适合企业自身发展阶段的 BI，才是真正好用的 BI。近日，在「敏捷・创变 ——2024 观远数据智能决策峰会暨产品发布会」现场，水滴数据应用产品负责人代志伟以《从被动到主动，BI 助力业务快速迭代》为主题，介绍水滴集团 BI 四个建设阶段，以及如何通过 BI，化被动为主动，降低综合运营成本，助力业务快速迭代。
蛮荒时代：粗犷的数据合作，被动的产运研水滴公司创立之初，我们称之为蛮荒时代，公司发展迅速，对数据的需求巨大，然而缺乏一个强大的 BI 系统来支持这些需求，导致数据合作模式显得原始和粗犷。
从业务团队来看，数据生产流程需要先提出需求，再进入产研的需求队列，与其他业务需求竞争优先级，然后才能开始开发。在这个过程中，业务团队只能等待，并且需要不断催促产研团队，自己无法进行下一步的工作。这个过程不仅漫长，而且耗费了大量的人力资源。由于是定制化开发，还导致了另一个问题。一旦数据上线，就成为了固定的监控指标，难以进行进一步分析，极大地限制了数据在整个链路上价值的最大化。
从产研团队的角度来看，他们需要应对众多业务方的需求。每个业务方的需求都会进入需求队列，然后按顺序安排处理和研发上线。在这个过程中，产研团队不仅要应对业务方的不断催促，还要面对源源不断的新需求。这导致产研团队承受着巨大的压力，并且为了满足这些需求，当时仅数据团队的产研人员就接近一百人，这对公司来说是一个相当高的人力成本支出。
接下来，分享一个关于我们投放获客场景的数据报表案例。这个报表包含一些基本指标和柱状图，下方还有表格和折线图。那么，当时开发这样一个报表需要多长时间。
首先，从业务提出需求到与产研团队沟通，明确每个指标的含义、口径和业务期望的展示样式，这个过程大约需要两天。产品团队在沟通需求后，还需进行原型设计和产品需求文档（PRD）的编写，这又需要额外的两天。接着是内审、外审和需求排期，这往往是耗时最长的阶段，因为需要与其他众多业务需求一起排队等待处理。
评审和排期完成后，才进入开发阶段。从数据仓库的开发到前端和后端的开发，再到测试、上线和验收，这个过程又需要大约 10 余天。因此，整个需求实现过程将近 40 天，这还不包括可能出现的问题，一旦有问题，需求可能会进一步延迟。大家可以看到，即使是一个简单的需求，也会消耗大量的产研资源，并且对业务迭代非常不利。在这个阶段，无论是产研团队还是业务团队，都处于极其被动的状态。
探索期：外采 Tableau 与自研 BI 的两个“坑”在遇到一系列问题后，我们开始思考如何最大化产研团队的价值。在探索的过程中，我们经历了许多挑战，也踩了不少“坑”。
第一个“坑”来源于 Tableau 的引入。2019 年，我们引入了 Tableau，但由于引入过程过于仓促，引发了一系列的影响。首先，Tableau 的学习成本非常高，作为一款国外产品，在国内的兼容性并不理想，与许多国内用户的使用习惯不符。因此公司内部很多业务团队很难用起来，也不愿意使用。其次，Tableau 在国内的本地化服务还不够好，我们经常在使用过程中遇到问题，却找不到人帮助解决，只能依靠自己摸索。此外，Tableau 还存在一些性能瓶颈和功能不支持的问题。最终引入一年后，使用 Tableau 的人数依然很少，这促使我们做出了另一个决定，自主研发 BI 系统。
然而，自研 BI 系统让我们掉到了一个新的“坑”里。大家应该都了解，观远在 BI 产品上投入了巨大的研发成本。我们想自研 BI 系统也一样，当时需要整个产研团队来全力支持。但对于公司而言，数据团队本已忙于应对业务需求，再加上自研 BI 的任务，资源更是捉襟见肘。
其次，我们的 BI 团队是临时组建的，还缺乏经验，导致自研 BI 项目的推进速度非常慢。由于项目进展缓慢，迭代功能不完善，业务人员也不愿意使用，常常试用一次后就放弃了。这样兜兜转转，最终又回到了传统的提需求模式。最终研发团队既要处理业务需求，又要投入自研 BI，结果两边都没有取得预期成果。这个过程对整个产研团队来说是一段非常迷茫的时期。
现代化：化被动需求为主动分析目前，公司已有超过 5000 名员工使用观远 BI，占总人数的 80% 以上。这段“化被动需求为主动分析”的 BI 运营历程，值得和大家分享。
刚刚提到，自研 BI 的进展并不顺利，同时公司也在高速发展，对数据团队又提出了新的要求。于是，重新考虑了第三方 BI 解决方案。有了前两次踩坑的经验，这次对 BI 进行了深入而广泛的调研。我们试用了市面上所有的主流 BI 产品，并且不仅自己深度试用，还推荐给有数据能力的合作方业务团队，让他们一起试用。每周定期讨论，收集反馈意见，并进行深入对比，最终选择了观远 BI。
现在看来，当初选择观远 BI 是一个非常明智的决定。为了避免重蹈 Tableau 的覆辙，我们采取了多种运营措施，决心将观远 BI 推广至全公司。
第一，定期为用户提供深度培训。我们与观远合作，为用户设计了一系列从基础到高级的课程，并将这些课程纳入新员工的入职流程。每位新员工都必须参加 BI 培训，并通过考核后才能正式上岗。
第二，从各个业务线和团队中寻找对数据感兴趣、愿意了解 BI 的用户，将他们培养成种子用户，并提供一对一的辅导。然后，让他们作为 BI 的代言人，在各自的团队中帮助推广 BI。
第三，针对公司的关键业务场景开发了模板，例如管理驾驶舱等，让业务团队直观地看到 BI 的能力和强大之处。通过实际的应用案例，为业务团队展示 BI 的实际价值，进一步促进了观远 BI 在整个组织中的接受和使用。
正是由于观远 BI 的引入，我们和业务的合作模式完全得到了重构，真正实现了数据组织的去中心化。在新的合作模式下，业务团队在遇到数据问题时，首先会自行判断问题的性质。如果业务团队认为问题可以自行解决，会直接登录观远 BI，创建数据集并进行自主分析，最终做出业务决策。
如果无法自行解决的复杂问题，才会联系产研团队。产研团队会根据需求生成数据模型表，并将其交付给业务团队。之后，业务团队依然会使用观远 BI 来创建数据集，继续进行业务分析和决策。
在这种模式下，产研团队与业务团队的合作方式得到了优化。由于大多数业务问题都属于简单问题，极大地提升了合作效率，使得整个数据处理和决策过程更加高效和敏捷。让我来分享几个案例，展示使用观远 BI 后的变化。
4 天完成外呼场景报表，业务自主分析率达 95%
首先是外呼场景的案例。这是一个外呼部门的数据报表，包含了一些固定指标、折线图和表格。这套报表，从需求提出到数据验收，整个开发过程仅用了 4 天时间，而且全部由外呼产品团队自行完成。与之前的投放需求相比，这一过程的效率提升了近 10 倍。
对于业务部门来说，这种变化意味着已经摆脱了对产研团队的依赖，实现了需求的解耦和一定程度的自主性。效率的提升带来了快速的业务迭代，业务决策的效率也因此提高了近 10 倍。
此外，我们还体验到了观远 BI 的高灵活性。以前，定制化开发的投放需求一旦确定，指标就无法更改。现在，业务团队可以轻松复制报表并进行自主分析。如果发现指标异常，可以迅速采取行动，找出数据变化的原因。
实际上，目前公司的绝大多数报表都是由用户自助完成的，自助率超过了 95%。数据团队的主要任务已经转变为数据底层的维护和模型表的开发，这标志着数据管理和分析工作已经迈向了一个新的阶段。
观远 BI× 飞书，主动预警保障业务发展
接下来分享观远 BI 与飞书结合的一个实际应用。截图示例展示了在飞书中接收到的一张报表推送。这张报表是关于智能短信场景的，原本它是在 BI 平台上构建的，业务团队需要登录 BI 系统来查看这些报表和监控数据指标的变化。
由于业务团队常常忙于业务，有时会忽略这些指标，一旦这些指标出现异常，可能会给业务带来重大损失。我们产研团队发现这个问题后，迅速意识到可以通过调用飞书的接口，将报表直接推送到飞书中，以便业务团队能够及时感知并降低潜在的业务损失。这正是观远 BI 的强项，让我们几乎零成本完成了这项接入工作，并且获得了业务团队的一致好评。
在这个过程中，我们没有产生任何额外的开发成本，就提升了效率。正如之前提到的，产研团队之前在人力资源上的消耗非常大，但在这种新模式下，产研团队成本在之前的基础上大幅下降。
正是由于效率的提升，现在产研团队不再需要处理日常的业务需求，有了更多的可能性去探索新的领域，比如数据安全和数据治理。我们也希望未来能与观远 BI 一起，在数据安全和数据治理方面进行更多的建设和合作。
观远 BI 联动 BPM，提升资产管理效率
第三个案例是关于 BI 与 BPM（业务流程管理）联动的实际应用。在公司内部，大家可能都经历过申请资源时的繁琐流程。水滴也一样，随着企业的发展和数据资产的积累，数据看板和数据集等数据资产大量增加，目前有五千个数据看板和八千个数据集。如果业务人员想要查看某个报表，需要在这些庞大的数据资产中找到自己需要的，这不仅极其困难，而且非常耗时耗力。即使找到 BP，也可能不清楚具体要找谁。
因此，我们与观远合作，将 BI、BPM 和飞书三者进行了整合。现在，如果业务人员想要找到自己的数据集或相关数据资产，只需根据数据资产的属性和所属的组织架构，就能轻松找到所需的数据资产，并一键发起申请。观远 BI 会调用 BPM 发起申请流程，BPM 再将申请流程推送到飞书中。对于审批者来说，在飞书中只需查看一个卡片，点击确认按钮即可一键完成审批。
BI 与 BPM 的联动不仅为节省了大量的资源，也提升了用户的使用体验，同时大幅降低了数据团队对数据资产管理的难度。所以这个功能一上线，公司用户就一致给予了好评。
智能化：探寻智能生成数据与报表展望未来，智能化无疑是未来发展的核心主题。这两年，随着 ChatGPT 等的迅速崛起，AI 技术与应用如同雨后春笋般涌现。水滴公司在这一领域也进行了深入探索，包括自主研发的 AI 智能外呼机器人和保险行业大模型，同时在数据应用方面也有所尝试。