最近在为客户进行数据分析项目时，我遇到了一些问题，这促使我深入思考了一些问题。项目中我们使用的并不是Tableau，而是另外一款BI软件。由于计算过程较为复杂，我采用了嵌套的fixed计算来为每行数据打标签。在Tableau中，这种属于常规操作，通常不会遇到问题。然而，这次使用过程中，计算速度缓慢，当然这可能由多方面因素造成，是底层数据的质量和BI软件的性能叠加所致。而我我希望在此基础上，能通过图表间的联动增加交互筛选功能，但软件却因超出最大计算量限制而报错，在厂家的帮助下，也可以通过调整计算资源解决。但速度始终不能让人满意。
客户对公司的数据现状和BI软件的性能有一定的了解，因此对性能的要求并不高，可以忍受图表加载缓慢的情况。毕竟他们已经开始从简单的报表转向数据分析，即使有一些问题，交互性差一点也也并不是不能接受。然而我始终认为，固定不变的报表只能反映最基本的问题，而通过图表的交互，可以更深入地洞察数据，没有交互的分析总感觉缺少了灵性。
而我想了想，如果要提高速度，要么提高服务器的性能，要么就不使用嵌套的fixed计算，转而在数据源层面直接对数据进行标签化处理。如果交给技术部门修改数仓模型，时间上无法保证，失去了敏捷分析的灵活性。敏捷分析的核心在于所见即所得，能够随时提出问题并得到解答。此时，工具的重要性就凸显出来了，工具的限制也成为了分析的上限。工具的性能不足，使得无法回答更高维度的问题。
面对这种情况，我们有几种选择：一是改变解决方式，比如转入数据开发流程，但这会导致分析进度推迟；二是更换工具，但这又会带来成本问题；三是让思维适应工具，干脆放弃。那么，你会如何选择呢？
在现实的工作中，人们的思维或多或少都会受到工具的影响。当工具的能力与我们的思维相匹配时，是最为舒适的状态。但是进入这种稳定状态后，就会难以突破，这是人的本性，不喜欢改变。而当目标或者场景发生变化后，需要做出应对措施时，每个人的选择就会千差万别。比如，面对一个分析场景，EXCEL无法满足复杂计算时，有的人会努力学习各种公式和技巧来解决问题，有的人则会选择更换工具，从其他途径来解决，但是有些人可能会选择放弃。这就是人们在思维层次上的差异。我们更倾向于稳定，不喜欢改变。有时，我们会付出巨大的努力来维持这种稳定，而有时改变却只需要一点点努力。
在我看来，BI是一种更高级的工具。BI代表了一种新的思维方式，一种新的技术实现形式。与之相对的是传统的报表开发。以前，由于工具的限制，数据分析往往等同于报表，技术稍稍进步后，最多也只是增加一些固定的图表作为辅助，也谈不上分析。工具的上限限制了人们的思维，让很多人认为分析就是表格，最多辅以几个图表来增加美观。典型的就是数据大屏，它是一种披着可视化分析外衣的固定报表，除了情绪价值外，对分析几乎没有帮助。所谓的“存在即合理”，本质上是因为它与使用者的思维相匹配。当你的思维还停留在较低层次时，就无法理解更高级的思维方式。要充分发挥BI的作用，必须有与之相匹配的思维模式。
业务人员或分析师的角度来说。在使用BI工具时，就需要进行思维的转变。以Excel为例，人们习惯用通过二维表格进行数据处理和图表制作，这种表格形式更符合人们的思维方式。我们通常也是基于这种表格来收集数据、汇报工作或制作图表。当数据量不大且分析需求相对简单时，Excel无疑是最佳工具，此时你的目标、工具和思维是高度统一的。
然而，当数据量呈几何级数增长，Excel无法应对时，更换工具就成为必然选择。基于大数据分析的BI软件依靠基于行、列的数据存储和计算，这与人的思维方式有很大不同，因此需要使用一维表进行数据存储。
在分析过程中，BI软件通常基于维度和度量进行聚合计算，计算时主要是列与列之间的运算，而不是像Excel那样基于单元格的计算方式。Excel中的表格是有序的，可以通过行列定位单元格，而数据库中存储的数据是无序的，如果像Excel那样定位单元格，系统开销会非常大。因此，BI软件最基本的计算都是通过指定维度和度量的聚合计算，当然更高级别的表计算，也离不开维度。
所以，如果你仍然用Excel的思维方式去理解BI软件，搞不清楚维度与度量，离散与连续这些最基本的概念，就会导致工具与思维的不匹配，痛苦便由此而生。你需要提升自己的思维方式，使其与BI软件相匹配，才能更好地利用BI软件进行数据分析。
从数据开发的角度来看，思维方式的转变同样至关重要。在传统的报表开发中，分析的需求并不突出，主要关注点在于数据的获取和展示。对于技术人员而言，他们的重点在于实现需求和确保系统的稳定性。通常，每个需求对应一张报表，而每张报表背后则是一个SQL查询（可能是数据库表或视图）。在开发过程中，必须确保数据口径和计算方式的一致性，这催生了指标体系的概念。为什么需要指标体系呢？因为在传统的数据开发中，数据仓库中的每张表都是物化的实体表。对于查询来说，必须提前确定维度和度量，因为度量是依赖于维度的。例如，销售额本身没有意义，必须明确是地区的销售额、店铺的销售额，还是按年度、月度或日度计算的销售额。不同的维度组合可能有数百甚至上千种，这就需要将指标规范化为体系，如一级指标、二级指标、衍生指标、原子指标等。此外，还出现了指标平台这类产品，其实质上仍然是报表开发的思路，即所有报表需求都必须对应一个物化的数据表或视图，所有记录都必须是固定的、不可变的。这种模式，通常会导致数仓开发的数据源和BI报表是一一对应的，而非通用数据模型，只能满足固化的需求，没有任何灵活性和扩展性。
所以，传统的报表开发的思路就是穷举式的，将所有可能都囊括进来，就经常会提供图中这种类型的数据源，俗称大宽表，将所有可能的维度和指标都物化为实体表，而很多像echart一样的图表库也只需要这样的数据源提供数据即可。这样的模式，与固化的报表开发相匹配，只要需求固定不变，这种方式也不是不可以。
然而，现实情况是，这种开发模式常常让技术人员疲于奔命，业务人员也叫苦不迭，因为数据分析的需求是不断变化的。本质上，指标是度量的一个子集，是可以为业务提供参考的度量值，度量值必须依赖于维度。在分析过程中，需要通过BI软件根据需求，实时进行数据查询，并通过可视化方式实时反馈。不可能要求业务分析师提前罗列出所有可能性，所以就必须保留足够明细的数据，这正是BI软件开发与传统报表开发的本质区别。
现代BI软件在数据处理方式上与传统报表开发完全不同。BI软件需要尽可能详细的明细数据，分析模型都在BI软件内部构建，例如利用Tableau的关系模型构建分析模型。这与技术人员眼中数仓的表模型有本质区别。指标的定义和计算都在BI的分析模型中完成，根据分析需求，用户可以拖拽对应的维度和度量，依靠BI强大的数据引擎和丰富的展示方式，可以随时满足查询和分析的需求。此时，就只需要定义核心指标，其他根据不同维度和筛选条件衍生出来的指标，就完全可以根据分析的需要，随时自由定义和组合。因此，传统的指标体系在BI系统中显得并不是特别重要。
BI的数据源使用什么样的形式，完全可以单独拿出来进行讲解。有时间，我再写一篇文章进行论述。无论是从分析的角度还是可视化的角度，数据中保留的维度越多分析的角度也就越多，可视化的方案也就越丰富。
总之，面对不同目标，我们需要灵活应对变化，选择合适工具，并匹配相应的思维方式。无论是分析师，还是技术人员如果将目标转向BI，都应该跳出传统的报表开发思维，提升认知，进入更高维度的思维方式，让目标、工具和思维完全匹配。唯有不断学习、适应新工具，建立新思维，才能做好BI，为决策提供有力支撑，推动业务持续向前发展。那些固守旧思维、不愿改变的人，随时都可能被时代淘汰。