商业智能(BI)用有治理、可重复的报表回答「发生了什么」;数据分析通过探索细节数据回答「为什么」和「接下来怎样」。只做一个产品的小团队,通常先做分析(有命名的事件,一个人一个身份),得到的回报比在不可靠的数据上建 BI 更大。下面是对照表、五个问题、一个算例和最小可用的配置。
读完你会知道
- 用 BI 发现数字动了,用分析解释原因;光靠仪表盘很少能回答第二个问题
- 只有一个产品、来源很少时先做分析;需要合并三个或更多来源、或需要经过审计的数字时再加 BI
- 买任何工具之前先写指标定义:两个部门对「活跃用户」定义不同,没有 BI 产品能修好
两个词各是什么意思,为什么会混
「商业智能」这个词比大多数分析工具都老。1958 年,IBM 的汉斯·彼得·卢恩(Hans Peter Luhn)把「商业智能系统」描述为一种自动方式,按组织里各部门的兴趣,把信息分发给需要它的部门。如今 Gartner 把商业智能(BI)定义为一个统称,涵盖让人能访问和分析信息、以改进并优化决策和绩效的应用、基础设施、工具和实践方法。
商业智能在实践中的意思是:从已知的来源(财务、CRM、订单)取数,一次性建模成大家认可的收入、客户或毛利定义,再发布成仪表盘和定期报表,让很多人用同样的方式读。数据分析在实践中的意思是:取细节数据,常常是事件级的,通过拆分、漏斗、同期群、统计或模型去探索,找出某件事为什么变了,或接下来可能发生什么。
两者有重叠。分析工作喂给 BI 仪表盘;BI 仪表盘提出分析要回答的问题。厂商常把两个词混用,所以不要指望产品页面替你划清界线。本文用一种对选工具有用的实用划分:
- BI 回答「发生了什么,相对计划我们做得怎么样?」 它可重复、有治理、覆盖面广。
- 数据分析回答「为什么会这样,接下来该做什么?」 它是探索式的、细致的、由问题驱动的。
本文的核心观点:只有几个人、只做一个产品的团队,通常先做分析(也就是有名字的事件,以及同一个人的一致身份)得到的回报,比在还不可靠的数据上叠一个 BI 产品更大。当必须合并很多来源、很多人要相信同一套数字时,BI 才真正值得。
BI 和数据分析:对照表
下面的表把两者放在八个对决策有用的维度上并排比较。这种划分是实用的概括,不是规则;真实的工具两者兼有。
| 维度 | 商业智能 | 数据分析 |
|---|---|---|
| 核心问题 | 发生了什么,相对计划怎么样? | 为什么会这样,接下来怎样? |
| 典型数据 | 来自财务、CRM、订单的建模数据,常在数据仓库里 | 细节的事件级数据,常直接来自产品埋点 |
| 主要读者 | 很多人,包括管理者和财务 | 分析师、产品和营销人员在探索 |
| 输出 | 仪表盘和定期报表 | 拆分、漏斗、同期群、模型、发现 |
| 新鲜度 | 常是每天或每小时,为报告调校 | 对变化做出反应时是几分钟到几小时 |
| 定义 | 一次性治理,大家共用 | 按问题定义,有漂移的风险 |
| 搭建成本 | 较高:来源、建模、权限 | 起步较低:埋点和身份 |
| 典型失败 | 在不可靠的数据上给出看似官方的数字 | 没有统一定义的探索 |
这是一种实用概括,不是规则:真实的工具两者兼有。
决定先上哪个的五个问题
按顺序回答。每一个都以一条「如果……就……」的规则结尾。
- 哪个决定每周都要重复做? 如果答案是「同一批五个数字、给同一批人看」,你需要一份自动刷新的报表,这是 BI 的模式。如果答案是「有东西动了,没人知道为什么」,你需要探索,这是分析。
- 要合并多少个系统? 一个产品数据库或一个分析工具:你很可能还不需要 BI。三个或更多来源要按共同的客户或订单键合并(计费、CRM、客服、产品):这才是数据仓库和 BI 值得投入的地方。
- 谁来读输出,他们有多懂技术? 想点开漏斗看的创始人或营销人员:分析工具。想每个月看到同样版式的财务团队或董事会:BI。
- 需要多新鲜? 要在几分钟内对广告上线做出反应,需要近实时的事件数据。月度结账需要的是正确的数字,不是快的数字。
- 谁拥有每个指标的定义? 如果「活跃用户」或「客户」在三个部门里意思不同,任何工具都解决不了。在买任何东西之前,先把定义写在数据字典或埋点方案里。
如果问题 1 你答的是「分析」,问题 2 答「不需要」,就从分析开始,六个月后再回头看。这个选择在策略层面的讨论见 数据策略,各种分析类型的区别见 数据分析的类型。
算例:一个数字,两个问题
示例数据:一个产品某周有 500 个注册,下一周有 410 个。BI 仪表盘如实报告:410 个注册,减少 90,即 −18.0%。这是「发生了什么」的那一半。它告诉你该担心,但没告诉你该看哪里。
分析从按渠道拆分变化开始:
| 渠道 | 上周 | 本周 | 变化 | 变化百分比 | 占总降幅的比例 |
|---|---|---|---|---|---|
| 自然搜索 | 220 | 215 | −5 | −2.3% | 5.6% |
| 付费 | 150 | 90 | −60 | −40.0% | 66.7% |
| 推荐 | 80 | 75 | −5 | −6.3% | 5.6% |
| 邮件 | 50 | 30 | −20 | −40.0% | 22.2% |
| 合计 | 500 | 410 | −90 | −18.0% | 全部(四舍五入) |
「占总降幅的比例」一列是每个渠道的变化除以总变化 −90。付费解释了三分之二。邮件的降幅百分比和付费相同,但基数更小,所以只解释了五分之一。自然搜索和推荐属于波动。
下一个问题:付费是转化变差了,还是流量变少了?示例数字:
| 付费渠道 | 会话数 | 注册率 | 注册数 |
|---|---|---|---|
| 上周 | 2,500 | 6.0% | 150 |
| 本周 | 1,500 | 6.0% | 90 |
会话数下降 40.0%,注册率没有变,所以问题出在量,而不是质:接下来该查的是花费、预算上限或被暂停的广告,而不是落地页。这就是「为什么」的那一半,它需要一次仪表盘本来没有设计去展示的下钻。好的 BI 配置也许同样包含渠道拆分;关键在于第二个问题,也就是付费渠道内的注册率,是事先没有计划的,这正是报表和探索的典型差别。
这个算例给出的判断规则:用 BI 发现,用分析解释。 如果每个「为什么」都要请别人新做一份报表,说明团队在后一半用错了工具。
注册下滑来自哪里
相对上周的变化,示例先上哪个:决策表
| 你的情况 | 先上 | 以后再加 |
|---|---|---|
| 一个网站或 App,1–5 个人,事件在一个分析工具里 | 分析 | 财务要月度材料时,加一个小的 BI 层 |
| 产品、计费和 CRM 各持有客户的一部分,董事会要经过审计的数字 | 数据仓库和 BI | 产品问题用分析 |
| 多个团队、多个来源的企业级数据分析 | 两者都要,并有共享的指标层 | 治理、目录和血缘 |
| 团队之间对指标有争议 | 先写一份指标字典 | 随后用任何展示它的工具 |
| 需要当天对广告变化做出反应 | 带近实时事件的分析 | 告警 |
更大的工具版图见 数据分析平台。从产品经理的角度看同一个问题见 产品经理的数据分析。
小团队最小可用的配置
如果从分析开始,有四件事让它运转起来,都不需要数据工程师。
- 有埋点方案的命名事件。 十到二十个事件,对应产品的各个步骤,每个都有明确的名称和属性。命名一致比数量更重要。
- 一个人只有一个身份。 匿名访问在登录之后应当关联到账号,让访客和后来的客户是同一条记录。
- 五份保存的报表。 一个漏斗、一个留存视图、一个渠道拆分、一个周活跃指标,以及一个收入或目标指标。在固定的会议上复盘。
- 一条导出通道。 当财务或董事会想要在别处使用这些数字时,导出,而不是重建。
出现下面任何一个触发条件时再加 BI:需要合并三个或更多来源;两个部门对某个指标有争议、需要一个有治理的定义;有人只能看自己所在区域的行;或者需要经过审计的数字。图表工具本身不是 BI;图表在数据之上增加了什么,见 数据可视化。
常见误区
- 买 BI 来修复不可靠的数据。 在重复事件和不一致命名之上建仪表盘,只会让错误的数字看起来像官方数字。
- 把仪表盘当成分析。 仪表盘告诉你有东西动了,很少告诉你为什么。
- 没有定义就做分析。 在没有定义的指标上做快速探索,产生的是争论,不是决策。
- 每个工具里数的人不一样。 BI 里的「客户」数和分析里的「用户」数,会因为合理的原因不同。要标明哪个是哪个。
- 等有了数据仓库才开始。 很多最初的问题只靠事件数据就能回答。
- 用图表数量评判工具。 有用的衡量标准,是从「那个动了」到「原因在这里」要花多长时间。
TapCub 的位置:回答第二个问题的分析
TapCub 是网站、应用和产品分析。它不是 BI 套件,也不是数据仓库。下面用它走一遍示例里的注册下滑,并说明它的边界在哪里。
- 发现下滑。 在 全端分析 › 行为分析 › 行为分析 里看注册,或在 网站统计 › 目标 里看一个目标。真人和机器人是分开统计的,所以分母不会被爬虫抬高。
- 拆分变化。 打开 全端分析 › 智能运营 › AI 助手,用「变化归因」页签:选一个指标,和上一周期或去年同期对比,并按渠道、来源域名、国家、设备、入口页或平台拆分一层或两层。每个取值的贡献是它的变化除以总变化,和上面的表是同一个算法。助手给出的数字来自对你项目跑的分析查询,打开分析或保存分析要你自己点。
- 查成本这一侧。 如果付费下降了,在 全端分析 › 经营分析 › 渠道 ROI 按天和渠道导入花费,看每个渠道、来源或活动的单次点击成本(花费 ÷ 会话)和广告支出回报。TapCub 负责衡量,不投放也不优化广告。
- 自己定义指标。 在 全端分析 › 行为分析 › 自定义指标与 SQL,用一个事件加聚合方式定义自定义指标,或用 SQL 查询事件数据。
- 该交给 BI 时再交出去。 原始明细可以在 全端分析 › 数据管理 › 数据导出 异步导出,只读的公开分享链接可以展示选定的模块,还可以加密码。TapCub 不做跨系统的数据建模,也不充当经过审计的财务层;如果你需要,导出就是你的 BI 或数据仓库的起点。
常见问题
商业智能是数据分析的一部分吗?
说法不一。有的资料把分析看作 BI 里的一种技术,有的把 BI 看作分析中的描述部分。一种实用的划分:BI 用统一的定义报告发生了什么,分析探索为什么以及接下来会怎样。把边界看作模糊的,按问题来选。
BI 产品是什么?
BI 产品是用来连接业务数据、对收入或客户这类共享定义建模,并把仪表盘和定期报表发布给很多读者的软件。它通常建在数据库或数据仓库之上。工具如何比较,见数据分析平台一文。
已经有分析工具了,还需要 BI 吗?
不一定。如果一个工具装着你的产品事件、由一个团队在看,BI 是先增加成本,之后才增加洞察。当你必须合并多个系统、在团队之间治理指标定义,或者要给财务或董事会提供经过审计的数字时,再加。
什么是企业级数据分析?
它是组织规模的数据分析:很多来源、很多团队、有治理、有共享的指标定义,通常还有数据仓库,BI 用于广泛的报告,分析用于探索。难点不在工具,而在于各部门之间对定义和归属达成一致。
小团队应该先搭哪个?
先搭分析:带命名事件的埋点方案、一个人一个身份、几份保存的报表,以及每周复盘。需要合并三个或更多来源,或需要经过审计的数字时,再加 BI。
资料来源
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

