BI系统建设

很早就想聊聊BI系统，这个并不是一个新概念，很多运营多年的厂商也早就已经有自己的BI系统。之前Funplus也在谷歌分享会上公开分享过BI的不同阶段。

（来源：谷歌培训）

每个公司对BI的理解和需求不同，相对应的开发优先级也自然会有所不同。个人心中理想化的BI除了以上投放方向的系统自动化之外，也还需要一些产品和运营侧的数据分析，相对当前的业务给出数据预警和优化提示，同步帮助产品的进一步提升。这样不仅仅是一个对市场投放有利的工具，同时也是一个对产品和运营有利的工具。帮助全面分析和预测后续趋势，给出历史对比数据，减少重复测试带来的浪费，提高产品和活动的优化效率，为产品带来全面的业务数据提升。

不过想要达到这个水平离不开公司对应业务部门的配合，和不断优化，基于DMAIC方法对各板块的业务进行不断改善。

（来源：谷歌搜索关键词DMAIC）

个人感受来说，BI的搭建尤其需要注意的是以下几点：

对基础业务数据要在整个公司层面有一个最根本的标准。

举个最简单的例子，有的公司对新增的定义是在新设备首次打开，有的公司新增定义是新增注册用户数。

不同的产品在基础数据的定义上会有不同的要求，这个要求也可能会随着不同的人员迭代产生理解上的误差，所以非常建议在BI建设初期就规定要基础业务数据的定义，并要求数据开发人员和业务人员充分理解不同定义下的数据概念，避免这方面误解造成的沟通成本和需求处理成本。

如果随着人员迭代，数据定义就有所变化，对于数据处理和后期业务使用来说效率也并不会很高。

从UA角度来说 ，就是各个平台的API申请以及权限范围，哪怕是广告主，现在各个广告平台在数据权限申请上也特别严谨，不仅仅要求广告主说明用途，同时在获取次数等方面也有严格的限制；加上归因平台和广告平台以及内部数据来源对数据可能会有不同的归因方式，在BI的设计和数据处理中就要求针对不同的归因情况下都能有一个清晰的展现，也方便业务人员去对比不同场景下的数据情况。

例如AF的分天渠道来源数据，和广告平台API拉取汇总的分天渠道来源数据表，这两个表的新增归因不同，哪怕是一个指标也不能直接融合在一列中，对同一个指标的不同归因情况要求都需要考虑到，更加自动的BI可能会根据用户行为在偏向自家广告主角度基础上给出更可信的来源归因。

还有一个方面就是对于批量化数据和需求的处理，比如说运营对于分批用户的活动设置，投放端对于批量上传的需求，实现这些需求能大大的提高人效节省很多人力成本，把更多的精力用来去做更有创造力和更需要思考的一些事情上。

批量上传工具可以帮助跨平台多国家多素材进行批量投放，一站式的投放管理和广告托管工具，就节省了很多优化师上传大量广告和刷新广告数据的时间，不仅可以让素材测试变得高效化，更多的时间可以进行产品或者素材层面的创新。

所以自动化工具的不断智能化也是需要BI系统不段进化的一个重要环节，也是最能直接帮助公司实现降本增效的一步。目前有部分公司是自研发，也有部分是利用第三方工具来实现的，未来这部分可能会开发的越来越智能化。

主要是指基于业务数据给出的一些个性化场景分析，最好是实现自动预警基础业务数据并给出相关业务指标异常的调整建议。

比如说直播，直播的开播率看播率趋势变化，以及在目前的发展周期下合理的预测范围是多少，在超出或者低于这个范围的时候给出提示，甚至给出合理的指标异常调整意见和进一步的数据影响范围预测，自动优化数据和决策方案，帮助公司对应业务的的正常业务数据运行，根据不同的业务场景给出个性化的场景分析。

上面的例子中如果一家公司可能有好几个直播类产品，不同的用户群体和直播内容板块，就需要BI进行不同内容的数据展现和分析，定制不同的产品事件点位方案也需要结合业务进行细节考虑。

更进一步的，如果和市场甚至平台方业务紧密且体量足够大的话，也会有反过来影响市场的地方，最简单的例子就是各家都在某平台增量的时候，外部竞争环境带来的单价上涨，这个不是内部因素，而是市场变化导致的数据异常。BI需要不断地去学习历史数据并结合当前情况给出合理的变化分析以及决策判断，这一点也很考验产品本身的体量和算法能力，通常这部分也会和平台方进行合作搭建功能。

上面提到的点肯定不是需要注意的所有内容，更多的细节就需要BI开发人员来配合实现，从业务层面来说，【定义-衡量-分析-提高-管理】的过程都需要在实际的案例中不断得到提升。

一个好用的BI离不开团队的共同维护，或者说全自动化的BI这个概念可能就像财富自由对于我们个人的概念一样，存在于每个企业的心中，每个人自由的道路不一样，不同企业的BI搭建也有不同的阶段，有的企业BI是全自有部署和搭建，也有的借用API完成三方对接进行部分功能完善，不论哪种适用于当前的始终才是最好的。