首先全局的对企业数据进行梳理。数据从业务端进行采集，存储在业务系统中，需要对其清洗之后才能用来做报表做分析。这一条链路涉及：数据采集、元数据管理、数据仓库搭建、数据存储、数据集市、ETL清洗、主数据管理、数据平台搭建、报表平台、决策分析平台、业务端应用分分析等事务。这里简单梳理一下分分类。
1、企业目前的数据现状分析
2、构建完善的数据环境
主数据管理
3、开展业务分析
梳理指标
建立指标体系
建立报表体系
建立分析体系
1、企业目前的数据现状分析
对于企业数据问题要做一个全面的诊断比如业务系统很多，系统之间的数据不连通，造成信息壁垒。这样的问题要着重主数据管理，制定标准规则。
比如数据不统一不完整不开放数据来源渠道多，责任不明确，数据填报缺失这些都是质量差的问题。这样的问题要着重数据治理，性能优化上可以采取分布式数据库。
以业务流程为导向梳理数据走向，这背后暗藏的现实可能是：指标零散，业务和IT都不知道分析什么；报表不成体系，有些报表冗余。
2、构建完善的数据环境
基于hadoop平台，先抛架构！
第一步：构建一个完善的数据环境
主数据管理
① 定标准
所需标准有编码规则，命名原则、划分原则、共享原则。
标准规划：根据企业实际情况确定实施范围，并根据优先级和难易度制定计划。可以通过调查问卷、现场访谈、收集文档等手段进行调研标准的内容：数据分布、数据流向、服务规则等，形成调研报告。
标准设计：在方法论的指导下，完成数据标准设计和定义工作，如数据业务描述定义、类型长度定义、其他信息定义。
实施映射：将已定义的数据标准与业务系统、业务应用进行映射，注明两者的关系及影响的应用。
标准执行：借助专业的工具实现标准落地检查。
维护增强：随着业务发展，数据标准需要不断的修订和完善，并有效的持续维护改进。
② 搭平台将各业务中可能流通共享的主数据的名称和标准统一起来
③ 控制关键环节流转包括主数据管理的关键环节、合理排布关键环节处理顺序、安排责任岗位或部门对应关键环节。
数据质量
3、梳理业务分析体系
指标梳理
分析什么数据，如何反馈给业务，这些都已转化成指标来解决
指标梳理需要和业务部门一同进行。可以通过访谈和调研梳理各业务层级关注的指标，从基层到高层。也可以将企业已有的SCOR、计分卡等绩效体系或者已有的业务分析体系，转化成可说明情况的指标。
建立全指标体系
指标梳理清楚后，从每一条业务线出发。这块业务对企业目标负责的关键成果是什么（KPA）——每一个KPA又可以用什么维度来衡量（KRA）——最后落实到基层的关键行动指标是什么（KPI）最后所有业务汇总，形成一个全指标体系。
梳理报表体系
梳理完指标体系后，大致也就知道每个业务部门需要分析什么数据了。数据通常以报表的形式呈现，报表就都相当与数据落地的产品，有主题有规划的分析。
基础查询类报表：来自于基层业务和日常工作，功能作用于某一项具体的工作，比如销售业绩查询、商品库存查询、在途库存查询、采购订单查询等。
经营报表：用于日常管理，其功能不单作用于某项具体的工作，而是覆盖相关部门或某部门管理的一个工作模块。例如店长业绩管理看板、库存管理、异常店铺管理等。
战略报表：这个就用于高层集团事物的管理，比如boss们关注的每日盈利状况，项目进度监控等等。这类报表通常以驾驶舱的形式展现，用于企业全局监控。
建立分析体系
不同于日常管理经营类报表单方面的展现，这里更注重某一块业务问题，比如通过分析数据来缩减供应链成本、通过分析市场环境制定市场策略等。通常在传统企业的应用有智能制造、大数据营销、供应链优化、市场活动ROI分析、新零售业务提升、用户画像和客户标签等等。最后，本文只是给出了一个大体的思路框架，很多细节都没有覆盖的很细致，多数也都是个人经验之谈，如有不足之处，欢迎大家留言交流！
