我们在一些客户现场和客户沟通的时候，客户经常会提到一些场景和问题，问能不能在BI里面解决。

BI不擅长做什么

比如上了BI之后，所有的数据从数据源抽取到BI层面进行加工，数据都处理的很规范，但是业务系统中的数据仍然不规范，数据质量的问题并没有得到真正的解决。还有就是上了BI之后，想利用一些数据对符合条件的用户做一些信息推送、精准营销，用户收到信息之后的反馈也希望能够沉淀到BI数据仓库中，等等诸如此类的需求。

 BI - 派可数据BI可视化分析平台

实际上严格来讲，这些都不是BI所擅长的领域。BI 所擅长的仍然是打通各类数据系统，并通过BI数据仓库建模构建各类合理的分析模型，对外以可视化报表的形式提供给管理层做决策支撑，或者通过深入的BI分析定位企业业务和管理中的问题，最终要不要做决策、做什么样的决策还是由人来决定。

那么刚才讲到的两个场景实际上一个是位于BI的上游入口端，一个是位于BI的下游出口端。

BI上游数据问题

数据源头的数据质量问题BI是无法解决的，BI能解决的只是将数据源头的数据拉入到BI数据仓库中，通过ETL完成数据的合并、清洗、治理工作，将不规范的、不可分析的数据变成规范的、可分析的数据形式支撑前端可视化分析。

 BI数据仓库 - 派可数据BI可视化分析平台

比如我们经常见到的在一些企业，信息化系统的规划都是分阶段进行的，不同的系统不同的部门在使用，由于缺乏一定的提前统一规范，再加上不同的业务部门使用不同的系统比如对产品编码、供应商档案信息的维护不一致，结果就造成在BI取数建模的时候就不知道到底以哪一套系统的维度档案数据为主，就需要花费大量的时间、精力来处理这类数据的合并、脏数据的剔除等开发工作。

所以，对于这些数据质量的控制、脏数据的清洗都后置到BI层面来处理了。如果要前置处理的话，就需要依赖主数据系统、数据治理系统在数据源头上做处理控制，建立统一的主数据档案信息，所有的维度档案都统一由主数据系统控制，再分发到各个业务系统建立统一的数据标准。

或者在规划建设每一个业务信息化系统的时候建立数据档案标准，遵循一定的数据规则，这也是数据质量、数据档案信息、数据规范的前置。所以这一类的数据处理要么前置到上BI之前来解决，要么后置到BI层面来处理。但在BI层面来处理，BI 就只能对往外输出的数据质量做控制，是无法逆向回溯到数据源头解决数据源头的数据质量、数据标准问题。

BI下游输出问题

刚才讲到的是BI的上游数据问题，再来谈谈BI的下游往外输出的问题，比如最开始提到的要做一些用户分群、做一些精准营销，比如在市场营销领域的 MarTech。实际上它的处理流程也是采集各类内部系统、外部环境的数据做加工处理，按照一定的逻辑计算规则构建一些模型，再根据一定的场景来使用这些数据做一些营销工作，这部分目前也不是BI所擅长的。

可视化大屏 - 派可数据BI可视化分析平台

BI 的定位刚才也已经讲过是在内部数据仓库建完分析模型的时候，对前端可视化分析负责。也就是说到前端可视化这个层面就结束了，不会介入到后续的业务流程处理上，比如营销推广就是一种业务流程处理过程。但是实际上看看刚才的数据处理过程，和BI的ETL过程也都是非常类似的，都需要采集各类数据库、接口的不管是外部的还内部的数据，也都需要进行非常复杂的数据处理，建立模型。

BI扩展能力

根据对BI问题的分析，我们会发现BI如果要往下走一步，实际上就是到了数据服务的环节了，通过对外提供数据服务介入到后续的业务环节，这样就实现了BI和后续业务流程的对接和打通。这种场景的应用领域非常宽泛，像刚才提到的市场营销、零售行业的智能补货、库存的智能预警等等。

BI扩展 - 派可数据BI可视化分析平台

所以，BI 领域的上下游扩展能力还是很强的，它的上下游两端都是业务系统，一种是提供数据来源的业务系统，一种是通过规范性的数据打入到下游的业务系统，而中间就是BI的核心处理环节。

往上，BI 可以扩充到主数据、数据治理。往下，BI通过数据服务扩充到各个细分领域的数据应用场景，但它的行业性特征比较强。这些都是未来BI可以发展的一个方向。

实际上，再讲到这里，大家是不是也感觉和现在的数据中台是不是有些类似了，三大环节：数据采集、数据处理、数据服务。所以，很多技术概念基本上都是大同小异的，只是他们的定位、偏向性、行业性、业务性的不同就形成了不同的解决方案来解决一些特定的场景问题。