和数据素养的业务人员或数据分析师传统 IT记录型信息系统稳定/可预测计划驱动善于应对复杂场景数字化 IT差异化创新系统敏捷/探索性探索性驱动善于应对不确定场景双模IT产品产品定位 定位 典型用户典型用户典型功能典型功能以 IT

21、 为中心的预定义报表平台；主要面向 IT 部门，为企业日常管理提供固定式的报表展示具备基础 SQL 知识的 IT人员固定式数据展现自主探索式数据分析复杂报表定时调度打印输出管理驾驶舱参数查询数据填报业务数据包Spider大数据引擎OLAP数据集故事仪表板自助数据集智能图表FineReportFineBI以业务为中心的问答式大数据分析平台，主要面向普通业务人员的即时查数与分析需求具备一定业务理解的普通业务人员产品定位 典型用户典型功能智能问答式数据分析输入联想思路拆解多轮问答一键生成仪表板意图解析分析报告Finechat BI0809商业智能应用白皮书 5.0商业智能应用白皮书 5.0BI 核心

22、价值：助力企业提升效率2.1让数据成为生产力，既是一个可以宣传的口号，同时也是指导着产品发展的方向。帆软软件产品研发团队数据，为何能够提高企业的效率？用数据决策，就一定做出正确的决策吗？企业内有多少决策？回答这个问题，我们先看企业的成本在哪里，有的企业在意人力，有的企业在意原料，有的企业在意时间。人力、原料和时间都是成本，都不能轻易浪费。可哪里有真空的环境呢，浪费一些总是难免，对于所有企业而言优先要考虑的就是巨大的浪费。巨大的浪费是怎样产生的？有一句俗话叫做“兵熊熊一个，将熊熊一窝”，其本质逻辑是在讲错误的决策永远是最大成本的浪费，因为将军不只是打仗更是那个做决策的人。一个错误的决策，会带来人

23、力、原料以及时间上巨大的浪费。为何企业重视人才，因为人才可以基于他的知识和智慧来提高决策效率。所以，数据为何能够提高企业的效率？因为数据可以提高决策效率，可以减少错误的决策，避免巨大的浪费。智者千虑也必有一失，数据决策不是万能的，但它的出现必然可以提升正确决策的比例。所有的决策都是综合各种信息而后做出的判断，孙子兵法中讲到：“夫未战而庙算胜者,得算多也；未战而庙算不胜者,得算少也。多算胜,少算不胜,而况于无算乎。”传统的中国智慧早已将这一逻辑讲的透彻了，缺少信息的支撑难以做出正确的决策。数据可能不是决策所需要的全部信息，但数据必然可以提供大量的关键信息，有和没有数据对于决策而言有着巨大的差距，

24、越是复杂的形势下越需要数据来支撑决策。复杂的经营环境下，企业内的决策绝不仅是高层的特权，企业内上上下下每天都做着无数的决策。对于一个零售企业而言，采购部门要考虑哪个商品要补货、该进多少货；营销部门要考虑哪个商品要促销、该怎样促销；人事部门要考虑哪个部门存在人力缺口、怎样选择合适的人才。除非机械化作业，其他每一个要发挥个人主观能动性的岗位都要自主地做各种各样的决策来工作。差异在于有的决策简单，有的决策复杂，有的决策影响较小，有的决策影响很大。可只要是决策就可能会出错，每一个错误背后都存在着成本的浪费。所以，企业内有多少决策？这是数不清的，这些决策也是变化的。让所有的决策都是正确的，减少从大到小的

25、每一个损失，这是每一个企业的理想，如何做到？靠着每一个人的能力吗？这不现实，但我们让每一个决策背后都有数据，就可以让这一理想成为现实。到这里，我们再看标题上的问题，BI 的核心价值是什么？答案呼之欲出:BI 帮助企业更多地使用数据来决策，从而提高企业的效率总设计师说过：科学技术是第一生产力。恩格斯的观点：生产力是具有劳动能力的人和生产资料结合而成的改造自然的能力。我们通俗地讲，生产力就是单位时间内可以产出生产成果的量，也就是各企业关注的核心效率。企业之所以存在，是因为它将多个个体组织起来，通过优化生产关系从而实现比个体独立生产更高的生产效率。效率是企业存在的根本，低于平均效率的企业和组织必然是

26、会解体的，企业之间的竞争本质也就是效率的竞争。因此，企业需要想尽一切办法来提高效率，企业引进优秀的人才，是要提高企业的效率；企业引进先进的设备，也是要提高企业的效率；企业进行组织变更，同样是为了提高企业的效率。同理，我们所说让数据成为生产力，也就是让企业通过数据来提高企业的效率。1011商业智能应用白皮书 5.0商业智能应用白皮书 5.0BI 如何帮助企业提效：实现数据化决策2.2让数据规范起来：BI 就是要解决以上四个问题，从而能够让企业实现数据决策，提升企业的效率。让数据可以看到：让数据可以被编辑：足够简单和高效：很多企业的数据是混乱的，甚至夹杂着大量的错误的、无效的数据，这样的数据是没有

27、办法用于决策的。明细数据无法被阅读和理解，而将数据按照对应的维度和指标来展示就有了它的意义，如果匹配上合适的图表，数据将具备更好的可读性，也能够表达出更丰富的业务意义。图表与数据的结合是一项专门的科学，其内容十分丰富，对于企业的数据分析用户来说是一个非常值得深入研究的领域。既然数据已经是规范的、可用的，还需要对它再编辑吗？所谓：“道生一，一生二，二生三，三生万物”。数据是死的，但业务却是活的，面对复杂的经营环境，业务则不仅是活的，更是灵活的，半部论语治天下的时代已经过去了。所以数据需要能够被编辑，能够基于固定的原始数据衍生出无限的可能，应对任何复杂的业务需要。如果说前三个需要是在“画龙”，这一

28、条则是“点睛”。前文已经介绍，现如今企业内需要的决策不是有限的一两个，而是每天都有大量的决策。另一方面企业不是面对固定的问题来决策，业务问题是灵活多变的。如此环境，非简单高效之工具不能解决问题。简单和高效不仅仅是对于企业的宏观层面，同时也是对于用户每一个分析过程体验的微观层面。下文中将以帆软 FineBI 产品为例，具体剖析 FineBI 如何帮助企业解决上述四个问题。数据就在那里，可是要拿来用于决策，中间还有几个问题需要解决。这是BI的逻辑，但这也还只是BI的基础能力。企业可以用BI解决1个问题，也可以解决1w个问题，可以解决1个人的问题，也可以解决1w个人的问题，虽然都是在使用BI解决企业

29、的问题，但给企业带来的价值却有着天壤之别。企业使用BI能够给企业带来多大的价值，能够给企业提高多少的效率，这不仅是企业自身管理水平的问题，也是BI工具水平的问题。好的BI工具要有最低的推广门槛，也要有最低的使用成本，这可以降低企业推广的难度，降低用户分析的难度，让企业以极低的成本实现数据化决策，这才能让大多数企业获得成功。FineBI 产品特点：多维度夯实 BI 价值2.3FineBI 的产品功能：分解成八个维度BI要帮助企业实现基于数据进行决策，中间有一些问题必须要解决，这决定了BI产品的基础形态。在此之外，BI不能仅仅满足于只解决一两个问题，我们知道企业内有很多决策要做，其中只有一两个决策

30、基于数据和全面实现数据化决策是两种概念。BI的使命是要让企业实现全面的数据化决策，是要给企业创造最大的价值，那这就决定了BI产品的发展方向势必要解决上述企业面临的4个问题：BI产品会有很多的功能，但并不是散乱随意的，我将BI的产品功能划分为了8个维度，而这8个维度与上文的四个方向形成了一定的对应关系，具体如下：让数据规范起来让数据可以被编辑让数据可以看到足够简单和高效图：BI 产品功能的 8 个维度1213商业智能应用白皮书 5.0商业智能应用白皮书 5.0010203当然，以上的逻辑图只是一个简单的呈现，产品的几个维度彼此之间并不完全独立。例如产品数据分析能力的提升不仅仅可以帮助企业里的更多

31、数据被看到，也可以帮助让更多的数据可以被编辑。8个维度具体的解释及相应的FineBI功能设计如下：完整的数据规范管理稳定安全可靠的系统高效的性能用户能够分析好数据的基础是有一份高质量的数据可以使用。规范数据却一直是企业数据建设的难题，企业数据量大且庞杂，数据的一致性、准确性、完整性等面临着巨大的挑战。因此产生了很多方法和工具来帮助企业规范数据，比如数仓建设方法Inmon和Kimball模型、比如后期衍生的数据中台建设方法论等等。BI应用越深的领域，所产生的分析需求也越多，数据质量的要求也越高，因此BI工具是否具有规范数据的能力就越重要。这是所有ToB产品的基础要求。所有用户都会有产品确定性和安

32、全性的要求，一个稳定的系统才是可控的，才能够让用户放心地使用。第一，用户查看、分析数据时，产品要有快速的反应，这是效率的体现；第二，面对庞大数据量时，产品依然有高效率的表现。这些就是对产品高性能的要求。FineBI提供了丰富的数据管理方法，尤其在今年我们将进一步完善数据建设能力，包括模型建设和管理、指标管理、维度关联、全局血缘分析等等。基于以上能力我们将提供完整的数据规范管理解决方案，帮助客户建设规范的数据平台，支撑数据的分析和展示。FineBI为了系统的稳定安全可靠做了大量的工作，比如我们做的集群架构、存算分离架构、服务拆分以及运维平台等等都围绕着这一目标。是什么：是什么：是什么：FineB

33、I 做了什么：FineBI 做了什么：0504强大的数据分析能力完善的系统管理纵观国内所有的BI厂商，FineBI应该是在这一维度投入最大的。我们研发了自己的引擎，并且我们的引擎经过了几个版本的迭代，可以在亿级别的数据量上有着非常优秀的性能体验。此外，我们自研的引擎相比通用引擎有着一个巨大的优势，那就是可以和数据分析的场景进行很好的结合。FineBI能够识别出最重要的一些场景，智能地调节计算资源，正如苹果软硬件结合的设计能够给到用户最佳的体验一样，引擎和产品的深度结合也会给企业给用户带来最佳的体验，这种体验是其他和通用引擎结合的BI所无法提供的。FineBI 做了什么：核心是系统的用户管理和资

34、源管理，具体包括用户管理、权限管理、安全管理、任务管理等等。我们要让更多用户使用产品，但用户越多，系统所产生的所占用的资源也就越多，系统管理就是去实现系统整体不随着用户使用的增多而变得更复杂或是更混乱这一目标，从而保证每一个用户都能用得舒服。一份数据能挖掘出多大的价值，就非常依赖产品的分析能力。一份数据，只能原封不动的将其展示出来，这就是没有分析能力，只有展示能力；一份数据，能够加工成任何用户所需要的数据或子表，这就是产品强大分析能力的体现。强大的分析能力能够让用户看的更深、看的更远，这也是数据决策的核心体现。FineBI在基础的系统管理能力上是十分完善的，例如内置的用户和数据权限体系能够满足

35、集团级管理需求。同时FineBI的运维平台能够实现对系统资源的管理监控，包括负载、网络、内存等等情况。FineBI打造了数据分析“三大件”的分析能力体系，数据编辑+主题模型+分析函数的结合能够让用户获得任何他需要的数据结果，能够解决任何复杂的数据需求，可以说我们基于数据分析“三大件”从而具备了最完整和强大的分析能力体系。是什么：是什么：FineBI 做了什么：FineBI 做了什么：1415商业智能应用白皮书 5.0商业智能应用白皮书 5.0060708丰富美观的可视化展示更多的数据应用场景易学易用的产品简单说就是将数据转换成图形或图像并允许用户进行交互处理。对于一些业务场景而言，饼图就是最直

36、观的展示方式，而有些业务场景只有通过散点图才能发现其中的问题，丰富的可视化展示能力可以显著提升用户数据解读的效率。数据能用来做什么？分析数据，对数据进行可视化，这是BI的基础能力，在这些基础能力上可以衍生出更多具体的数据应用场景，例如数据的预测、数据的问答、数据的解读等等。这一维度上目前大多数BI产品处于同一水平。基于数据决策是要提升企业效率的，但用户完成某个分析却要很高的成本是不行的。只有低成本的分析，才能让用户愿意持续使用，所以产品的易用性易学性，不仅仅是提高用户自身分析效率这么简单，它也是企业数据化决策推广的重要条件。我们提供以规则为基础的图形展示能力，相比于图表类型的穷举方案，基于规则

37、配置，通过不同规则的组合可以实现极为丰富的展示图表。FineBI目前已经更新了数据问答、数据解释两种应用场景，此外我们在数据协作分析场景上有完善的功能提供。结构上，在FineBI6.0之后，我们优化了我们的分析路径，让用户实现在一个主题内沉浸式地进行完整的数据分析，从而具备更高的分析效率。具体设计上，我们每一个设计都特别关注到产品功能上的易用性，例如在数据编辑里的每个功能设计，都能够让毫无数据分析基础的用户完成非常复杂的分析。我们也会不断回顾产品的历史设计，对不易用的功能进行不断的重构和迭代，例如近期FineBI过滤层级方面的重构。是什么：是什么：是什么：FineBI 做了什么：FineBI

38、做了什么：FineBI 做了什么：FineBI 的优势：强大的性能与分析能力BI产品的基本形态是相似的，例如系统管理能力、一定的数据分析能力、可视化能力等这些基础能力是所有产品都具备的，在这些基础能力之外不同产品之间也有一定功能上的差异。整体上而言，FineBI相比起其他的产品，更加重视产品自身内功的建设，无论是底层的引擎建设还是产品分析能力的开发都需要巨大的投入，然而这两个维度的投入并不如可视化模块的投入那样可以快速地体现。但是我们清楚地知道这是企业需要的核心能力，随着企业面对的分析问题的多样化和复杂化，随着企业使用BI功能的深入，产品的引擎和分析能力的价值就会愈发凸显出来。当然，这些优势只

39、是某一时刻的状态，FineBI还在继续发展。如前文所述，我们在数据规范建设、系统的稳定性等等各个维度都有着巨大的投入，未来一段时间内这些维度上的产品功能都将会有巨大的提升。总的来说，FineBI 在两个功能维度上具有最大的优势：高效的性能：正如前文所述，帆软长期坚持自研分析引擎，并且进行了多个版本的迭代。因此FineBI的引擎不仅仅可以支撑超大数据量的高性能分析，并且能够智能匹配BI的分析场景，使得我们的产品具备了最佳的分析体验。最明显的体现是我们的引擎能够实现分析过程的高性能体验，而市面上其他大部分的引擎都只能支撑对一个固定的结果进行计算。市面上其他的BI产品面对分析过程只能选择局部数据计算

40、，或者放弃分析过程中实时结果的反馈，这样会增加用户分析过程中抽象化思考的负担，从而增大用户分析的难度。强大的数据分析能力：很多BI产品将它们的分析能力集中在可视化功能上，而忽视了分析能力的建设，这是一种取巧的做法。产品专注于提高其可视化能力可以在短期内快速看到价值，但面对用户复杂的分析需求时就会显得无力，而FineBI则是系统性地设计了产品的分析能力，并以此形成了独特的基础结构。FineBI不仅能解决用户刚刚使用产品时的一些简单的问题，也能够解决用户深入使用产品之后想要解决的更复杂、更深入的问题。1617商业智能应用白皮书 5.0商业智能应用白皮书 5.0FineBI 的发展方向：万变不离其宗

41、所谓万变不离其宗，FineBI的发展不会改变BI产品本身的定位，而是寻求更高的效率。从目前来看，BI的未来发展也离不开上述几个维度。01稳定安全可靠的系统FineBI 发展方向：很多人说BI不是业务系统，稳定性要求不如业务系统高，个人并不认同这一观点。随着BI被企业的应用范围越来越广，它对业务的影响范围也随之增大，它的稳定与否也时刻影响着企业的业务安全。在这一维度上FineBI仍有很大的发展空间，即便帆软已经做了很多功课，但我们还要进一步追求更高的目标。今年帆软将围绕着防宕机对FineBI做更多的优化，我们会系统性地梳理所有可能引发宕机风险的问题并将其根除。02高效的性能FineBI 发展方向

42、：对于一般的产品而言，性能当然是越快越好。但是对于BI产品来说，更快的性能不是锦上添花，而是必不可少。企业的数据量越来越大，数据决策越来越多，数据分析的场景也会越来越复杂，这些都给引擎带来了巨大的压力，一款优秀的BI产品必须要拥有一颗强大的心脏。FineBI在亿级别的数据量处理上已经有着非常优秀的性能体验，但帆软对产品的性能和支撑的数据量还有更高的追求。我们今年将会对FineBI引擎进行进一步的升级，从而实现在十亿数据量级别上的高性能体验。03完善的系统管理FineBI 发展方向：我们今年会新增资源控制管理功能，从而避免用户无序使用进而浪费企业内有限资源的情况。同时我们会进一步完善资源使用情况

43、的监控，方便企业对无效资源和风险操作的管控。04强大的数据分析能力FineBI 发展方向：在这一维度上FineBI目前的能力是比较完善的，而未来我们需要进一步完善的是具体功能上的细节，从而进一步降低分析的成本。比如完善模型的多事实多维度能力、完善窗口计算能力等。05丰富美观的可视化展示FineBI 发展方向：FineBI目前具备的图表类型很完善，但相对弱势之处在于，基于规则的配置相比基于穷举的方案的学习成本要高一些，这是我们接下来需要解决的方向。06易学易用的产品FineBI 发展方向：新的技术将为产品易学易用性带来新的变革：这里所说的新技术便是AI。AI的出现给我们的工作生活带来了许多新的可

44、能，通过AI技术的融合能够让BI使用变得更加简单和高效。或许用户不需要学习大量的工具知识也能做好分析，或许用户即便不懂数据也能够用好数据来解决业务问题.总之，AI的出现带来了很多可能，对于BI产品来说也是一样，AI技术的结合将是下一代BI的必备能力。除了新技术的应用，产品易用性的升级探索是永无止境的。今年我们将针对FineBI的图表配置易用性、函数编写易用性等方面做进一步的优化和改进。BI因为其丰富多样的可视化组件，简单灵活的制作方式而被人所熟知，但“福祸相依”，其优势使得大家以为BI仅仅于此。随着企业对于数字化转型的重视，对于数据驱动决策的认识提高，BI在整个企业数字化转型中的生态位越来越重

45、要，在部分企业的重要性已经等同于甚至超过生产系统了。前文提到，BI产品终极目标是“让人人都是数据分析师“，注定会发展出不同的产品形态，以满足不同场景的数据需求。然而，不同种类BI各有优劣，分别适用于不同的场景，并没有绝对互相替代的关系，因此是属于多形态共生。同时，帆软认为BI仅靠一种模式并不能满足企业的诉求，需要包含数据全链路的管理和建设，包括了数据生产，数据准备，数据存储，数据可视化和分析，数据决策，以及资产的治理，行业方案的应用复用，甚至包括了组织和人才的构建。FineBI Platform：多形态融合的分析平台1819商业智能应用白皮书 5.0商业智能应用白皮书 5.0FineBI Pl

46、atform是将帆软多款数据产品，包括FineReport、FineBI、FineDataLink、FineVIS、FineChatBI，整合到一起的“全链路数据分析平台”，满足不同角色的不同数据诉求，满足不同企业的信息现状的不同诉求。因此，帆软基于“BI 多形态共生”的理念，融合自身的多种形态 BI 产品，推出全链路数据分析平台FineBI Platform：FBP作为“全链路分析平台”，主要的价值主张如下：图：FineBI Platform-全链路数据分析平台-价值主张01多形态分析融合数据分析师需要以业务为导向的自助深度分析对外呈现需要炫酷的大屏财务类复杂场景需要固定式复杂报表大量业务用

47、户需要像即席或者问答 BI这种简化的分析形态BI不同形式产品之间并不是代际替换关系，而是需要长时间共存的。因为，企业的场景是丰富多变的：2021商业智能应用白皮书 5.0商业智能应用白皮书 5.002行业应用复用因此仅靠一种模式并不能满足企业的诉求，因此帆软将多种形态融合在一起。伴随着企业数字化改革的深入，很多企业已经脱离使用工具的阶段。向外看，从客户视角出发，当前帆软提供给客户的场景解决方案（工具产品+项目服务），用户不清楚概念性的方案的最终形态（售前阶段难以理解帆软），用户的上线成本&时间较高（交付阶段难以相信帆软），主要有以下提升点：所见即所得：降低应用成本：提高应用数量&质量：围绕业务

48、用户提升需求选择&确认的效率，客户不需要去想象基于帆软产品能实现什么系统，而是在平台上直接挑选“成品”；围绕开发用户提升综合开发效率，降低系统综合上线成本&时间，形成需求发起-应用市场挑选-系统对接上线-个性化修改的高效路径；围绕数据生态，吸引更多的需求方和供应方参与进来，从而提升整个产业效率，企业内、企业间形成数据资产的交易，让数据应用变得更简单。从短期角度来看，目前的调研信息显示当前应用复用主要阻塞点包括：因此在FBP中，帆软将行业应用复用上升成公司级的战略，同时推出包括帆软市场，行业智库，应用数据源，本地的素材库等多个功能模块旨在让帆软的行业经验以更好的形式落地到客户的实际场景中。将帆软

49、的行业经验，结合数据中心的载体，将其内化到产品里，再也不是PPT的形式。可以所见即所得，且可以快速基于指标和模板，搭出自己想要的DEMO，缩短交流对齐的周期。产品阻塞：平台阻塞：运营阻塞：内容阻塞：客户工程还原回来困难、底层数据复用难度大、应用内容复用到客户困难等平台渠道杂乱、平台运营管理不佳、生态能力欠缺、当前营销能力难以支撑应用内容跟客户业务需求的匹配大量内容沉淀在个人而非组织、组织之间的资料流转不佳、重心在打单回收效率不佳等内容通用阻塞（内容不足、价值不高、缺少体系化整合）、重点内容阻塞（客户案例价值不高、demo质量不佳）a)行业智库2223商业智能应用白皮书 5.0商业智能应用白皮书

50、 5.0我们将客户的常用的组件、模板、甚至解决方案，打包上传到帆软市场上，方便用户更好的参考。这一项目其实自2018年就开始构建，但之前仅仅是PPT的形式。在FBP中，我们做了一系列功能，包括资源导入导出，数据脱敏等让模板复用的效率极致提升。用好BI的前提是对接数据，这项工作虽然简单，但极其繁琐，在FBP中，我们将常用的数据源进一步封装，包括SAP数据、用友NC、钉钉数据、飞书数据等等，如下图，可以“开箱即用”b)帆软市场c)应用数据源0304统一资产门户统一数据中心2022年之前，BI工具往往聚集在如何更好更快的生产出数据资产，但随着企业的数字化转型，很多企业已经走向第4个阶段数字平台化，即

51、如何将现有资产通过更好的治理发挥出更大的价值。强大的消费层必须得依赖统一的数据层，帆软在FBP中将多产品的数据层能力融合到一起，包括数据目录、指标模型、数据管理、数据开发、数据服务、运维中心等，如下图：因此在FBP中，自2023年开始，通过统一资产门户、通过流程管理，对产出的元数据梳理，治理条约的整合，全生命周期的管理等等，将以前通过自服务产生的内容，更好地发布出去，将资产价值最大化。沉淀从数据到应用管理体系，提升业务用户找资产、用资产的效率，提升面向管理用户的运营运维能力。2425商业智能应用白皮书 5.0商业智能应用白皮书 5.0帆软统一数据中心有如下几个优势：原先中帆软生态里，FR和BI

52、的数据来源不同，带来阻碍和困惑，FR的数据权限该如何控制？FR和BI的数据计算方式不一致，如何保证数据一致性？数据变更后上述问题变得更为严重。同时，又可以通过数据服务的能力，可以将统一的数据层辐射至其他场景。IT和业务的配合是企业数字化建设中最大的难题，甚至没有之一。FBP中将两者完美结合，即支持业务类Excel式的数据处理，又支持复杂的ETL开发，维度建模。传统IT模式标准但复杂，导致开发周期极长，大大提高了数据使用的门槛；敏捷BI模式自由简单但缺少管理，虽然极大的激发了业务使用的潜力，但数据处理的不规范和随意，使得系统在性能、存储空间、更新时长、口径混乱上有极大的风险。消费层的统一数据层，

53、天然解决统一数据口径、数据权限等问题IT 复杂标准构建与业务灵活自助完美结合由于FBP将自数据的ETL开发、模型、指标、组件到模板，全链路血缘进行整合，我们可以基于此架构带来无限可能全链路血缘带来的无限可能 一张看板里到底用了哪些指标？一张看板里的某个具体的指标，到底是怎么来的？其背后的含义是什么？一个指标到底用在了哪些看板里面？指标改动后会影响那些看板？基于血缘，判断哪些指标是常用的，哪些直连可以物化。当数据错误时，可以基于全链路血缘进行排错。2627商业智能应用白皮书 5.0商业智能应用白皮书 5.005统一运维管理随着BI系统的复杂度提升，拿帆软的工具举例，既有消费层的FineRepor

54、t、FineBI，又有数据层的FineDatalink，同时还有引擎和存储的架构升级，包括了当前的存算分离的架构，及未来的MPP架构的引入。无疑给系统的运维管理提出了极大的挑战：我们在享受私有部署带来的安全自由的同时，又不得不应对如上挑战。因此，FBP通过帆软统一运维平台，将帆软应用整个运维链路中的问题（从部署到运维管理，到监控告警，到故障问题快速处理）通过可视化的形式最低成本的解决。单产品的集群如何部署，存算分离的架构该如何部署？多产品之间的升级如何不互相影响，故障如何隔离？标准产品与第三方组件如何更好的适配，如何保证第三方组件的高可用，使得系统能真 高可用？多产品如何更好的集成部署？产品内

55、的问题如何运维等？复杂产品架构与环境的适配度该怎么应对？走进 BI 资深用户：所用与所悟2.4对话【2024 帆软 MVP 候选人】华东理工大学出版社有限公司 数据运营总监王晓博哪些企业应该要上 BI？所在企业背景：所在企业为什么要上 BI，以及 BI 带来了哪些作用？所有的企业。很多企业上 BI 的阻碍之处主要有两大方面缺乏人才、对数字化转型投入产出的未知。其实不管目前任何规模的企业，都应该有员工学习 BI 产品、零代码产品，规模小的企业可以从 SAAS 的产品如九数云开始切入，甚至先把 FineBI 本地版“物尽其用”都是极好的，投入几千块钱买几个简道云账号把企业简单的流程“在线化”都是数

56、字化转型小投入的开始，只有开始才能有下一步的数据指导经营决策。所有的工具都只有一种特性用则有用，不用则无用。我所在企业是一家100人左右的中小型企业，有25个BI产品用户，比例相对较高。21年，公司面临数字化转型的挑战，从刚开始做BI的选型到真正上线这一过程，我们只有100个人，并花一年的时间教会这25个BI产品用户具体如何使用。相较于大企业较为宏大、每年投入几个亿的数字化转型，我们这种几百人到一千人之间的中小企业在数字化转型过程中，可以有更多的互动交流，与其他企业的数据分析师或者是IT项目负责人一起交流，互相进步。组织架构十分扁平。由出版社社长统一领导整个数字化转型项目，协调各方的资源，不需

57、要花费很多时间进行跨部门沟通，能够快速达成共识。职务角色比较复合。正常的 IT 部门已经有比较成熟的数仓中台、报表体系等，职责比较分明。但我们公司 IT部门只有两个人，我作为分析师可能会负责一些 IT 项目，而我们公司 IT 也可能做一些分析工作。所以我们这样的中小型企业职务角色比较复合，部门之间交叉会多一些。2829商业智能应用白皮书 5.0商业智能应用白皮书 5.0所在企业内 FineBI 用户使用情况：对于中小型企业而言，在进行数据分析等需求时，选择 BI 的必要性有哪些？如何理解数据素养？结构组成：内部使用 BI 的人大部分是业务部门的，只有四个人（2 个分析师，2 个 IT）具有技术

58、/数据背景，剩下 21 个人都是业务部门的骨干、中层领导等。FineBI 掌握程度：25 人中大概有一半（12 人左右）经常使用 FineBI，并且用的比较好，大概能有 5 人能达到精通水平，能够做一些比较深入的分析。第一点需要考虑是否存在每月需要人工重复性操作的任务，花费时间有多少。比如我们公司有 12 个人，每月需要花两天时间去处理数据的事情，一年大概有三百多天要做这个事情。如果把这个重复性工作彻底解决，就没有额外工作量。所以主要从重复性工作角度去考虑选择的 BI 必要性。第二点是自助式探索式分析的必要性。我们企业有 100 人，18 个部门，均为扁平化管理。每个部门人很少，数据需求又完全

59、不同，因此我们会面临很多部门很多不同形式的数据需求。我们之前只能依赖于 excel 去做，最后导致无法及时响应所有部门的所有需求。业务用户也会因为数据延迟进而错判时机，没有进行实时决策和分析，进而导致错失良机。数据素养可以理解为个人理解和分析数据的能力，包括数据的获取、处理、分析和决策并优化流程的能力。数据素养是理解和分析数据的基础，数据思维是应用数据进行决策的思维方式，而数据工具技能则是实现数据素养和数据思维的具体技术手段。三者相辅相成，共同构成了在数据驱动的世界中成功的关键能力。技术能力较弱。专业的运维技术人员在使用 FineBI 时遇到一些小问题可能对他来说比较简单，调调参数即可。但是我

60、们要借助外部力量，需要咨询帆软的技术支持，没有任何的经验，需要一步步慢慢摸索。但是好处是我们能够非常快速的把我们掌握的内容通过多次内部培训教授给这些 BI 产品用户。大幅提高工作效率。我们这种规模的企业数据分析师只有两个人。而数据分析内容分散在各业务部门销售、印制、总编办公室等，数据统计工作量较大，占个人30%到50%工作量。之前没有Fine BI时都是通过手工去做，现在把这些固化的东西放到 FineBI 里面做仪表板，通过一些分析替代掉这些手工固化工作，进而剩余时间去做其他事情。除此之外，我们企业去年 11 月份更换 ERP，因为在 ERP 更换过程中有大量数据（大的表单近千万级别量级）需要

61、核验，FineBI 在这个过程中起到十分关键的作用，这些核验的工作全都是在 BI 中进行的，如果没有 BI的话工作量会非常巨大，就是对于我们一个中小企业来说，没有专门写报表写 SQL 的人。我们认为数字化时代员工是需要“数字化能力底座”的，就是无论你从事任何的专业岗位，数字化能力都是高效工作的基础。我们在 BI 项目中，为企业挖掘了一批业务能力优秀且具有非常强的数据素养的人才，这些很快成为各部门骨干，担任了部门比较核心的工作岗位，且在部门中有着不可替代的作用。如何理解企业数据文化的？什么时候感受到 BI 的价值？企业数据文化和企业数字化转型一样，是一把手工程。只有领导重视数据分析，且自身有较强

62、的数据敏感性，能够通过大家提供的分析中得出真正有利于企业发展的决策，才能真正鼓舞推动企业的数据文化建设。自助式分析实现业务价值：企业管理比较扁平化，100 个人分为 18 个部门，数据分析+技术只有 4 名员工，支持 18 个部门不同视角的数据需求在响应效率上影响比较大。而很多需求对业务部门来说是重复性的，数据分析的过程是相对比较简单的，完全可以通过业务用户自助式分析实现。所以在 BI 项目在各部门全面推广之后，对各部门涉及数据查询需求的用户进行了多轮培训，实现了每个部门都有自己的 FineBI 设计用户，进而实现了业务的自助式、探索式分析，真正是业务视角出发的数据分析去解决业务当中的问题。企

63、业数字化意识提升提高效率代替“伪工作”：吴军博士在见识中提到典型的伪工作者有的人明明能够通过学习一种新技能更有效地工作，却偏偏要守着过去的旧工具工作，甚至手工操作，这种人是典型的伪工作者。从 BI 项目的推广落地，颠覆了之前手动统计数据的“伪工作”，带来了大家对数字化时代工作模式的思考，哪些是能产生价值的工作，哪些是通过工具可以直接替代的工作。组织变革：数字化时代员工能力底座 3031商业智能应用白皮书 5.0商业智能应用白皮书 5.0对话【2024 帆软 MVP 候选人】周大生集团下的全资子公司深圳市互联天下 数字建设部黄 燕现在做 BI 和之前做 BI 在目的和意义上有什么区别？区别一：平

64、台定位为：数据决策与数智赋能的核心平台，而非报表制作工具区别二：项目性质定位为：数字化转型升级持续性团队建设，而非分期的 IT 项目建设主要负责FineBI相关项目，并成功引入FineBI，第一批购买的15个账号均为满额高频使用，带领团队实现从0到1搭建及落地经营分析报表体系，顺利带动商品中心及客服中心的同事自主学习FineBI推荐课程。当前共购买25个账号，BI分析次数达到月均3000次。同时也负责数仓项目立项，包括数据标准的梳理以及数字建设部工作规范体系梳理。我们决定将FineBI平台定位为周大生电商业务数据决策与数智赋能的核心平台。这意味着，FineBI将不仅是一个数据查询工具，更是驱动

65、业务增长、赋能终端决策的智能引擎。为了实现这一定位，我们将围绕FineBI构建以下三大核心价值场景：a.统一数据分析门户：解决数据分散、处理困难的问题，将所有分析人员的明细数据集中在一个平台上，形成统一的数据源，减少数据处理中的冗余与误差，提高工作效率。b.自助式数据分析：赋予业务人员自我分析、自我挖掘数据价值的能力，让他们能够基于自身业务需求，快速构建个性化的数据分析报表，提升业务洞察力和决策效率。c.智能数据驱动决策：通过FineBI的AI算法和预测模型，为管理层提供基于数据的智能决策支持，帮助他们更准确地把握市场趋势，制定更有效的业务策略。在确定了BI平台的定位和价值场景后，我们意识到，

66、要实现这些目标，必须有一支具备数字化思维和技能的人才队伍。因此，我们将启动一系列人才培养和团队建设措施：a.内部培训：组织针对FineBI的专题培训，让全体员工了解BI平台的功能和价值，掌握基本的数据分析技能。b.实战演练：鼓励员工在实际工作中运用FineBI进行分析和决策，通过实战演练提升他们的数据应用能力和业务洞察力。c.团队建设：建立跨部门的BI团队，吸纳具备数字化技能和业务知识的复合型人才，共同推动BI平台的建设和应用。通过这些措施，我们期望能够培养出一支具备数字化思维和技能、能够熟练运用FineBI进行数据分析和决策的人才队伍，为业务的数字化转型和数智化升级提供有力支持。有没有发现大

67、家对 BI 存在一些认知上的误区？自身的工作内容如何助力公司积累数据资产？最早接触的帆软产品是哪款产品？对于 BI（商业智能）的认知误区，许多人可能只是简单地将 BI 视为一个可视化的工具，但其实它远不止于此。并非只是简单的数据可视化工具。虽然数据可视化是 BI 的一个重要组成部分，用于将复杂的数据转化为直观、易于理解的图形和图表，但它仅仅是BI体系中的一个环节。BI的真正价值在于能够深入分析和理解这些数据，揭示出隐藏的业务趋势和机会，从而为决策提供有力支持。BI 并不是 IT 部门的专属领地。尽管 BI 技术和解决方案通常是由 IT 部门开发和维护的，但 BI 的真正价值在于其能够为整个企业

68、带来洞见和价值。从高层管理人员到一线员工，每个人都应该能够理解和利用 BI 工具，以便更好地了解业务状况，做出更明智的决策。BI 也不是一个一劳永逸的解决方案。随着业务的发展和数据的增长，BI 系统需要不断地进行更新和优化，以适应新的需求和挑战。这意味着，BI 的实施是一个持续的过程，需要不断地投入资源和精力，以确保其始终能够为企业带来最大的价值。因此，我们需要更加全面和深入地理解BI，摆脱那些传统的认知误区。只有这样，我们才能真正发挥BI的潜力，为企业创造更大的价值。a.构建一套完善的人货零售电商数据分析体系，深度挖掘数据潜力，为业务决策提供强有力的数据支撑，实现精准的业务方向引导。b.精心

69、搭建 FineBI 分析域和分析主题体系的数据业务包，确保同分析域下分析主题应用数据源的一致性，进而达成标准数据指标口径的高度统一，有效促进业务决策的数据化、标准化。c.在实际操作中，我们引导并教导业务管理者遵循正确的使用路径，利用 FineBI 进行自助式数据分析，从而显著提升业务洞察的效率和准确性，为业务价值的实现提供有力保障。最早接触的是 FineBI，2021 年 10 月帆软商务向我们蜜蜂互联董事长及 CTO 及数据分析负责人们介绍FineBI 主要功能和报价。第一印象：好贵，但有 Excle 分析能力基础的业务人员能很快用起来。董事长“割肉”3233商业智能应用白皮书 5.0商业智

70、能应用白皮书 5.0什么时候感受到 BI 的价值？上线 FineBI 平台，我们感受到的比较明显的四个价值：1.数据获取：实现了数据的自动取用，以前我们要提需求给 IT 部门，现在数据已经在 BI 上汇总好了，需要哪个数据自己上去取就可以。买下后 3 个月，没有业务人员用起来，都是产品/数据分析人在用。机缘巧合，我仅花了一周时间，做出了一个数据分析报表，惊喜到 CTO，被推荐为 BI 建设推广项目负责人。FineBI 用了三年，经历了 FineBI 从 5.0升级到 6.0，再升级到 6.0.14 版本。分别用到了如下图版本升级的主要功能，以最短路径实现同分析主题下，数据模型血缘的最简化和数据

71、模型的可视化。2.数据控制：数据的安全管控其实以前是个比较痛的点，excel 满天飞我们也很难管控的数据的权限，那现在基于公共数据的这种管理模式，我们实现了数据权限的全链路管理。3.报表设计：这里想提一下帆软的协作能力，真的是极大地提高我们人员间的配合效率。4.最后就是一个比较大的点，也就是我们组织对这一块的认可度比较高的，就是经营分析效率。因为 BI 它可以很快速的去实现相关组件的联动和钻取，所以实际上我们分析数据问题的时候效率有了很大的提升。以前用 excel 是结果数据，发现了问题我们人员要去透视表里重新定位，现在可以直接基于看板联动定位，这样我们就可以沉淀一些深度的分析应用在 BI 上

72、面，管理层甚至可以自己去分析一些关注的业务问题。然后从这个整个的人效跟工作模式的变化上我画了一个图来做总结，可能说我们业务部门的分析工作从原来 80%的时间花在数据处理上，而且是重复性的数据处理，转变成了 85%的时间是用于报表的模型设计以及经营分析的业务洞察，这个是对我们来做最大的转变。3435商业智能应用白皮书 5.0商业智能应用白皮书 5.0智能 BI：产品落地更多是 AI FOR BIINTELLIGENT BI:PRODUCT LANDING IS MORE AI FOR BI定义：AI 和 BI 的融合更多是 AI for BI3.1What：如何理解 AI 和 BI 的融合Why

73、：为何融合更多是 AI for BIAI+BI 模式=AI 与 BI 相结合AI 和 BI 存在本质区别，BI 拥有自己的发展路线，而 AI 目前并不是 BI 的核心功能AI与BI的区别在于BI负责梳理生产关系，AI是先进新质生产力。那么AI+BI模式通过将AI嵌入BI，构建基于AI的BI平台，利用AI的智能让BI系统能够解决更复杂的业务场景，产出更精准的分析结果，从而使决策更为科学和准确。BI的发展路线是以数据为基础的，主要是数据的管理和分析。虽然AI技术的范围非常广，但当前BI系统中真正能用上的主要是一些处理文本、图像等非结构化数据的AI技术。但是除了一些特定行业，大部分的企业很少会有文本

74、处理和图像处理的需求，绝大多数BI系统需要处理的仍然是结构化的数据。对于结构化的数据，BI系统可以应用一些准确度更高的机器学习算法，得到更精确的分析结果。例如市场营销，采用AI+BI模式就可以在用户分群的基础上，得到更精细的针对每个用户的分析结果，从而给出更精准的个性化营销方案。还有金融领域的风险监测，AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系，预测更为准确。对于非结构化的数据，BI可以应用图像处理、语音识别和文本分析等AI技术，智能化地处理BI系统的复杂业务场景。例如AI+BI模式能够通过语音识别技术录入数据，控制驾驶舱和数据大屏的制作等。还有智能客服系统，不需要手动收

75、集客户问题再分配人员解答，通过语义理解和自然语言处理等技术分析客户问题，实现实时、自动回复客户。从概念和理论上来说，AI+BI 模式是有价值有前景的AI 与 BI 存在本质上的区别，BI 的目的是将数据转化为知识来辅助决策，AI 则追求以更智能的算法得到更精确的结果从具体场景上来说，AI+BI 的模式能让部分 BI 场景更深入，产出更有价值的知识3637商业智能应用白皮书 5.0商业智能应用白皮书 5.0When：何时迈入 AI for BI 时代AI的机器学习强调算法，BI的数据挖掘还包括对数据的管理，算法选择上也较为简单，没有神经网络和深度学习等复杂AI算法。不是要用AI代替BI，而是尽可

76、能借助AI的相关能力，提升BI工具在各环节的效率、降低BI工具的上手和使用门槛，让更多领导和业务人员把BI用起来，帮助客户最大化地用好BI工具的价值。目前在中国，预计2025年左右，BI将开始迈入智能化阶段；到2030年，BI的智能化也将进一步扩大。随着AI技术和BI系统的不断成熟，AI在BI中的应用将会越来越多，二者重合的部分也越来越多，但是因为它们存在本质上的区别，因此不会完全重合，而是以AI for BI的方式存在。AI 与 BI 的交叉只在于机器学习和数据挖掘，而且这种交叉也极小因此，AI 并不是 BI 的核心功能，AI+BI 的模式难成为 BI 市场的主流，更多的是 AI For B

77、I：维度AIBI定义模拟人类智能技术数据转化为商业洞察功能学习、推理、自动化数据分析、决策支持应用自动驾驶、智能助手数据洞察、业务分析技术机器学习、深度学习数据挖掘、数据可视化图：AI+BI 的发展现状和趋势How：目前如何发展 AI for BI 产品目前是采用“对话”的方式来提问，主要发展方向是 降低消费门槛+提升制作效率具体到AI For BI的落地场景，大体可以分成两大类：对话式分析：对话式搭建：直接以对话为核心入口，能够实现即时性问数查数，AI辅助人工分析数据、数据资产检索等，系统性地降低用户的使用门槛；嵌入到原有产品流程中，去提升搭建制作的效率，实现快速生成组件/仪表板生成制作，做

78、出分析报告等。图：AI For BI 的发展方向图：AI For BI 的应用场景3839商业智能应用白皮书 5.0商业智能应用白皮书 5.0结果缺乏可解释性:召回和精度方面的问题：AI For BI，一个核心落地场景是对话式 BI人们需要基于可信的数据做业务决策，由于整个意图解析和数据生成过程是一个黑盒，人们无法确定返回的数据就是他想问的数据。也就是用户问了10个问题，其中有多少个系统能够给出正确的回答。之前的问答BI产品在技术上大都采用规则解析或规则解析+预训练（小）模型的方法来实现文本到 SQL 的转化，技术上的限制导致问答的召回和精度不够理想。进一步的，由于预训练（小）模型的跨场景泛化

79、能力不足，就需要针对特定场景不断的增加语料，并重新训练模型来提高精度和召回，从而导致实施成本变得难以接受。AI For BI的核心价值是降低用户的使用门槛，让离业务最近、离技术最远的一线业务人员也能在数据驱动下做更好、更快的决策。然而，近年来国内外各 BI 厂商陆续推出的一系列问答 BI产品在实际落地过程中都会发现，真正能够让用户用起来的场景少之又少。大致有两方面原因导致大多数问答 BI产品沦为一个个“玩具”。一方面，是由于业务人员不具备数据思维，问不出有价值的数据分析问题。另一方面，是产品确实还不够成熟。这两方面挑战造成目前大多数AI For BI产品并不成熟：近年来，随着市面上各种数据分析

80、类的课程的推广和普及，越来越多的业务人员逐渐具备了数据思维，能够从数据的角度去分析业务问题。而大模型作为当下最大技术红利，其跨任务、跨场景的泛化能力为我们实现一个成熟的 AI For BI产品带来了新的机会。其核心技术是 Text2SQL，就是要把自然语言转化成具体的数据查询语句。该技术从2000年左右在学术圈就有人开始研究，当时主要是从事数据库的人员在做，很多论文都是发在类似 VLDB 这样的数据库领域的会议上。那时候该技术并不是太强，主要是基于传统的机器学习，先把用户的查询抽象成几个分类，定义出一些模板，然后用有监督学习去做一个分类模型，再去填模板。由于这种技术本身的局限性，产品呈现出来的

81、精度一直很低，远远没有达到产品化落地的要求。直到2016年左右，正值互联网发展成熟，随之带来了一些新的技术，包括：检索、推荐、深度学习等。此时，美国有工程师尝试做了产品创新，把数据的查询变成一个在有限空间内的数据检索问题，然后用检索技术来解决 Text2SQL。同时他也做出了一些当时让人很惊艳的产品，在BI领域引起了不小的关注。但是当时的技术路径本质上还是检索，这种技术路径的主要问题是没法真正去理解自然语言，而是把一个句子分成一个个的词去做匹配，并没有去真正理解一句话中的主谓宾、定状补。AI for BI 的技术与产品发展路径 但是这种产品形态引起了一些有很强学术能力的公司的关注，比如 Mic

82、roSoft，他们开始用基于神经语言模型的 NLP 技术来实现对话式 BI。当时虽然已经开始用神经语言模型去理解语义，但模型的尺寸和后续出现的预训练模型以及当下的大语言模型相比有巨大的差距。模型的能力也有局限性，所以当时的产品现状是精度低、配置成本高，意图理解的能力也很弱，处于“人工智障”的一个状态。直到大语言模型的出现，算法的改进和模型尺寸的提升带来了大语言模型的上下文学习、思维链等一系列新的能力，让我们有机会去解决一些原来老的技术很难解决的问题。图：AI For BI 的技术与产品发展路径 4041商业智能应用白皮书 5.0商业智能应用白皮书 5.0帆软的产品落地：AI 和 BI 的融合3

83、.2帆软近年来对智能 BI 的探索和思考帆软近些年对外并没有过多宣传AI+BI，但是内部一直都在紧密的跟踪 AI 相关的技术。尤其在2019年前后，当看到国内外厂商纷纷推出了问答式 BI功能后，帆软也开始探索问答式 BI的可行性，成立专项攻坚团队，推出 FineAI 进行小范围验证。从来自内部用户的反馈来看当时的模型精度暂时达不到产品化落地的要求，同时来自市场的反馈也印证了这个结论。帆软也走访调研了一圈国内外的客户，问答式 BI当时的现状是“理想很丰满，现实很骨感”。当时的问答式 BI在技术上大都采用规则解析或规则解析+预训练（小）模型的方法来实现文本到 SQL 的转化，技术上的限制导致问答的

84、召回和精度不够理想。进一步的，由于预训练（小）模型的跨场景泛化能力不足，就需要针对特定场景不断的增加语料，并重新训练模型来提高精度和召回，从而导致实施成本变得难以接受。这就导致问答式 BI会面临意图识别、查询结果的精度和基于场景定制化开发、部署的成本之间不可调和的矛盾，并最终沦为一个摆设，实际用起来的少之又少。所以暂时终止了问答式 BI产品的市场推广，并持续跟踪和研究这方面的技术和产品。在千模大战和开源大模型成为趋势的背景下，大模型本身并不是优势，在一个场景里面用好大模型才能建立优势。大模型的核心能力是基于内嵌知识的生成能力，而“可控性差”在BI的应用场景下是一个致命弱点。当下用好大模型的三个

85、关键要素是：回到 BI 场景，帆软通过服务30000+客户，覆盖了国内最广泛、最丰富的客户和场景，这些场景的积累为我们建立了巨大的优势，让我们能够快速收敛场景、验证功能。从数据层面，有句话叫“garbage in，garbage out”，在目标任务上精调大模型的数据准备在精不在多，关于模型的选择，目前的状态是国内没有一个模型能在所有任务上绝对碾压其他模型。而关键是客户需要针对基于场景定义的目标任务要去评测和挑选最合适的模型，并把效果做到最好。当新的技术能够让模型精度在通用场景下，达到产品化落地标准的时候，帆软将利用这方面能力进一步降低用户自助式分析的门槛。大模型作为当下最大技术红利，其跨任务

86、、跨场景的泛化能力，让大家看到了实现一个成熟、能落地的问答式 BI产品的可行性。这是帆软坚决投入AI For BI研发的核心逻辑。清晰的场景设计丰富的数据准备可靠的基座模型近些年来，帆软对客户进行严谨调研和小范围实践，结合AI For BI的两大落地场景-降低消费门槛&提升制作效率，2023年在这两大类场景上都做了探索：BI产品终极目标是“让人人都是数据分析师”，奔着这个目标 BI 产品持续演进，并发展出不同的产品形态，以满足不同场景的数据需求，具体包括：在降低消费门槛方面，帆软孵化了现在的对话式 BI产品FineChatBI。在提升制作效率方面，帆软研发了AI 小助手，具体包括公式生成、组件

87、制作、数据编辑、看板美化和分析报告五个功能。产品落地：定位是对话式业务分析工具2024 年帆软会重点投入 FineChatBI，目标是让更多的能够直接发挥数据生产力价值的业务用户用起来报表式 BI：自助式 BI：对话式 BI：以复杂报表为核心能力，满足企业管理层固定看数的需求；以数据编辑和拖拉拽搭建为核心能力，满足业务分析师自助分析的需求；以语义理解与对话式交互为核心能力，满足普通业务人员的即时查数与分析需求。图：帆软在 BI 赛道的布局4243商业智能应用白皮书 5.0商业智能应用白皮书 5.0掌握上面这套方法，能够基于自己的业务经验，产生合理的假设并形成分析思路；手上有容易取到的数据来验证

88、这些假设。前一代的对话式 BI本质上是一个对话式/检索式取数工具，它的价值仅仅是让业务人员更容易的取到数据。但是光能取到数据还远远不够，如果业务人员没有掌握上面提到的这套方法，也只能“忘数兴叹”，还是不会做业务分析，这是自助分析和老一代对话式 BI没有在国内大范围用起来的根本原因。利用 Text2DSL 技术把取数这件事做到极致，技术上采用完全可控的方式取到可信的数据；利用大模型 hypothesis testing 知识和分析思路生成能力补齐业务人员认知和能力上的差距。实现对话式的业务分析，让业务人员能够真正用起来。对话式：以对话为主要交互形式。从产品能力上，需要以可信查数为基础能力，构建思

89、路拆解 数据查询 异常检测 归因分析 趋势预测 报告生成整个分析闭环。业务分析：做数据分析不是为了分析数据本身，而是为了分析业务。我们做新一代对话式 BI就是要同时解决以上两个问题：让人人都是数据分析师这句口号的背后的真实目的是人人都是合格的业务分析师，也就是每个业务人员都是合格的 BA（Bussiness Analyst）。而业务分析的基本套路是从业务视角出发，结合自己的经验和认知形成一些定性的判断（假设），然后通过实验及实验产生的数据（定量）去验证假设（检验）。这个过程叫 hypothesis testing，包括回顾性分析、前瞻性分析等方法。所以，业务人员要想做科学的、高质量的业务分析需

90、要两个前提：同时把用户场景进一步细分成对话式数据查询、对话式数据分析和对话式资产检索三大场景。对话式数据查询能够让业务人员在日常工作中、业务经营会和出差途中快速查找某个业务指标。对话式数据分析能够让不具备数据思维的业务人员方便地从数据中得到业务结论。对话式资产检索能够让业务人员方便地找到 BI 系统中已经存在的看板、指标和组件。Why：为何定位是对话式业务分析How：如何进行 FineChatBI 的落地对话式资产检索：数据中心+问答BI对话式数据查询：主题模型+问答BI对话式数据分析：思路拆解数据查询异常检测波动归因趋势预测报告生成 目的是真的想让业务用户零门槛做数据分析：图：FineCha

91、t BI 产品结构生成可控、结果可信、分析闭环、交互友好。1.基于 FineBI 能力底座的企业级 BI 能力：What：如何理解 FineChatBI 的功能数据准备更简单多表分析更高效计算逻辑更智能权限配置更省心4445商业智能应用白皮书 5.0商业智能应用白皮书 5.02.输入联想与模糊匹配：规则模型预读问题模糊字段触发联想二次确认命中精准 图：FineChatBI-基于 FineBI 能力底座的企业级 BI 能力图：FineChatBI 可以实现输入联想与模糊匹配 高质量的问答配置：3.意图解析与调整：4.思路拆解与推荐问题：一键切换图表类型分析思路全透明开放图表生成规则模糊语义好对齐

92、自由切换指标口径自动返回最优解调整过程结果更准 推荐问题次优解 图：FineChatBI 可以实现意图解析与调整 图：FineChatBI 可以实现思路拆解与推荐问题 4647商业智能应用白皮书 5.0商业智能应用白皮书 5.05.多轮问答：6.归因分析与报告：异常发现又准又快智能解释问题所在自定义维度也支持大模型帮你写报告图：FineChatBI 可以实现多轮问答图：FineChatBI 可以实现归因分析以及撰写报告 记录上文连贯提问替换维度问得出来新增指标也能有数 7.生成仪表板：一键生成仪表板二次分析可编辑团队共享与协作业务分析能闭环图：FineChatBI 可以实现生成仪表板对话之间，

93、数据不再高冷，“人人都是数据分析师”不再是一个空洞的口号BI 产品终极目标是“让人人都是数据分析师”，奔着这个目标 BI 产品持续演进，并发展出不同的产品形态，以满足不同场景的数据需求，有报表式 BI 满足企业管理层固定看数的需求；自助式 BI 满足业务分析师自助分析的需求；对话式 BI 满足普通业务人员的即时查数与分析需求。帆软基于数据分析能力和分析复杂度将用户场景分成四个象限：1）低水平，简单分析；2）低水平，复杂分析；3）高水平，简单分析；4）高水平，复杂分析。对话式 BI会先满足数据分析能力比较低的业务人员的简单分析场景，然后随着产品能力的提升，逐步渗透到更加复杂的分析场景，并满足更高

94、数据分析能力的业务人员的分析需求。同时，帆软一直以来认为AI要用得起来，未必只靠大模型，对客户有价值才是最重要的，大模型技术在BI的实践已经被过度神话，实际还有很长的路要走。帆软的使命是“让数据成为生产力”，对话式 BI会让更多的业务人员能够从大数据中受益，真正把数据转变成生产力去驱动业务。同时，帆软也欢迎各位客户一起参加共创！4849商业智能应用白皮书 5.0商业智能应用白皮书 5.0借力 BI：发挥数据要素价值，加速数据资产入表LEVERAGING BI:UNLEASHING THE VALUE OF DATA AND ACCELERATING THE LISTING OF DATA AS

95、SETS自数据正式与土地、劳动力、资本、技术并列，成为我国的第五大生产要素以来，如何充分利用数据价值、发挥数据要素乘数效应一直是各界讨论的重点。2023年8月，财政部发布 企业数据资源相关会计处理暂行规定，规范企业数据资源的相关会计处理；2023 年 9 月，中评协印发数据资产评估指导意见，规范数据资产评估执业行为，为评估机构对数据资产的价值评估给出指导意见；2024 年 1 月，财政部发布关于加强数据资产管理的指导意见，旨在通过主导数据资产的合规高效流通使用，有序推进数据资产化，加强对数据资产全过程的管理，更好地发挥数据资产的价值。所有这些文件都有一个交集：数据资产。作为官方提出的重磅新名词

96、，我们旨在通过本文帮助企业理解数据资产的含义、明晰数据资产入表的动作，通过对数据的充分应用发挥数据要素价值以实现数据资产化。解析数据资产入表：概念侧阐释4.1数据资产的前身：数据到数据资源数据资源是可被识别、采集、加工、存储、管理和应用的原始数据及其衍生物，是可供社会化再利用且具有潜在价值的数据集合。理解数据资产：数据三权和资产内涵01数据资产的基础“数据三权”任何领域里的资产，都会追溯到产权的概念。数据资产入表的相关规范源于2023年8月财政部印发的企业数据资源相关会计处理暂行规定（以下简称暂行规定）。而关于数据资产产权的概念，则可以追溯到2022年12月中共中央、国务院发布的关于构建数据基

97、础制度更好发挥数据要素作用的意见（以下简称“数据二十条”）这份前置性的文件。“数据二十条”从数据产权、流通交易、收益分配、安全治理四个方面初步搭建了我国数据相关的基础制度体系。“数据二十条”非常创新地提出了要淡化数据所有权，强调数据使用权，以促进数据使用权流通为核心目标，建立数据资源持有权、数据加工使用权和数据产品经营权“三权分置”的数据产权制度框架。数据三权的确立为后续的数据资产化铺平了理论道路。5051商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：数据三权分置02数据资产的内涵从“资产”类推“数据资产”要想了解数据资产，必须先明确资产的概念资产就是能给企业带来经济收益的资源，换言

98、之，资产的实质就是任何形式的拥有价值的东西。从会计的视角出发，一项资源要被定义成资产，需要满足企业会计准则的三个条件：满足企业会计准则的三个资产定义条件该资源是由企业过去的交易或事项形成的；该资源由企业所拥有或控制；该资源预期会给企业带来经济利益。此外，要将一项资源在会计上确认为资产，除了需要满足企业会计准则对资产定义的三个条件外，还应同时满足两个资产确认的条件：满足企业会计准则的两个资产确认条件与该资源有关的经济利益很可能流入企业；该资源的成本或者价值能够可靠地计量。数据资产，本质上就是能给企业带来直接或者间接经济利益的数据资源从经济视角出发，能对生产加工、产品研发、经营决策起到价值的数据资

99、源，就应当被视为数据资产。例如，用户的APP使用行为数据、积累多年的客户数据、重要的情报数据等。从会计视角出发，符合财政部暂行规定中相关要求的数据资源，可以被认定为数据资产。相似地，数据资产在会计上的确认也需要满足上文中企业会计准则对于资产定义和资产确认的诸条件。图：从数据资源到数据资产理解数据资产入表：计入报表相关科目数据资产入表即是对企业内满足资产确认条件的数据资源进行登记、评估、成本计量等，并根据财政部暂行规定相关要求，计入到企业资产负债表相关科目下并进行信息披露的过程。来源：赛迪顾问2023-2024 中国数据资产发展研究报告5253商业智能应用白皮书 5.0商业智能应用白皮书 5.0

100、解构数据资产入表：企业侧指南4.2数据资产入表，企业该入什么企业进行数据资产入表，需要将企业的数据资源以无形资产或者存货的形式，计量初始成本后列示在资产负债表相关科目下并披露信息。依据暂行规定，企业应当按照企业会计准则相关规定，根据数据资源的持有目的、形成方式、业务模式，以及与数据资源有关的经济利益的预期消耗方式等，对数据资源相关交易和事项进行会计确认、计量和报告。企业使用的数据资源，符合企业会计准则第 6 号无形资产（财会20063 号）规定的定义和确认条件的，应当确认为无形资产。企业日常活动中持有、最终目的用于出售的数据资源，符合企业会计准则第 1 号存货（财会20063 号）规定的定义和

101、确认条件的，应当确认为存货。简单来说，以内部使用为主要目的，与其他资源相结合并服务生产经济管理活动的数据资源，可以被确认为无形资产进入资产负债表；而以对外出售为主要目的，进行原始数据直接交易或加工后交易的数据资源，可以被确认为存货进入资产负债表。确认为无形资产的数据资源的初始成本计量成本类别具体说明外购成本企业通过外购方式取得确认为无形资产的数据资源，其成本包括购买价款、相关税费加工成本直接归属于使该项无形资产达到预定用途所发生的数据脱敏、清洗、标注、整合、分析、可视化等加工过程所发生的有关支出自研成本应当区分研究阶段支出与开发阶段支出。研究阶段的支出，应当于发生时计入当期损益;开发阶段的支出

102、，满足无形资产准则第九条规定的有关条件的，才能确认为无形资产其他成本包括数据权属鉴证、质量评估、登记结算、安全管理等费用图；数据资源的初始成本计量关于数据资源入表的列示和披露要求，企业除了需要在资产负债表“存货”下增设“其中：数据资源”项目；在“无形资产”下增设“其中：数据资源”项目；或在“开发支出”下增设“其中：数据资源”项目进行相关列示外，还应当按照企业会计准则及暂行规定的相关要求，在会计报表附注中对数据资源相关会计信息进行披露，具体如下：项目外购的数据资源无形资产自行开发的数据资源无形资产其他方式取得的数据资源无形资产合计一、账面原值1.期初余额2.本期增加金额 其中：购入 内部研发 其

103、他增加3.本期减少金额 其中：处置 失效且终止确认 其他减少4.期末余额二、累计摊销1.期初余额2.本期增加金额3.本期减少金额 其中：处置 失效且终止确认 其他减少4.期末余额三、减值准备1.期初余额2.本期增加金额3.本期减少金额4.期末余额四、账面价值1.期末账面价值2.期初账面价值图：确认为无形资产的数据资源具体披露格式确认为存货的数据资源的初始成本计量成本类别具体说明外购成本企业通过外购方式取得确认为存货的数据资源，其采购成本包括购买价款、相关税费、保险费，以及数据权属鉴证、质量评估、登记结算、安全管理等所发生的其他可归属于存货采购成本的费用加工成本企业通过数据加工取得确认为存货的数

104、据资源，其成本包括采购成本，数据采集、脱敏、清洗、标注、整合、分析、可视化等加工成本和使存货达到目前场所和状态所发生的其他支出5455商业智能应用白皮书 5.0商业智能应用白皮书 5.0项目外购的数据资源存货自行加工的数据资源存货其他方式取得的数据资源存货合计一、账面原值1.期初余额2.本期增加金额 其中：购入 采集加工 其他增加3.本期减少金额 其中：出售 失效且终止确认 其他减少4.期末余额二、存货跌价准备1.期初余额2.本期增加金额3.本期减少金额 其中：转回 转销4.期末余额三、账面价值1.期末账面价值2.期初账面价值图：确认为存货的数据资源具体披露格式数据资产入表，企业该准备什么经验

105、分享：浙高运公司的数据资产入表准备工作浙高运公司作为浙江交通集团的高速公路运营管理平台，现有员工 6800 余人，主要从事高速公路运营收费、监控指挥、清障施救、机电养护等运营管理工作，目前运营 19 条高速公路，运营总里程达 1939 公里。随着公司数字化改革工作的不断推进，公司内部每天会产生 TB 级别的数据量。这些数据形成了巨大的数据资源，其蕴含的价值和应用场景值得深度的挖掘。在数字化时代，数据已成为企业的重要资产。数据资产入表对于精准评估数据资产价值，提升公司对数据资产价值的认知有重要意义，将驱动公司建立和完善数据管理体系，进而提升数据治理能力。为积极响应集团关于数据资产管理的新要求，浙

106、高运公司对数据资产入表工作进行了探索，并取得了重要突破。在数据资产入表工作的准备阶段，公司明确了几条应对措施来保障后续工作的顺利开展：以数字化为战略导向，利用统建系统结合基于帆软简道云搭建的高麗云平台，对各业务条线进行数字化转型，积累浙高运公司数据资源；明确数据资产化战略：以公司数字化建设办公室为基础，建立数据资产化管理专职部门，承担数据管理、数据运营（数据价值评估、数据权属明确、数据流通促成）、技术支撑等工作；建立数据资产化组织：按照数据管理能力成熟度评估模型，建立数据安全、数据质量、数据标准等 8 个核心能力域，提升自身数据治理能力，完善企业数据治理体系；坚持数据治理工作：对数据资源进行分

107、开认定，通过建立工时系统、项目台账等工具，对研发支出进行有效归集和准确记录。设立单独会计科目，通过精细化管理，确保财务处理的依据充分、金额准确；准备数据资产财务处理：公司除了将数字化重点集中在内部协同机制的升级之外，也构建起了广阔的数字生态圈，协同外部单位，如高信公司、商业集团、数据资产交易所、物流企业等充分发挥数据资产价值；构建数据资产内外协同：数据资产入表会导致企业资产的增加，可能会造成资产虚增的负面影响。公司在进行数据资产价值分析时，建立了严谨的风险管理体系，通过准备充足的证明材料以及与审计单位的沟通协商，最大程度地规避入表过程中的法律和审计风险。完善风险管理体系：基于以上体系化的准备措

108、施，浙高运公司成功在今年二季度完成了首笔数据资产入表工作，成为集团内首批实现入表的子分公司。公司重点针对运营过程中产生的监控、营运、养护、机电数据进行了入表试点，此次入表的数据资产主要为浙高运公司所管辖路段的图像数据。通过人工结合机器的方式标注出高速公路事件信息，实现图片信息结构化解析，标注后的数据对于视频识别算法模型的训练与优化具有重要作用，将有效提升高速公路交通事件识别的准确率。结合市场5657商业智能应用白皮书 5.0商业智能应用白皮书 5.0调研，初步测算本次入表数据可转化经济价值约 30 万元，为公司降本增效工作提供了一条新的实施途径，是公司运营转经营的又一落地举措。未来，浙高运公司

109、将进一步扎实做好公司数据资产管理，完成更多业务领域的数据资产入表工作，推动公司迈向数据驱动、智能化决策的新高阶，助力公司数字化管理高质量发展。浙高运秉持着开放合作的精神，欢迎业界同仁一起深入学习交流企业数字化转型及数据资产入表的前沿观点与实践经验，共创数据资产管理美好未来，真正发挥数据要素的乘数效应。数据资产入表，企业会经历什么数据资产入表是数据资产化的一个重要步骤和表现。企业的数据资产正式进入资产负债表，首先需要进行数据的资产化，提炼出数据资源的价值并加以利用。企业的数据资产化流程大致会经历以下几个阶段：图：企业数据资产化流程数据资源化企业数据资产化的前提是数据资源化。企业需要进行数字化建设

110、，通过软硬件的投入形成数字化基建，从而将业务信息数据化，并通过数据治理、数据加工处理、数据采购等一系列方法，逐步获取并积累形成具备潜在价值的数据资源。数据产品化数据资源成为数据资产的关键是它们预期会给企业带来经济利益，数据产品化即是充分挖掘和提炼数据资源经济价值的阶段。数据产品化始于对数据应用场景和业务问题需求的定义，在明确了这两点后，通过对数据资源的加工处理、深度挖掘、应用分析、可视化展现等方式，形成可以对内使用或对外售卖的有价值的数据产品，在特定应用场景下解决业务问题，为企业带来对内降本增效或是对外贡献营收的作用，真正发挥数据资源的经济价值。数据资产化在明确数据资源能够带给企业的经济价值后

111、，企业将数据资源资产化并计入财务报表（即数据资产入表）通常需要经过一些关键步骤。目前不同地区的数据资产入表实操流程还存在差异，但本质上企业数据资产入表的过程就是让企业的数据资源满足会计上资产定义和确认条件的过程，因此企业需要通过一些方式来解决诸如数据确权、数据价值判断等问题，具体如下：数据合规是判定数据资源能否执行入表操作的前提。解决合规问题需要企业建立一套适配会计准则的管理制度来规范企业及其成员在数据生命全周期中的行为，使其符合国家法律法规、监管规定等规章制度的要求。企业可以通过聘请合规律师的方式，进行数据来源、内容等多方面的审查，并通过数据合规报告来证明企业内数据资源的合规性。合规确认：数

112、据资产入表对数据质量和数据应用场景的价值有一定要求。企业需要从多个维度评估自身拟入表数据的质量和数据应用场景的价值，来证明拟入表的数据资源预期会给企业带来经济利益流入。企业也可以通过第三方服务机构来进行评估。质量评价：数据确权是关系到数据资产形成的重要因素之一，只有厘清数据的权属，数据资产才具备实现价值的法律基础。目前的数据相关法律法规淡化了数据的所有权概念，这也造成了“确权难”的问题。目前全国多个省市地区都在探索解决数据确权问题的方式，其中一种方式是在数据产权登记机构正式登记，通过产权登记和颁发数据资产登记证书来明确数据资源为企业所拥有或控制。登记确权：数据资源的成本计量可分为成本归集和成本

113、分摊两大类。要实现精细化的成本归集与分摊，企业应该根据自身组织架构，建立相应的成本归集口径，以及公共费用分配制度来合理分摊公共成本。成本计量：5859商业智能应用白皮书 5.0商业智能应用白皮书 5.0企业满足资产化条件的数据资源可以被确认为无形资产或存货列示在资产负债表中，并进行相关信息披露。列示披露：数据资本化数据资本化是在数据资产化的基础上，赋予数据资产更多的金融属性。企业通过资产评估机构对拥有的数据资产进行全面的评估，随后以数据资产为质押申请贷款，或者为企业增信，将数据资产作价入股等等。总之，与传统资产类似，数据资产也能为企业带来多种资本化渠道。数据资产入表，企业会得到什么01改善报表

114、，提升净资产收益率数据资产入表可以改善企业的报表情况，提升企业净资产收益率。自暂行规定正式实施后，企业数字化投入中符合要求的，可以被计入数据资产进入资产项，扩大企业整体的资产规模；企业软硬件投入形成的无形资产和固定资产，每年摊销、折旧掉的费用成本可以被重新计入数据资产再次回到资产项，减缓折旧周期。图：暂行规定实施后对企业资产和折旧摊销的影响在企业负债规模不变的情况下，资产规模的扩大将降低企业整体的资产负债率。而重新回到资产项的折旧摊销费用会降低企业成本，提升利润水平，进而提高企业的净资产收益率。图：数据资产入表影响企业财务指标的逻辑02拓展融资，开启数据资本化之路企业数据资产的形成并不是终点，

115、相反这是数据资本化之路的起点。企业可以对自身拥有的数据资产进行全面的价值评估，利用它们进行多种方式的数据资本化探索：企业披露所拥有的数据资产，在一定程度上反映了企业的业务实力，能够提高银行对企业的信心，增加银行授信。披露增信：数据资产质押贷款是一种新型的融资方式，企业基于拥有的数据资产作为质押物来获取银行贷款。质押贷款：数据资产作价入股是指企业将其数据资产转化为股权或股份，作为出资方式参与公司的设立或增资，使其成为公司的股东，从而分享公司利润。数据资产作价入股：6061商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：各地数据资本化实践摘录各地数据资本化实践摘录类别时间地点事项备注数据资

116、产质押融资贷款2023 年 8 月江苏扬州江苏罗思韦尔电气有限公司以其拥有的T-BOX 车联网信息数据 知识产权质押成功向苏州银行扬州分行融资 1000万元。2023 年 4 月 28 日，江 苏省数据知识产权登记平台正式上线运行2022 年10 月 12 日北京佳华科技两个大气环境质量监测和服务项目的数据资产估值达到 6000 多万元，促进了佳华科技数据资产“变现”。最终于 2022 年 10 月 12 日，佳华科技成功获得 1000 万元数据资产质押融资贷款。在 2023 年 7 月 5 日，佳华科技获得北京国际大数据交易所正式发放的首批教据资产登记证书数据资产无质押融资贷款2023 年6

117、 月贵阳贵阳农商银行与贵州东方世纪科技股份有限公司完成一笔授信签约，这是贵阳农商银行与贵阳市大数据交易所合作落地的全省首笔基于数据资产价值应用的融资贷款。贵州东方世纪科技股份有限公司的大数据洪水预报模型评估价值超过 3000 万元，成功获得贵阳农商银行首笔数据资产融资授信 1000 万元。数据资产作价入股2023 年8 月 30 日青岛青岛华通智能科技研究院有限公司、青岛北岸控股集团有限责任公司、翼方健数(山东)信息科技有限公司进行全国首例数据资产作价入股签约仪式。本次发布的数据资产作价入股路径分为登记、评价、评估和入股四个环节，每个环节依据相关标准和指导文件予以实施:一是对经由合规审查通过后

118、的数据资产进行登记;二是在数据资产价值与收益分配评价模型标准的指导下，通过建立评价模型来评价数据资产的质量;三是对数据资产的价值进行评估;四是在三方合力下推动数据资产作价入股，华通智研院、北岸数科和翼方健数三方成立合资公司。数据资产入股，即“以数据资产作为数据股东投入资本，在成立公司时其初始资本占比。一旦数据资产能够入股，企业和其他组织就有充足的经济激励，对其持有的大量数据资源进行整合、治理，以期替代货币作为新设立企业的出资。新设立企业的各投资人既然接受了数据资产的入股，将会充分发掘数据的价值，或自用、或开发成新的数据产品对外交易，促进数据的流通。企业数据资产化的愿景引导并推动企业对数据治理的

119、重视。数据的资产化离不开充分的数据应用，数据的充分应用离不开高质量的数据准备，数据的高质量准备离不开精细的数据治理。企业的数据资产化，能够以用促治，倒逼企业建立数据治理体系以及相配套的数据战略，做好数据资源化工作，提升企业数据的整体质量。04以用促治，引导企业治理数据数据资产化是加速企业汇聚数据、丰富数据价值，引导企业深化数字化转型的重要抓手。企业报表的数据资产披露要求，将倒逼企业重视数据资产的价值挖掘和使用，深化企业数字化转型。而企业数字化转型的深入将产生更多的数据，促使企业深度探索数据价值化路径，打造具备可复用性的数据产品并对外流通交易，推动数据进一步的资产化变现增值，形成正循环。03打造

120、循环，推动数字化转型进程图：数据资产化与数字化转型正循环6263商业智能应用白皮书 5.0商业智能应用白皮书 5.0解读数据资产入表：结合帆软产品的实践4.3数据资产化的关键：预期带来经济利益根据企业会计准则对资产的定义，企业的数据资源若想被定义为数据资产，至关重要的一个条件是它们必须预期会给企业带来经济利益。换言之，这些数据资源必须能给企业创造经济价值：或是通过对内降本增效的方式；或是通过对外制造营收的方式。帆软产品助力数据应用和数据要素价值发挥 企业通过信息化手段收集到了数据、通过标准化流程治理了数据，但是这些数据仍然只是企业的资源而非资产，因为它们并没有真正给企业带来经济价值。如何让数据

121、要素发挥其价值？答案是必须充分应用数据，以数据来进行决策。数据资产化，关键在于数据的价值最大化，让数据从存储中心流动到具体的应用场景中，赋能企业决策。商业智能工具，作为数据消费的终端，能够有效帮助企业充分应用数据，发挥数据要素乘数效应，走完数据价值实现的“最后一英里”路，是数据资源转化成数据资产的关键助推。在 2024 年第一和第二季度，全国范围内已有不少企业进行了数据资产入表的尝试。我们发现一些进行了数据资产入表的企业使用了帆软产品进行数据的应用，并最终实现了数据的资产化。实践案例：基于帆软产品实现数据资产化某公共交通管理有限公司的业务涉及某地城市公交客运管理。该公司从公共系统中收集并整理了

122、超 5,000,000 条客流与公交路线相关的数据，并保持着每日更新的频率，形成了乘车客流与路线分析数据资源集。该数据资源集涵盖了一些关键要素以反映该地的城市公交客运情况，例如公交站点、线路、车次执行情况、不同站点的客流热度指标等。01案例一：某公共交通管理有限公司持有的乘车客流与路线分析数据资源集FineBI 可视化热力图助力客流密度分析原始的乘车客流与公交路线数据量庞大且结构复杂，数据使用者难以直接从中获取到显性价值，因此势必要对数据进行再处理以展现关键信息。基于此，公交公司选择了帆软 FineBI 产品对该数据集进行可视化处理，并搭建了客流监控平台以展示不同公交站点间的客流信息。Fine

123、BI 搭载的热力图功能可以直观地呈现出不同站点间客流分布及客流密集度情况，帮助公共交通系统管理者快速识别拥堵地段，合理分配公交服务资源。搭建于 FineBI 之上的客流监控平台和不同站点客流情况热力图帮助该公共交通管理有限公司深度应用了数据资源。在数据通过图表等形式具象化呈现的过程中，原本隐藏在复杂且抽象的数据背后的经济价值也逐渐显性化。公交系统管理者可以凭借直观的图表掌握该地区公共交通整体的运营情况，及时做出线路调整部署，减少因拥堵带来的服务成本。该乘车客流与路线分析数据资源集有诸多的应用场景。例如，基于 FineBI 呈现出的客流热力情况服务了该地公交管理部门进行公共交通路线和班次的优化，

124、节省了出行高峰期市民们在人流密集的站点约 10%的等候时间。此外，该数据资源集还能够服务于商业广告机构。通过对高人流热力站点的标注和识别，商业广告机构可以做出更精准的商业分析和广告投放策略，在人流更密集的线路和站点周围投放更具商业价值的宣传广告，从而获得更高的潜在回报。数据应用场景的明确自然而然地导致了数据对企业经济价值的明确。公交管理公司可以通过此数据集优化线路安排，实现降本增效；也可以将此数据集提供给有需要的外部广告机构，实现营收增长。至此，该数据资源集带给其持有者的经济利益非常明确，满足了数据资产化的关键前提。6465商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：船舶航行动态大

125、屏示意图图：船舶进出港监控大屏示意图通过 FineBI，散货公司的船货数据资源实现了数据应用、消费的最终目标，能够在多个具体的应用场景下赋能企业经营管理，实现降本增效。至此，这些数据资源真正地具备了价值，能够给企业带来经济利益，满足了数据资产化的前提。某散货码头有限公司（以下简称散货公司）主要从事散货、杂货的装卸作业以及仓储和港口物流延伸相关服务。散货公司自行收集了来港船舶及货物相关的数据，并对所获数据进行了清洗、整合与加工，保证了数据的质量。至此，散货公司已完成了数据的资源化过程。02案例二：某散货码头有限公司持有的船货数据资源集FineBI 可视化大屏实时展现船舶航行动态然而，原始的船货相

126、关数据抽象且不易阅读，企业难以直接应用这些数据。因此，散货公司基于 FineBI 产品搭建了船舶航行动态大屏。借助 FineBI 的可视化技术，散货公司得以将抽象的航运数据具象化从而以图表和地图等形式实时、直观地展示船舶航行动态、船只货运量等信息。此外，利用 FineBI 提供的多种交互式数据分析工具，用户可以根据自身需求，通过排序、筛选、联动等功能，对复杂数据进行深度分析，洞察到更多潜在机会。基于 FineBI 搭建的船舶航行动态大屏支撑了散货公司对数据的应用及后续决策的需求。原本抽象的数据具象化后，企业决策者可以快速理解数据背后的含义，掌握船舶运营的整体情况并做出及时反馈。在多个业务场景下

127、，基于 FineBI搭建的动态大屏都能帮助企业充分应用数据，优化经营相关决策，实现降本增效的结果。例如，依托于 FineBI 对船货数据集的可视化展示，港口码头的管理人员对来港船舶做了更优化的调度安排，平均减少了 15%的船只进出港等待时间，提高了港口的吞吐量；此外，码头管理人员还通过 FineBI 大屏实时监控来港船舶的动态位置，及时侦测到潜在的船只碰撞、搁浅风险等，避免了风险事故的发生，保障船舶航行安全；基于船货数据集中的历史数据，还能够预测港口未来的流量变化情况，从而提前规划港口资源分配。某集装箱有限公司（以下简称集装箱公司）的业务涉及港口库场货物仓储相关服务。集装箱公司通过自动化结合人

128、工的作业方式采集到了超 1,500,000 条某港口库场中不同地点存放的货物种类、余量等信息，并成立了数据治理团队对采集到的数据进行了标准化和规范化的处理，以服务后续对数据的应用需求。03案例三：某集装箱有限公司持有的堆存管理数据资源集FineReport 和 FineBI 的趋势分析、警戒预警、深度分析和可视化展示功能全方面促进数据应用充分应用数据才能最大化数据的价值。集装箱公司组建了数据应用团队，负责对所获数据的计算分析与展示应用，并参与后续数据相关的决策行动。基于帆软的 FineReport 和 FineBI 产品，数据应用团队搭建了公司内部的数据服务管理平台，进行三方面的数据应用工作。

129、6667商业智能应用白皮书 5.0商业智能应用白皮书 5.0其一：基于 FineReport 的计算分析功能，选取适当的公式和函数，对各种货物的历史存货量进行汇总计算和变化趋势分析，以便预测未来不同货物的存量变化情况，提前规划库场存储空间、优化仓储分配，实现效益的最大化。图：货物存量汇总及变化趋势分析示意图其二：对货主在库场内存放货物种类、存量及存放时长的分类统计，以及对于超期存放、长期无人取货等情况的预警。基于这些应用，集装箱公司可以识别出不同货主的存货习惯，个性化地为其定制仓储服务，同时及时催缴超期存放货主的租金，降低公司的服务成本。图：库场堆存管理平台示意图其三：基于 FineBI 的可

130、视化展示功能，以图表、数表等方式将复杂的存货余量数据直观地展现出来，帮助管理者便捷地获取到库场内不同存放位置的货物总量及剩余空间信息，让管理者及时洞察到空间不足的情况，优化存储空间利用率。此外，集装箱公司还通过 FineBI 集成员工工效数据，以收货数据结合工效数据深度分析库场入库效率低下的问题根源：是库容不足还是人员偷懒。图：收货数据结合工效数据深度分析入库效率问题6869商业智能应用白皮书 5.0商业智能应用白皮书 5.0凭借 FineReport 和 FineBI 的多种功能，集装箱公司得以对库场堆存数据资源进行趋势分析、警戒预警、深度分析和可视化展示等多方面的数据应用，从而挖掘出数据背

131、后的经济价值，实现为企业降本增效和扩大营收的目标。具体到应用场景，该堆存管理数据资源集在 FineReport 和 FineBI 的辅助应用下，提升了库场 16%的仓储空间利用率，平均缩短了约 20 分钟的入库时间，实现降本增效。此外，该数据资源集还可以服务于供应链金融。银行等金融机构可以通过该数据资源集了解不同货主在库场的存货种类及数量变化情况，由此掌握相关供应链中该环节的运作状况，以便对供应链上下游企业进行信用风险评估和放款。该货转水数据资源集主要由某港口有限公司整合生产系统内记录的货物流向信息、货权信息、货物货种信息等源数据而成，涵盖货转水运输业务相关的多个数据字段。04案例四：某港口有

132、限公司持有的货转水数据资源集FineBI 整合多数据源打通“数据孤岛”该港口有限公司对不同数据源的数据进行了清洗和加工，随后基于业务逻辑，依托 FineBI 的多表串联功能构建了跨表间的关联关系，从而有效整合了货转水业务链上下游的全部数据。这使得原本分散的来港船舶信息、转水信息、货物信息等数据能够相互链接，从原本彼此独立、不具备分析价值的多个零散的“数据孤岛”，变成能够精细描述出货转水业务链上下游全环节的完整数据资源，有力地支撑了后续多维度的数据分析与应用，为企业决策提供价值。整合后的数据资源集可以提供转水业务的关键信息，在物流分析、货运优化等场景下有广泛的应用空间，具备经济与社会价值。例如，

133、通过对各码头转水日期、货物吨数、运货船次数等数据的分析，管理者可以衡量各码头的转运效率，分析转运效率瓶颈环节并通过诸如减少货物重复搬运、优化堆场布局的方式提升码头作业效率。05数据资产入表实操流程上述企业在明确了所持有的数据资源集的应用场景和价值属性后，按照一定流程进行了数据资产入表的探索。数据资源集的持有者首先通过律所，进行了法律上的合规确认，确保数据资源集内数据的来源、内容、流通符合法律法规要求，并获得了律所开具的数据资产合规报告；合规确认：数据资源持有主体请第三方机构对数据资源集内数据质量和应用场景的价值进行了评价，并获得了机构出具的数据资产价值评价报告以证明数据集预期会给持有主体带来经

134、济利益流入；质量评价：随后数据资源集被提交至某数据资产登记平台进行资产登记。在通过平台对数据合规性、质量以及应用场景价值的审查后，这些数据资源集被正式登记公示。同时数据资产登记平台颁发了数据资产登记证书作为数据集被持有主体拥有或控制的证明，解决了确权问题。至此，这些数据资源集正式满足了在会计上被定义为数据资产的多项要求；登记确权：数据资源集持有主体针对使数据集达到预定用途而进行的数据收集、数据整合、数据处理以及包括可视化、深度分析在内的数据应用等过程中发生的相关支出进行计量，并依据会计准则确认为无形资产或者存货的初始成本，这其中就包括上述主体对 FineReport 和 FineBI 的部分投

135、入；成本计量：根据数据资源集的使用目的（内部使用或对外出售），以及给数据持有主体带来的经济利益的性质差异（降本增效或贡献营收），持有主体相应地在其报表的无形资产或存货科目下进行列示，并按暂行规定的要求进行相关信息的披露。列示披露：7071商业智能应用白皮书 5.0商业智能应用白皮书 5.0展望数据资产入表：未来趋势4.4大风泱泱，大潮滂滂，暂行规定自 2024 年 1 月 1 日起的正式实施，昭示着数据资产元年的到来。未来，数据将不再被企业视为负担和成本，其价值属性的不断显性化，将给企业带来长远且可持续的利益。从产业数字化到数字产业化，未来的商业竞争离不开对数据的争夺。谁能掌握更丰富的数据资源

136、、谁能挖掘更宝贵的数据价值、谁能打造更多样的数据场景，谁就能获得更领先的竞争优势。将数据价值化提炼成资产，将资产内化打造成竞争优势，这将是企业未来的必经之路。目前，帆软提供的 FineBI、FineReport 产品为企业应用数据、充分发挥数据要素价值提供了有力抓手，加速了企业的数据资产入表。鉴于企业数据质量对后续的数据应用深度及数据资产化有重要影响，我们认为企业应重视对自身数据仓库的建设、对指标体系的梳理以及对数据质量的治理，以期完善好高质量的数据基础，为数据应用及价值挖掘铺平道路，稳步推进数据资产化进程。未来，帆软将通过 FineBI Platform，统一数据资产门户：力图打磨服务于企业

137、数据资产管理的支撑性载体，帮助企业精准盘点数据资源、高效运营数据资产。借助资产描述、资产目录、全链路血缘、资产统一管控等功能，实现企业数据的可流通；借助资产权限管理、资产责任人管理等功能，实现企业资产的可监管。企业精驭 BI 在于数：集成、治理、梳理THE KEY TO APPLY BI LIES IN THE FOLLOWING:INTEGRATION,GOVERNANCE,AND ORGANIZATION7273商业智能应用白皮书 5.0商业智能应用白皮书 5.0BI 是以一个整体的产品、技术和解决方案出现的。由于前端报表没有很强的交互能力，因此只能通过前端函数、脚本来控制一些效果；前端报

138、表的任何细微调整或者改动，几乎都只能由 IT 人员来完成，BI 项目约等于纯 IT 项目。由于需要考虑前端的性能问题、需求变更对底层的影响等原因，造成在底层数据仓库设计的时候会非常重视底层架构的搭建、建模方式的选择。早期的 BI 开发人员底层 ETL 技术能力非常扎实、数据仓库架构的参与程度也相对较深，具备全栈的端到端的技术开发能力。但是任何前端的大小改变，业务部门的参与度几乎为零，几乎都需要IT部门去做，成本非常大；另外，早期的报表的样式并不美观，包括钻取在内的基础的功能无法实现，性能也并不好。谈到 BI，基本上是完整的包括数据仓库、ETL、CUBE、报表的全栈开发。BI在2013年左右，前

139、端和底层分离，分别开始朝着不同的方向开始演变。前端有可视化展现、交互、自助分析能力的强化，在某些细分领域开始崛起；底层开始往大数据、数据中台方向发展。2013年开始，大数据的发展开始唤醒大家的数据意识，ETL并不能解决底层数据量不断增大和非结构数据处理的问题，而当大数据架构出现以后，这些问题可以被解决了。因此，大家开始采用大数据架构作为数仓的解决方案之一。因此从根源上来说，企业想要用好 BI 的关键之一是做好数仓建设，而数据仓库的建设难点并非仅仅在于本身的设计，同样也在于后续随着业务发展而带来的数据治理挑战。当业务规模和复杂度不断增加时，如何有效地监控数据质量、维护数据指标体系同样就成为企业想

140、要用好 BI 的关键。图：BI 演变的两个分支这些传统 BI 的痛点推动 BI 开始加速演变：2013 年之后，BI 开始主打自助分析的概念，解决前端的展现能力问题，这种产品深受大多数企业欢迎，尤其是之前被前端无法使用问题所困扰的客户群体。数据仓库：为业务决策和经营管理做支撑5.1数据仓库的重要性：数据底层建设的优解大多数企业不同部门的视角和问题并不太一样，信息部门常处的状态就是加班重、任务重，有大量的需求需要去响应。对于信息化、数字化的建设投入了大量的人力和物力，但时常还会受到业务部门的吐槽，投入产出比较低，价值也没办法去衡量，所以通常信息部门会被企业定义为成本部门或者边缘部门。而业务部门想

141、要数据，想要结果看板，但是可能提流程或者工单需要经过较长的响应周期才会实现，做出来的结果看板常常会遇到加载时间长的问题，每一次看的数据可能是前天或者昨天的。因此，数据结果的开发周期、准确性、时效性是业务部门最关心的部分，而企业管理部门最关注的是投入产出比，比如信息化建设的 OA/ERP 等业务系统，成本其实都不低，随着业务信息化的投入，整个资源的应用还会加大，但是业务部业务人员常常会给管理层抱怨信息化建设并未有效地提高业务运营质量。此时，管理者就会对于信息化的投入产出比是否对等产生疑问，同时由于数据存在问题，所以管理者常常没有办法以全局的视角进行管理和决策。为了解决这些问题，企业需要明确做信息

142、化建设的目的就是支撑业务的发展，帮助提升业务经营质量，为企业带来价值。同理，企业不是为了做数仓而做数仓，要让数据的建设和业务紧密关联，将数据和业务进行强绑定。帆软数据应用研究院在调研客户时，发现很多企业反馈最终想达到的模式是让业务部门和信息部门各司其职，信息部门做好数据准备的工作，业务部门做好分析的工作，让懂业务的人员去分析业务，让懂数据建设的人员去建设数据，两者形成一种新的配合模式。为了实现这些目的，数据仓库的重要性就凸显出来了。数仓作为信息化建设的后半段成果，以沉淀的业务数据为基础，通过构建良好的数据模型来为业务决策和经营管理做支撑。为什么会强调以建设数仓来解决不同角色的诉求呢？因为随着市

143、场的快速发展，企业想方设法地提高业务管理质量，需要可靠的数据及时地做出判断决策甚至业务调整，所以往往会选择建设更专业化的信息系统去支撑业务发展。7475商业智能应用白皮书 5.0商业智能应用白皮书 5.0随着业务的不断扩大，业务系统沉淀的数据也会呈指数级的增长，会有越来越多的数据需要被收集、存储应用。这种情况就会导致数据存在系统孤岛的现象，数据难以整合，不同系统的数据口径不统一、不规范，数据结构也很复杂，导致数据应用的难度也会持续增加，最后会造成业务部门和信息部门跨部门之间的协作效率逐渐降低。企业过去花费大量的精力在数据获取和处理上，但是其实企业真正应该关注的是面向业务的经营分析，这就要求数据

144、底层建设应该变得更便捷快速，其中建设数据仓库是一种性价比极高的方式，能够以较低的成本快速看到效果。图：数据仓库是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合数据仓库的本质：面向数据分析应用并不是一款产品，而是一种具有数据架构的数据集合，按照企业的特性进行个性化的搭建，目的就是为了给业务决策提供数据支撑。仍然是一个数据库，而且是将业务系统的数据组织形式转变成面向分析型应用的形式。业务系统的数据库和BI 数据库（数仓）有根本的区别，业务系统的数据库更多是是描述业务过程，支撑业务流程；而 BI 的特点是跨越组织，跨业务流程，是一个面，而不是线，因此 BI 数据库（数仓）是面向数据分析

145、应用的。这两种形式的转化是不容易的，因此数仓就是通过 ETL 和建模来完成，ETL 来控制表数据如何计算，完成输出到另外一张表，而模型控制的是表格结构。数据仓库的特点：集成、时效、持久数仓是面向业务主题的，这意味着数仓为关心的业务主题提供准确全面的数据，让大家能够深入地了解业务的现状和历史发展的趋势。数仓是集成的，数仓整合了多个业务系统的数据，保证了数据的完整性、一致性，能够支撑复杂的查询和分析。数仓是时效的，意味着数仓会定期或者实时地从业务库同步新的数据内容，并且会向应用前端提供高时效的数据，能够及时地响应业务变化。数仓是持久且非一时的，这就意味着数仓本身存储的数据长期进行保留，方便对历史的

146、数据进行回顾，对整体的发展趋势进行整体的分析。图：数仓的特点7677商业智能应用白皮书 5.0商业智能应用白皮书 5.0可能有企业会问，是不是所有的企业都必须要建设数仓？是不是建设了数仓就高枕无忧了？其实不一定，企业不同的发展阶段，底层的需求是不一样的。数据建设没有万能的公式，只有最适合企业自身的解决方案，个性化地建设数仓。企业的信息化建设初期，数据量比较小，逻辑结构也很简单，可以通过直读数据库的方式快速地应用数据。随着系统的数据量变大，业务的扩展，读写频率就会变高，这个时候业务库的压力就会变得越来越大，会影响到业务系统本身的使用。为了解决这个问题，会建立中间数据库，也就常说的中间库，进行读写

147、分离，将数据预处理；或者常规的离线处理，就是 ETL，在中间库这个阶段改造成本很小，但是数据应用效率提升却非常明显。大部分的企业会在中间库阶段发展很长一段时间，因为这个阶段已经能满足很多基础的数据应用了。中间库阶段算是数仓的初级阶段，但是随着业务交叉越来越多，需求也越来越多，由于中间库没有进行统一的整合管理，中间库做的一些成果，只能有针对性地应用，不可复用，对中间库的改造也比较困难，造轮子的现象比较严重，此时需要开始建设完整的数仓。企业通常会以满足业务主题为目的，建设独立的数据集市架构或者集中式架构，这两者都是应用于业务发展。其实它们的区别很简单，独立的数据集市架构就是根据 ERP 系统，或者

148、针对 mess 系统，进行专门的小型数仓的搭建，严格来说称之为数据集市，但是也能够满足业务，但是随着业务系统越建越多，比如有了 OA，除了主数据系统以外，还有PPI、ML、PLM，还有 WS 等其他系统。此时，业务交叉很频繁，需要通过集中式的架构把所有的业务库的数据集中在一个数仓里边，然后对数据进行分层应用。现在很多企业，多业务系统是很常见的，集中式架构可能更适合大多数的企业，这样将不同的系统进行集成，所有的数据都是一个出口，实现了输出一口，其次统一了不同业务系统的口径标准；并且在整个数据库的搭建过程中，会进行相应的数据治理，比如 DW 层/DIM 层，实现建立完善的数据管理体系，让数据成为生

149、产力的发动机。帆软最希望的模式，是通过建设数仓，帮助企业打好数据底座，改变传统的数据分析模式，以前 it 人员需要去搞定数据准备，自己利用数据进行报表开发，业务人员常常就在旁边扮演评委。现在 it 通过搭建数仓，准备好数据以及宽表，数据利用的角色从 it 变成了业务自身，自己去做自助式的分析。让懂业务的分析业务，让懂开发的搞数据开发。而好的数据应用其实最离不开的就是数据基础。数据治理：面向数据应用提升数据准确性5.2帆软理解的数据治理内涵：是一套管理体系数据治理（Data Governance DG）数据治理（Data Governance DG）是企业对数据资产管理行使权力和控制的活动集合（

150、包括计划、监督和执行)，它是管理企业数据资源的一种方式、方法，旨在确保数据的质量、安全、合规和有效性。数据治理是企业实现数据战略的基础，是一个管理体系，包括组织、制度、流程和工具。数据治理是一套复杂的管理体系，它无法通过单一的工具或产品来实现。数据的生命周期包含了源头、处理和消费这三个阶段，数据的问题也可能会出现在这三个环节中。例如在数据源头环节，用户录入数据的规范性存在问题，导致了最终数据消费环节的数据质量低。数据表象问题的根源，可能来自于业务系统用户交互设计，乃至是底层数据库表结构设计上的缺陷。而要想解决这些表象的数据问题，就必须解决深层次的信息化业务系统开发以及数据库表约束设计等问题。例

151、如为了保证用户录入数据的准确性，有三种方式去设计业务系统：其一是设计前端的检验验证，避免用户做出相同的选择；其二是通过程序编写过滤判断的逻辑，筛除掉前端误入的数据，作为第二层验证；其三是通过建立约束条件，例如唯一性约束、检测约束等等来控制数据录入准确性。因此，企业的数据治理远非使用一款单一的工具或产品就可以实现的，它是需要回到源头，对企业的组织、流程制度、业务系统、底层架构等多个方面进行排查和重构的，它是一套复杂的管理体系。7879商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：数据问题表象与根源帆软数据治理策略：拉式策略与推式策略考虑到数据治理工程的复杂性，我们提出了两种目的性不同的

152、数据治理策略：拉式策略（Pull Strategy）和推式策略（Push Strategy）。01拉式策略面向数据应用，是以提升数据应用过程中的数据准确性为目标的数据治理建设策略它强调在数据应用的过程中定位和解决问题，以数据应用项目为建设周期。具体而言，拉式策略有三个特点：拉式策略通常以指标体系为起点，进行金字塔式自上而下的规划与建设，通过“数据流、业务流、信息流”的过程反向推动数据质量提升；自上而下：它包括多系统的数据整合、拉通、清洗、处理，以及数据仓库建设和 ETL 开发过程；数据整合：拉式策略面向数据应用。根据实际业务情况，主要解决数据指标定义标准不清晰、指标计算口径不统一、指标计算口径

153、版本变更、数据不准确、数据上报与数据审核等数据应用场景出现的问题。数据应用：02推式策略面向数据全生命周期的管理与控制，是一种体系化的数据治理建设策略它强调体系化的计划、监督、预防与执行，包括多年计划的数据策略建设周期。具体而言，推式策略有三个特点：推式策略不针对某个单一的、具体的数据应用场景，而是一个全面体系化的治理过程；体系化、系统化：它贯穿数据全生命周期的管理，例如数据采集、数据质量、数据应用、数据安全、数据分享等多个环节；全生命周期：推式策略从数据治理策略（目标、范围、方法和组织）开始，通过专业的数据治理团队进行数据治理的规划、实施和监督，通过制定数据管理流程规范从源头业务系统的构建到

154、数据的分发、流转，包括数据安全策略与控制，最终贯穿数据资产管理、分析和挖掘的全生命周期过程。立体策略：8081商业智能应用白皮书 5.0商业智能应用白皮书 5.0拉式策略（Pull Strategy）推式策略（Push Strategy）项目时间分配80%的时间分配在数据消费端和处理端，以数据消费推动数据治理80%的时间分配在数据生产端，先数据治理后数据消费数据治理范围范围小，专注于治理被消费的问题数据范围大，专注于治理数据生产端，即产生数据的地方的问题涉及企业流程数量、范围可控的核心业务流程企业各级别的几乎所有业务流程外部参与外部供应商配合参与程度低需要外部供应商配合参与系统改造实施成本成本

155、可控且试错成本低成本较高且试错成本高投入周期短，通常以月为单位长，通常以年为单位根据多数企业的实践经验，以数据应用需求为起点的拉式策略有着更短的实施周期和更低的投入成本，是一种更加灵活、更加敏捷的数据治理策略，我们将在下文中着重介绍这种数据治理策略。适合多数企业的数据治理更优解：拉式策略以提升数据应用过程中数据准确性为目标的拉式数据治理建设策略主要包括 3 个流程：基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升；基于指标体系的数据问题洞察：通过数据仓库建模、合理的分层设计、ETL 过程开发等，保

156、障数据模型及架构的稳健性和可扩展性，提高数据使用的准确性；稳健的数据架构设计：03两种策略比较拉式策略以数据应用需求为起点，推式策略以标准规划为起点，两种策略在多个方面有差异：建立面向高层管理的数据指标管控及审核机制，确保数据应用过程中（上报、可视化分析）关键数据必须经过有效审核，提升数据使用质量及数据准确性。数据应用审核管控机制：01基于指标体系的数据问题洞察数据问题洞察流程数据问题的洞察过程可以分为5个步骤：第一步是企业内部的资料收集和需求调研；第二步是指标体系梳理；第三步是确认可视化原型设计方案；第四步是“数据流-信息流-业务流”的问题识别过程；第五步是暴露问题，形成数据质量提高待办。这

157、些步骤中最为重要的是第二步指标体系的梳理和第四步“数据流-信息流-业务流”的问题识别过程。数据问题洞察，本质上就是基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升。企业数据问题的洞察始于数据流层面的对指标体系的梳理。指标体系里包含指标和维度，指标即是目标，维度是数据的视角。在确定指标体系后，就需要标准化指标的定义与计算口径、计算逻辑，包括对不同计算口径的版本管理。在计算口径确认后，就需要顺着计算逻辑逐层向下追踪，查看数据能否被获取到。数据流层面：图：数据流-信息流-业务流的数据问题洞察流程8283

158、商业智能应用白皮书 5.0商业智能应用白皮书 5.0如果在数据流层面出现了问题，比方说数据不能被获取到，那么问题很有可能出在信息流层面，例如信息系统建设存在问题导致数据没有被收集。在这种情况下，可以通过手动填报的方式补录数据，也可以在后续的阶段中完善信息系统的建设。这一过程体现了从数据流到信息流的分析，企业能够更深层次地洞察数据问题的本质，通过数据流暴露的问题来逆向推动未来信息流建设的完善，进而支撑更全面的指标体系。信息流层面：数据流层面出现问题，排除信息流层面存在的信息系统建设问题，还有可能是业务流层面的管理问题导致的。例如同一个指标有不同的计算口径，这就不是信息系统的问题，而是管理自身的问

159、题，是由于部门间的冲突而导致的。从数据流到业务流的分析，企业可以通过表层的数据问题洞察到自身业务流程上存在的弊端，从而逆向完善业务管理流程和管理边界。业务流层面：在这样金字塔式的数据问题洞察方法下，通过阶段性、有限的指标体系框定了取数的来源范围，因此不会盲目地扩大数据治理的范围和目标。通过在限定的系统范围内洞察存在问题的数据，可以形成有针对性的数据治理策略，让问题聚焦。最后通过阶段性的识别问题、解决问题，可以由点到面、由浅及深，暴露的问题逐步解决，保障阶段性的建设成果。数据问题洞察案例案例一：通过“数据流”和“业务流”定位到“信息流”层面的建设问题某集团内部分包导致项目产值及二级单位业绩划分不

160、明确表象问题：在数据流层面上，发现各部门项目产值不一致，数据的准确性存在问题。基于这个问题，进一步去挖掘信息流层面和业务流层面的根因。在业务流层面上，集团有明确的业务管理标准和规章制度，需要各部门在项目成立时就明确产值，并在缴纳管理费时才需要上报产值，因此业务流层面不存在严重问题。在信息流层面上，项目组织建立时存在同一个项目在信息系统中有两个层级项目的情况，因此 NC 中项目组织存在“多对一”的情况，导致系统中取自 NC 的项目组织的数据存在问题。至此，我们通过“数据流”和“业务流”的分析，将数据问题定位到了“信息流”层面的系统设计问题。根因分析：从信息侧的角度，在 NC 中建立项目组织时，需

161、要划分项目组织层级，总承包项目部由总承包申请建立，内部分包项目部建立时需要选择对应的总承包项目部；从数据侧的角度，进行产值统计时，项目总产值仅统计一级组织的产值数据。核算各公司产值时，按照对应组织核算自施部分产值，并抵扣内部分包的产值。解决路径：最终，通过完善业务系统中项目分级管理的机制，实现项目产值的精准核算，完成了从数据问题洞察到数据治理的过程。治理成果：图：数据治理成果展示-信息侧-数据侧-8485商业智能应用白皮书 5.0商业智能应用白皮书 5.0案例二：通过“数据流”和“信息流”定位到“业务流”层面的管理问题某集团在建项目、完工项目数量各部门数据不一致表象问题：数据流层面上，发现在进

162、行数据分析时，从各业务系统中获取的数据不一致，并且项管部仍存在线下统计数据的现象。进一步分析，发现信息流层面不同的业务系统，对项目状态的定义模糊、不一致，例如项管部以项目部发文为开工，商务部以获取开工报告为开工。至此，我们已经可以明确问题的根源在于业务流层面，集团内部缺乏统一的制度、流程来明确项目各节点的划分标准，也没有明确以固定的流程节点划分项目状态。因此，要想治理各部门项目数量的数据问题，就必须在集团管理流程和标准上做出改善。根因分析：从业务侧的角度，开展跨部门的沟通交流，统一项管部、人力部、商务部的项目状态定义标准；从信息侧的角度，完善项目状态各阶段划分流程，在OA系统中完善、改造流程节

163、点；从数据侧的角度，根据现有流程优化取数逻辑，实现数据的来源一致和跨部门应用。解决路径：最终，实现了跨部门项目数据的统一，规范了项目全生命周期的管理流程，完成了从数据问题洞察到数据治理的过程。治理成果：-信息侧-业务侧-数据侧-图：数据治理成果展示02稳健的数据架构设计在洞察到数据问题所在并进行了数据侧、信息侧或者业务侧的改善后，进行稳健的数据架构设计是拉式策略的第二个流程。这里主要涉及通过数据仓库建模、合理的分层设计、ETL 过程开发等，保障数据模型及架构的稳健性和可扩展性，从而提高数据使用的准确性。值得强调的是思考数据架构有三个出发点：稳健性、可扩展性和效率。数据仓库架构的稳健性需要通过数

164、据仓库分层来解决；数据仓库的可扩展性要通过数仓建模、维度一致性等方式来解决；效率问题需要通过多系统数据集中、处理，从流程型数据架构转变到分析型数据架构来解决。03数据应用审核管控机制我们数据治理策略的最后一个流程是建立一个企业内部，面向高层管理者的数据指标管控及审核机制，确保数据应用过程中（上报、可视化分析）的关键数据必须经过有效审核，提升数据使用质量及数据准确性。8687商业智能应用白皮书 5.0商业智能应用白皮书 5.0以某集团的经营分析会数据审核流程为例，集团总部的填报用户保存、提交数据后，数据会被锁定并流转至集团总部的审核用户处。如果数据审核通过，它会被定版并做会前使用准备；如果数据审

165、核不通过，它则会被退回填报用户处，并且系统会自动推送审核失败原因给填报用户，后台同步更新审核记录和状态。子产业集团的填报用户提交数据后，流程情况与集团总部的填报用户类似，只是需要额外经过一轮子产业集团审核用户的审核。如果在子产业层面审核通过，数据将会做会前准备定版，流转至集团总部审核用户处。如果集团总部数据审核不通过，数据将会被直接退回子产业数据保存中心，并推送原因给子产业填报用户。总之，双重审核流程保障了子产业集团数据上报的准确性，进而提高了集团总部高层使用数据的质量。图：某集团经营分析会数据审核流程归根结底，企业表层数据问题的产生往往有深层次的业务系统设计、流程制度管理方面的原因。因此要想

166、通过数据治理提升企业数据的质量，就不能仅仅依靠一个工具或产品解决表象的问题。帆软提出了企业数据治理的拉式策略（Pull Strategy）和推式策略（Push Strategy）来满足不同的数据治理需求。考虑到当今企业面临的复杂环境，实施周期更短、治理成本更低的拉式治理策略更能及时满足企业数据消费的需求，是一种更灵活、更敏捷的数据治理方式。在该策略下，基于指标体系的“数据流-信息流-业务流”分析逻辑能够帮助企业发现、洞察、追踪数据问题产生的根源；稳健的数据架构设计能够帮助企业解决数据质量的问题；数据应用审核管控机制的建立能够帮助企业解决错误数据被使用的问题。经过系统化的数据治理，企业数据质量将

167、更能满足消费的需求，基于数据的决策也将更加精准。数据指标：企业监控与贯彻战略的抓手5.3大多数企业数字化转型已经取得初步成果，战略方向上基本明确，组织架构上有足够支撑，系统工具上基本完成建设。不过实际的转型效果依然参差不齐，不少机构仍然存在战略与执行脱节，取数难用数难，指标口径不统一，同名不同义等痛点。究其原因，大多数的问题都在指标上，因为指标是监控与贯彻战略的抓手，取数、用数自然也是为了计算指标，口径不一等指标的痛点，自然也影响业务监测，进而导致战略与执行脱节。因此，数据指标能否用得好，成为数字化转型的关键，本节将介绍数据指标在行业中的应用，重点围绕下面三点展开：如何建体系如何用指标如何建底

168、层如何建体系：自上而下&自下而上相结合首先来介绍如何构建指标体系。指标体系设计框架已较为成熟，主要来源于企业战略自上而下的演绎，以及一线业务实操自下而上的归纳。基于这种设计方法，再加上底层应用和管理体系的支撑，共同构成了一个整体的经营分析的指标库。整体的目标制定是基于公司的发展战略，如十四五战略规划、数字化转型规划等，分析战略实现的决定性因素，梳理指示实现价值的可测量数据，进而形成一级指标，或称北极星指标。8889商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：指标体系设计-核心框架 指标体系是按照自上而下演绎、自下而上归纳两个方法结合，多维多层指标框架是对整个业务板块指标的梳理，在每

169、一个板块里面横向展开指标业务的维度，纵向基于整个指标的层级，从战略指标展开至经营管理指标、业务执行指标。指标体系梳理完毕，应用包括可视化、流程、用户交互等。指标的管理体系，需要基于管理制度、管理流程、组织职责。01自上而下的方法：基于企业自身业务战略战略衔接需要通过核心指标拆解成为各个部门的承接指标，但是这些指标中的维度和口径之间会有区别，这些区别是整个指标体系设计里面需要重点关注的各项标准。这里需要引入“价值树”的概念，可以理解为战略分解的关键影响因素，可以拆分为不同层次的价值流，比如绿色工厂里面可能会分解为相应的供应链，供应链里面又可以分解成为不同的价值流，包括每个环节的响应效率、每个环节

170、执行的质量健康度、基于时效和质量产生的对应成本等。其次，这些价值流在不同业务板块都有不同的呈现方式，需要根据价值驱动因素优先级进行排列，比如目前哪些部门里面的哪些对应的价值流是需要核心先关注的。自上而下的演绎包括制定北极星指标、建立价值树和价值驱动因素优先级，逐步拆解形成指标。例如，提升客户活跃和留存的北极星指标，可以拆成增加客户留存、提升产品销售能力和提升审批效率等二级指标，再向下可以拆成增加客户留存、提升客户粘性、提升客户忠诚度、促进交易量等子指标。基于公司业务发展战略，通过企业价值树分解，梳理企业核心关键 KPI，形成指标库图：自上而下演绎：运用价值树分解价值驱动因素，逐层进行指标的拆解

171、 这种自上而下演绎的方法论和传统指标体系建设方式存在一定差异，传统指标体系通常是拆解到维度，而这里则注重指标上下级之间的关联。在大指标出现异常的时候，会对其下的子指标进行分析，寻找原因，而不是单纯的只看大指标的维度。图：自上而下演绎：运用价值树分解价值驱动因素，逐层进行指标的拆解 9091商业智能应用白皮书 5.0商业智能应用白皮书 5.002自下而上的方法：基于企业现有指标体系也叫做归纳法，通过梳理企业现有的经营指标去归纳总结，形成相应的指标互补，最终形成一个多维、多层级、全场景覆盖的指标树。比如提升渠道能力，可能涉及很多指标，我们把各个渠道的，比如网银的、客户经理产能的指标都细分出来，归纳

172、到体系中，形成一个结合业务维度和技术维度的全场景的指标体系框架。指标在收集的过程中，一方面需要对一线的业务系统做收集，一方面要对当前日常汇报材料进行归纳汇总，包括定期复盘会、各级管理会议相应的资料，这些资料可以帮助去做整合归类，而整合中又会用到目前指标的业务维度、技术维度等。但是自下而上梳理的过程中，也存在不同部门之间可能会有重合指标的情况，而这些重合的指标甚至可能也会在对应口径上有出入。为了解决这种问题，最好的解决方式之一是设定业务的指标owner，不同业务的指标owner会帮助整个指标梳理的过程形成更好的聚合。通过指标的收集、解析、整合和归类，形成指标库图：自下而上归纳：通过指标的收集、解

173、析、整合和归类，形成指标库有了自上而下演绎得到的指标，为什么还要做自下而上的归纳呢？因为演绎过程中，可能为了追踪新的战略目标，而设置一些新指标，这些指标对一线业务来说是比较陌生的，因此还需要收集一线常用的指标并将其体系化，进行自下而上的归纳。两个方向相结合，形成最终的指标库。案例 1：供应链环节具体的指标盘点主要包括七大步骤，即通过调研访谈梳理业务条线、场景，以及业务流程和过程，覆盖所有业务条线和场景、流程，形成原子指标，进而形成衍生指标。以供应链的采购执行为例，采购执行可以分为对整个物料需求的拆解，到需求的下单，再到供应商的对接。采购执行环节包含了不同的流程，整个信息流里面会包含单据，所以这

174、些流程和单据帮助企业构成了一个业务环节，这个业务环节所对应的原子指标同时也可以明确出其分析维度，比如供应商的维度、对应产品线的维度、不同财务科目的维度等，这些维度可以帮助企业去拆解出来KPI。基于这样的KPI，就可以明确出计算逻辑，最终通过平台落地。最终形成一个图谱，涵盖所有的环节，可以看到每个环节中有多少指标。如果某个环节没有指标，就说明存在遗漏，需要针对性地去补充指标；而如果某个环节指标偏多，则可能是KPI导向或者存在重复指标。这样梳理出的图谱就会比较完整，并且是基于统一价值链的。需要特别注意“补数据”动作，不同的业务板块里面可以拆解出来相应的业务环节，以及对业务环节拆解出相应的原子指标，

175、但是同时企业也需要去注意采取主动或者被动的方式去补充相应的数据指标。比如供应链里面供应商的管理，需要去根据现在的系统做一个比照，包括供应商的降本、供应商的配额等，这样就可以帮助企业查看哪些数据已经覆盖，哪些数据还没有覆盖。图：指标体系-建体系：通过 7 大步骤逐步自下而上梳理指标体系 9293商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：做评估&补数据，构建数据全景图，有序推动指标完整性建设案例 2：LTC 环节决策层关注的人均产值、销售收入、净利润、资金周转、销售订单的情况，再往下拆解就对应到业务环节里面，包括销售拜访、订单签订流程、发货出运的流程等等。这些流程构成管理层想要的核心

176、指标，并拆解成具体的维度，比如产品、订单、销售业务、财务等。继续往下看，这些维度会涉及到执行层里面详细的一些指标的战略体系，基于指标体系在价值流的过程中可以梳理出多维的价值动因分析，再去对相应的问题进行拆解指标，解决问题。由上至下可以分成三层，决策层、管理层和执行层举一个场景的案例，比如要对目前某个期间内订单下滑明显的行业，以及对应的客户进行定位，就先要对客户的类型、当前合同类型、延期提货、以及订单状态等生命状态去做相应的监控。要注意去观察是否在某个期间内有客户的价格是明显低于红线价的，依照LTC环节，分解出一个一个价值的动因。通过这样的方式，最终可以解决在业务环节中指标体系的完整性和业务问题

177、。9495商业智能应用白皮书 5.0商业智能应用白皮书 5.003形成指标库指标库分成三个视角去看，业务属性、技术属性以及管理属性。业务属性包括指标含义、指标业务口径、计算规则、统计区间以及相应的统计频率；技术属性包括系统的字段名称、指标数值类型、指标的技术口径等；管理属性包括指标分类和属主部门(指标的owner)。指标定义，应包括业务属性、技术属性和管理属性，特别是属主部门非常关键，需要明确由哪个部门对该指标的定义负责，当指标数值出现偏差时谁负责修正，指标管理中的很多痛点都是源于属主部门没有定义清楚。04指标全生命周期管理指标体系建好之后，还要管理好。首先，需求收集流程要明确，即需求谁来提、

178、谁来处理。指标的拆分创建流程，也要定义好各部门的职责。接下来，指标的审批、发布，后期的监控和失效归档，都需要建立相应的机制。譬如，某股份制银行的数据资产平台中存在6-7个AUM指标，无法明确该用哪个，所以只好再增加一个，如此下去就可能导致指标的无限增长，因此需要一套完善的体系对指标的使用进行监控、分析和管理。分为指标的 owner、指标落地的开发者，指标管理的维护者，指标的消费者。这些不同的管理角色可以对应到端到端的指标分解的流程（指标需求收集-指标拆分创建-指标发布应用-指标归档失效）中，以及管理制度中。指标管理角色的定义指标管理的第一步是进行指标需求的收集，需要对齐业务口径，数据初探以及梳

179、理分歧/冗余指标。在整个指标全生命周期管理的过程中，需要每一个业务部门的高层牵头去做业务指标的定期优化改进，比如可以通过定期的复盘会的形式。图：指标体系的运营管理制度、流程、组织职责，三大维度全面保障9697商业智能应用白皮书 5.0商业智能应用白皮书 5.0将战略指标进行拆解，对于经销商的覆盖率会下沉到对每一个三-六线城市进行分析；对于库存是要考虑每一个工厂、每一个基地，每一个城市的分仓/中心仓等等。对于这些维度进行运营动作的分析拆解，比如考虑城市内的门店覆盖率，必备单品的品规数，相应门店活动的投资金额、品牌的覆盖等等。以大区负责人的视角为例，本月预估是可以 4 个大区达成 75%，但是其中

180、的东区整体目标达成只有 70%。在这种情况下，需要去关注这些变化来分析东区。同时，可以通过看中心仓/分仓，以及不同的区域和经销商来看目前必备单品/新品库存、畅销品库存的情况等。这些库存的情况一方面可以帮助企业指导经销商大力去推广哪些品类，另外一方面可以帮企业通过经销商的视角去预测。以经销商的运营分析体系为例：如何建底层：贴源-明细-汇总-应用指标来自于数据仓库和数据集市，接下来看一下底层数仓/集市是如何搭建的。数仓的标准结构包括ODS层、DWD层、DWS层、ADS层。目前很多企业在使用BI等数据应用的时候，数据直接由ODS对接到数据应用，缺少了中间各层的数据加工。应用层直接读取原始数据，由于明

181、细数据量很大，会导致应用层很慢，不同的分析师从ODS从头按自己的理解加工，也会带来指标口径不一致的问题。因此企业一定要建数仓、建集市，一层一层地建设，最后通过ADS层来服务各类数据应用。主要做清洗和落标的工作，对于垃圾数据、脏数据、空数据、不符合码值的数据会统一在这层做清洗，统一标准。同时在该层做一些维度退化，把表适度做宽。最后是做数据脱敏的工作。DWD 层即汇总层，将数据汇总成服务于某一主题的宽表，不面向特定应用。DWS 层表需要满足通用性，原则上不跨主题域，并且要标明统计周期，因为不同域的时效性不一样，还要避免将不同层级的数据放在一起。汇总层如果直接从底层数据取数，那么指标的逻辑会写在SQ

182、L中。例如授信余额这一指标，业务含义是在授信额度上减掉已用额度所剩下的额度，如果没有提前在汇总层中把授信余额计算好，每个人对指标含义的理解可能不同，就会导致不同系统算出来的授信余额不一样，可能带来超额授信等风险。出现指标差异，要去查底层逻辑也会非常耗时耗力。如果把授信余额口径提前在汇总层加工好，在指做指标时只需要筛选客户类型，然后选中授信余额，就可以出指标，这样业务部门就有了自己分析指标的基础，因此数仓的良好构建非常必要。9899商业智能应用白皮书 5.0商业智能应用白皮书 5.0如何用指标：BI 分析为主，多层次应用构建好底层数仓和指标体系后，接下来看一下如何应用指标。BI 分析是指标应用的

183、主要场景，主要包括 4 种类型：即基于现在的数据做统计分析，了解现在的数据呈现怎样的特征，这是大多数客户使用 BI 的场景。第一种是统计型即了解为什么数据会呈现某种统计结果，是由哪些原因导致的，可以通过指标的维度分布查看，也可以通过下钻查看关联指标和子指标的情况。第二种是归因型指标主要用在 BI 分析，可分为 4 个层次，统计型、归因型、预测型、决策型基于现有数据进行统计分析 统计型分析统计结果，得出导致现状的主要原因、次要原因等 归因型得知原因后，直接通过业务系统改进，完成闭环 决策型根据现有统计分析，预测一段时间后的指标变化，或者可能发生的事件 预测型即根据现有的数据去预测未来的趋势。现在

184、通常的做法是通过一个项目来做，例如在金融行业里预测下个周期的不良率，或某个客户的投诉概率，在风险领域的建模，就是这样一个过程，很少能通过 BI 直接完成这个建模和预测的过程。当然目前有拖拉拽式的自助式建模分析平台，这是另一条技术路线。第三种是预测型现在能做到这一步的非常少，或者说这不是 BI 的定位。决策型是指当发现某业务的趋势后，直接通过接口把需要修正的业务通过 API 发送给业务系统进行修正，例如改一个开关功能、改限额、改属性等，整体是把 BI 的边界做得很大，这是不是 BI 的职责目前还没有定论。但这确实是指标分析的终极目标，即能够完成从分析、归因到改进的闭环，并且能够监控改进后的结果。

185、第四种是决策型目前绝大多数 BI 都属于统计型，包括报表和大屏一类的可视化应用。随着人工智能技术近两年突飞猛进的发展，AI for BI这个赛道最近又热了起来，AI在统计型BI中，能帮用户做些什么呢？100101商业智能应用白皮书 5.0商业智能应用白皮书 5.0利用大模型的能力，可以通过问答的形式，给到一些原因的提示，如果输入的内容其他人已经输入过，或者在库里能够匹配到这些度量或者维度，系统会做一些提示，也可以帮助引导分析思路。分析出来后，产品会把整个的意图和分析过程展示出来，由用户确认分析路径是不是有问题，用户也可以在上面直接去改维度和分析的度量。这就是目前 FineBI在尝试的问答 BI

186、 产品。统计型 BI 更多的还是为你展示数据是什么样的，但不能告诉你为什么。基于这一问题，FineBI 提供了数据解释的功能，可以初步完成归因和下钻。比上图所示，可以看到 2016 年利润突然上涨很多，一般在传统 BI 中需要把该指标提出来，再去数仓中做分析。FineBI的数据解释功能，可以自动将利润指标所涉及的维度全查出来，这样就可以看到哪个维度占比最大，比如 A 产品的利润占 88%，是主要的贡献者，可以继续下钻查看 A 产品在不同地区的销量，又发现华北的 A 产品销量贡献最大。这样就得到了初步的归因，但这还是基于维度的，有时维度差异不大，再往下钻维度差异也不大，就说明可能不是这些维度的影

187、响，可能是底层其他子指标的影响，因此需要进一步的归因分析。在完成初步的分析以后，还可以进行深度归因，这是基于指标体系构建时不同指标之间上下级的关系。102103商业智能应用白皮书 5.0商业智能应用白皮书 5.0例如信用卡的透支余额指标，可能受卡数量和户均余额影响，这就是指标体系构建时，将北极星指标拆解到两个子指标，还可以继续下拆，比如卡数量可能受申请总量和通过率影响，申请总量又可以看不同的渠道，到底是线上还是线下渠道的申请总量变动比较多。类似的拆分逻辑是基于业务知识的沉淀，通过大模型以及问答 BI，学习业务人员的分析思路，最终体现在产品中，给出一些提示和建议。比如在问答时自动弹出一些推荐，提

188、示是否要看一些关联指标。这是AI在指标管理和BI领域中的一个非常好的应用场景。预测型BI相对比较困难，目前大多是通过项目来实现。通常会涉及一些逻辑回归等模型，需要对大量的历史数据做处理，之后形成对未来的洞察。例如预测投诉，客户多次访问页面并在与客服通话中多次表达不满，这些都是客户投诉的前期表现，有了这样的数据积累后，就可以预测客户在哪些日期存在较大概率会投诉。如果通过 BI 或指标来分析比较困难，首先这其中涉及非常多的非结构化数据以及非数值数据，需要进行 WOE 或 onehot 变换，其次到底是哪些因素影响的Y 变量，很难判断，需要非常多的数据积累，反复的调参以及业务人员的经验，因此通常通过

189、项目来实现。基于归因分析发现了问题根因，然后通过 API 或者在跳转业务平台的直接操作，完成问题发现、归因到解决的闭环。例如前面的例子，卡量下降 8%，经过分析发现线上申请总量下降了 9%，那么就要定位到线上渠道去解决问题，如果解决不了可以督办下去，这就涉及到经营分析的一些思路，即通过指标分析和归因识别到问题以后，督办问题负责人予以解决，把问题转给渠道管理来解决。又比如，笔均交易额突然出现大幅下跌，笔均交易额通常是受交易渠道限额影响，接下来去分析渠道的限额，如果发现确实是交易限额有变化，就可以去修改限额设置，直接在 BI 里面完成接口修改。这就是将来指标管理和BI产品的一个可能的方向，即完成统

190、计、归因、预测、决策的闭环，在BI中直接解决问题，这样使数据分析的价值更加显性化。104105商业智能应用白皮书 5.0商业智能应用白皮书 5.0指标体系都存储在指标库中，可以由专门的指标管理系统来存储，不过不必纠结于工具，比如我们团队的指标库就是基于飞书在线文档实现的，包括业务架构、指标清单、管理要素、指标模型、维度清单等，还包括常用指标展示的驾驶舱和数据应用场景等。例如前面举例的信用卡余额指标，拆解为数量和余额，以及进一步拆分成申请总量和通过率，这些都可以通过父子指标的层级配置实现。北极星指标的拆解关系都配在指标库中，业务人员想要分析时，只要在指标库里面查一下这个指标的下级指标都有哪些、怎

191、样使用，还可以叠加不同的维度，就可以完成指标的下钻和归因分析。写在最后构建好底层数仓和指标体系后，接下来看一下如何应用指标。数据项目的最大风险：建完了以后没人用 所有的产品的最终目标是让业务人员可以直接使用。然而目前在很多企业，BI 的推广和使用还存在很多问题，比如一些年龄比较大业务人员不会使用或者说抗拒使用，还有些人认为应该由技术人员来做，数据分析的职责不清。针对这些问题，最关键的是组织架构上，需要有相应的数据分析团队帮业务部门分析，而且数据分析团队最好内置在业务部门，每个业务团队有 1-2 个数据分析岗，这些人员由业务部门考核，逐步的让业务条线感受到数据的作用，以及数据分析上手不难，这是需

192、要一个过程的。数据项目的最大风险就是建完了以后没人用，因为数据项目与业务系统不同，通常是非刚需项目，不是雪中送炭，只是锦上添花，即没有这一套产品，业务也能生存下去。所以在做数据类项目时，经常是建完以后业务部门觉得学习或迁移成本太高，没必要用，业务部门还是习惯在原有的逻辑中去完成。甚至有一些业务人员认为数字化对其自身是一种威胁，原来所有的业务经验和知识，包括客户都在脑子里，如通过数字化的手段固化到系统中，那个人的价值在哪？因此要让业务人员充分参与，意识到产品能够减轻工作量而不是增加工作量，需要长期的宣导、培训、竞赛，把企业的数据文化建立起来，这是最核心的工作。通常的培训都是产品上线后介绍产品操作

193、方法，做起来非常简单，但是绝大多数情况下不起作用。现在帆软有专门的团队通过一套方法论来引导客户，而不是单纯的讲产品功能。整体包括数据人才诊断、培养和评估三个环节：先看整个组织架构有没有问题，包括人才体系建设、职能岗位职责分布；然后去做培训，有线上、线下、集中、分散、点对点、批量等多种方式；之后去做评估，包括 FCA 和 FCP 认证。我们合作的客户中，例如华夏银行，就把指标派到了分行，要求每个分行都有一些工程师能够参与分析，这样就可以比较好地加强业务的积极性。在东亚银行，也做了很多培训和大赛，包括请领导站台、内部宣发、外部宣发等，使整个产品的使用比例有了大幅提升。当习惯用数据做决策后，这套系统

194、就会成为业务人员工作中的必不可少的工具。106107商业智能应用白皮书 5.0商业智能应用白皮书 5.0帆软数字化建设之道：BI 筑基，业务引领THE WAY OF FANRUAN DIGITAL CONSTRUCTION:BUILDING BI FOUNDATION,LEADING BUSINESS帆软视角：数字化建设的三大阶段6.1在帆软眼中，数字化分为三类：业务主导，给 IT 部门布置任务，但是只有 IT 部门自己懂信息化、数字化。第一个是业务追随（Following Phase)业务和 IT 深度配合，出现业务型 IT，IT 型业务。除了 IT 部门，业务部门也开始有部分人拥有信息化意

195、识、数字化意识。第二个是业务协同（Synergizing Phase）IT用数字化手段去帮业务进行突破，帮业务分析是否有问题，盯相关改进进度，最后达到让数据成为生产力。同时，业务人员开始更多的人拥有信息化意识、数字化意识，和 IT 部门共同驱动新场景变革。第三个是业务引领（Leading Phase)数字化：始于跟随、加速协同、奔向引领108109商业智能应用白皮书 5.0商业智能应用白皮书 5.0帆软数字化建设：三大阶段实践进程01业务追随阶段（Following Phase，2011-2017 年）在 2011 年之前，帆软内部只有一个用来提交 bug 的 bugtricker 的系统。2

196、011 年之后，帆软开发了 CRM1.0，起源是销售部门提出系统需求，销售拜访记录需要有专门的系统记录。2012 年，帆软想要进一步把把客户抓起来，上线社区V1.0，同时 crm 里面开始分成线索、销售、合同管理模块。2014 年，开始在 CRM 里面做企业经营管理，所有的模块都放在这套系统里面，包括营销线、后方的日常管理，甚至产品需求提交。在此阶段，仍然仅有 IT 部门人员拥有信息化意识、数字化意识。02协同业务阶段（Synergizing Phase，2017-2021 年）从 2017 年开始，帆软数字化进程开始踏入“业务协同”，业务部门开始有部分种子选手逐渐拥有信息化、数字化意识。帆软

197、在业务建设这块主要是参考华为的 LTC 标准化流程来进行梳理。其次，帆软自身的 FineBI 产品也在不断的往前走，逐渐成为市场头部厂商；同时，乘着零代码市场快速发展的东风，帆软的简道云产品开始逐步占据市场，对外而言，帮助不少客户的业务部门实现更快地搭建流程；对内而言，也帮助帆软自身提速进行业务协同布局。图：数字化三阶段矩阵（Three phases of Digitalization)03部分引领阶段（Partially Leading Phase，2021 年-至今）从 2021 年开始，帆软重新定义 IT 在公司内部的角色，由 IT 集中制转向 IT 自治化，即产品线有自身的 IT，营销

198、线有自身的 IT，公共支撑也有自身的 IT。当时正值 FineBI 进行全面市场推广时期，同时帆软将自身内部作为试点，在内部进行 BI 推广，不仅在总部设置数据运营官，同时也在各个战区设置相应的数据运营官，同时大部分业务部门开始拥有信息化、数字化意识。此外，大部分的业务流程都迁往简道云，比如财务报销、人事等。从 2023 年开始，帆软自身的发展进行平稳期，开始重新审视自身的数字化工作，包括是否有重复开发的、浪费成本的动作，重视高效运维。这一年最大的动作是重新合并公司的若干个 IT 部门；其次采用运维+专项开发的模式并行，即开始通过若干个专项，朝着业务协同方向发展，真正明确帆软能产生的价值和投产

199、比。最后构建客户和帆软的互动旅程，例如帆软服务平台、在线报价单等。从 2024 年开始，除了高效运维、专项推动，另外更加注重信息安全，帆软内部推进了各种保障方案，包括推进等保三级认证、设计数据密级等。总结 2023-2024 年，帆软成功落地一些最佳实践，包括 2023 年 CRMBI 推广，以及 2024 年数仓推广等。图：帆软各系统的阶段 110111商业智能应用白皮书 5.0商业智能应用白皮书 5.0帆软信息化部门的定位：保障效率提升01整体定位是保障公司整体效率的提升（Ensure Top-to-Down Efficiency)首先是业务运作效率的提升，为了能够让信息化部门更加关注提升

200、效率，帆软把数字化专项中的业务和信息化区分开，这样信息化部门不需要关注业务价值的变化，而是重点关注业务自动化、审批简单化以及自助分析的本身效率；其次是系统支撑效率，主要动作包括全民开发、系统框架化；最后是管理效率提升，主要方向包括全面预算和数据文化。基于以上三个提升，帆软可以盘定位、拉现状、立专项，做好部分引领阶段的专项推动工作。02信息化部门的整体规划蓝图（Overall Blueprint）分成设施层、数据层、应用及分析层、面向客户平台、客户层，每一个层级都有对应的小组在进行服务。每年服务器花费一千多万，主要是云服务器以及托管的机房；第一个层是设施（Infrastructure Tier)

201、图：帆软信息化部门的自身定位（Self Positioning)目前在做数据仓库，会有相关的数据质量报告，基于主题做相关的数据存储；第二个层是数据（Data Tier）首先是对内应用，比如公共平台，比如kms、需求管理。其次是业务层的应用，像EAP研发测试平台，以及市场管理、销售管理、项目管理、服务管理等等，这块主要是营销支撑、公共支撑、产品支撑以及技术预研小组在里面进行投入；第三个层是应用及分析（Application-and-Analysis Tier）有营销平台或者在线报价平台、在线交易平台、在线的服务平台，未来会有在线渠道平台；第四层是面向客户的互动平台（Interaction-wit

202、h-Clients Tier）有在线服务、在线交易、供应商管理、开发者社区、合作伙伴几个大模块。第五层是客户（Clients Tier）图：帆软信息化整体蓝图规划（Overall Blueprint）112113商业智能应用白皮书 5.0商业智能应用白皮书 5.003如何搭建具体的系统架构（System Structure）？帆软基本是通过自己的产品来进行搭建，包括 FineReport、FineBI、简道云、FDL。首先，目前数据库是采用的第三方数据库，但是数据层的数据流通的实现都是通过自身的 FDL 产品；其次在应用层这块，主要是用自身的 FineReport和简道云，其中简道云更多被业务

203、部门用来进行应用开发和流程搭建；最后，分析层是采用 FineBI 产品，用来进行各种关键业务的数据分析。帆软实践：数字化建设中的业务层6.2部分业务引领阶段，金字塔建设逻辑帆软的数字化建设逻辑是以金字塔的形式，先从“文化（culture)”牵引出“战略(strategy)”、根据“战略(strategy)”设定对应的“流程(flow)”，再从“流程(flow)”拆解对应的“绩效(performance)”，最后基于经营结果进行“分配(allocation)”，借助从“文化(culture)”到“分配(allocation)”整个过程中的数字化力量对业务进行赋能提效。文化是帆软的底层逻辑，帆软任

204、何的流程、制度都不会违背帆软文化，帆软做决策的时候会判断哪个选择更符合“为客户提供更高品质的产品和服务”。在文化的基础上，帆软通过定战略明确未来的发展方向和路径。文化图：帆软数字化建设之道（Digitalization Construction）114115商业智能应用白皮书 5.0商业智能应用白皮书 5.001战略是分为短期和长期的，24年短期战略是“国产化客户突破”和“新产品推广”，长期十年战略是以“应用复用”和“公共模块”为主。战略执行过程中资源会向战略对齐，未来的资源会跟战略匹配，调整不匹配发展方向的产品，不做集成商、不做代理商。战略流程是实现战略的重要手段，是最佳实践的沉淀，标准和灵

205、活共存，有明确的制度和流程公示，指导同学以高质量和优秀方式方法进行工作。帆软的流程主要学自华为，结合自身情况进行了优化，整体的落地过程是先有业务的标准化再落实到系统。专项是以项目制运作的，有明确的项目目标，有明确时间、范围、成本来解决特定问题。流程帆软通过组织绩效实现战略到执行层面的落地，目标是从战略拆解到部门，再拆解到个人，从流程到绩效，再由绩效反馈流程，优化流程；同时也重视员工的能力成长，提高企业人效。绩效分配是经营成果的共享，帆软会根据经营成果导出薪酬包，根据绩效和职级等系数导出个人收入；同时也会根据个人收入设定递延，共利金，导向长期共识。分配文化层和战略层（Culture and St

206、rategy）谈帆软的战略之前，首先了解一下帆软的组织架构（organization structure）：第一层：战略小组分成6个虚拟组织，四个共识营（战略共识营、分配共识营、文化共识营，不坑客户共识营）+两个参谋营（管理会计参谋营和人力资源参谋营）第三层：产品支撑平台，包括测试开发团队、文档团队等作战层：国内营销线、国际及港澳台业务线、Fine+产品线等第二层：公共支撑平台，包括很常见的财务、行政、信息化，战略洞察、文化、帆软大学等帆软制定战略的流程源自于华为的 DSTE。首先，先做宏观的市场洞察，结合帆软自身的经营数据分析和差距分析，经过多个轮次的研讨确定战略，然后根据战略输出衡量战略达

207、成效果的指标进行宣讲。接着，在战略的落地和预算的执行过程中，战区和后方部门会滚动地做财务和人力方面的预测。最后，在整个执行过程中会按照固定的频率进行经营分析和问题追踪闭环。方法论（Methology）图：帆软组织架构（organization structure）116117商业智能应用白皮书 5.0商业智能应用白皮书 5.0基于华为 DSTE 战略流程，帆软通过运行自身的数字化系统来进行战略落地：以某个战略落地的 pdca 场景为例，帆软使用 FineBI 做战略输入：战略输入（FineBI）预算制定（FineReport）进展复盘（FineBI）问题改进（简道云）比如现场poc从0到1，项

208、目从0到1 中面临实际的一些情况，包括怎么提高落地效率，怎么降低poc成本内部输入依靠战略洞察组分享的很多的市场洞察信息和数据，基于这些数据分析结果做外部战略输入外部输入基于 FineBI 分析历史数据和公司当前情况给大家提供一版测算，后续跟大家讨论确定最终的目标。帆软使用FineReport 搭建的财务系统进行预算录入，使用 FineBI 做进展复盘，做了组织绩效页面进行组织绩效达成监控，做了 BI 战役和国资战役看板用于监控战役达成情况。同时，片联、各职能线例会用简道云作为议题和待办系统，在业务中发现问题可以到简道云中建立流程和待办，责任人进行问题的改进，委员会确认之后再关闭流程。实践（P

209、ractice）图：战略制定流程 DSTE-源自于华为02流程（Flow）流程其实是实现战略的重要手段，帆软现在流程提到最多的 LTC、MTL，包括 IPD、GTM，以及服务的 ITR。帆软的流程主要学自华为，结合自身情况进行了优化，整体的落地过程是先有业务的标准化再落实到系统。业务流程建设围绕“三流+两个循环”协同进行：业务流是业务流程，比如LTC是帆软的一个大业务流程，专项是一个小的业务流程；信息流是信息系统，finereport和简道云是帆软执行业务的信息系统；数据流是BI或者finereport的数据呈现模块。三流是指业务流（business flow）、信息流（info flow）、

210、数据流（data flow）正循环是指数字化建设要先建业务流程，有了标准化的业务流程才能固化到系统里面，系统正常运转之后，得到数据，可以进行经营分析。逆循环是指建设BI之后能发现数据的问题，数据不能获取或者数据粒度不够，就能反哺到业务系统建设，甚至业务规则建设。两个循环是指正循环（positive cycle）和逆循环（negative cycle）方法论（Methology）图：帆软战略落地的数字化118119商业智能应用白皮书 5.0商业智能应用白皮书 5.0在帆软业务流程建设中，业务流（business flow）拥有 大业务流程（以 LTC 为代表）+小业务流程（以费用控制专项业务为代

211、表）两种类型：大流程-LTC：第一层是业务模块，第二层是具体的执行动作，第三层是关注的重点指标。线索、客户、机会、合同、项目、回/付款、准标杆、标杆。业务模块产品下载、创建名片、创建机会、上传合同、需求提交等。业务动作线索量、客户数、机会数、合同数、项目人天、净回款等。关键指标实践（Practice）图：业务流、信息流、数据流每个流程模块都会有具体的业务动作和关键指标，即是 KCP 在这个流程到底做得多好，能提高多少，这是要靠指标来衡量出来的；再根据判断数据的正常或者异常，决定接下来动作要怎么做。帆软的 LTC 跟其他公司有些差异的点是标杆，因为对于帆软来说，回款不是整个流程的终点，会继续找有

212、潜力的客户打造成标杆，输出对应的标杆案例以官网、公众号等形式进行宣传，还会举办市场活动，扩大标杆的影响力。这些动作会对 LTC 里面的线索和客户跟进都产生显著的效果。帆软主要依靠 FineReport 和 FineBI、以及简道云三款工具，采取总部+战区协同的方式：正循环（positive cycle）图：帆软 LTC 业务框架图：LTC 流程-正循环120121商业智能应用白皮书 5.0商业智能应用白皮书 5.0总部管理核心流程和核心数据战区根据自己业务实际情况的不同有一定的流程和数据分析的自由度，比如东北、西南都用简道云建设了业务系统，然后通过 FDL 把数据回传的总部系统，每个战区都用

213、FineBI 做了很多中间战区经营情况的分析比如基于回款异常，通过 BI 看有哪些原因，再基于项目异常，再到合同，再到客户再到线索；基于逆循环，基于结果来看，哪些关键节点客户提升，哪些动作是可以执行的。帆软的业务是从线索到回款的，但是通过数据分析可以从结果逆推前序业务的过程，是否回款有问题，项目是否正常。项目都很少，签单是否足够，机会储备是否足够，客户池是否足够大，线索和 public 池是否够充足。逆循环（negative cycle）图：LTC 流程-逆循环（negative cylce）图：帆软 23 年 LTC 业务流程建设的成果小流程：以费用控制专项业务为代表2023 年 LTC 业

214、务流程建设成果图：帆软费用控制专项业务流程小型流程122123商业智能应用白皮书 5.0商业智能应用白皮书 5.0帆软产品在专项过程中的作用：总部基于 FineReport 有一套财务系统，可以进行相关数据录入，设定好费用科目的预算数；再到分析系统，检查费用是否有异常；再生成相关的制度再进行公示；最后通过系统把这些流程进行落地；下面来看看帆软产品在这个场景中的角色。首先帆软的人事财务系统是简道云搭建的，使用 FineBI 分析数据问题，用简道云搭建了新的宿舍系统。当发现了费控问题后，以前只能在群里去问财务，现在采取了更加直接有效的方式：帆软在内部组建了一个团队，由战略小组牵头，召集相关部门的同

215、学进入项目组，比如财务是管差旅费报销等业务的，行政负责办公室和宿舍，人事负责社保公积金，而信息部得角色是提供底层数据。过程中如果不能确定费用是否合理，就使用 FineBI 拉数据观察最近三年的数据，以各个大区和各个同学为维度对比看，一旦找到有问题的数据，就继续钻取下去看，做根因分析。在专项过程中，团队做了很多看板，用数据来讲道理。后续专项的经验也落实到了帆软的制度里面，信息系统也做了对应改造，拒绝问题再现。在这个小流程专项中，帆软认为：如果经验不能落实到流程、制度和系统上，那么 100 个专项也解决不了问题。逆循环（negative cycle）正循环（positive cycle）图：费控专

216、项-正循环值得注意的是其中做自助分析的人员均是相关的业务部门，包括行政、财务。帆软认为这些同学自己熟悉业务，做自助分析能更快更好的输出报告。相反如果是走信息化开发，那么开发效率可能就会削弱。业务人员在分析过程中写了很多的自助数据集，把相关数据都拿起来，做到有据可依。最终这个费控专项小流程成功帮助公司在差旅费、劳务费用等各个方面实现降本。2023 年费控专项的成果图：费控专项-逆循环图：2023 年费用控制专项的成果124125商业智能应用白皮书 5.0商业智能应用白皮书 5.003绩效（Performance）目前在帆软营销线的组织绩效框架中，采用的是典型的指标体系的设计逻辑，自上而下：CEO

217、基于战略专项和经营任务，设立了总部的 AT 和 ST；再往下，总部设立了总部运营团队，区域设置了战区作战团队；同时战区有分战区级的指标，以及各个组的具体指标。在组织绩效设定当中，要满足一个核心“达成一致”和两个原则“对齐原则”和“smart 原则”。其中最核心的一点就是达成一致：组长要承上启下，跟组织目标和小组团队目标对齐，也要跟其他配合团队目标对齐；对同学要辅导沟通达成一致组织绩效的制定。方法论（Methodology）图：帆软营销线的组织绩效框架图：帆软组织绩效设定原则组织绩效的 PDCA 是通过战略的一步步拆解形成了绩效的制定，帆软通过简道云系统进行录入；录入完之后，通过FineBI 或

218、者 FineReport 进行过程的监控；同时，各个部门也会进行一些自助式分析。其实在做组织绩效相关的系统时，很多企业经常遇到一些挑战，市场是快速变化的，为了匹配市场，业务也要灵活调整，系统为了支撑业务也要频繁迭代，系统经常跟不上业务的变化。帆软的产品，FineReport、简道云、FineBI 优点就是比较灵活，刚好可以解决这些问题。以帆软自身为例，战略定的指标是 BI 销售额和合作客户新购 FineBI 合作数，然后拆到不同战区不同个人，个人在自己的 PBC 指标里面可以看到对应的指标。其中用简道云录入组织绩效数据，用 FineBI 做组织绩效看板，用FineReport 做当时调度，把结

219、果定时输送给同学。用 FineBI 做经营分析，发现问题之后，可以通过 crm 或者简道云给同学建任务去解决问题，才能真正做到循数管理。图：组织绩效流程中的 PDCA实践（Practice）126127商业智能应用白皮书 5.0商业智能应用白皮书 5.0从 2024 年开始，帆软本部运营中心会进行每周一次的经营例会，要求大家必须会做数据分析，抓各项 LTC 流程的KCP 改进，抓各个专项的进展。可以明显感觉到大家做自助分析的积极性大大提高，在会议上对着看板去看数，抓具体的异常点去进行追踪。大家针对问题的处理思维也发生了变化，以前是觉得某一个人可能有什么问题，现在思考的是具体某个人的哪些数据有哪

220、些问题，针对这个具体问题去做什么改善方案。04分配（Allocation）帆软的分配逻辑是基于正循环（positive cycle）预算填写审核，逆循环（negative cycle）进行 BI 分析。基于公司整体结果分包，有A类、B类、公共支撑业务。第一层看支撑关系，从一级组织分给支撑团队，例如营销线分包给总部运营中心。第二层从团队到小团队，比如销售运营中心会分到具体的销售运营和客户运营管理组，其次是小团队内部进行分配，按照绩效、职级、长期激励等参考因素。第三层图：帆软的分配逻辑帆软在接触客户的时候发现很多公司都存在管理层定了战略之后，很难带动基层员工的积极性的问题，帆软在这个场景的解决方案

221、是通过组织绩效，先有战略目标，再定 KPI 指标，把战略目标层层拆解，融入到部门和个人的组织绩效目标里面，驱动个人和部门的工作跟战略对齐。图：帆软的分配逻辑终：帆软忠心希望真正地践行“让数据成为生产力”愿景帆软的使命：为客户提供更高品质的产品和服务 健康增长为世界一流的百年企业 为同学提供业内领先的收入128129商业智能应用白皮书 5.0商业智能应用白皮书 5.0对于帆软来说，数字化的本质其实是怎么做到循数管理。对于战略-流程-绩效，首先是做语文题，每次定性的思考；其次是基于一套数据分析去做的数学题；最后是产生企业的决策力，让相关的动作能更快一些。其中，语文题是关注客户体验，数学题是客观理性

222、，决策是关注投入和产出。同时，业务需要配合 IT 一起做专项，毕竟一荣俱荣，一损俱损，需要体现的是力出一孔，最终分配遵循按贡献分配的原则。以上全部内容是帆软核心价值观在数字化建设视角的体现，帆软忠心希望真正地和各位伙伴携手共进，践行“让数据成为生产力”愿景。图：帆软的使命帆软实践：财务领域的 BI 应用创新6.3帆软的财务数字化转型历程：从 Excel 到 BI帆软的财务数字化转型遵循着先提效，再融入业务，最后通过数据赋能业务的建设理念。我们的财务数字化建设历程始于 2021 年，以业务需求为出发点，提效为目的。从财务数字化 1.0 阶段到 2.0 阶段，我们逐步实现了从应付管理自动化到集成税

223、控、费控、金税、商旅等多种模块的财务综合体系自动化，实现了账务、报表自动生成，打破了信息孤岛，实现业财协同共享。到 2023 年，帆软进入了财务数字化 3.0 阶段，实现了业财资税数据的全面关联。我们上线了资金管理系统，并在此基础上以专项形式开展财务数据分析，让财务数据真正赋能业务。预计在 2024 年，我们将优化迭代财务的全面数据分析，让数据成为真正的生产力，给决策提供支持。01帆软财务数字化建设历程图：帆软财务数字化建设历程130131商业智能应用白皮书 5.0商业智能应用白皮书 5.0具体到帆软财务数字化的建设规划，底层的数字化基础建设例如外部系统的集成以及基础支撑层的搭建都是由 IT

224、人员进行处理的。在核心的业务处理层，帆软的财务系统正在从 CRM 系统逐步替换至简道云系统，这个转变是为了解决落地困难的问题。选择简道云系统，是因为财务人员现在可以自行操作，处理那些不涉及代码修改的流程和系统调整，这不仅使得流程更加贴近财务的实际需求，也大幅提高了财务人员对业务需求快速变化的适应能力，从而更好地融合业务。帆软财务数字化建设的上层管理决策层，包括了通过 BI 工具搭建各种模块的管理看板，帮助及时洞察数据问题，为决策提供支持。02帆软财务分析难点帆软在财务分析方面也经历过三个阶段：从 Excel 基础操作，到电子报表的自动化，再到 BI 的智能化分析。每个阶段的发展都践行着我们数字

225、化转型的理念。这个阶段的分析流程往往是管理层提出分析需求，财务人员响应需求去多个财务业务系统里人工地导入导出 Excel，再通过 Excel 计算得出结论，做成精美的 PPT 呈现给管理层。这一阶段的问题显而易见：效率低下、容易出错，且难以与业务数据融合。例如 CEO 关注一季度的收入金额，财务人员导出各系统数据核算后回复一个数字，但是由于与财务分析 1.0EXCEL图：帆软数智化建设蓝图另一个部门的统计口径存在差异，数据不一致，引起了管理层的质疑。在这种情况下，财务人员不得不花费大量时间精力去核对数据和公式，甚至需要与业务部门重新对齐数据口径。图：财务分析 1.0EXCEL随着我们数字化程度

226、的提高，财务分析也进入了电子报表阶段。随着 IT 人员的介入，数据可以通过接口自动获取，生成固定格式的报表和看板，极大地提升了我们财务人员的工作效率。这个阶段CEO再需要了解常规的经营数据像营收、费用、利润等，只需要通过查看电子报表就可以获取数据。在这一阶段，经常对话的两个角色变成了IT人员和财务人员。然而财务和 IT 在企业内存在天然的沟通壁垒，前期双方沟通地再详细也会出现效果与预期不符的情况。并且当财务人员需要新增分析维度时，需要排期等待IT调整代码，如果数据结果不合理还需要反复沟通，由IT人员再次排查问题所在，这无疑增加了分析工作的复杂性。总的而言，电子报表解决了财务分析的效率问题，但是

227、遗留了分析及时性的问题。图：财务分析 2.0电子报表财务分析 2.0电子报表132133商业智能应用白皮书 5.0商业智能应用白皮书 5.0为了解决分析及时性这个问题，我们进入了财务分析3.0BI智能分析阶段。在这一阶段，IT人员帮助进行数据治理，将数据抽取、保存到 BI 平台里，而财务人员则可以自主地在 BI 中进行数据处理、分析和看板搭建。这个阶段既解决了 Excel 阶段效率低下的问题，又解决了电子报表阶段反复沟通、开发导致的及时性问题。面对同样的场景，当 CEO询问收入金额时，财务人员可以迅速提供一个分析链接，这个链接不仅展示了实时数据，还包含了丰富的分析维度，同时给数据使用者养成了查

228、看看板的习惯。并且如果需要新增分析维度，财务人员也可以在半天内完成分析。除此以外，BI 还帮助我们走在业务前端，不再是业务追着财务要数据。通过实时更新的经营分析报告、风险预警指标等，财务能够及时识别到异常数据，告知业务及时关注。总结而言，BI 给我们财务分析带来的变化对应到前文的三个发展阶段可以概括为：提效、保质、赋能三个词。值得额外强调的一点是，BI 工具保证了分析步骤的可追溯和可协作，这是 Excel 和电子报表很难做到的一点。在一般的多人合作分析项目中，分析人员通常很担心数字、字段或者公式在 Excel 表格传阅的过程中被误改，并且这种误改很难被发现。在电子报表中，IT 人员编写的取数逻

229、辑和计算公式对于财务人员的理解成本就更高了。但是在 BI 中，数据分析过程清晰可见。多人协作分析的时候不仅可以共享分析逻辑，还便于分析人员检查准确性。财务分析 3.0BI图：财务分析 3.0BI图：BI 给财务分析带来的变化帆软财务实践：基于 FineBI 的费用专项分析01费用专项分析背景帆软的费用管理模式采取的是弱事前管控，以业务优先。例如，员工可以自由通过差旅平台预订票务和住宿，随后在CRM 系统中记录出差行程。这种管理模式便捷的同时，也带来了费用浪费的问题，因此需要通过事后分析识别潜在的业务痛点和制度执行的不足。图：BI 给财务分析带来的变化134135商业智能应用白皮书 5.0商业智

230、能应用白皮书 5.0比如我们在年初编制预算时，注意到房租费用异常高昂，且在过去三年里持续增长这一问题，因此需要对房租费用进行多维度的深入分析。如果只关注财务数据，那么我们可以识别出哪些团队、哪些人员存在房租金额过高的问题，但是我们无法挖掘出这背后的原因：有哪些因素导致了这些团队和成员的房租过高？正如前文所述，只有融入业务的财务数据才能提供更多价值。因此我们获取了和房租费用相关的一些业务数据，比如项目金额、项目签到率、押金支付/回收额、租房城市等多个维度进行分析，最终发现了多个异常点以及其中导致了大额浪费的两个因素：02FineBI 在费用专项分析中的应用图：FineBI 在费用专项分析中的应用

231、洞察到这两个因素后我们采用专项的方式解决问题，全流程追踪闭环该问题。我们搭建了对应空置率和押金退还情况的看板，针对历史问题定期开专项会复盘空置率降低的比例和追回押金的比例。为了防止将来再次出现因为房屋空置和押金未退导致的租房费用居高不下的问题，我们基于 FineBI 搭建了数据预警功能。当租房空置率高于一定阈值时自动推送对应责任人，敦促及时清退租房。最终通过一系列的制度更新和系统更新，我们成功地将解决措施落地在系统层面，最大程度地避免了问题的再发生。即所租的房子每个月都在支付房租，但实际却无人入住或对应的租房项目无签到记录其一是租房空置率过高即业务人员在租房后没有追回押金其二是押金未退情况严重

232、图：同期租房费用对比图：同业租房费用对比FineBI 简便的操作和沉浸式的主题分析给我们提供了充分挖掘不同数据集信息的条件。通过对同期数据进行对比，我们发现去年的租房费率相较 21 年有显著降低。但是若与同业数据进行对比，则仍然存在着降本优化的空间。发现问题阶段136137商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：发现问题阶段FineBI 通过快速抽取数据，快速进行数据处理，能以最高效的方式搭建一个实时更新的分析看板，形成分析专项。借助 FineBI 组件中联动下钻的功能，我们可以进一步挖掘有异常的数据，深度分析其背后的原因。图：分析问题阶段分析问题阶段FineBI 也能辅助我们

233、进行决策。差旅费用作为主要支出之一，其优化对成本节约至关重要，我们对机票、酒店、火车和打车等模块进行了细致的分析来寻找降低差旅费的方法：通过分析员工入住的酒店类型，我们与六家主要集团酒店协商了更优惠的协议价，确保公司能够在保持服务质量的同时降低酒店成本。酒店费用图：酒店费用识别出某平台的单里程均价远低于市场平均价，我们便引入了该平台的企业版，既降低了费用也方便了员工。打车费用解决问题阶段138139商业智能应用白皮书 5.0商业智能应用白皮书 5.0图：打车费用根据分析显示，提前一天预订机票可享受更高的折扣。基于这一发现，我们鼓励员工提前规划行程。机票价格图：机票价格通过分析，我们发现存在超标

234、预订的情况。因此我们通过系统限制了超标座位等级的预订，以符合公司政策。火车票预订图：火车票预订追踪问题阶段通过 FineBI 搭建实时的数据监控系统，我们可以在分析仪表盘清楚地关注到租房费用的目标值、当前值以及指标完成度情况。借助 FineBI 的数据预警功能，租房费用高于目标值的业务部门数据被直接推送财务人员，财务人员进入分析仪表盘后可以通过联动功能定位到存在问题的部门、地区或者个人，从而进一步追踪并解决问题。图：追踪问题阶段140商业智能应用白皮书 5.003费用专项分析的价值图：帆软费用专项分析的价值通过开展租房费用的专项分析，我们为公司创造了巨大的价值。具体到金额上，我们最终减少租房浪

235、费金额约 305 万元（其中通过分析差旅协议价等方式节约差旅费 130 万，通过追回押金减少租房空置方式节约费用 150 万，通过全公司服务器集中管控方式节约金额 25 万）。在专项分析的过程中，我们还识别出了公司制度潜在的漏洞，并更新了 9个财务、行政、人事相关的制度，同步上线了简道云宿舍系统。在费用分析的过程中，我们遇到的一个问题，也是非常普遍的一个问题就是如何能够获取全面的数据来进行分析。实际上，我们的分析并非总是从最开始就拥有完整的数据集。我们的数据始于小的专项分析，通过后续不断的梳理来补充。类似的，我们的分析数据准确性也是在不断的质疑中改进和提升的。我们非常鼓励业务团队在数据分析的过程中，对数据保持质疑的态度，通过实际的数据消费和使用来治理数据，从而形成一个持续改进的良性循环。一句话总结我们的思路，那就是先用数，再治数。总之，回顾帆软财务数字化转型的理念、历程、痛点，以及具体的费用专项分析实践案例，这些内容都围绕着三个核心关键词：提效、业务、赋能。用三句话总结就是：工欲善其事，必先利其器。选择好的工具才能事半功倍，实现财务工作提高效率的目的；数据不该是一座座孤岛。只有充分融入业务的财务数据才能体现真正的价值；客观理性用数据说话。从数据中发现问题，也要从数据中寻找答案，如此财务数据才能真正赋能决策。