BI系统里的数据赋能与业务决策

谈到BI系统，大家第一印象多半是数据指标看板、可视化、大屏。今天我们暂时抛开可视化、数据指标等等元素，谈一谈在一个BI看板或者BI报表系统中引入数据决策的模块（功能）。

设想一下，你的业务用户，经常拉着你，不再是要求看这个指标，或者新增某个趋势图，而是希望和你讨论业务数据背后的原因，他们试图与你讨论通过数据自动化的分层、计算、处理等方式，得到一些更加聚合的“内容”，这些“内容”可能不是数据本身，有可能是定性的，有些甚至看起来是无法通过数据直接就能获得的。

当你遇到这些情况的时候，可能你的BI需要引入数据决策模块了。

有人会问，现在业务系统本身就要会做很多决策支持，数据BI系统来做决策支持，有什么区别和优势吗？

我给大家举个例子：

通过监控业务流的时间周期进行告警，主要是对于那些应发生而未发生的业务操作/状态进行告警，一般是监控延迟。比如，制造生产流程，物料是否按时到达某个指定环节了，物流流程，包裹是否按时到达某个中转点了，打车流程，司机是否按时到达乘客上车点。

一般来说，业务系统传统的做法是这样：先定义好每个流程节点应该完成的最晚时间，达到这个最晚时间了，动作还未发生/状态还未改变就告警。

事实上，业务流程上约定的最晚时间，会考虑很多的因素，一般是部门之间、上下游之间妥协的结果。业务流程也会尽量去动态制定最晚时间，比如会综合考虑上一个操作已完成的时刻、考虑人员班次轮换等。

我们使用数据来做的话，可以更加适应实际情况，可以利用数据反馈出来的规律，将现有流程与同期或者同水平条件（相同业务环境）下完成时间点水平进行比较，确定基准时间（注意数据找的就不是最晚时间了），如果没到达这个时间点就进行报警。

这里我描述得比较简单，基准时间需要根据不同现实环境与历史水平之间的关系来得到，这可以通过数据分析、数据挖掘的方法来做。

现实情况之所以特别依靠人脑的决策，就是因为影响现实世界的因素有很多，因素越多，靠越刚性的办法去解决就越做不好。而数据去驱动决策、去辅助决策支持的好处是：利用数据挖掘发现各个因素之间的关系，可以考虑更多影响因素，可以通过数据去覆盖更广泛的情况。

我自己目前遇到以下3种数据决策的场景情况比较多：

• 风险告警

谈到风险，大家可能觉得金融场景用的多，但事实上，风险告警可以说是最接近数据的一种应用，只要有数据都可以用到这个场景。风险告警在BI上的典型例子就是指标波动告警。

当数据指标出现波动的时候，根据波动幅度大小，会有不同的通知方案，小波动，可能发个邮件通知到收件人，比较大幅度的波动，需要短信，更严重的需要短信+电话呼出。这种场景可以通过是规则来实现，产品经理定义好波动的幅度和对应的通知策略，系统计算波动指标，到达对应阈值范围，触发通知指令。

• 问题诊断

某些数据指标出现了波动，那么是什么原因造成的波动呢；订单生产的速度变慢了，是哪个环节造成的呢。这些都属于问题诊断。问题诊断是风险告警的下一步，需要先对整个流程上各个环节进行数据监控，能够发现异常（数据波动），问题诊断是回答：造成现状异常的环节在哪里发生，或者原因是什么。类似与数据分析里面的归因分析。

传统的做法，是将专家经验转化为一个个有层级的条件，通过查看数据符合哪些条件分支，最终来定位到异常环节或者原因，类比的话很像决策树的处理方法。

如果使用数据的方法，可以考虑将专家经验转化为知识图谱（注意这里就不是再使用策略了），知识图谱可以扩展专家经验，能够挖掘事物之间的联系并且可以进行推理，对于一些新出现的问题，在扩展性和覆盖面上会比专家经验要高。

举个例子：

数据库运维，如果使用专家经验策略的话，一般是根据固定的排错路径，依次查看CPU、内存、IO等各项指标，先看这里有没有问题，没有问题再看下一处。

如果使用知识图谱，则可以同时去计算多个排查路径中涉及到的指标，对排查路径进行优化和推荐，对于一些复杂的问题（有多项指标出问题了）或者新的问题，会得到一些专家也未必能够第一时间想到的排查路径，适应新会比较好。（但是知识图谱也是在专家经验基础上进行沉淀、转化的，知识图谱的质量决定了数据决策应用的效果，其核心在于对于所属领域内实体关系的理解）

• 决策建议

很多人都知道数据驱动决策，最直观的就是决策建议了。不过我们会发现能够对业务有效的建议十分少见的。这是因为业务的复杂性和数据的可得性决定的。但是我们也有应对办法——对于已经超出现有能力的情况，还是由业务专家和数据专家们去解决，系统只做系统能做到的事。

情况一：业务框架稳定，解决问题的策略已经十分成熟。

常见的场景：电子商务品类运营，对于各类反应商品销售、点击的情况，指标体系十分成熟，对于各类指标反应的情况，也有成熟的运营策略。这样的情况就十分适合进行系统化，通过数据+策略联动，实现决策建议。

情况二：业务框架稳定，有一定解决方法，但是出现的问题和解决方法不稳定、难以定性。

常见的场景：自动化生产车间在制造过程中的生产资源投入，比如机器人工作站的开启与关闭，这种情况下，虽然业务流程很明确，解决方法也有（缺少资源就增加资源），但是对问题的判断比较模糊（何时、何地、何种程度），对于出现问题之后的解决办法难以定性，比如增加资源，增加多少合适呢？

如果需要解决的业务场景能做到目标明确，就可以使用一些特定领域的建模方法（比如运筹优化），直接将问题转化为算法问题。

但是大部分情况下，都难以做到目标明确（无法收敛为一个目标函数），这是因为业务目标通常不是单一的。比如自动化车间生产过程中的资源调度问题，背后是效率和成本的平衡，这时候我们考虑用业务专家经验转化为策略，将场景拆分，对可以采取数据策略的办法进行决策建议的优先处理，我们很难计算出定量的决策建议，就先给定性的方向，建议用户应该增加资源了（暂时不建议具体数量）。这种情况下，决策建议的好坏，在于业务专家对数据及其背后代表的流程内核的深刻理解。

做好数据决策很难，篇幅有限，本文先抛砖引玉，未来有机会还希望能和读者们进一步探讨。毕竟，我们都知道，数据的价值最终还是在于业务。