來(lái)源丨DataHunter

商業(yè)智能（Business Intelligence，簡(jiǎn)稱BI）正如雨后春筍般蓬勃崛起。商業(yè)智能起始于決策支持系統(tǒng)，早期伴隨著計(jì)算機(jī)的普及，有了長(zhǎng)足的發(fā)展。后來(lái)，IBM公司提出“數(shù)據(jù)倉(cāng)庫(kù)”概念，同時(shí)，硬件的擴(kuò)充、軟件的更新、數(shù)據(jù)庫(kù)在企業(yè)的廣泛應(yīng)用等使商業(yè)智能真正地破繭而出。

近些年，在數(shù)據(jù)倉(cāng)庫(kù)的基礎(chǔ)上，在線聯(lián)機(jī)分析（OLAP）、數(shù)據(jù)挖掘技術(shù)開(kāi)始大行其道，目前，智能商業(yè)能幫助企業(yè)做的事情已經(jīng)越來(lái)越多，而且正在從傳統(tǒng)功能向增強(qiáng)型功能轉(zhuǎn)變、從單獨(dú)的商業(yè)智能向嵌入式商業(yè)智能發(fā)展。停滯多年的BI又一次吸引了大量公司的戰(zhàn)略視角。今天數(shù)獵哥就來(lái)說(shuō)說(shuō)商業(yè)智能（BI）。

一、什么商業(yè)智能BI

1.商業(yè)智能BI的定義

BI是Business Intelligence的英文縮寫，中文解釋為商務(wù)智能，用來(lái)幫助企業(yè)更好地利用數(shù)據(jù)提高決策質(zhì)量的技術(shù)集合，是從大量的數(shù)據(jù)中鉆取信息與知識(shí)的過(guò)程。簡(jiǎn)單講就是業(yè)務(wù)、數(shù)據(jù)、數(shù)據(jù)價(jià)值應(yīng)用的過(guò)程（百度百科）。

換句話來(lái)說(shuō)，BI是一套完整的解決方案，可以將來(lái)自企業(yè)的不同業(yè)務(wù)系統(tǒng)（如ERP、CRM、OA、BPM等，包括自己開(kāi)發(fā)的業(yè)務(wù)系統(tǒng)軟件）的數(shù)據(jù)，提取出有用的數(shù)據(jù)進(jìn)行整合清洗，在保證數(shù)據(jù)正確性的同時(shí)，進(jìn)行數(shù)據(jù)分析和處理，并利用合適的查詢和分析工具快速、準(zhǔn)確地為企業(yè)提供報(bào)表展現(xiàn)與分析，為企業(yè)提供決策支持。

簡(jiǎn)單概括這個(gè)過(guò)程所體現(xiàn)的三個(gè)大的部分就是：數(shù)據(jù)源收集，數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)準(zhǔn)備，可視化報(bào)表展現(xiàn)和數(shù)據(jù)分析（如圖所示）。

2.商業(yè)智能BI的本質(zhì)

對(duì)企業(yè)來(lái)說(shuō)，商業(yè)智能BI不能直接產(chǎn)生決策，而是利用BI處理后的數(shù)據(jù)來(lái)支持決策。核心是通過(guò)構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)平臺(tái)，有效整合數(shù)據(jù)、組織數(shù)據(jù)，為分析決策提供支持并實(shí)現(xiàn)其價(jià)值。

BI最終展現(xiàn)給用戶的信息就是可視化報(bào)表或視圖。需要注意的是，報(bào)表是一個(gè)結(jié)果，只能達(dá)到查詢的效果，查詢僅僅只能告訴我們結(jié)果是什么、有沒(méi)有問(wèn)題。

而基于可視化圖表背后的數(shù)據(jù)分析才能告訴我們問(wèn)題的原因是什么，只要問(wèn)題發(fā)現(xiàn)了，原因也找到了，那么企業(yè)業(yè)務(wù)人員或者管理人員如何去決策就會(huì)變得簡(jiǎn)單與輕松。

3.商業(yè)智能BI的開(kāi)發(fā)周期

商業(yè)智能BI是一個(gè)完整的解決方案，需要進(jìn)行專業(yè)項(xiàng)目實(shí)施與部署。既然是項(xiàng)目，就有開(kāi)發(fā)生命周期。一個(gè)完整的商業(yè)智能BI項(xiàng)目需要經(jīng)歷以下幾個(gè)階段：

這里需要注意的是，在實(shí)際項(xiàng)目實(shí)施過(guò)程中，以上的每一個(gè)階段都存在很大的變數(shù)，例如業(yè)務(wù)架構(gòu)自底往上的調(diào)整、分析需求的變化、業(yè)務(wù)數(shù)據(jù)計(jì)算邏輯的變更等。所以商業(yè)智能BI項(xiàng)目如果需要順利實(shí)施就需要權(quán)衡好客戶實(shí)際資源能力、項(xiàng)目支持力度，客戶對(duì)商業(yè)智能BI的期待，項(xiàng)目后期的風(fēng)險(xiǎn)，客戶的實(shí)際投入和長(zhǎng)遠(yuǎn)規(guī)劃...

二、商業(yè)智能BI與大數(shù)據(jù)有什么區(qū)別

大數(shù)據(jù)研究機(jī)構(gòu)Gartner給出了這樣的定義：“大數(shù)據(jù)是需要新處理模式才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力來(lái)適應(yīng)海量、高增長(zhǎng)率和多樣化的信息資產(chǎn)”。

商業(yè)智能BI和大數(shù)據(jù)是兩個(gè)不同的概念，簡(jiǎn)單來(lái)說(shuō)，BI相對(duì)于大數(shù)據(jù)更傾向于分析模式，用于決策，適合支持經(jīng)營(yíng)指標(biāo)支撐類的問(wèn)題；大數(shù)據(jù)則內(nèi)涵更廣，傾向于刻畫個(gè)體，更多的在于個(gè)性化的決策。

三、企業(yè)為什么需要商業(yè)智能BI

其實(shí)，企業(yè)內(nèi)部有大量的機(jī)會(huì)可以通過(guò)優(yōu)化業(yè)務(wù)流程和集中決策來(lái)節(jié)省資金。

在業(yè)務(wù)遭遇大挫折時(shí)，商業(yè)智能BI能帶來(lái)一線曙光，產(chǎn)出顯著的投資回報(bào)率ROI。

例如，阿爾伯克基市的就業(yè)者使用商業(yè)智能BI軟件來(lái)識(shí)別機(jī)會(huì)以減少使用手機(jī)通話，加班及其他營(yíng)運(yùn)開(kāi)支，三年期間為這個(gè)城市節(jié)省了200萬(wàn)美元。

同樣地，在商業(yè)智能BI工具的幫助下，豐田汽車公司意識(shí)到對(duì)它的運(yùn)貨商雙倍地付費(fèi)，于2000年總數(shù)達(dá)812,000美元。

利用商業(yè)智能BI來(lái)揭示業(yè)務(wù)流程中存在的缺陷的企業(yè)，與僅用商業(yè)智能BI來(lái)監(jiān)控會(huì)發(fā)生什么事情的企業(yè)相比，在成功的競(jìng)爭(zhēng)中處于更有利的地位。商業(yè)智能BI在企業(yè)中的應(yīng)用主要表現(xiàn)在如下3個(gè)方面：

1.可視化報(bào)表的展現(xiàn)

在BI中，使用柱狀圖、餅狀圖、折線圖、二維表格等圖形可視化的方式將企業(yè)日常的業(yè)務(wù)數(shù)據(jù)（財(cái)務(wù)、供應(yīng)鏈、人力、運(yùn)營(yíng)、市場(chǎng)、銷售、產(chǎn)品等）全面展現(xiàn)出來(lái)，再通過(guò)各種數(shù)據(jù)分析維度篩選、關(guān)聯(lián)、跳轉(zhuǎn)、鉆取等方式查看各類業(yè)務(wù)指標(biāo)。

這些分析展現(xiàn)內(nèi)容基本上是圍繞各個(gè)業(yè)務(wù)部門日常工作展開(kāi)的，這里面有很多的業(yè)務(wù)分析內(nèi)容可能需要復(fù)雜的計(jì)算規(guī)則，需要從不同的業(yè)務(wù)系統(tǒng)獲取數(shù)據(jù)，并且這些數(shù)據(jù)在業(yè)務(wù)系統(tǒng)軟件中都是很難直觀看到的。

這個(gè)層次的可視化報(bào)表分析就是一種呈現(xiàn)，讓用戶對(duì)日常的業(yè)務(wù)有一個(gè)清晰、直接、準(zhǔn)確的認(rèn)知，同時(shí)解放了業(yè)務(wù)人員手工利用Excel的各種函數(shù)做匯總分析、制圖的工作，提高了工作效率。比如，財(cái)務(wù)部門會(huì)關(guān)心今年的營(yíng)業(yè)收入、目標(biāo)完成率、營(yíng)業(yè)毛利潤(rùn)率、凈資產(chǎn)收益率等；銷售部門會(huì)關(guān)心銷售金額、訂單數(shù)量、銷售毛利、回款率等；采購(gòu)部門會(huì)關(guān)心采購(gòu)入庫(kù)金額、退貨情況、應(yīng)付賬款等等。

2.數(shù)據(jù)的“異?！狈治?/strong>

數(shù)據(jù)的異常分析利用的是對(duì)比分析法。業(yè)務(wù)人員通過(guò)可視化報(bào)表呈現(xiàn)，如果發(fā)現(xiàn)了一些數(shù)據(jù)指標(biāo)反映出來(lái)的情況超出了日常經(jīng)驗(yàn)判斷。

這時(shí)就需要要對(duì)這些 "異常" 數(shù)據(jù)進(jìn)行有目的的分析，通過(guò)相關(guān)聯(lián)的維度、指標(biāo)使用鉆取、關(guān)聯(lián)等分析方式探索出可能存在的原因。

例如，一個(gè)網(wǎng)站或產(chǎn)品，正常情況下每個(gè)月的平均用戶注冊(cè)量是10萬(wàn)左右。但是發(fā)現(xiàn)在今年的 8 月份，會(huì)員注冊(cè)量達(dá)到了 23 萬(wàn)，這就是一種 "異常"，遠(yuǎn)遠(yuǎn)超過(guò)經(jīng)驗(yàn)判斷和預(yù)期。

這時(shí)我們就要去分析判斷是因?yàn)槭袌?chǎng)部門的推廣，還是做了大型促銷活動(dòng)導(dǎo)致的。

當(dāng)然除了正向的異常，也有可能出現(xiàn)負(fù)向“異?！?，比如注冊(cè)量只有5萬(wàn)，這時(shí)也是需要我們通過(guò)分析找到原因，并在以后避免發(fā)生類似的情況。

最終業(yè)務(wù)人員通過(guò)一次或者多次的維度和指標(biāo)圖表構(gòu)建，逐步形成了一種比較可靠的、固化的分析模型。

這個(gè)階段的業(yè)務(wù)人員不再是被動(dòng)接受來(lái)自圖表中反映的信息，而是通過(guò)"異常"數(shù)據(jù)來(lái)定位到背后的一個(gè)業(yè)務(wù)問(wèn)題，數(shù)據(jù)和業(yè)務(wù)在這個(gè)層次開(kāi)始有了直接對(duì)應(yīng)關(guān)系，這時(shí)可以利用數(shù)據(jù)圖表之間的邏輯性關(guān)系尋找解決方法，提高企業(yè)的經(jīng)營(yíng)效率。 

3.業(yè)務(wù)建模分析

業(yè)務(wù)建模分析通常是由精通業(yè)務(wù)的業(yè)務(wù)人員提出，通過(guò)合理的建模找出業(yè)務(wù)中可能存在的問(wèn)題，將其反映在可視化報(bào)表上，并最后要回歸到業(yè)務(wù)，形成決策并不斷優(yōu)化的一個(gè)過(guò)程。

業(yè)務(wù)建模簡(jiǎn)單來(lái)說(shuō)也可以理解為一種業(yè)務(wù)分析的邏輯思維模型，只是用數(shù)據(jù)、圖表化的方式將它們有效組織起來(lái)去驗(yàn)證我們對(duì)業(yè)務(wù)分析的邏輯判斷。它可由一個(gè)或多個(gè)圖表組成，也可通過(guò)一組或多組數(shù)據(jù)圖表支撐，依據(jù)企業(yè)的業(yè)務(wù)模型來(lái)確定。

業(yè)務(wù)建模分析區(qū)別于前兩點(diǎn)，它是一種更深層次的業(yè)務(wù)數(shù)據(jù)的主動(dòng)設(shè)計(jì)和探索分析。

需要更加深入業(yè)務(wù)，圍繞一個(gè)一個(gè)業(yè)務(wù)分析場(chǎng)景展開(kāi)，對(duì)業(yè)務(wù)的認(rèn)知要足夠深。

這里需要注意的是具體的分析場(chǎng)景很難由專業(yè)的BI開(kāi)發(fā)人員來(lái)提出。

業(yè)務(wù)分析建模需要由專業(yè)的業(yè)務(wù)人員且具備數(shù)據(jù)分析思維意識(shí)的人員來(lái)推進(jìn)和主導(dǎo)，再輔助合適的數(shù)據(jù)分析、挖掘或統(tǒng)計(jì)工具，這樣商業(yè)智能BI的價(jià)值才能在企業(yè)得到充分的發(fā)揮，數(shù)據(jù)的價(jià)值也才會(huì)得到充分的體現(xiàn)。

四、商業(yè)智能BI的工作原理

那么BI到底是如何工作的？商業(yè)智能BI是一個(gè)復(fù)雜的技術(shù)集合，它包含ETL、DW、OLAP、DM等多個(gè)環(huán)節(jié)（這里的幾個(gè)名詞后文會(huì)有詳細(xì)解釋）。

如圖所示，簡(jiǎn)單的說(shuō)，就是把交易系統(tǒng)已經(jīng)發(fā)生過(guò)的數(shù)據(jù)，通過(guò)ETL工具抽取到主題明確的數(shù)據(jù)倉(cāng)庫(kù)中，OLAP處理后生成Cube或報(bào)表，透過(guò)Portal展現(xiàn)給用戶，用戶利用這些經(jīng)過(guò)分類（Classification）、聚集（Clustering）、描述和可視化（Description and Visualization）的數(shù)據(jù)，支持業(yè)務(wù)決策。

1.ODS（Operational Data Store）

ODS是數(shù)據(jù)倉(cāng)庫(kù)體系結(jié)構(gòu)中的一個(gè)可選部分，ODS具備數(shù)據(jù)倉(cāng)庫(kù)的部分特征和OLTP系統(tǒng)的部分特征，它是“面向主題的、集成的、當(dāng)前或接近當(dāng)前的、不斷變化的”數(shù)據(jù)。一般在帶有ODS的系統(tǒng)體系結(jié)構(gòu)中，ODS都設(shè)計(jì)都有如下特點(diǎn)：

（1）在業(yè)務(wù)系統(tǒng)和數(shù)據(jù)倉(cāng)庫(kù)之間的數(shù)據(jù)過(guò)渡層：如果業(yè)務(wù)數(shù)據(jù)來(lái)源比較復(fù)雜，一般采用構(gòu)造ODS的方法來(lái)實(shí)現(xiàn)收集當(dāng)前需要處理的數(shù)據(jù)。如下述數(shù)據(jù)來(lái)源：①業(yè)務(wù)數(shù)據(jù)庫(kù)種類繁多。

業(yè)務(wù)交易系統(tǒng)使用了不同種的數(shù)據(jù)庫(kù)，如DB2、Informix、Oracle、SQL server、文本等；②不同的應(yīng)用系統(tǒng)、不同的地理位置；③訂閱數(shù)據(jù)源；④批量還原非傳統(tǒng)數(shù)據(jù)庫(kù)數(shù)據(jù)……等等。

用于存放從業(yè)務(wù)系統(tǒng)直接抽取出來(lái)的數(shù)據(jù)，這些數(shù)據(jù)從數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)之間的邏輯關(guān)系上都與業(yè)務(wù)系統(tǒng)基本保持一致。

（2） 保存當(dāng)前或接近當(dāng)前的細(xì)節(jié)數(shù)據(jù)，以供查詢或ETL檢錯(cuò)使用。

（3） 數(shù)據(jù)存儲(chǔ)周期性。ODS中存儲(chǔ)的數(shù)據(jù)都是臨時(shí)的，每次ETL之前都要清空ODS中存儲(chǔ)的數(shù)據(jù)。

2.ETL（Extract Transform Load）

操作型業(yè)務(wù)數(shù)據(jù)庫(kù)（DB）到數(shù)據(jù)倉(cāng)庫(kù)（DW）的過(guò)程稱之為ETL，它實(shí)現(xiàn)數(shù)據(jù)的抽取，轉(zhuǎn)換及裝載工作。

①抽?。簩?shù)據(jù)從各種原始的業(yè)務(wù)系統(tǒng)中讀取出來(lái)；

②轉(zhuǎn)換：按照預(yù)先設(shè)計(jì)好的規(guī)則將抽取得數(shù)據(jù)進(jìn)行轉(zhuǎn)換、清洗，以及處理一些冗余、歧義的數(shù)據(jù)，使本來(lái)異構(gòu)的數(shù)據(jù)格式能統(tǒng)一起來(lái)；

③裝載：將轉(zhuǎn)換完的數(shù)據(jù)按計(jì)劃增量或全部的導(dǎo)入到數(shù)據(jù)倉(cāng)庫(kù)中；

3.DW（Data Warehouse） 數(shù)據(jù)倉(cāng)庫(kù)

數(shù)據(jù)倉(cāng)庫(kù)的官方定義是一個(gè)面向主題的(Subject Oriented)、集成的(Integrate)、相對(duì)穩(wěn)定的(Non-Volatile)、反映歷史變化(Time Variant)的數(shù)據(jù)集合，用于支持管理決策。數(shù)據(jù)倉(cāng)庫(kù)的特點(diǎn)：面向主題；集成；非易失；時(shí)間軸。數(shù)據(jù)庫(kù)與數(shù)據(jù)倉(cāng)庫(kù)的區(qū)別：

4.OLAP（On-Line Analytical Processing）

即聯(lián)機(jī)分析處理，是BI的一種全新的數(shù)據(jù)封裝方式，直接產(chǎn)物是報(bào)表或Cube（如圖所示），是使分析人員、管理人員或執(zhí)行人員能夠從多角度對(duì)信息進(jìn)行快速、一致、交互地存取,從而獲得對(duì)數(shù)據(jù)的更深入了解的一類軟件技術(shù)。

說(shuō)到OLAP，我們會(huì)很自然地想起OLTP（聯(lián)機(jī)事務(wù)處理系統(tǒng)），現(xiàn)在來(lái)比較一下OLTP與OLAP的區(qū)別，如下所述：

5.數(shù)據(jù)可視化展示

數(shù)據(jù)查詢是最簡(jiǎn)單的BI應(yīng)用，輸出可視化報(bào)表是BI最直接的產(chǎn)物，根據(jù)數(shù)據(jù)連接，加工過(guò)程及用途，應(yīng)用模式大致可以分為以下四種：

①格式報(bào)表：帶格式的數(shù)據(jù)集合，如：交叉表等；

②在線分析：多維數(shù)據(jù)集合，如：Cube等；

③數(shù)據(jù)可視化：信息以盡可能多的形式展現(xiàn)出來(lái)，目的是使決策者通過(guò)圖形這種直觀的表現(xiàn)方式迅速獲得信息中蘊(yùn)藏的知識(shí)，如柱圖，儀表盤等；

④數(shù)據(jù)挖掘：從大量的數(shù)據(jù)中，抽取出潛在的、有價(jià)值的知識(shí)（模型或規(guī)則）的過(guò)程。

五、商業(yè)智能BI項(xiàng)目的實(shí)施步驟

1.業(yè)務(wù)分析需求的把控

對(duì)于很多準(zhǔn)備或者正在規(guī)劃商業(yè)智能BI項(xiàng)目的企業(yè)來(lái)說(shuō)，業(yè)務(wù)分析需求的梳理是整個(gè)項(xiàng)目開(kāi)始的第一步，往往也是最困難的，主要表現(xiàn)如下：業(yè)務(wù)部門往往提不出比較具體的分析需求，而IT部門很難深入到業(yè)務(wù)，也提不出適合業(yè)務(wù)部門的分析需求。BI項(xiàng)目需求分析涉及到很多部門，有的時(shí)候內(nèi)部資源的溝通、協(xié)調(diào)都是很困難的...
 

那如何能夠非常清晰的梳理好一個(gè)完整的業(yè)務(wù)分析需求，并且能夠用業(yè)務(wù)部門能夠理解的語(yǔ)言進(jìn)行有效溝通？正確的做法是，提供方案的原型圖，這樣能激發(fā)業(yè)務(wù)人員說(shuō)出需求的欲望，并讓雙方站在可以相互理解的角度溝通，最終出來(lái)的效果也能更好的符合企業(yè)的期望。

2.數(shù)據(jù)資源的整合清洗

企業(yè)的數(shù)據(jù)可能是來(lái)自外部系統(tǒng)，也可能來(lái)自內(nèi)部的不同業(yè)務(wù)系統(tǒng)，比如CRM系統(tǒng)、ERP系統(tǒng)，或者業(yè)務(wù)人員的Execl表格， 這些統(tǒng)稱為數(shù)據(jù)源。這些數(shù)據(jù)通過(guò)ETL工具原封不動(dòng)的抽取到一個(gè)叫做ODS或者STAGING的數(shù)據(jù)庫(kù)先存放起來(lái)。

這里需要注意數(shù)據(jù)是存放在一些數(shù)據(jù)表中，但是并不是所有的數(shù)據(jù)都需要抽取出來(lái)，只有有用的數(shù)據(jù)才會(huì)被抽取。

涉及到一些數(shù)據(jù)需要去重、合并計(jì)算、格式轉(zhuǎn)換，比如 15/10/22 轉(zhuǎn)換成 2015-10-22等都屬于轉(zhuǎn)化階段；加載階段是，最后把數(shù)據(jù)統(tǒng)一加載到數(shù)據(jù)倉(cāng)庫(kù) 中。

3.數(shù)據(jù)倉(cāng)庫(kù)的架構(gòu)設(shè)計(jì)

數(shù)據(jù)倉(cāng)庫(kù)的開(kāi)發(fā)，可以理解為一種技術(shù)，也可以理解為一種方法論或解決方案。在商業(yè)智能BI中，數(shù)據(jù)倉(cāng)庫(kù)就是最核心的那一層，起到的就是一個(gè)承上啟下的作用。

往下承接各類數(shù)據(jù)源中的數(shù)據(jù)，往上支撐各類可視化分析報(bào)表。數(shù)據(jù)倉(cāng)庫(kù)的構(gòu)建水平將直接影響到商業(yè)智能BI項(xiàng)目的整體質(zhì)量。

4.可視化分析報(bào)表邏輯設(shè)計(jì)

這里的可視化分析報(bào)表的邏輯設(shè)計(jì)主要是依據(jù)前期的業(yè)務(wù)人員搭建的數(shù)據(jù)指標(biāo)體系而定，主題利用常見(jiàn)的可視化圖表來(lái)做業(yè)務(wù)數(shù)據(jù)的展現(xiàn)，這里DataHunter就能幫到你了。

Data Analytics是一個(gè)輕量級(jí)業(yè)務(wù)數(shù)據(jù)可視化平臺(tái)，可一鍵快速接入企業(yè)本地和云端內(nèi)外部Execl/CSV等數(shù)據(jù)文件，無(wú)需編程僅需簡(jiǎn)單的拖拽即可制作酷炫的數(shù)據(jù)可視化看板，用直觀的數(shù)據(jù)幫你做更好的決策。

六、小結(jié)

商業(yè)智能BI的表象是可視化分析報(bào)表的呈現(xiàn)，但它的本質(zhì)還是業(yè)務(wù)問(wèn)題、管理問(wèn)題。商業(yè)智能BI數(shù)據(jù)分析來(lái)源于業(yè)務(wù)，通過(guò)數(shù)據(jù)呈現(xiàn)發(fā)現(xiàn)業(yè)務(wù)問(wèn)題，比如好的或不好的，經(jīng)驗(yàn)之內(nèi)或之外的 ，然后再次回到業(yè)務(wù)，重新優(yōu)化提升業(yè)務(wù)運(yùn)營(yíng)的一個(gè)過(guò)程，這就是在商業(yè)智能 BI 中數(shù)據(jù)到信息、信息產(chǎn)生決策、決策產(chǎn)生價(jià)值的真正內(nèi)涵。

以上數(shù)據(jù)經(jīng)過(guò)脫敏處理，使用Data Analytics數(shù)據(jù)可視化軟件制作。

聲明：圖文源自網(wǎng)絡(luò)，版權(quán)歸原作者及來(lái)源所有，如有侵權(quán)，請(qǐng)聯(lián)系刪除。
 

微信搜索關(guān)注言商社，并在對(duì)話框回復(fù)哈佛還可免費(fèi)獲得哈佛商學(xué)院強(qiáng)烈推薦的“經(jīng)典商業(yè)財(cái)經(jīng)著作100本”+“微粒體商務(wù)PPT100份”助你在危機(jī)時(shí)刻修煉內(nèi)功，實(shí)現(xiàn)逆襲。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請(qǐng)?jiān)谖闹凶⒚鱽?lái)源及作者名字。