1. BIシステムの紹介
1.1 BIシステムとは
BI の英語の完全な綴りは、Business Intelligence (略して BI) です。企業が「BI を始める」、「BI システムを構築する」、「BI 意思決定プラットフォームを構築する」などについて話しているのをよく聞きます。では、BI とは一体何でしょうか?
(1) 元々は固定レポートから発生
数十年前、現代の企業に BI がなかったときは、固定ベースでレポートを作成する必要がありました。
(2) データウェアハウスOLAP技術がもたらすBIの発展
企業の発展に伴い、固定的な財務報告書や売上報告書だけでは企業のニーズに応えられなくなり、問題はますます複雑化し、状況はますます変化するため、企業の目標を明確に把握することが難しくなってきています。ビジネス状況を固定レポートで把握し、意思決定のサポートはますます限定的になってきていますが、一般的に使用される数十のレポートから数百、数千のレポートの開発に至るまで、開発量は実際には大きすぎます。その結果、人々の急激に高まるレポートのニーズを迅速に実現するために、OLAP のようなテクノロジー プラットフォームが作成されました。
レポートはすべて履歴データに基づいているため、業務システムからデータを直接取得する必要がなく、レポートの作成が多すぎると業務システム自体に影響を与えるため、データ ウェアハウスが登場しました。
(3) 定義
BI は、リレーショナル データベースから抽出されたオンライン トランザクション処理 (OLTP) によって生成される膨大なデータをベースにし、オンライン分析処理 (OLAP) やデータ マイニングなどの技術を通じて貴重な情報を取得し、管理者の意思決定を支援します。企業がデータを通じて客観的かつ予測的な意思決定を行い、インテリジェントなビジネス運営を実現できるようにします。(BI はビジネス上の意思決定を指向しています)
(4) 補足
しかし、現実はそれほど理想的ではありません。従来の産業もインターネットも、データを使って語ることを重視しています。しかし、データを見てデータについて語ることは、「賢い」という意味ではありません。OLAP 分析ではインテリジェンスを達成することはできず、データマイニング分析はデータマイニング分析だけでは実現できません。インテリジェンスを実現する理由は、ビジネス（ビジネス）の複雑さと多様性にあります。これが、優れた BI 製品が非常に少ないと常々感じている理由です。
1.2 BI システムの分類
(1) 報告書フォーマット
レポート スタイル BI は主に、製品内のさまざまな固定スタイルのレポート デザインを指します。これらは通常、詳細なビジネス データや指標の概要を表示するために使用され、サポートされるデータの量は比較的少量です。中国語のレポートには複雑なヘッダーと Excel のような形式があり、国内のレポート ツール FineReport は中国語形式のレポートを適切にサポートしています。
(2) 看板式
カンバン型BIには、主にデータカンバン、データビッグスクリーン、データコックピットなどが含まれます カンバンにおけるデータ指標や表示形式は基本的に固定されており、ビジュアルチャートが主流であることが特徴です カンバン型BIではサポートが少ないですデータ分析や固定指標のため、業務変更後のかんばんBIのバージョンアップに時間がかかり、俊敏性が弱い。
(3) プラットフォームの種類
Platform BIは主にBIのセルフサービス分析プラットフォームであり、ビジネス担当者やビジネスサイドのデータアナリストがシンプルなフロントエンドツールを通じて必要なデータレポートやデータダッシュボードを構築できるのが特徴で、プロジェクトサイクルが短く、その後のメンテナンスも容易であるデータセンターとの概念の台頭により、BI プラットフォームがトレンドとなり、データ部門とテクノロジー部門は、基盤となるテクノロジーとデータのサポートを提供し、ビジネス担当者がデータ自体の価値。
(4) まとめ
これら 3 種類の BI 製品に区別はなく、それぞれ適用可能なシナリオが異なるため、事業展開の特徴や実際のニーズに応じて、適切な BI 製品を選択する必要があります。
例: レポート タイプと比較すると、視覚化を使用するとデータがより直観的かつ鮮明になりますが、カンバン タイプでは多くのデータ詳細が欠落しています。
セルフサービス方式はカンバン方式よりもはるかに柔軟ですが、特定の使用しきい値があり (SQL の使用が必要な場合など)、ビジネス担当者のデータ リテラシーのレベルによっても制限されます (たとえば、ビジネス思考はデータ分析思考に変換できます)。
今回お話しするBIシステムは主にレポート型とカンバン型です。
2. BI システム構築におけるよくある誤解
2.1 データ指標を大量に作成した: 指標の重要性を区別できなかった
質問:製品を 0 から 1 まで追跡していない場合、業務と同様に製品のさまざまなデータを理解できない可能性があります。業務にどの指標がより重要であるかを尋ねるとき、それらの指標は異なる位置にあるためです。さまざまな角度から物事を検討すると、最終的には結果が見つかります。多くの指標があり、どれも重要です。
解決：
① 人事部または部門長に部門の業績評価指標を尋ねることができますが、おそらくこれらが最も重要な指標です。
② 部門長とコミュニケーションが取れる 部門長が最も気にしている指標なので、まずはこれらの指標から始めるべきです。
2.2 インジケーターは機能するが役に立たない: どれがバニティインジケーターであるかを区別する
問題:私は一般的な PV、UV、月間アクティブ数、総ユーザー数、総商品数などを数多く分析してきましたが、実際には、これらはトランザクション量の増加を直接促進できないため、虚栄的な指標です。紫外線量や毎月のアクティビティがどれほど多くても、何の役に立つのでしょうか? ユーザーはそれを購入しません。
解決策:プロダクト マネージャーは、どの指標が虚偽の指標であり、どの指標がより有用な指標であるかを特定する必要があります (指標はビジネス目標に直接影響します)。一般に、取引量を直接促進でき、コンバージョン率などの分子と分母を持つ指標は非バニティ指標です。例えば：
① ビジネス業界におけるメインパスのコンバージョン率、訪問→商品一覧、商品一覧→商品詳細、商品詳細→追加購入、追加発注のコンバージョン率、これらはチャーンを低減することで取引量を増加させることができます。
② ユーザーの翌日継続率、7 日間継続率（新規ユーザーが 7 日後に再度訪問するかどうか）、30 日間継続率などは、ユーザーの質や運営の質をそのまま反映することができます。
③ 製品の販売率（販売された商品数/棚にある商品数）は、このバッチの製品の品質を直接反映することができます。
2.3 さまざまなユーザーのニーズを考慮するのが難しい: テーマごとに BI ダッシュボードを設定する
問題点:全員が注目するデータの粒度は異なり、上司が注目するものと部門リーダーが注目するものは異なり、部門リーダーが注目するものと現場の幹部が注目するものは異なります。
解決策:この場合、かんばんボードを一緒に作成することはできません。むしろ、主題によって区別されます。
テーマ内では、ユーザーがテーマを理解できるように、特定のデータ分析ロジックとデータ表示ロジックに従って特定のストーリー システムが確立されます。
2.4 製品発売後、上司がBIを深く理解していない：製品価値をどう反映させるか
質問: BI 製品がどのようなタイプのビジネス担当者を対象としているかを区別する必要がありますが、上司がそれについて深く考えていない場合、その上司はこの BI システムの中心的なユーザーではない可能性があります。
解決策: BI 製品の起動後、プロジェクトは終了しませんが、製品の運用は継続する必要があります。
① 商品リサーチを行い、ユーザーの利用状況を把握する 良い商品は必ずビジネスマンに好まれます。
② ビジネス担当者向けの使用法トレーニングを実施し、コミュニケーションを深め、継続的にアップグレードと反復を行い、最終的に実行可能なバージョンを作成します。
③ 日々の運用・保守をしっかり行い、タイムリーで正確なデータを確保しなければ、いくら研修やプロモーションを行っても、製品の品質が水準に達していなければ評判は得られません。
3. BIシステム構築
3.1 BI システムにはどのようなモジュールが含まれていますか?
- データ収集: 内部データ、外部データ · データ開発 ETL: データ処理、データ ウェアハウスへのデータの投入、BI 要件に従ったアプリケーション層データの開発。
- データ アルゴリズム/モデル: 予測、属性などのデータ マイニング アルゴリズム
- フロントエンド アプリケーションの表示: フロントエンドの視覚化、リアルタイム更新、大量のデータ クエリを数秒で実行
- 権限管理: 一般にページとボタンに対するユーザーのアクセス権限管理。
- モニタリング: データ異常アラーム、毎日のアクセス統計。
3.2 プロダクトを迷わないための前提となるBIシステム構築の企業調査
(1) ビジネスユーザーと製品の目標を決定します。一般的に、次の 2 つの状況があります。
① プロジェクトにスポンサーが付いている場合は、スポンサーのリーダーとコミュニケーションをとり、BI システムプロジェクトを開始した背景や解決すべき課題を理解し、プロダクトの大まかな方向性を明確にします。
② 技術部門自らが主導するBIシステムプロジェクトの場合、プロジェクト立ち上げ段階で社内のBI利用（あるいはデータ利用）の現状調査も行う必要がある。
(2) ユーザー調査：ユーザーストーリーマップ
BI アプリケーションはビジネス プロセスとデータに基づいており、IT テスターは計算結果が正確であるかどうかを確認することしかできず、分析グラフがビジネス要件を満たしているかどうか、データ結果が商業的意味を持つかどうかなどを判断することはできません。
ユーザー ストーリー マッピングは、需要調査と需要の分類に適した方法であり、詳細を失うことなくチーム全体のニーズの把握を確立できます。
今日はユーザー調査について話しているわけではないので、始めませんが、興味があれば、いくつかの情報を見つけることができます。
(3) 商品企画・選定の決定
①商品企画計画：機能グループ化とステージング（優先）
②選択：レポート型、カンバン型、プラットフォーム型
3.3 BI システムの設計原則
製品計画とロードマップを決定したら、次のステップはシステム設計を実行することです。設計原則をいくつか示します。
(1) 使いやすく正確なデータ
BI アプリケーションがユーザーの習慣に適合しているかどうか、データが正確かつタイムリーであるかどうかが、BI の存続の鍵となります。
①レポートベースBI：詳細データをより分かりやすく表に表示する方法。
② カンバン スタイル BI: コア指標、指標間のストーリーテリング、分析的思考に焦点を当てます。
③ プラットフォーム BI: ローコード対応、ビジュアル操作、WYSIWYG などを可能な限り考慮する SQL を知っているビジネスマンは多くありません。
(2) 既存システムとの統合が可能
企業の既存のデータベース選択に適応し、データ収集/データ アクセス中にプロジェクトがスムーズに進むことを保証します。
(3) マルチシナリオ対応の検討
① PCとモバイルの利用シーン
アーキテクチャを設計する際には、将来のモバイルおよび PC 互換ソリューションを考慮してください。どの BI システムも最終的にはモビリティに直面することを理解しておく必要があります。
②対応するデータ共有方式を統一
データのダウンロードやエクスポートなどのデータ共有方法を統一的に設計する必要があります。
(4) アルゴリズムやモデルの導入を検討する
BIを単なる「データ読み取り」ツールとして捉えるのではなく、将来のアルゴリズムの導入やアルゴリズムモジュールの技術アーキテクチャを製品設計時に適切に考慮することで、製品のポジショニングが向上し、より大きな価値を発揮することができます。
(5) データの監視と権限を考慮する
データ異常監視メカニズムと権限管理をアーキテクチャで考慮する必要があります。そうしないと、後で非常に困難になります。権限に関しては、データ権限の設計に注意を払う必要があります (同じページ上の異なる位置には、異なるデータ コンテンツ範囲が表示されます。たとえば、中国北部地域では中国北部地域のデータのみが表示されます。これはデータです)許可。)
4. BIシステムの今後の開発動向
4.1 分析時間
Analysis moment は Gartner によって定義されたデータ分析プロセスであり、データの視覚化、探索、アルゴリズムの適用によってビジネス結果の提供をサポートし、それによってより適切な、またはより迅速な意思決定を行い、ビジネス プロセスを自動化します。データ活用の敷居が徐々に下がり、セルフサービスやプラットフォームベースのBIがトレンドとなり、データ分析の主導権は徐々にビジネスパーソンの手に移り、ビジネス課題に直面したビジネスパーソンが直接データ分析を開始する、ビジネス担当者がデータ分析ツールを使用できる /Platform でデータ分析コンテンツが完成します。
例:ビジネスパーソンが特定の製品のオンライン販売予測を知りたい場合、またはショッピングカート内の商品が一部の顧客によって購入に変換されなかった理由を知りたい場合、以前はビジネスパーソンは IT 部門に問い合わせる必要がありました。エンジニア (関連する可能性のあるデータの抽出と特定の分析レポートの出力)、データ サイエンティスト (予測モデルの構築) が、共通の予測アルゴリズム モデルとアトリビューション分析ツールが BI システムに確立されていれば、データ セットを簡単に接続できると想像してください。ビジネス担当者は分析内容を独立して迅速に完了でき、セルフサービス分析を通じてデータの結論や問題の原因を迅速に把握し、ビジネスにフィードバックすることができます。
4.2 強化された分析
拡張分析とは主に、機械学習に基づくデータ分析と BI 機能を指します。機械学習、人工知能、その他のテクノロジーの適用を通じて、一般的かつ一般的なデータ分析シナリオが製品機能に組み込まれ、データ サイエンスの専門家や完全なデータを持たない一般ユーザーを支援します。 IT 担当者の支援を受けて分析します。強化された分析の基本コンセプトは「シンプルで使いやすい」であり、専門的な知識がなくてもデータの「収集-準備-統合と分析」の全プロセスを完了できるようにサポートします。
拡張分析には、拡張データ準備、拡張機械学習、拡張データ分析などのモジュールが含まれます。ここでは主にデータ分析におけるアプリケーショントレンドについて説明します。
(1) NLPとNLGの応用
① 自然言語分析、SQLを書く必要がなく、言語と視覚化によってデータを分析します
例: ThoughtSpot は、データにアクセスするためのメイン インターフェイスとして検索と NLP を使用しており、ユーザーは入力または音声を通じて質問できます。
②会話データ分析、データ会話ロボット
自然言語が SQL に変換され、SQL 結果セットが視覚的なグラフに変換され、「NL2SQL2Graph」の完全なリンクが形成されます。
例: Alibaba Xiaomi (エントリ: タオバオ)
③ NLG技術（自然言語生成）は、機械が分析した意見や結論を言語形式でユーザーに提示します。
例: Tableau のデータ説明機能は、選択された値について AI 主導の説明を自動的に提供します。この機能は、舞台裏で考えられる何百もの説明をチェックし、最も可能性の高い説明を提示します。
(2) 自動インサイトと自動可視化① 自動インサイト（自動化されたインサイト）
自動洞察とは、データ間の関連性の発見、データの異常の発見、自動的なクラスタリングなど、データから潜在的な情報と価値を自動的に発見するマシンを指します。
現在、主流の BI プラットフォームのほとんどには、自動インサイト関連機能が搭載されています。
例: Microsoft の PowerBI の Quick Insights 機能は、ソース データに対してさまざまな横断的な一次または多次の計算 (パーセンテージ、並べ替え、同一サイクル比較) を自動的に実行して、データ内のさまざまな傾向をマイニングできます。
https://www.c-sharpcorner.com/article/quick-insights-and-power-bi/
②自動可視化
データ結果に基づいて視覚的な表示方法を自動的に選択し、データ分析結果をわかりやすく表示します。
2 つの方向があります。
- 自動チャート選択: データセットをクエリした後、マシンはデータの特性に基づいて適切なチャートを自動的に生成します。チャートの自動化は、Tableau などの主流の BI ツールでサポートされるようになりました。データ セットを選択した後、最初に表示されるのはデータではなく、自動ビジュアル チャートです。
- 自動レポート生成: 自動チャート選択よりも上位レベルで、レポート レイアウト、構成コントロール、チャートのリンクなどを自動的に生成します。
技術的には、これを実現するには 2 つの方法があります。
- ルールベース: 事前にルールベースを設定し、そのルールに基づいてチャートを生成します。ルールベースの品質が重要です。
- モデル (問題を分類問題またはランキング問題に変換する) に基づいて、データ自体の特性とビジュアル チャートの特性が鍵となります。
4.3 組み込み分析
特定のデータ分析手法をビジネス システムに統合します。BI システムのページは他のシステムに埋め込むために使用でき、これは製品の将来の開発にとって非常に有益です。
- BIの適用範囲を拡大し、将来の商品企画のアップグレードを容易にします。
- ビジネス担当者は、データを生成するシステムでデータの分析結果を確認できるため、エクスペリエンスが向上し、使用プロセスとエクスペリエンスがスムーズになります。
4.4 予測と意思決定に関する推奨事項
大量の手作業によるビジネス分析を通じて要約されたビジネス経験と、AI および機械学習テクノロジーの恩恵により、機械はビジネス分析とアクションの推奨を一度に完了できます。例: タオバオのビジネス コンサルタントは、データ指標に基づいて、対応するマーケティング ツールや学習教材を提供します。
原文: 誰もがプロダクトマネージャー