谷歌商业智能笔记-全-

谷歌商业智能笔记（全）

001：欢迎加入谷歌商业智能证书项目 🚀

在本课程中，我们将开启谷歌商业智能职业证书项目的学*之旅。你将了解商业智能在现代商业中的核心价值、本项目的结构、你将学到的技能以及来自谷歌的讲师团队。

我们的世界在不断变化和发展。各地的公司都在努力引领下一个重大趋势。

消费者期望快速、令人兴奋的产品发布，以及能像魔法般送到家门口的包裹。

在这种惊人的变化中，速度的价值变得不可估量。它确实是当今商业成功最重要的因素之一。

毕竟，能够识别问题或机会固然很好。但真正的价值在于，在问题演变成巨大危机之前识别它，或者在竞争对手之前抓住机会。

如今，关于市场、组织、客户、竞争对手和员工的数据比以往任何时候都多。但仅凭数据本身，我们无法做出更好的决策并快速交付成果。这正是商业智能发挥作用的地方。

商业智能 涉及自动化流程和信息渠道，以将相关数据转化为易于决策者获取的可执行洞察。

换句话说，通过向决策者展示当前正在发生的事情，组织会变得更智能、更成功。

一个全国性的餐饮集团可能会分析数百万的客户数据，以优化其食品供应并减少浪费。或者，一家本地医院可以整合众多不同的数据源来审查反馈和结果，以帮助个性化患者体验。

又或者，一家全球制造公司利用来自世界各地的供应链数据，做出更精确的需求预测并确保适当的库存水平。

商业智能的应用是无穷无尽的，商业智能的职业机会也是如此。这个领域涉及如此多样化的组织和行业，无论你的兴趣在哪里，都有适合你的道路。仅在本项目中，你就会了解到从家电制造商到杂货店，从本地工匠到人工智能公司的各种案例。

商业智能专业人士正在各行各业产生影响。至于我，我叫Sally，是谷歌的一名商业智能分析师。我非常高兴地欢迎你加入谷歌商业智能职业证书项目。我将担任本项目第一门课程的讲师。

完成像这样的谷歌职业证书，将帮助你培养雇主在招聘商业智能人才时所寻求的相关技能。你将学*如何使用这个快速发展、高薪领域的工具。当你毕业时，你可以与数百家对招聘谷歌职业证书毕业生感兴趣的美国雇主建立联系。

该项目旨在让你在3到6个月内（如果你以兼职方式学*证书）为一份工作做好准备。它非常灵活，只有三门课程，你可以完全在线、按照自己的节奏和方式完成。无论你是想转行、寻找新工作、提升技能还是创业，谷歌职业证书都能为你打开新机遇的大门。

你可能通过谷歌数据分析证书认识我，它是本项目的一个关键基础。你在这里学*的内容依赖于那个基础。因此，你需要确保先获得该证书，或者使用我们即将推出的自我评估来确保你具备相当的知识。

我将在整个第一门课程中陪伴你，确保你学到成功所需的知识。我热爱商业智能世界，非常喜欢使用SQL，并深入研究支持谷歌人员运营的分析技术方面。这个团队致力于谷歌的人员配置、发展和独特包容的文化。

但我并非一开始就从事商业智能。当我最初思考职业道路时，我对成为一名医生感兴趣。但最终我真正喜欢上了生物科学，所以我以为我会成为一名生物医学研究员。当然，数据分析是数据的科学，所以这个领域最终引起了我的兴趣也就在情理之中了。

我以分析师的身份开始了我的职业生涯，现在就在这里。这只是一个例子，每个人的经历都不同。事实上，谷歌职业证书是由拥有数十年经验的行业专业人士设计的，每门课程都将有一位来自谷歌的不同专家指导你。我们将通过视频分享知识，通过实践活动帮助你练*，并带你经历工作中可能遇到的各种场景。

首先，来认识一下我的队友Ed。

你好，我是Ed，是谷歌的一名产品经理。我们将一起探索数据建模和ETL，它代表提取、转换、加载。这一切都是为了将数据以你需要的方式放到你需要的地方，以便你进行分析和监控。

接下来，你将认识Terrence。

大家好，我是Terrence，是一名高级商业智能分析师。我真的很期待与你共度时光，一起探索在创建商业智能可视化时如何应用你对利益相关者需求的理解。我们还将使用数据看板来呈现清晰的洞察，以推动各种公司的发展。

嗨，我是Anita，是谷歌的一名高级商业智能分析师。我将指导你完成不同的职业建设主题和活动，包括以作品集创作为特色的课程期末项目。作品集是一套可以与潜在雇主分享的材料。这个激动人心的实践体验将汇集你在本项目中学*的所有内容，并使你能够将技能应用于一个现实的商业场景。

我们都很高兴你来到这里。就我个人而言，已经迫不及待要开始了。你准备好迈出加入我们商业智能行业的第一步了吗？让我们开始吧。

在本节课中，我们一起了解了商业智能如何通过将数据转化为洞察来驱动现代商业决策，认识了谷歌商业智能证书项目的结构、目标以及讲师团队。我们明确了该项目旨在为你提供实用的技能，帮助你在3-6个月内开启商业智能领域的职业生涯。现在，让我们带着这份了解，正式开启学*之旅。

谷歌商业智能课程：1：课程1介绍 🎯

在本课程中，我们将开始探索商业智能行业。无论你是行业新人还是已有经验，本课程都将为你揭示BI的职业路径、核心角色以及如何开展有影响力的项目。

选择从事商业智能职业有无数的理由。

享受分析性思考或对数字感兴趣，是成为BI专业人士的绝佳动力。

但BI的世界远不止于此。或许你热衷于解决问题。

简化流程或为他人消除痛点。

也许你拥有出色的沟通技巧。并且你希望运用这些技巧来分享见解，帮助你的团队做出有效决策。

许多BI从业者乐于创建能简化任务、让同事能投入更多时间到其他项目中的工具。

BI专业人士的灵感来源多种多样。

但当我与谷歌的同事们交流时，他们最热爱的一点，仅仅是运用自己的才能让他人感到快乐。

知道自己让他人的工作变得更轻松或节省了大量时间，会带来巨大的满足感。

而现在，你让我感到快乐，因为你来到这里，准备探索BI这条激动人心且回报丰厚的职业道路。

在第一个课程中，你将开始了解BI行业。

如果这对你是一个新领域，你将学*如何识别最适合你技能和兴趣的职业路径和雇主类型。

你还将思考BI分析师与BI工程师的角色差异。

如果你已具备一些BI经验，本课程将为你打开通往更迷人职业机会的新大门。

你将理解如何开展一个有影响力的BI项目。

你将接触到专业人士日常用于制定商业决策和改进流程的BI工具与技术。

BI与数据分析之间的异同将被阐明。

我们将共同探索处理数据时背景信息的重要性，并学*如何克服一些常见的局限性，例如人为偏见。

随后在整个课程项目中，你将持续获得新技能。

你将运用数据建模来设计数据存储系统，例如数据仓库、数据集市和数据湖。

你将在ETL过程中应用数据管道。

设计和解读数据看板将是你学*的重要组成部分，与利益相关者沟通你的发现也同样重要。

最后，你将通过制定个人策略、拓展职业人脉和准备求职材料，为求职做好准备。

本课程的大部分内容建立在核心的数据分析概念之上。

因此，如果你在该领域有一些经验，或者你已经获得了谷歌数据分析专业证书，那么你绝对来对了地方。

如果你不确定自己是否具备学*本课程的必要先决条件，接下来将有一个不计分的评估来检验你的准备情况。

此外，我们会在每门课程中包含来自谷歌数据分析证书课程的有用资源，供你复*关键概念。

现在，让我们开始构建你的BI技能与知识体系。

请继续下一课，保持学*势头。🚀

总结

本节课我们一起学*了选择BI职业的多种动机、本课程将为新人及有经验者提供的不同价值、以及整个课程项目将涵盖的核心技能模块，包括数据建模、管道、看板及求职准备。课程建立在数据分析基础之上，并提供了相应的支持资源。

003：开启您的谷歌商业智能证书之旅 🚀

在本节课中，我们将一起了解谷歌商业智能证书项目的概况、它能为你带来的价值，以及如何成功完成课程并开启职业生涯。课程由谷歌“Grow with Google”团队的Amanda介绍，旨在为你提供清晰的学*路径和支持资源。

我是来自“Grow with Google”团队的Amanda。我们是谷歌职业证书项目背后的团队。我们非常高兴你决定攻读商业智能领域的证书。

谷歌的专家们创建了这个项目，旨在帮助你培养为就业做好准备的技能。一旦你完成证书课程，你将加入一个由超过100万毕业生组成的社区，他们正在开启新的职业生涯。你将立即解锁一系列资源来帮助你启动职业生涯。

这包括一份谷歌颁发的、受行业认可的证书，你可以将其添加到你的简历和LinkedIn等职业档案中。在你求职的过程中，我们也会一路为你提供支持。我们知道寻找新工作涉及很多方面。

因此，在证书课程的最后，你会发现一门课程，它会向你展示如何具体利用人工智能来简化求职过程。你将识别自己的可转移技能，为不同职位更新简历，并在人工智能的帮助下练*面试。

此外，对于在美国的学*者，你可以免费注册一对一职业辅导，并通过Career Circle访问数千个职位发布。这些宝贵的资源专属于谷歌职业证书的毕业生。

良好的开端是确保你完成课程并获取这些资源的最佳方式。以下是我们为你提供的几条重要建议，助你顺利抵达终点。

首先，务必跟上截止日期，尤其是在最初的这几周。做到这一点的学*者完成证书课程的可能性几乎是其他人的两倍。

其次，立即加入学*者社区。这是一个获取建议并与像你一样的其他学*者建立联系的绝佳场所。拥有这个社区作为遇到困难时可以求助的资源，将显著提升你的成功几率。

最后，如果遇到挑战，请不要气馁。这很正常。记住你来到这里的原因，充分利用可用的支持，并相信只要坚持不懈，你一定能成功。

若想获取谷歌关于职业建议、人工智能使用技巧以及新课程通知的最新信息，请订阅我们的新闻通讯，地址是 grow.google/updates。

我们祝愿你在这段激动人心的旅程中一切顺利，并期待在你获取谷歌职业证书的过程中为你提供支持。

谷歌商业智能课程：P04：莎莉的个人职业历程 🚀

在本节课中，我们将跟随谷歌商业智能分析师莎莉，了解她如何进入数据分析领域，以及她对希望进入商业智能领域的新人给出的建议。

我叫莎莉，是谷歌的一名商业智能分析师。我的工作是利用数据来帮助改善谷歌的招聘体验。

我进入数据分析领域的方式，是通过多年前参加的一个商业训练营。当时我正考虑成为一名生物医学研究员，参加训练营只是想利用业余时间学*一些新东西。

在训练营中，我们学*了通用的数据分析知识。我发现我似乎有这方面的天赋，一切知识都变得清晰易懂，非常具体，你几乎可以立刻看到分析结果。你可以像搜索一样探索数据，而我热爱解谜，所以我很享受利用不同线索寻找答案的过程。

同时，我也非常喜欢团队合作。这与我之前在科学领域的经历截然不同，那时的工作非常独立，都是自己埋头苦干。但在商业训练营里，我与一群人共同协作，氛围非常社交化且充满乐趣，我们互相支持，我热爱那种感觉。

正是通过这个项目中的团队环境，我获得了第一份工作机会。我在项目中结识了一位比我早一年毕业的学员，当我开始找工作时，他的团队正好有一个职位空缺，于是他联系我询问我是否有意申请。这就是我进入数据分析领域的实际过程。我并非科班出身，一切都是自学的，包括SQL。

起初，我感到自己贡献有限，在这个领域缺乏安全感。因此，我尝试自学Python并涉足机器学*等领域。但最终我发现，我并不需要那样做。我只需要找到自己擅长的细分领域，深入发展并成为那个领域的专家即可。

因此，对于试图进入商业智能领域的人，我给出的建议是：思考数据分析与商业智能之间的区别。就我个人而言，我发现自己非常喜欢SQL，热爱技术层面的工作。因此，我选择专注于商业智能方向。

在更广阔的数据分析领域，你可以根据自己的兴趣，塑造你想要的职业生涯。

本节课中，我们一起学*了莎莉从生物医学转向商业智能的职业路径。她的经历告诉我们，进入数据分析领域并非只有科班出身一条路，通过实践训练、发现自身兴趣并专注于一个细分领域深耕，同样可以取得成功。关键在于找到你所热爱并擅长的事情。

005：探索商业智能职业发展 🚀

在本节课中，我们将要学*商业智能（BI）在现代组织中的重要性，并深入了解BI分析师和BI工程师这两个核心角色的职责与价值。我们还将探讨BI领域的职业前景。

我们经常听到关于每天产生的海量数据的讨论。这些数据可能很简单，比如用手机拍一张照片或支付账单。也可能很复杂，比如一家全球公司推出新产品或运行多媒体广告活动。实际上，几乎所有事物都在产生数据。

因此，组织需要专家来帮助他们获取正确的数据也就不足为奇了。专家们利用数据寻找增长和改进的方法，并将这些洞察付诸行动。事实上，随着数据量的不断攀升，对能够挖掘数据价值的专业人才的需求也在同步增长。

例如，在我的工作中，我能够自豪地使用数据，为我的利益相关者提供一个快速、清晰的概览，让他们准确了解需要知道的信息，而不会迷失在细节中。我创建的工具使他们能够清晰地评估谷歌人事运营中候选人的招聘和员工体验。

一种实现方式是向我的利益相关者展示在谷歌招聘某人时，整个面试流程需要多长时间。这很重要，因为它能帮助他们判断是否需要招聘更多的招聘人员或面试安排人员，以改善我们候选人的体验。

上一节我们了解了BI如何为组织创造价值，本节中我们来看看BI领域的具体职业角色。

视频中，你将更深入地了解我们BI从业者如何为同事提供价值，以及我们如何帮助塑造组织的未来。这里有许多不同的潜在角色可以探索。例如，在本课程项目中，你将深入了解BI分析师和BI工程师。

以下是BI分析师的主要职责：

需求收集：从利益相关者、合作伙伴和团队成员那里收集需求。
数据处理：利用对大型数据集的理解来检索、组织和解读数据。
洞察呈现：创建可视化图表、数据看板和报告，用于向他人展示和传达洞察。

他们分享的智能信息可能被用于制定决策、开发新流程或创建商业策略。也可能被应用于更深入的分析。

以下是BI工程师的主要职责：

系统构建：负责设计、配置、实施和改进数据工具与流程。
流程优化：评估并简化各种设备、基础设施和信息通道（通常称为数据管道）。
问题解决：工程师是出色的故障排除者，帮助解决安全问题、应用程序权限、更新和其他技术挑战。

换句话说，BI工程师管理工具和流程，这使得BI分析师能够将这些工具和流程投入实际工作。然而，同样重要的是要注意，有些公司并不严格区分这两个BI职位，会交替使用“分析师”和“工程师”这两个术语。因此，当你开始探索工作机会时，务必花些时间研究具体职位和组织，以充分了解其工作内容。

无论你最终选择哪条道路，BI职业都有潜力变得非常出色。研究表明，当今所有行业都需要熟练的BI专业人员，但具备相关经验和才能的人才数量不足以满足这一需求。因此，BI专业人员享有强劲的职业前景。事实上，在该行业快速搜索职位空缺，仅在LinkedIn上就能发现数千个机会。

但也许最重要的是，BI专业人员发现他们的工作既有回报又充满成就感，因为我们知道我们所做的事情能让别人的生活变得更美好。在本课程项目接下来的内容中，你将发现一些真正鼓舞人心的例子，展示BI如何产生如此积极的影响。

本节课中我们一起学*了数据驱动决策的重要性，明确了BI分析师与BI工程师的核心职责与协作关系，并了解了BI领域广阔的就业前景和职业满足感。

006：商业智能团队与合作伙伴

概述

在本节课中，我们将要学*商业智能（BI）专业人员如何与组织内外的不同团队和合作伙伴进行协作，以解决复杂问题并成功完成项目。理解这些协作关系对于有效开展BI工作至关重要。

当面对极具挑战性的任务或重大问题时，你会怎么做？你已经做了研究，尝试了多种方法，但似乎都行不通。感到沮丧是很自然的。我们都经历过这种情况，但一个更好的策略是直接寻求帮助。俗话说，三个臭皮匠顶个诸葛亮。在商业领域，复杂的问题通常需要5个、10个甚至成百上千的人共同提出潜在的解决方案。

这就是为什么商业智能专业人员在工作中需要与许多不同的团队成员协作。集思广益、共同构建、汇集知识并解决问题，是BI流程的核心。BI专业人员也依赖团队成员为其项目提供重要的输入，并共同制定解决方案。

本视频将分享一些你可能会合作的关键角色的例子。请记住，每个组织对职位的处理方式都不同。因此，你可能会遇到一些差异或重叠，但这将是一个很好的起点。

主要合作伙伴角色

以下是BI专业人员经常需要协作的一些关键团队成员。

API专业人员

首先，是API专业人员。API代表应用程序编程接口。这是一组函数和过程，用于集成计算机程序，形成使它们能够相互通信的连接。

涉及API的角色非常多，包括API策略师、开发人员、工程师和产品负责人。当你在商业智能领域工作时，你可能会与API专业人员合作，为特定项目创建所需的接口，特别是当你的部分数据来自第三方平台时。API的作用是将这些数据引入公司内部数据库，以便构建报告工具和数据看板。

API专业人员使用多种不同的计算语言进行编码，包括Python、Java等。因此，由API合作伙伴来编写针对每个项目和业务需求的特定代码。

数据仓储专家

你可能会与数据仓储专家合作，他们负责开发有效存储和组织数据的流程和程序。这些人还帮助确保BI专业人员能够轻松访问他们所需的数据。

数据治理专业人员

还有数据治理专业人员。这些团队成员负责对组织的数据资产进行正式管理。这可能涉及基于内部标准和政策来管理数据的可用性、完整性和安全性。这对于确保数据可信且不被误用或损坏非常重要。

数据分析师

当然，数据分析师是关键合作伙伴，因为他们负责收集、转换和组织数据。他们是数据专家，始终在审查和验证数据。他们还识别并实施令人兴奋的新分析方法。

IT信息技术专业人员

另一个关键团队是IT信息技术专业人员。他们测试、安装、维修、升级和维护组织日常使用的硬件和软件解决方案。BI专业人员与IT部门合作，以最大化利用所有可用的数据和数据工具。

项目经理

此外，项目经理是关键协作者，他们处理日常的项目步骤、范围、时间表、预算、资源等等。

根据项目调整协作对象

有各种各样的贡献者，每个组织都不同。你将与谁合作，取决于公司的规模、可用的工具以及工作的性质。

例如，如果你的项目涉及客户体验，那么客户成功团队对于提供输入至关重要。如果你的项目是关于员工敬业度的，那么你将与人力资源团队密切合作。因为我的工作涉及招聘流程，所以我确实从与谷歌招聘团队成员的协作中受益匪浅。

关键的利益相关者

现在，团队中还有另一组至关重要的人，那就是你的利益相关者。在本课程接下来的一个章节中，我们将详细讨论与BI相关的各种利益相关者角色。我们还将探讨不同的利益相关者目标，以及你如何运用你的BI技能来实现这些目标。敬请期待。

总结

本节课中，我们一起学*了商业智能专业人员需要与哪些关键团队和合作伙伴协作，包括API专家、数据仓储专家、数据治理人员、数据分析师、IT部门以及项目经理。我们还了解到，具体的协作对象会根据项目的性质和公司的具体情况而调整。最后，我们认识到利益相关者是团队中不可或缺的一部分，他们的参与对项目的成功至关重要。理解并建立这些协作关系，是成为一名高效BI专业人员的基础。

谷歌商业智能：P07：商业智能最大化数据分析的价值 🚀

在本节课中，我们将明确商业智能与数据分析的区别与联系，并探讨它们如何共同推动组织的数据成熟度，实现数据驱动决策。

随着商业智能和数据分析日益普及，这两个术语常被错误定义、过度简化或在快速沟通中混用。这可能导致混淆，因为BI和DA确实存在显著差异。本节中，我们将理清这些概念。

首先，需要明确的是，BI和DA专业人员都致力于在组织中实现数据驱动决策。他们也都是公司数据成熟度的关键组成部分。

数据成熟度指一个组织有效利用数据以提取可执行洞察的能力程度。无论这些数据涉及客户、员工、产品、供应商、财务还是其他方面，若无法投入使用，其价值便无法体现。

要让数据发挥作用，需要具备专业技能的人员应用相关技术与方法，以实现高水平的数据成熟度。在此过程中，数据分析师主要专注于利用数据回答“发生了什么”的问题。

上一节我们介绍了数据分析师的角色，本节中我们来看看商业智能专业人员的目标有何不同。BI专业人员旨在通过构建数据报告工具（例如数据看板）来达成更高的数据成熟度。

数据看板持续分析和监控数据。因此，工具创建完成并不意味着工作结束，分析与监控是持续进行的。这是因为BI涉及建立可重复的方法来理解当前运营状况。通过了解现状，公司领导者可以采取行动改善未来状态。

以下是BI可能关注的一些典型问题示例：

当前正在瞄准哪些新的销售线索？
本月我们获得了多少新客户？
我们每周发送给新订阅用户的邮件表现如何？

由于BI的核心是*乎实时的快速监控，其洞察在立即产生影响时最为有效。因此，报告工具的使用者希望确保这些工具实用且高效。可以说，BI专业人员是专业的工具构建者。

构建好工具后，通常由数据分析师来应用这些工具，通过特定的主题或视角审视数据，从而回答问题或解决问题。再次强调，BI的一个重要部分是创建能为用户提供清晰现状快照的数据看板。

这些工具必须具有影响力且易于解读，即使对非技术人员也应如此。所以，如果你喜欢思考如何创建能满足众多不同用户需求的东西，BI领域将让你大展拳脚。BI专业人员通常从事对多个利益相关者都有帮助的大型项目。

此外，在考虑如何融入BI世界时，请注意：BI专业人员是数据基础设施方面的专家，并且享受数据分析的技术层面。例如，如果你热爱处理数据集、大数据和计算机编程语言SQL，BI将为你提供将查询技能提升到新水平的机会。

如果你已获得谷歌数据分析证书，其中包含的内容构成了你的基础知识和经验。现在，这个BI课程将提供一套与之互补的技能组合，并在此基础上进行构建。

它还将为你的简历增添许多极具市场竞争力的才能，为雇主创造一组引人注目的技能组合，并为更多工作机会打开大门。

除了管理大型数据集、用SQL编写查询和创建数据看板等技术方面，你还将学*一些非常有价值的专业技能。

以下是这些关键软技能的列表：

处理多项优先任务的能力
对细节的关注
对流程的负责
与他人沟通
学*如何超越表面需求进行深入挖掘

或许最重要的是，你将发现与他人协作以真正推动成果的价值。这正是你构建职业生涯，而不仅仅是拥有一份工作的方式。

在未来的课程中，我们将继续探索BI与DA之间的异同。这两个学科相互补充、相互依赖，就像在这些岗位上工作的优秀人才一样。他们共同帮助其组织每天都在数据成熟度阶梯上不断前进。

总结：本节课我们一起学*了商业智能与数据分析的核心区别。BI侧重于构建持续监控现状的工具（如数据看板），以实现实时决策；而DA侧重于使用这些工具深入分析数据，回答具体问题。两者相辅相成，共同提升组织的数据成熟度，是数据驱动决策不可或缺的组成部分。

008：商业智能的发展阶段 🚀

在本节课中，我们将要学*商业智能的三个核心发展阶段。理解这些阶段对于任何BI专业人士都至关重要，因为它揭示了数据如何从原始记录转化为驱动决策的智能。我们将依次探讨捕获、分析和监控这三个阶段，并了解它们如何共同提升组织的数据成熟度。

概述：从数据生命周期到BI阶段

如果你已经获得了谷歌数据分析师证书，那么你对数据生命周期和数据分析过程一定非常熟悉。数据分析师每天在工作中运用这些阶段来获取洞察，从而做出明智的决策。

简单回顾一下，数据生命周期是数据经历的一系列阶段，包括：计划、捕获、管理、分析、归档和销毁。而数据分析过程则包含六个阶段：提问、准备、处理、分析、分享和行动。

商业智能同样有其发展阶段，这是一个由三个阶段组成的序列，它决定了BI的价值以及组织的数据成熟度。数据成熟度是任何BI团队的重要目标，因为高成熟度意味着组织能有效利用其数据来提取可执行的洞察。

在BI中，这三个阶段是：捕获、分析和监控。随着你逐步深入每个阶段，这个过程需要更深层次的探索和调查，因此每个阶段都变得更加复杂。这些阶段可以是自动化的，也可以是手动完成的，但每一个阶段都能带来显著的商业影响，非常值得投入精力。

理解这些阶段以及它们如何使你作为一名BI专业人士受益非常重要。因此，在本视频中，我们将逐一探讨它们。

第一阶段：捕获 📥

让我们从捕获阶段开始，这是BI过程中的“发生了什么”环节。这个阶段涉及静态的、回顾性的数据。

以下是捕获信息的两个例子：

例如，如果你查询数据库以返回上个月客户购买了什么的数据，这就是捕获信息的一个例子。
或者，你可能访问一个列出上一季度损益的电子表格。这也是捕获特定信息记录的一个例子。

记录对BI至关重要，但它们不能让用户轻松地进行深入调查和真正挖掘数据。这限制了它们能够提供的洞察。此外，由于此阶段的数据是僵化的、回顾性的，它对于主动的、前瞻性的决策并不总是非常有用。

捕获信息是BI的必要元素，但仅凭信息本身，我们无法知道哪些方面运作良好、我们如何改进或下一步该做什么。然而，在接下来的步骤中，情况会变得更好。

第二阶段：分析 🔍

这引出了第二阶段：分析，即BI的“为什么会发生”部分。

你已经对这个阶段了解很多，但作为一个快速提醒，数据分析是我们得出结论、做出预测并推动明智决策的时候。

因为分析阶段探索事情发生的原因，它更有可能产生有效的计划和策略。通过这种方式，它使BI专业人士能够更好地理解数据点之间的关键关系。他们通过更深入、更广泛甚至并排地检查数据来实现这一点，以识别最初可能并不明显的联系。

第三阶段：监控 📊

现在，我们来到了这个过程的最后一部分：监控。监控是“现在正在发生什么”的阶段，也是BI专业人士真正展示其独特技能和专业知识的地方。

在这个阶段，你将使用自动化流程和信息渠道，例如数据模型、数据管道、数据看板等。这些决策工具获取组织每天创建的数据，并将其转化为利益相关者易于获取的真正智能。

这些BI工具揭示了上升趋势、下降趋势、变化、挑战、机遇等等。决策者然后利用这些工具提供的洞察，主动地朝着业务目标努力。

你将在接下来的课程中学*所有这些BI工具。很快，在本课程中，我将提供一些关于BI专业人士工具箱的基础信息。你可以用它来开始熟悉监控阶段发生的事情。

总结

本节课中，我们一起学*了商业智能的三个核心发展阶段：捕获、分析和监控**。我们了解到，从捕获静态历史数据，到分析其背后的原因，再到实时监控当前动态，每个阶段都增加了数据的深度和价值，共同推动组织的数据成熟度，并最终支持更明智、更主动的业务决策。

009：助力制定成功的商业智能战略 🎯

在本节课中，我们将要学*如何制定一个成功的商业智能战略。战略在生活的许多方面都至关重要，商业智能领域也不例外。我们将从人员、流程和工具三个核心维度，系统地探讨如何构建一个协调、高效且能产生实际价值的BI战略框架。

战略在生活的许多方面都扮演着重要角色。以全球最受欢迎的运动——足球为例。比赛的规则相对简单，但战略却极其复杂。根据场上队员及其特定技能，教练必须在多种不同的阵型和战术之间做出选择。无论一名球员多么有天赋，只有当他们深刻理解足球战略时，才能发挥出最佳水平，例如能够识别射门的精确时机或何时应该传球。

国际象棋同样完全关乎战略。每个棋子都有独特的移动方式，例如车在棋盘上水平或垂直移动，马可以跳过其他棋子，而强大的皇后几乎可以移动到任何地方。

数学家已经证明，国际象棋可能出现的棋局变化比宇宙中的原子数量还要多。面对如此多的可能性，拥有清晰的战略对于制定制胜计划至关重要。

同样，制定制胜战略也是商业智能的重要组成部分。你可能还记得数据战略，它涉及对使用数据分析的人员、流程和工具的管理。类似地，商业智能战略是对使用商业智能流程的人员、流程和工具的管理。正如你所发现的，BI是复杂的，它需要组织的全方位视角，周密的准备对于制定有效战略是必须的。在本视频中，我们将探讨这是如何运作的。

人员 👥

上一节我们提到了战略的重要性，本节中我们来看看BI战略的第一个核心要素：人员。这里最重要的事情是确保人们以积极的方式协同工作。有时，公司内的多个部门都在使用BI，但流程是孤立的，这意味着它们缺乏沟通与协作。例如，销售团队可能无法访问重要的营销数据，或者人力资源部门在追踪有价值的员工数据，但仅用于其内部目的。

因此，首先要做的就是与所有相关的团队成员和利益相关者进行沟通，包括组织各个层级的人员，以便获得多样化的视角。可以从询问一些关键问题开始：

以下是需要向团队成员和利益相关者提出的关键问题：

我们的BI团队和专业人员是否协调一致？
他们的职能是否存在重叠？
谁应该负责制定管理BI流程的规则和政策？

请注意，BI治理涉及在组织内定义和实施BI系统与框架。这与数据治理的概念不同，后者你可能知道是确保公司数据资产得到正式管理的过程。

现在，在“人员”这一步中，最重要的是要询问关于BI流程的愿景，以及该愿景如何与当前的业务战略保持一致。愿景指明了你期望的结果，就像赢得足球比赛或国际象棋对局一样。

流程 🔄

在明确了人员职责之后，本节我们将转向BI战略的第二个要素：流程。此时，你已经确定了谁将负责管理BI流程的规则和政策。因此，需要向这些人提出一些问题。

以下是关于流程需要探讨的关键问题：

我们正在使用哪些解决方案？如何使用？
哪些解决方案带来了价值？
我们计划实施哪些类型的解决方案？
我们将如何交付这些解决方案？
我们将如何支持这些解决方案？

此外，拥有一个用户支持框架是流程的关键部分。因此，务必投入足够的时间进行培训和教育，建立反馈系统，并确保用户能从工具中获得价值。

工具 🛠️

讨论了人员和流程后，本节我们来看看BI战略的最后一个要素：工具。这里需要注意的最重要概念之一是，选择每个工具时都要以用户为中心。考虑哪些仪表板、报告和其他解决方案将最有效。需要提出以下问题：

以下是选择工具时需要评估的方面：

不同的用户、团队和部门是否需要不同的技术？
我们可以使用哪些技术？
如果需要，我们能否获得其他技术？
我们将如何衡量成功？

在这里，你需要为每个特定的业务需求建立关键绩效指标。很快，你将更深入地了解KPI，并探索组织如何每天使用它们来实现目标。目前，只需理解KPI是一个可量化的值，与业务战略紧密相连，用于追踪实现目标的进展。换句话说，KPI指引你实现期望的结果。但为了让KPI发挥作用，重要的是你选择的工具要与为每个特定项目建立的KPI保持一致。

记录与总结 📝

此过程的最后一步是记录你所学到的一切。许多BI专业人员使用特定的BI文档来记录利益相关者需求、项目需求和战略。

这些是必不可少的工具，能真正帮助你把握全局、保持条理，并在你的组织中产生影响。在接下来的阅读材料中，你将确切学*如何创建这些文档。

最后一点需要记住，你在BI战略中的具体参与程度将根据你的企业和团队的规模与结构而有所不同。但是，全面理解所涉及的所有要素，对任何BI专业人士来说都是一笔宝贵的财富。

本节课中，我们一起学*了制定成功商业智能战略的完整框架。我们首先通过类比强调了战略的重要性，然后系统性地探讨了构成BI战略的三个核心支柱：人员（确保沟通协作与愿景对齐）、流程（明确解决方案、交付与支持）和工具（以用户和KPI为中心进行选择）。最后，我们强调了记录一切和根据组织情况灵活调整的重要性。掌握这些要素，将帮助你为组织构建一个坚实、有效且能驱动价值的BI战略基础。

商业智能基础：P10：商业智能专业人士的工具箱 🧰

在本节课程中，我们将一起了解商业智能专业人士在日常工作中使用的核心工具。这些工具构成了从数据到洞察的完整工作流。

商业智能看似一个新概念，但其历史实际上已有数百年之久。纵观历史，世界各地的商业领袖都曾利用商业智能来设定最佳实践的标准。“商业智能”这一术语最早可追溯到1865年，出现在《商业轶事百科全书》中。该书用这个术语描述了一位银行家亨利·弗恩斯爵士的成功故事：他通过收集数据并在竞争对手之前迅速采取行动，取得了巨大的商业成功。书中形容弗恩斯“建立了一套完整的商业情报体系”。

现在，让我们登上这趟列车，启动你的商业智能之旅。如同任何旅程一样，第一步是规划你的起点和目的地。在商业智能领域，规划路线需要数据模型，这是你工具箱中的第一件工具。

数据模型

数据模型用于组织数据元素并定义它们之间的关系。它们有助于保持跨系统数据的一致性，并向用户解释数据的组织方式。这为商业智能专业人士在浏览数据库时提供了清晰的指引。

上一节我们介绍了数据模型作为路线图的作用。接下来，我们来看看如何在这条路线上运输数据，这需要用到工具箱中的第二件工具：数据管道。

数据管道

数据管道是一系列将数据从不同来源传输到最终目的地以进行存储和分析的过程。你可以将数据管道想象成跨越广阔距离的铁路轨道。数据沿着这些通道，以平稳、自动化的方式从原始来源流向目标目的地。但不仅如此，在此过程中，商业智能专业人士需要负责转换这些数据，以便当数据“驶入车站”（即数据库）时，它已经准备就绪，可以投入使用。

以下是数据管道的一个关键示例：

ETL（提取、转换、加载）：这是一种数据管道，它使数据能够从源系统中收集，转换为有用的格式，并导入数据仓库或其他统一的目标系统。ETL过程在数据集成中扮演着关键角色，因为它使商业智能专业人士能够整合来自多个来源的数据，并让所有数据协同工作。

现在我们已经了解了如何获取和准备数据，接下来是工具箱中的第三件工具，它负责将数据转化为易于理解的洞察：数据可视化。

数据可视化

数据可视化是数据的图形化表示。一些流行的数据可视化应用包括Tableau和Looker。这些应用程序使得创建易于理解并能讲述引人入胜故事的可视化图表成为可能。这样，没有太多数据经验的人也能轻松访问和解读他们所需的信息。你可以将数据可视化想象成旅程结束后与朋友和家人分享的照片。最好的照片清晰、令人难忘，并突出显示了你到过的具体地点、参观过的重要景点以及经历过的有趣体验。

商业智能专业人士通常在数据看板中使用数据可视化，这也是我们旅程的最后一站。

数据看板

数据看板是一种监控实时传入数据的交互式可视化工具。想象一下火车司机使用的仪表盘。他们密切关注这些工具，以持续观察火车发动机和其他重要设备的状态。仪表盘使司机与控制中心保持联系，确保路线畅通、信号正常运行。司机可以快速扫描仪表盘，识别任何可能影响火车速度或行程的危险或延误。

无论你使用哪种商业智能工具，我们领域中的一个非常重要的概念是迭代。

迭代

正如铁路工人不断评估和升级火车、轨道及其他系统一样，商业智能专业人士也始终希望找到新的解决方案和创新方法来改进我们的流程。我们通过迭代来实现这一点。迭代涉及一遍又一遍地重复一个过程，以不断接*期望的结果。这就像铁路工程师反复测试信号系统，以改进和完善它们，确保为铁路旅客提供最安全的环境。

在后续的课程中，你将更深入地学*迭代，并更详细地探索所有这些令人兴奋的工具。你还将探索如何将你在一种工具上的技能和经验迁移并应用到另一种工具上。

总结

在本节课中，我们一起学*了商业智能专业人士工具箱中的四大核心工具：数据模型（组织数据的蓝图）、数据管道（运输和转换数据的通道，如ETL流程）、数据可视化（将数据转化为直观图形的工具）以及数据看板（集成可视化以监控和决策的平台）。同时，我们理解了迭代这一贯穿始终的重要理念，即通过持续改进来优化整个商业智能流程。掌握这些工具和概念，是构建有效数据驱动决策体系的基础。

011：课程总结

在本节课中，我们将对谷歌商业智能证书课程的第一部分内容进行回顾与总结。

概述

您已接*谷歌商业智能证书课程第一部分的尾声。至此，您已初步接触了商业智能的精彩世界，了解了众多潜在的职业路径，并认识到商业智能专业人士每日所作出的宝贵贡献。

核心知识回顾

上一节我们介绍了商业智能的基础概念，本节中我们来总结已掌握的关键知识。

您已获得关于商业智能战略的一些关键基础知识，同时也理解了数据成熟度模型，以及商业智能流程与工具如何帮助组织向更高的成熟度水平迈进。

我们涵盖了大量内容。您必然已有很多收获需要思考。这是一件非常好的事情。

这意味着您已收集了“数据”，正在考量所有学到的知识，并开始审视自身的进步。这正是“智能”的核心所在。

后续学*展望

随着课程继续，您将在已建立的坚实基础上持续构建。

您还将学*如何利用我们多元化的学*者社区，就像您一样的学员们，以便在此过程中获得所需的支持。

正如之前提到的，与他人协作是应对挑战、集思广益解决方案和整合资源的绝佳方式，就如同与商业智能专业人士合作的团队成员一样。

社区互动建议

以下是关于利用学*社区的建议：

分享您的职业目标。
说明您希望将商业智能技能应用于哪个领域。
这是一个与同样对商业智能感兴趣的人们结识和交流的绝佳平台。

希望您能花些时间与其他学*者互动。这将使您的学*体验更加充实和有趣。

总结

再次祝贺您截至目前所取得的所有进展。做得非常出色。

在本节课中，我们一起回顾了商业智能的核心价值、基础战略、数据成熟度概念，并展望了后续学*路径与社区协作的重要性。

012：建立专业联系 👥

概述

在本节课中，我们将学*如何建立有效的专业联系。课程内容基于谷歌商业智能专家加甘的分享，他将阐述专业网络的重要性、如何从他人身上学*，以及如何建立互惠互利的职业关系。

我的名字是加甘，我是Fness公司数据与分析团队的负责人。我的团队专注于为合作伙伴提供数据、商业智能报告和可视化解决方案。我们的工作是让数据更有用，以便人们可以利用这些数据做出明智的商业决策。

我职业生涯起步于软件开发。当时还没有专门的数据团队，也没有专门的数据科学职能。如果你问20年前的我，我绝不会想象到自己会在谷歌工作，也绝不会想到这会成为我的全职工作。

从他人身上学*

上一节我们了解了专业背景，本节中我们来看看如何向他人学*。在我的职业生涯中，我遇到了许多在商业智能不同方面非常出色的人。当我遇到问题时，我会与人交流。通过长期与不同的人合作，我逐渐成长。

以下是我从不同人身上学到的具体技能：

我曾与一位经理共事，她非常擅长编写SQL代码，代码组织得井井有条，我从她身上学到了很多。
在我的职业生涯中，我还与另一位擅长组织和理解如何设计指标的人合作过。
我遇到过另一位擅长通过数据讲述故事的人。

我有机会与这些我非常钦佩的同事进行非正式的交流与合作，学*他们各自带来的专长。这是一个长期的过程。

利用网络机会

从向身边人学*开始，我们来看看更广泛的网络机会。随着时间的推移，出现了许多建立网络的机会。

以下是几种常见的专业网络渠道：

存在许多LinkedIn群组。
存在许多专业网络，可能在你工作的地方，也可能在外面。
你可以加入本地的商业智能、数据科学或分析分会。

随着时间的推移，资源发生了变化，我所利用的资源也随之改变。但我认为，在我商业智能和数据分析经验的早期形成阶段，那些我能理解其专长的人以及他们带来的具体技能，对我非常有用。

建立互惠关系

了解了网络渠道后，本节我们来探讨建立联系的本质。建立网络并不一定是联系比你经验更丰富或资历更深的人。关键在于理解如何联系正确的人，如何建立这些连接。

实际上，如果把“建立网络”这个词拿掉，它实际上是建立良好的专业关系。就像任何关系一样，这是一种双向的互动。在这种伙伴关系中，你能提供什么？你可能会认为自己没有什么可以贡献，只是想向对方学*。

对方可能在技术专长或经验上更胜一筹，但他们没有你的生活经历、你所在领域的专业知识。他们可能也重视了解你的背景以及你如何努力成长。

总结

本节课中，我们一起学*了建立专业联系的核心要点。我们了解到，专业成长不仅限于技术学*，还包括向身边的同事学*他们各自的专长。有效的网络是建立互惠互利的长期专业关系，而不仅仅是单向索取。关键在于主动交流、识别他人优势，并在互动中提供自己独特的视角和价值。

013：测验技巧与策略 🧠

在本节课中，我们将学*如何为课程中的分级评估做好准备。评估是检验你对商业智能核心概念理解的有效方式，同时也能帮助你建立信心并识别需要改进的领域。

概述

课程中每个章节结束后都会有一个分级评估。现在是为第一次评估做准备的时候了。掌握一些策略和技巧，可以让评估过程变得更易于管理。

评估前的准备

在参加评估之前，充分的准备是关键。以下是评估前可以采取的行动列表。

复*内容：回顾你的笔记、视频、阅读材料以及最新的术语表，以刷新对课程内容的记忆。

评估过程中的策略

上一节我们介绍了评估前的准备，本节中我们来看看在评估过程中可以运用的具体策略。

从容不迫：慢慢来。在填写任何答案之前，先通览整个测试。
先易后难：先回答简单的问题。跳过那些你一时不知道答案的题目。
多项选择题技巧：对于选择题，首先专注于排除错误答案。同时，建议将每个问题读两遍，因为第一次阅读时可能会错过一些线索。
管理焦虑：如果你开始感到焦虑，可以通过一些心理练*让自己平静下来。例如，在脑海中完成一道简单的数学题，或者倒着拼写自己的名字。这也有助于你更容易地回忆信息。

提交前的检查与心态

在评估过程中运用策略后，提交前的最后一步同样重要。

检查答案，保持自信：在提交评估之前，检查你的答案，但要保持自信。有时人们会因为感觉不对而更改答案，但最初的答案往往是正确的。你的第一直觉通常是最好的。
相信自己：要相信自己。人们通常知道的比他们自己认为的要多。每个人的学*速度和方式都不同，但保持前进的势头很重要。所以，花你需要的时间。当你感觉准备好了，就继续前进。

总结

本节课中我们一起学*了应对课程评估的策略与技巧。我们了解了评估前如何复*准备，评估中如何管理时间、运用答题技巧以及处理焦虑情绪，最后强调了提交前保持自信和信任自己的重要性。记住，你已经为成功做好了准备。

014：数据分析流程概述

在本节课中，我们将要学*数据分析的完整流程。这个流程与之前介绍的数据生命周期不同，它专注于如何分析数据以解决问题。理解这个流程将帮助你规划自己的分析工作，并指导你完成本课程的学*。

数据分析的六个阶段

本课程的设计遵循数据分析的六个核心步骤：提问、准备、处理、分析、分享和行动。接下来，我们将逐一探讨每个阶段的具体内容。

第一阶段：提问 (Ask) ❓

上一节我们介绍了数据分析的整体框架，本节中我们来看看第一个阶段——“提问”。在这个阶段，我们需要完成两件关键任务：定义待解决的问题，并充分理解利益相关者的期望。

以下是“提问”阶段的两个核心任务：

定义问题：审视现状，找出其与理想状态之间的差距。问题通常表现为需要清除的障碍或需要纠正的错误。例如，一个体育场馆可能希望减少球迷在售票口排队的时间，这里的障碍就是如何让顾客更快地入座。
理解期望：确定项目的利益相关者（如你的经理、项目发起人或销售伙伴），并理解他们的目标。利益相关者参与决策、影响行动和策略，并且关心项目结果。与他们清晰沟通至关重要，例如，确认他们是想分析所有可能影响公司的风险，还是仅关注与天气（如飓风、龙卷风）相关的风险。

作为数据分析师，制定强有力的沟通策略非常重要。这个阶段帮助你聚焦于问题本身，而不仅仅是问题的表象。在后续课程中，你将学*如何提出有效问题，并与利益相关者合作来定义问题。

第二阶段：准备 (Prepare) 📦

在明确了问题之后，接下来就进入“准备”阶段。这个阶段的核心是收集和存储用于后续分析的数据。

以下是“准备”阶段的主要学*内容：

你将了解不同类型的数据。
你将学*如何识别对解决特定问题最有用的数据类型。
你将理解确保数据和结果客观、无偏见的重要性。这意味着基于分析所做的任何决策都应始终基于事实，并且公平公正。

第三阶段：处理 (Process) 🧹

数据准备就绪后，我们需要进入“处理”阶段，以确保数据的质量。在这里，数据分析师需要发现并消除可能影响结果准确性的任何错误和不准确之处。

以下是“处理”阶段常见的任务：

数据清洗：修正拼写错误、不一致或缺失/不准确的数据。
数据转换：将数据转换为更有用的格式。
数据合并：合并两个或多个数据集以使信息更完整。
去除异常值：移除可能扭曲信息的任何数据点。

此外，你将学*如何检查已准备的数据，确保其完整和正确。这个阶段关乎细节，你还会获得与利益相关者验证和分享数据清洗结果的策略。

第四阶段：分析 (Analyze) 📊

处理完数据，我们便来到核心的“分析”阶段。分析你所收集的数据，意味着使用工具来转换和组织信息，以便得出有用的结论、进行预测并推动明智的决策。

数据分析师在工作中使用许多强大的工具。在本课程中，你将重点学*以下两种：

电子表格 (Spreadsheets)
结构化查询语言 (Structured Query Language)，常被称为 SQL

分析完成后，下一步是“分享”阶段。在这里，你将学*数据分析师如何解释结果并与他人分享，以帮助利益相关者做出有效的数据驱动决策。

在分享阶段，数据可视化是数据分析师最好的朋友。本课程将强调为什么可视化对于让他人理解数据所传达的信息至关重要。借助合适的视觉呈现，事实和数字变得一目了然，复杂的概念也更容易理解。

我们将探索不同类型的可视化图表和一些优秀的数据可视化工具。你还将通过创建引人入胜的幻灯片和学*如何充分准备回答问题来练*自己的演示技巧。

第六阶段：行动 (Act) 🚀

最后，我们来到数据分析流程的“行动”阶段。这是一个激动人心的时刻，企业将采纳你——数据分析师——提供的所有见解，并将其付诸实践，以解决最初的业务问题。

在本课程中，你将基于所学知识采取行动：

为你未来的求职做准备。
有机会完成一个案例研究项目。

这是一个绝佳的机会，让你能够整合在整个课程中所学的一切。此外，在你的作品集中添加一个案例研究，将帮助你在面试第一份数据分析师工作时从其他候选人中脱颖而出。

本节课中我们一起学*了数据分析的六个阶段：提问、准备、处理、分析、分享和行动，并了解了本课程是如何围绕这些步骤构建的。现在你已经掌握了理解本课程运作方式所需的一切知识。我和我的谷歌同事们将在此全程指导你。

015：数据分析师的五项核心技能 🧠

在本节复*课程中，我们将回顾并梳理数据分析师必备的五项核心技能。您可能会惊讶地发现，这些技能早已存在于您的日常工作和生活中。我们将逐一解析这些技能，并通过生活实例帮助您理解。

概述：您已具备分析思维

此前我们提到，您可能已经拥有了分析技能，只是尚未意识到。学*新事物时，人们有时会忽略自身已有的能力。但花时间认识这些技能至关重要，因为它们将助力您成为一名数据分析师。事实上，您的准备可能比想象中更充分。

让我们从定义开始：分析技能是指运用事实解决问题的特质与能力。分析技能包含许多方面，但我们将聚焦于五个核心要点：好奇心、理解情境、技术思维、数据设计和数据策略。

您或许会认为自己不具备这些技能，或只拥有其中几项。但请跟随我们的讲解，您很可能会改变看法。

好奇心：学*的驱动力 🔍

好奇心关乎学*的渴望。充满好奇心的人通常会主动寻求新的挑战与体验，从而获得知识。您此刻正在学*这一事实，本身就证明了您拥有好奇心。

这是一个简单的起点。接下来，让我们探讨理解情境。

理解情境：把握事物存在的环境

情境是某物存在或事件发生的条件，可以是一种结构或环境。理解情境的一个简单方法是数数：1, 2, 3, 4, 5。这些数字都存在于1到5的情境中。

但如果您的朋友说“1, 2, 4, 5, 3”，那么“3”就脱离了情境。这听起来简单，但有时可能很微妙。如果您不仔细留意，甚至可能不会注意到“3”脱离了情境。因此，倾听并努力理解全貌至关重要。

在日常生活中，您时刻都在将事物置于情境中。例如，考虑您的购物清单。如果您将面粉、糖和酵母归为一组，这就是在为您采购的杂货添加上下文。这能帮您在超市的烘焙区节省时间。

再看另一个例子：您是否曾洗牌时注意到一张Joker牌？如果您玩的游戏不包含小丑牌，识别出这张牌就意味着您理解它脱离了情境。移除它，您就更有可能成功进行游戏。

至此，我们了解到您既拥有好奇心，也具备理解情境的能力。现在，让我们转向第三项技能：技术思维。

技术思维：有序分解与逻辑处理

技术思维涉及将事物分解为更小的步骤或部分，并以有序、逻辑的方式处理它们的能力。

例如，在支付账单时，您可能已经将这个过程分解为多个小步骤。您可能首先按到期日对账单进行排序。接着，将它们加总，并将总额与银行账户余额进行比较。这有助于您判断是立即支付还是等待下一次发薪。最后，您才进行支付。

当您将“支付账单”这样一个看似单一的任务，分解为有序流程中的多个小步骤时，您就是在运用技术思维。

接下来，让我们探索分析技能组合的第四部分：数据设计。

数据设计：信息的组织方式

数据设计是您组织信息的方式。作为数据分析师，设计通常与实际的数据库相关。但同样，相同的技能可以轻松应用于日常生活。

例如，思考您如何组织手机中的联系人。这实际上就是一种数据设计。您可能按名字而非姓氏列出联系人，或者使用电子邮件地址而非姓名。您真正在做的是设计一个清晰、逻辑的列表，以便快速、简单地呼叫或发短信给联系人。

最后，但同样重要的是，分析技能的第五个也是最后一个要素：数据策略。

数据策略：管理数据分析中的人员、流程与工具

数据策略是对数据分析中所涉及的人员、流程和工具的管理。我们来分解一下：

管理人员：确保他们知道如何使用正确的数据来找到您正在处理的问题的解决方案。
管理流程：确保通往解决方案的路径清晰且可访问。
管理工具：确保为工作使用了正确的技术。

现在，您可能怀疑我能否从现实生活中举出体现数据策略的例子。请看这个：想象一下修剪草坪。

第一步是阅读割草机的用户手册。这确保了相关人员（在此例中是您）知道如何使用可用的数据（手册信息）。手册会指导您戴上护目镜和穿好包趾鞋。

然后是第二步，使流程（路径）清晰且可访问。这包括您绕草坪走一圈，捡起可能妨碍您的大树枝或石块。

最后，第三步，您检查割草机（您的工具），确保它有足够的汽油和机油，并且处于正常工作状态，以便安全地修剪草坪。

总结：您已是分析思考者

现在您知道了数据分析师的五项核心技能：好奇心、理解情境、技术思维、数据设计和数据策略。

正如我们所说，您已经是一位分析思考者。现在，您可以开始在本课程的后续部分中，积极练*这些技能了。

对接下来内容感到好奇吗？请继续观看下一个视频。

016：数据治理与元数据

在本节课中，我们将复*谷歌数据分析证书课程中关于数据治理的核心概念，重点探讨元数据及其在组织数据资产中的关键作用。

元数据与元数据仓库

元数据和元数据仓库是数据分析师工具箱中非常强大的工具。正如我们之前讨论的，数据分析师利用它们来创建单一事实来源。

元数据的作用

以下是元数据的主要作用：

保持数据的一致性和统一性。
确保我们处理的数据是准确、精确、相关且及时的。
通过标准化流程，使数据的访问和使用变得更加容易。

在接下来的内容中，我们将探索元数据的更多组成部分，并了解元数据分析师如何工作以保持事物的条理性。

企业面临的数据挑战

我们知道，数据量在不断增长，但许多企业并未充分利用他们的数据。有时他们不知道自己拥有什么数据，有时他们找不到数据，或者有时企业根本不信任这些数据，尤其是在大型公司中。

数据可能跨越众多不同的流程和系统，将来自如此多地方的数据整合起来可能是一个巨大的挑战。例如，假设一家公司最初在其办公室使用传统的数据存储系统。但随着其拥有的数据量持续扩大，就需要云存储。此外，这家公司还可能从合作伙伴组织访问和使用第二方或第三方数据。

元数据的整合功能

每个系统都有自己的规则和要求，因此每个系统都以完全不同的方式组织数据，这增加了更多的复杂性。难怪如此多的组织难以在正确时刻找到正确的数据。

另一方面，元数据存储在单一的中央位置，为公司提供关于其所有数据的标准化信息。这通过两种方式实现：

元数据包含关于每个系统位置以及数据集在这些系统内位置的信息。
元数据描述了不同系统之间所有数据的连接方式。

数据治理

元数据的另一个重要方面是所谓的数据治理。数据治理是确保公司数据资产得到正式管理的过程。这使组织能更好地控制其数据，并帮助公司管理与数据安全、隐私、完整性、可用性以及内外数据流相关的问题。

需要指出的是，数据治理不仅仅是标准化术语和程序。它关乎那些每天与元数据打交道的人员的角色和职责。

元数据专家

这些人就是元数据专家，他们负责组织和维护公司数据，确保其达到尽可能高的质量。以下是他们的主要工作内容：

创建基本的元数据标识和发现信息。
定义不同数据集协同工作的方式。
解释多种不同类型的数据资源。
创建每个人都遵循的重要标准以及用于组织数据的模型。

无论他们在科技公司、非营利协会还是金融机构工作，元数据分析师都有一个共同点：他们是出色的团队合作者。他们热衷于通过与同事和其他利益相关者分享数据，使数据变得可访问。

因此，如果你正在寻找一个鼓励你探索数字世界所提供所有数据的角色，那么选择成为元数据分析师的道路可能适合你。

总结

无论如何，各类企业都面临着市场趋势和竞争，他们需要理解为什么一个流程有效而另一个无效。数据分析使他们能够回答关键问题并持续改进。本节课我们一起复*了数据治理的核心，理解了元数据作为单一事实来源的价值，以及元数据专家在确保数据质量、安全与可用性方面扮演的关键角色。

017：欢迎来到模块2

概述

在本模块中，我们将深入探讨商业智能的实际应用流程。我们将学*如何与利益相关者有效协作，利用BI工具最大化数据价值，并应用快速监控的力量来做出明智的商业决策。

课程内容

上一节我们奠定了商业智能的基础知识，本节中我们将聚焦于实际的BI流程。

连接所有这些BI环节的一个共同点是提问。我反复观察到，在这个领域最成功的人往往是那些提出大量问题的人。

以下是提问的几个关键方向：

我们向同事提问，了解是什么在拖慢流程或造成摩擦。
我们询问关于客户、竞争对手以及全球市场动态的问题。
我们探究事物的工作原理，以便学*不同的工具和技术。

在我职业生涯初期，我会就不同系统的能力和局限性提出大量问题，即使这些工具并非我日常工作所用。这是因为，仅仅具备基本了解就能让我将团队的工作联系起来，并找到我能做出积极贡献的方式。

例如，当我加入谷歌时，我学*了谷歌的SQL平台以及根据所用工具而不同的SQL语言。有时还会涉及Python和JavaScript等其他我从未接触过的语言。为了熟悉这些，我特意去询问这些工具如何工作，以及我可以向谁请教更多。我鼓励你在自己的职业生涯中，甚至在攻读此证书期间也这样做，因为课程涵盖了大量信息。

在本模块中，我们将首先探索如何与多元化的利益相关者群体成功协作。然后，你将了解*乎实时的快速监控如何让用户收集和报告关键指标，并应用它们来做出更好的决策。

此外，你将通过提升在线形象、制定社交和导师策略，以及构建一个能给未来招聘经理留下深刻印象的作品集，开始积累一些职业资源。

所有这些都始于理解组织的业务需求和重要的交付成果。毕竟，如果你想实现目标，首先必须定义它们。

现在，我有一个问题要问你：你准备好开始了吗？我们出发吧。

总结

本节课我们一起学*了模块二的概览，明确了本模块的核心是掌握BI的实际应用流程，其关键在于持续提问。我们了解到本模块将涵盖与利益相关者协作、利用快速监控做决策以及构建职业资源等重要内容。一切始于理解业务需求与目标。

018：商业智能利益相关者

概述

在本节课中，我们将学*商业智能（BI）项目中的核心参与者——利益相关者。了解他们的角色、职责以及如何与他们有效合作，是确保BI项目成功交付的关键。

认识BI利益相关者

上一节我们介绍了BI专业人员的工作价值。本节中，我们来看看BI专业人员需要与哪些人合作，才能实现这些价值。

BI专业人员热衷于帮助人们更有效地工作。当知道自己为利益相关者节省了时间、帮助他们找到了更好的流程或展示了全新的方法时，会获得巨大的成就感。这使得利益相关者能够专注于其他能最大化其独特优势和兴趣的任务。但在做到这些之前，BI专业人员首先需要了解他们，包括他们的角色、职责和业务目标。毕竟，不同的人需要不同的BI洞察。一旦理解了这些，就能更容易地确定特定项目的核心内容，以及利益相关者期望交付的成果。

什么是利益相关者？

作为快速回顾，利益相关者是指为项目投入时间和资源，并关心其成果的人。通常，这是因为他们需要你的工作来完成他们自己的任务。但有时情况相反，是你需要他们。无论如何，这都关乎团队合作。因此，确保产出符合团队要求至关重要。

有时，利益相关者可能被称为客户或用户，但他们的总体角色是相同的。

BI过程中的主要利益相关者

BI过程中存在各种各样的利益相关者，但我们将重点介绍四种最常见的类型。

以下是四种主要的BI利益相关者：

项目发起人
系统分析师
开发人员
业务利益相关者

项目发起人

让我们从项目发起人开始。这个人对项目负有总体责任，并确立其成功的标准。

责任涉及对项目活动进行说明或负责。项目发起人代表业务方，这通常意味着他们在项目构思阶段就参与其中，并倡导项目的实施。由于项目发起人负责及时、透明地向其他利益相关者分享事件、变更和里程碑，因此BI专业人员始终保持项目发起人的知情权非常重要。

示例：在我之前的一个团队中，我参与了一项涉及客户服务部门更换运营平台的计划。项目发起人是云系统总监。她负责项目的愿景，召集相关团队并确立关键目标。作为BI专业人员，我确保向她提供支持这项工作所需的信息，例如我需要哪些输入以及创建仪表板需要多长时间。

开发人员

开发人员是我们列表中的下一个利益相关者。

开发人员使用编程语言来创建、执行测试和排查软件应用程序。你可能听过他们被称为计算机程序员、编码员或软件工程师。开发人员主要有两种类型：应用程序开发人员和系统软件开发人员。

应用程序开发人员设计计算机或移动应用程序。由于他们的工作主要集中在为消费者创造产品，因此这些专业人员关注用户需求、监控性能并根据需要修改程序。
系统软件开发人员更可能成为BI项目的利益相关者，因为他们为组织中使用的后端处理系统开发应用程序和程序。

回到我的客户服务项目示例，系统软件开发人员负责处理平台的后端设置，以确保数据流入数据表，分析师使用这些数据来确定客户对客户服务部门的满意度。

系统分析师

接下来是系统分析师。这个人负责识别设计、实施和改进信息系统的方法，以确保它们有助于实现业务目标。

系统分析师研究组织如何使用其计算机硬件、软件、云服务和相关技术。然后，他们利用所学知识迭代和改进这些工具。

例如，在客户服务项目期间，系统分析师处理系统软件开发人员提供的原始数据，然后将其组织成可供我（作为BI专业人员）用于报告目的的数据。

业务利益相关者

现在我们谈到业务利益相关者。如果你熟悉谷歌数据分析证书课程，那么你已经对这类人了解很多。业务利益相关者为项目投入时间和资源，并关心其成果。如果你愿意，可以在继续之前回顾一下相关内容。

总结

本节课中，我们一起学*了BI项目中的四类关键利益相关者：项目发起人、开发人员、系统分析师和业务利益相关者。视频中提到的所有人都是不同的，因此尽管他们都需要从BI过程中获得不同的东西，但关键在于始终积极主动地沟通并优先考虑团队合作。我的项目之所以成功，正是因为我们所有人齐心协力。

019：成为卓越的商业智能沟通专家

在本节课中，我们将要学*商业智能专业人士在与各类利益相关者协作时，所采用的关键沟通策略。这些策略将帮助你明确项目需求、定义交付成果，并有效地分享商业智能洞察。

引言

上一节我们介绍了商业智能流程中的典型利益相关者。本节中，我们来看看与这些人员进行有效协作的具体沟通策略。

核心沟通策略

商业智能项目在初始阶段通常并非完全清晰。因此，你需要扮演侦探的角色。作为BI专业人士，关键的一部分是知道如何调查当前情况，并寻找线索以更好地理解人们的需求和理想的项目成果。

我的同事和我经常注意到，利益相关者、合作伙伴或协作者可能声称他们需要某样东西，但他们实际需要的却大相径庭。我们的责任是深入探究，帮助他们取得成功。

在这种情况下，强大的沟通技巧将使你能够更深入地挖掘问题、挑战或机遇，从而确定以最有效的方式处理该问题。

第一步：提出正确的问题

这个过程始于提出正确的问题。

如果你获得了谷歌数据分析师认证，你曾花费整个课程专注于数据分析流程中的“提问”阶段。简单回顾一下，这涉及理解有效问题与无效问题的区别。了解哪些类型的问题能带来最佳洞察，使你能够通过提问来充分理解利益相关者的期望，尤其是在他们提出的要求与你的专业经验判断其所需不符的情况下。

如果你对“提问”阶段已很熟悉，请继续本课的下一部分。如果你想回顾这些原则，现在可以随时进行。

第二步：定义项目交付成果

在通过提问彻底理解项目之后，是时候定义项目交付成果了。交付成果是指为完成项目而必须实现的任何产品、服务或结果。

这可以是一个新的BI仪表板、一份报告、一项已完成的分析、一个流程或决策的文档。基本上，利益相关者要求的任何东西都可以成为交付成果。

在BI领域，最常见的交付成果是向用户提供洞察的仪表板和报告。

以下是确定要制作哪些交付成果的步骤：

列出目标：列出需要解决的问题、需要克服的挑战或需要最大化的机会。
思考工作流程：思考所涉及的每个业务流程的工作流程。这有助于你设想哪些类型的仪表板或报告将最有效、需要多少数量，以及它们各自需要哪些具体元素。

例如，当被要求创建一个仪表板时，我会拿一张纸，开始在草图中绘制示例图表。然后我与用户分享这些草图。这有两个好处：首先，确保我对仪表板的设想符合他们的预期；其次，使我能够确认这一切都是合理的。

第三步：有效分享商业智能

现在进入最后一步：有效分享商业智能。重要的是要知道如何让复杂的技术数据，对那些不熟悉相关术语和系统的人来说，变得更加简单易懂。

能够以清晰简洁的方式呈现智能信息，是确保决策者理解洞察并能将你的建议付诸实践的基础。

此外，在此过程中，每位BI专业人士的一项重要职责是考虑偏见。正如你可能知道的，偏见是对一个人、一群人或一件事有意识或无意识的偏好或反对。有许多不同类型的偏见可能影响与数据相关的项目，例如确认偏见、数据偏见、解释偏见和观察者偏见。这些概念在谷歌数据分析师认证课程中有深入讲解，如有需要请现在回顾。

你参与的每个项目都必须以关注公平性为起点，这意味着你的工作不会制造或强化偏见。

BI专业人士拥有很大的影响力，因为我们是将非常技术性的话题翻译成简单语言供他人理解的人。确保你的“翻译”是公平的至关重要。毕竟，你的团队信任你。

总结

本节课中，我们一起学*了成为卓越商业智能沟通专家的三个核心步骤：提出正确的问题以明确需求，定义项目交付成果以规划产出，以及有效分享商业智能并确保公平性。你将在整个课程中持续构建这些沟通技能，很快你将能够深思熟虑地分享即使是最复杂的BI洞察。

020：*实时监控的价值 🎯

在本节课中，我们将探讨商业智能（BI）中*实时监控的价值。我们将通过一个常见的电商场景——购物车放弃——来理解BI专业人员如何利用数据和监控工具来识别问题、支持决策，并最终为企业创造价值。

理解问题：购物车放弃现象

你是否曾在网上购物时，将商品加入购物车，但最终决定不购买？我本人就有过这样的经历。我非常热爱烹饪，喜欢在线购买烹饪书籍、香料，或者新的厨房小工具。但有时，在结账前我会改变主意，可能是因为想省钱，或者觉得现有的厨具已经足够完成我的食谱。

当这种情况发生时，在线商店就遇到了所谓的“购物车放弃”问题。根据电商平台Shopify的数据，在线商家每年因购物车放弃而损失的销售额高达180亿美元。这是一个严重的问题，但也是商业智能专业人员非常擅长解决的问题。本视频将探讨其具体运作方式。

BI如何分析用户旅程

上一节我们认识了购物车放弃问题，本节中我们来看看BI专业人员如何利用数据来分析它。

BI专业人员可以利用数据来识别客户来源，例如是来自谷歌搜索、电子邮件链接还是社交媒体帖子。然后，他们可以将访客在网站上的旅程可视化。他们甚至能够精确定位客户在哪个环节离开，并尝试找出原因。

以下是BI专业人员可能采取的分析步骤：

追踪来源：识别客户是通过哪个渠道进入网站的。
可视化旅程：描绘客户在网站上的浏览路径。
定位流失点：精确找出客户离开的具体环节。

例如，BI专业人员可能会创建一个工具来监控网站结账页面的加载速度。如果团队判定加载时间过长，公司就可以分配资源来提升网站速度，以期在未来留住这位客户。

核心概念：指标与KPI

网站页面加载速度的测量就是一个指标的例子。指标是用于评估BI绩效的、单一的可量化数据点。

一些最重要的指标是关键绩效指标，即KPI。KPI是与业务战略紧密相关的可量化值，用于追踪目标的进展。许多人会混淆KPI和指标，但它们是不同的。

需要记住的基本点是：指标支持KPI，而KPI则支持整体业务目标。同时，理解KPI是战略性的，而指标是战术性的，会很有帮助。

回到我们的购物车放弃例子，强有力的KPI可能包括：

每笔在线交易的平均价值
客户留存率
同比增长的销售额

可以这样理解：战略是实现目标或达到理想未来状态的计划，它涉及制定和执行计划以完成你试图达成的事项。战术则是你如何到达那里，它是用于实现目标的方法，包括行动、事件和活动。战术是作为你达成最终目标战略的一部分，在过程中发生的，就像每个里程碑之间的垫脚石。跨越足够多的里程碑，你就能实现目标。

BI监控的实施

理解业务目标以及实现目标所需的条件，是BI监控的第一步。BI监控涉及构建和使用硬件及软件工具，以便轻松快速地分析数据，并使利益相关者能够做出有影响力的业务决策。

假设我们的电商商家设定了一个目标：在六个月内将购物车放弃率降低15%。那么，BI专业人员将创建一个监控网页加载速度的工具，以帮助实现这个KPI。

*实时监控的价值

快速监控意味着使用BI工具的人员正在接收实时或接*实时的数据。通过这种方式，关键决策者可以立即知道是否出现了购物车放弃数量的急剧上升，或者某款热门产品是否缺货，又或者客服代表是否接到了异常大量的电话。

立即知晓意味着公司可以尽快解决任何可能出现的问题。这正是BI专业人员为其组织创造真正价值的主要方式之一。

在本课程的后续部分，你将学*更多关于如何选择合适指标的知识。更多精彩内容即将到来。

课程总结

本节课中，我们一起学*了*实时监控在商业智能中的核心价值。我们通过“购物车放弃”的案例，理解了BI如何通过分析用户旅程、定义指标与KPI来识别业务问题。我们明确了指标（如页面加载速度）是支持战略性KPI（如降低放弃率）的战术性工具。最后，我们认识到快速监控能让企业即时响应问题，这正是BI创造价值的关键所在。

021：安妮塔的商业智能职业路径 🧭

在本节课中，我们将跟随谷歌商业智能分析师安妮塔的分享，了解她独特的职业发展轨迹。她将讲述如何从看似不相关的起点进入BI领域，并强调在这一职业中，软技能与硬技能同等重要。

我是安妮塔，谷歌的一名商业智能分析师。

我的第一份工作是在家乡的公共图书馆担任图书管理员。这份工作需要我每天与人交流。人们会询问如何找到某本书，或者需要一些涵盖特定主题的资料。这份工作极大地帮助我学*和掌握了如何与那些可能遇到问题、不知如何解决、但正寻求你帮助的人进行沟通。我认为这是我商业智能职业生涯的一个重要起点。

我进入商业智能领域并非一条直线。最初，我从事应付账款和应收账款方面的工作，帮助客户优化这些流程。正是在与客户合作的过程中，我开始频繁听到他们对数据分析的需求，以及对理解数据的渴望——他们拥有大量数据，但关键是如何从中提取有价值的信息。正是来自客户的这些反馈，引导我走上了探索之路：市面上有哪些工具？我该如何帮助他们发现这些洞察？这引导我经历了一份又一份工作，直到最终我投身于商业智能领域，并且无法想象自己从事其他任何行业。

在我所经历的每一份工作中，无论是作为数据分析师处理应付应收账款，还是在催收部门工作，我都积累了如何通过数据讲述一个成功故事的经验。归根结底，我认为商业智能的核心在于：我们寻找的趋势、模式和洞察是什么？这些将构成一个引人入胜的故事，让人们能够利用这些信息做出决策。

对于想要进入商业智能领域的人，我的一条重要建议是：真正专注于你的人际交往能力和人脉网络。技术技能固然重要，例如编码、理解SQL和数据库以及我们使用的各种程序，这些是你日常工作的基础。但真正让你脱颖而出的是你与利益相关者互动的能力，你与不同合作团队沟通的方式，以及你如何将他们反馈的所有信息最终综合成那个能帮助他们从数据中获得洞察的最终商业智能产品。

我认为每个人都拥有可迁移的技能。你从事过的每一份工作，经历过的每一次体验，都让你有所收获。如果你花点时间思考一下你从中学到了什么——也许是高中时期的第一份工作，也许是大学期间的一次小组合作经历，你在其中处理棘手的团队动态——每一次经历所带来的技能，都是你可以带入商业智能领域的可迁移技能。

以下是安妮塔分享的核心要点列表：

职业起点多样：图书管理员的工作培养了沟通与问题理解能力，这是BI工作的宝贵基础。
路径并非直线：从财务流程优化到接触数据分析需求，职业转换源于发现并响应实际业务痛点。
核心是讲述数据故事：BI的最终目标是识别趋势、模式、洞察，并编织成能支持决策的 compelling story。
软技能至关重要：除了SQL、数据库等technical skills，people skills和networking能力是脱颖而出的关键。
发掘可迁移技能：过往所有经历，如negotiating team dynamics，都能转化为BI领域所需的宝贵能力。

本节课中，我们一起学*了安妮塔从图书管理员到谷歌BI分析师的非典型职业路径。她的经历告诉我们，进入BI领域可以有多种起点，关键在于培养理解业务、沟通协作的能力，并将技术作为讲述数据故事、驱动决策的工具。无论背景如何，过往经验中积累的可迁移技能都是通往BI职业成功的宝贵财富。

022：导师制的非凡价值 🧑‍🏫

在本节课中，我们将跟随YouTube分析与决策支持团队的首席负责人杰罗德，探讨导师制在职业发展中的关键作用。我们将学*如何主动寻找导师、有效建立联系，以及如何通过展示自身能力来赢得更多机会。

自我介绍与团队背景

我的名字是杰罗德，是YouTube分析与决策支持团队的首席负责人。

我们的团队专注于为YouTube业务组织构建商业智能与分析能力。

导师制对职业发展的影响

导师制一直是我职业生涯进步的重要组成部分。在我的职业生涯中，无论是在谷歌内部还是外部，我都有幸遇到了许多导师。

有些来自学校，有些则是偶然结识。

但他们每一个人都给予了我一些东西，这些东西要么是激励因素，要么是鼓励我更加相信自己。

或者，他们只是在我需要倾诉某些事情不顺利或任何其他问题时，愿意倾听。

如何寻找导师

上一节我们了解了导师的价值，本节中我们来看看如何主动寻找导师。

寻找专注于你感兴趣领域的社群。如果我们考虑商业智能和分析领域，有很多由商业智能专业人士组成的社群。

此外，还有一些专注于数据科学或预测分析等细分领域的社群。

我也曾主动联系他人，无论是通过电子邮件，还是通过我认识的其他人的介绍，或者通过领英。

我通常会寻找那些正在做我感兴趣的事情、并且拥有我所不具备的技能的人。

然后我会主动联系并说：“你好，我很想就某某事情进行一次交流，听听你的看法。”

利用领英进行有效社交

实际上，我发现领英是一个非常强大的工具。这需要付出努力，但它是建立人脉的一个非常简单的切入点。

当我说建立人脉时，我指的不是闲聊。

我的意思是，主动联系某人，并希望他们正是那种愿意被联系的人。

真正有意识地明确你想从那些做过你想做的事情的人身上学到什么。

自我证明与赢得机会

要依靠你自己。因为很可能，没有那么多人在做同样的事情。

但你越是展示和证明你的能力、你的坚韧，或者任何你能想到的其他优点，就会有越多的人开始信任你，随之而来的机会也就越多。

本节课中，我们一起学*了导师制的重要性。我们了解到，可以通过加入专业社群、主动联系目标领域的专家来寻找导师。同时，利用如领英这样的工具进行有目的的社交，并持续展示和证明自身价值，是赢得信任与机会的关键。记住，主动与坚持是开启成长之门的两把钥匙。

023：回顾与展望 🎯

在本节课中，我们将回顾并总结本模块的核心内容，涵盖提升在线影响力、与利益相关者协作、关键指标监控以及商业智能的职业责任。

我们已经完成了另一个重要章节的学*。你学*了如何提升在线影响力，并最大化利用社交网络和导师指导的机会。

上一节我们介绍了个人职业发展策略，本节中我们来看看如何与团队协作。

你还研究了各类商业智能（BI）利益相关者，以及一些经过验证的、能有效与他们协作的方法。

你发现了快速监控如何让用户收集并报告关键指标，从而使组织能够做出更明智的决策。

此外，你学*了指标如何支持关键绩效指标（KPI），而KPI又如何支持业务目标。

我们强调了从事商业智能职业所带来的影响力，以及为何必须时刻将公平性牢记于心。

你的商业智能知识与技能正在持续发展和增长。很高兴能与你一同踏上这段激动人心的旅程。

接下来，你将面临另一项计分评估。为做好准备，请务必查阅列出了所有新学术语词汇的阅读材料。

一如既往，请花时间复*视频、阅读材料和你自己的笔记，以巩固所有学*内容。

祝贺你所取得的所有进步。我们很快会再次相见。🚀

本节课中我们一起学*了：提升在线形象的方法、与BI利益相关者的有效协作、关键指标的快速监控流程、以及BI从业者的职业责任与影响力。这些知识共同构成了你商业智能技能体系的重要部分。

024：利益相关者管理

在本节课中，我们将复*数据分析师工作中一个至关重要的方面：理解并管理利益相关者的期望。我们将探讨利益相关者的定义、他们在项目中的重要性，以及如何通过有效沟通确保项目成功。

什么是利益相关者？🤔

上一节我们介绍了课程背景，本节中我们来看看“利益相关者”这个核心概念。

利益相关者是指那些在你作为数据分析师所参与的项目中，投入了时间、兴趣和资源的人。换句话说，他们在你所做的工作中拥有“利益”。他们很可能需要你的工作成果来完成他们自己的任务。这就是为什么确保你的工作符合他们的需求，并与团队中的所有利益相关者进行有效沟通如此重要。

利益相关者的需求与沟通

你的利益相关者会希望讨论诸如项目目标、达成目标所需的条件，以及你遇到的任何挑战或顾虑等事项。这是件好事，这些对话有助于建立对你工作的信任和信心。

以下是项目中可能涉及的多层级团队成员示例，我们来探讨他们在不同层面上可能需要你提供什么以达成项目目标。

想象你是一名与公司人力资源部门合作的数据分析师。该公司的员工流失率（即员工离开公司的比率）有所上升。人力资源部门想知道原因，并希望你帮助他们找出潜在的解决方案。

人力资源副总裁：他/她有兴趣识别离职员工的共同模式，并查看其与员工生产力和敬业度是否存在关联。作为数据分析师，你的工作是专注于人力资源部门的问题并帮助找到答案。但副总裁可能太忙而无法管理日常任务，或者可能不是你这项任务的直接联系人。
项目经理：你将更定期地向项目经理汇报。项目经理负责规划和执行项目，其部分工作是保持项目按计划进行并监督整个团队的进度。在大多数情况下，你需要定期向他们更新进展，告知他们你需要什么才能成功，并说明过程中遇到的任何问题。
其他团队成员：例如，人力资源管理员需要知道你使用的指标，以便他们设计有效收集员工数据的方法。你可能还会与其他专注于数据不同方面的数据分析师合作。

了解项目中的利益相关者和其他团队成员至关重要，这样你才能与他们有效沟通，并为他们提供在其项目角色中推进工作所需的信息。你们共同努力为公司提供关于这个问题的关键见解。

实践案例：分析员工流失

回到我们的例子。通过分析公司数据，你发现员工在公司工作13个月后，其敬业度和绩效有所下降，这可能意味着员工开始感到缺乏动力或与工作脱节，然后往往在几个月后离职。

另一位专注于招聘数据的分析师也分享道，该公司大约在18个月前进行了大规模招聘。你将此信息与所有团队成员和利益相关者沟通，他们就如何向副总裁汇报此信息提供了反馈。

最终，你的副总裁决定实施一项深入的管理层检查制度，与即将在公司工作满12个月的员工进行沟通，以识别职业发展机会。此举成功降低了从第13个月开始的员工流失率。

总结与展望

这只是一个如何平衡团队中不同需求和期望的例子。你会发现，在你作为数据分析师参与的几乎每一个项目中，从人力资源副总裁到你的数据分析师同事，团队中的不同人员都需要你的专注和沟通，以推动项目走向成功。

专注于利益相关者的期望将帮助你理解项目目标，在团队中进行更有效的沟通，并建立对你工作的信任。

接下来，我们将讨论如何确定你在团队中的定位，以及如何以专注和决心帮助推动项目前进。

025：有效提问的SMART方法 🎯

在本节课中，我们将学*如何提出有效的问题。对于数据分析师而言，提出正确的问题是解决问题的第一步，它能引导我们获得关键的洞察。我们将重点介绍SMART提问框架，并探讨如何确保问题的公平性。

上一节我们介绍了六种基本的问题类型，本节中我们来看看如何通过提问来解决这些问题。数据分析师通过提出正确的问题来开启工作。

为什么提问至关重要 ❓

作为数据分析师，提问是工作中至关重要的一部分。当接到项目请求时，我会通过提问来确保我们对计划和目标的理解一致。当我得到分析结果时，我也会质疑它：数据是否只揭示了表面现象？是否存在需要解决的矛盾？你提出的问题越多，对数据的理解就越深，最终获得的洞察也就越有力。

然而，并非所有问题都同样有效。

什么是无效的问题 🚫

以下是几种常见的无效提问方式：

引导性问题：这类问题会引导你给出特定的答案。例如，朋友说：“这是最好吃的三明治，对吧？” 这让你很难表达不同的意见。
封闭式问题：这类问题可以用简单的“是”或“否”来回答，通常无法获得有价值的洞察。例如，问你的叔叔：“你在马来西亚长大开心吗？” 他可能回答“是”，但你并未了解他具体的经历。
模糊不清的问题：这类问题缺乏具体语境，容易产生歧义。例如，“你喜欢巧克力味还是香草味？” 对方可能不清楚你指的是冰淇淋、布丁还是咖啡调味剂。

了解有效与无效问题的区别，对你未来作为数据分析师的职业生涯至关重要。毕竟，数据分析流程始于“提问”阶段。

如何提出有效的问题：SMART框架 📝

有效的问题遵循SMART方法论，即它们是具体的、可衡量的、可操作的、相关的和有时限的。

让我们逐一拆解：

具体的问题

具体的问题应简单、有意义，并聚焦于单一主题或几个紧密相关的想法。这有助于我们收集与调查内容相关的信息。如果问题太宽泛，可以尝试聚焦于某一个要素。

示例公式：

无效（封闭且宽泛）：Are kids getting enough physical activity?
有效（具体）：What percentage of kids achieve the recommended 60 minutes of physical activity at least five days a week?

可衡量的问题

可衡量的问题可以被量化和评估。一个不可衡量的问题无法通过数据来回答。

示例公式：

无效（不可衡量）：Why did our video go viral?
有效（可衡量）：How many times was our video shared on social channels the first week it was posted?

可操作的问题

可操作的问题能鼓励并导向改变。解决问题就是看清现状并找出将其转变为理想未来状态的方法，而可操作的问题能帮助你实现这一目标。

示例公式：

无效（不够可操作）：How can we get customers to recycle our packaging?
有效（可操作）：What design features will make our packaging easier to recycle?

有时限的问题

有时限的问题明确了所要研究的时间范围。这限制了可能性范围，使数据分析师能够专注于相关数据。

示例公式：

有效（有时限）：What environmental factors changed in Durham, North Carolina between 1983 and 2004...

确保问题的公平性 ⚖️

除了SMART原则，在构思问题时，牢记公平性也极为重要。公平意味着确保你的问题不会制造或强化偏见。

以下是需要注意的几点：

避免引导性和假设性问题：例如，博物馆满意度调查问：“您最喜欢我们展品的哪一点？” 这就假设了顾客喜欢这些展品，而事实可能并非如此。
确保清晰易懂：问题应措辞清晰、直接，让所有人都能轻松理解。
不公平问题的后果：不公平的问题会导致不可靠的反馈，并让你错失获得宝贵洞察的机会。

总结与展望 📈

本节课中我们一起学*了如何构建有效的问题，例如如何运用SMART框架来构思问题，以及如何确保问题的公平和客观。

接下来，你将探索不同类型的数据，并学*如何利用它们来指导商业决策。你还将深入了解数据可视化，以及指标或度量如何帮助创造成功。这将是非常精彩的学*旅程。

026：认知偏差

在本节课中，我们将要学*认知偏差的基本概念，了解它如何影响我们的思维、决策，并特别探讨数据中的偏差。理解偏差是确保数据分析公平、准确的关键一步。

回到过去

让我们从一次思维上的时间旅行开始。想象你回到了中学时代，参加了一场科学展览。你为这个项目努力准备了数周，力求完美。现在，宣布获奖者的时刻到了。你闭上眼睛，深吸一口气，然后听到他们宣布你获得了第二名。真扫兴，你非常渴望那个第一名的奖杯，不过，能得到一个认可奖也不错。

第二天，你得知评委是第一名获奖者的叔叔。这公平吗？当自己的家庭成员是参赛者之一时，他真的能公平地选择获胜者吗？他很可能存在偏见。也许他的侄女确实应该获胜，也许不是。但关键在于，在那个场景中，我们很容易提出存在偏见的理由。

什么是认知偏差？

上一节我们通过一个简单的例子引入了偏见的概念。本节中，我们来看看偏差的正式定义。

这是一个非常简单的例子。但事实是，我们在日常生活中总会遇到偏见。我们的大脑在生理上被设计成能简化思维并快速做出判断。偏差已经演变成一种对某个人、某类人或某件事的偏好（支持或反对），它可以是有意识的，也可以是潜意识的。好消息是，一旦我们了解并承认自己存在偏见，就可以开始识别自己的思维模式，并学*如何管理它。

数据中的偏差

认识到普遍存在的认知偏差后，我们需要知道，偏差同样会渗透到数据世界中。

数据偏差是一种系统性地使结果向某个方向倾斜的错误类型。了解这一点至关重要。

以下是数据偏差可能发生的几种常见情况：

调查设计偏差：调查问卷中的问题可能带有特定的倾向性，从而影响答案。
样本代表性偏差：样本群体可能无法真正代表所研究的人群。例如，如果你想计算美国有医疗保险的患者的年龄中位数，你不能只使用65岁及以上的医疗保险患者的样本。
缺乏包容性的偏差：如果样本群体缺乏包容性，也会产生偏差。例如，在主流健康研究中，残疾人往往被识别不足、代表不足或被排除在外。
数据收集方法偏差：你收集数据的方式也可能使数据集产生偏差。例如，如果你只给人们很短的时间来回答问题，他们的回答就会很仓促。当我们匆忙时，会犯更多错误，这会影响数据的质量并产生有偏差的结果。

偏差的影响与应对

作为数据分析师，你必须从开始收集数据的那一刻起，一直到呈现结论之时，都要思考偏差和公平性问题。毕竟，这些结论可能产生严重的后果。

思考一下这个例子：人们已经认识到，关于心脏健康的临床研究往往包含的男性远多于女性。这导致女性未能识别出症状，最终使她们的心脏疾病未被发现和治疗。这只是偏差可能产生非常现实影响的一种方式。

虽然我们在识别偏差方面已经取得了长足进步，但它仍然可能导致你在那次科学竞赛中输给评委的侄女。它仍然在影响着商业决策、医疗保健选择和获取、政府行动等等。因此，我们仍有工作要做。

总结

本节课中，我们一起学*了认知偏差的概念，它如何从日常思维延伸到专业的数据分析领域。我们明确了数据偏差的定义，并探讨了其产生的多种原因，如调查设计、样本选择和数据收集方法。最后，我们通过实例看到了偏差可能带来的真实而严重的后果。理解并警惕偏差，是每一位数据分析师确保工作公正、有效的基础。

027：创建数据仪表板

在本节课中，我们将学*如何构建一份专业的简历，特别是如何将数据分析相关的技能和经验有效地展示出来。一份好的简历就像一张精心拍摄的照片，需要清晰、简洁地捕捉你所有的专业亮点。

简历概览：打造你的专业快照

当你拍摄照片时，通常会在一张图像中捕捉多种元素。构建简历也是同理。你希望简历成为你在学业和职业领域所有成就的快照。当招聘经理和招聘人员查看你的简历时，他们应能立刻了解你能为公司带来什么价值。关键在于简洁。

简历的核心原则：简洁与聚焦

以下是构建简历时需要遵循的核心原则：

控制篇幅：尽量将内容控制在一页以内。
精炼要点：每个描述仅使用2到4个简洁的要点。
聚焦重点：一页的篇幅能帮助你专注于最能体现你专业身份的关键细节。同时，这也符合招聘人员时间有限的情况，你需要快速吸引他们的注意力。

构建简历：从模板开始

上一节我们介绍了简历的核心原则，本节中我们来看看如何实际构建简历。模板是构建全新简历或重新格式化现有简历的绝佳工具。

像 Microsoft Word、Google Docs 甚至一些求职网站都提供可用的模板。模板为你需要填写的信息预留了位置，并自带设计元素，能让你的简历看起来更吸引人。

现在，我们将介绍一系列步骤，帮助你制作专业、易读且无错误的简历。如果你已有简历文档，也可用这些步骤进行优化。

简历的结构与内容

构建简历的方式不止一种，但大多数简历都包含以下部分。

联系信息

大多数简历将联系信息置于文档顶部。这包括你的姓名、地址、电话号码和电子邮件地址。

如果你有多个邮箱或电话号码，请使用最可靠且听起来最专业的那个。
最好在邮箱地址中使用你的名字和姓氏，例如 JaneDoe17@email.com。
确保你的联系信息与你在专业网站上填写的信息一致。
联系信息的组织方式由你决定。

简历格式选择

选择适合你的简历格式至关重要。

技能型简历：这种格式更侧重于技能和资历，而非工作历史。适合工作经历有空白期、刚开启职业生涯或正在转行的人士。
时序型简历：如果你想突出工作历史，可以按时间倒序列出工作经历，从最*的工作开始。如果你有许多与所申请职位相关的工作经历，这种格式很合适。

如果你在修改现有简历，可以保持原格式并调整细节。如果是新建或首次创建简历，请选择对你最合理的格式。网上有大量简历资源，你可以浏览多种不同的简历，以了解你认为最适合自己的格式。

个人总结（可选）

决定格式后，你可以开始添加详细信息。有些简历以个人总结开头，但这是可选的。

如果你拥有非传统的数据分析师经验或正在转行，个人总结会很有帮助。

如果决定包含总结，请将其控制在一两句话内，突出你的优势以及你能如何帮助所申请的公司。
确保总结中包含关于你自己的积极词汇，如“专注的”和“积极主动的”。
用数据支持这些词汇，例如你的工作年限或你精通的工具（如 SQL 和电子表格）。

个人总结可以这样开头：“拥有超过五年经验的勤奋客户服务代表”。当你完成本课程并获得证书后，你也可以将其加入，例如：“初级数据分析专业人士，最*完成了谷歌数据分析专业证书课程”。

另一个选择是，在构建简历其他部分时先为总结留出位置，待其他部分完成后再撰写总结。这样，你可以回顾已提及的技能和经验，并选取两三个亮点用于总结中。请注意，总结可能会根据你申请的不同工作而略有变化。

工作经历

如果你包含工作经历部分，可以添加多种类型的经验。

除了在其他公司的工作，你还可以包括曾担任的志愿者职位以及任何自由职业或已完成的工作。

关键之处在于描述这些经历的方式。尝试以与你所申请职位相关的方式来描述你的工作。

大多数职位描述会列出最低资格或要求。这些是你被考虑录用所需的经验、技能和教育背景。因此，在简历中清晰陈述它们非常重要。如果你符合要求，下一步是查看职位描述中通常也包含的“优先资格”。这些不是必需的，但每匹配一项额外的资格，都会让你成为该职位更具竞争力的候选人。

将你的技能和经验中与职位描述相匹配的任何部分包含进去，都将有助于你的简历脱颖而出。

因此，如果职位描述中提到“有效管理数据资源”这一职责，你希望自己的描述能反映这一职责。例如，如果你曾在当地学校或社区中心志愿工作或任职，你可以说“有效管理课后活动的资源”。之后，你将学到更多方法让你的工作历史为你加分。

以同样的方式描述你的技能和资格也很有帮助。例如，如果职位描述谈到“组织能力”和“与他人合作”，试着回想你相关的经历。也许你曾帮助组织食品募捐活动，或与某人合作创办了一家在线企业。

在你的描述中，你需要突出你在该角色中产生的影响，以及该角色对你产生的影响。如果你帮助一家企业起步或达到新高度，请谈谈那段经历以及你在其中扮演的角色。或者，如果你在一家商店刚开业时就在那里工作，你可以说“通过确保优质的客户服务，帮助成功启动了业务”。如果你在任何工作中使用过数据分析，也一定要将其包含在内。我们稍后将介绍如何添加特定的数据分析技能。

一种方法是在描述中遵循以下公式：

Accomplished [X] as measured by [Y] by doing [Z].

以下是一个在简历中可能出现的例子：

“基于领导潜力和学术成就，被选为全国275名参与者之一，参加这个为期12个月的高潜力人才专业发展项目。”

如果你在某段经历中获得了新技能，请务必突出所有这些技能以及它们如何提供了帮助。

教育背景

添加工作经验和技能后，你应该包含一个部分来展示你已完成的教育。是的，本课程绝对算数。

你可以将本课程作为你教育背景的一部分添加，也可以在个人总结和技能部分提及它。

技能部分

根据你的简历格式，你可能需要添加一个部分来展示你获得的技能，包括在本课程中和其他地方学到的。

除了像 SQL 这样的技术技能，你还可以在此部分包含语言能力。掌握英语以外的语言能力只会对你的求职有所帮助。

总结与展望

至此，你已经了解了如何使你的简历看起来专业且吸引人。随着课程的深入，你将学到更多让简历脱颖而出的方法。最终，你将拥有一份值得自豪的简历。

接下来，我们将讨论如何让你的简历真正独一无二。

028：欢迎来到模块3 🎯

在本模块中，我们将深入探讨商业智能（BI）中的一个核心议题：数据的上下文与局限性。我们将学*如何正确地为数据赋予背景信息，识别常见的数据限制，并掌握BI专业人员用于克服这些挑战的策略。

你将开始谷歌商业智能证书课程的另一个模块。这非常棒。你正在把握当下。“把握当下”或拉丁语“Carpediem”是罗马诗人贺拉斯的一句名言。他用这句话来表达我们应该尽可能享受生活的理念，甚至可能需要冒一些风险来活出生命的精彩。

*来，缩写“YOLO”（你只活一次）是表达相同理念的常见方式。有趣的是，最初的“你只活一次”这句话本意是传递一个完全不同的信息。在英语文学中，这类引语最早的实例更像是一种警告。它们的含义是生命宝贵，因此我们应该运用良好的判断力，小心谨慎，保护自己免受伤害。

这是一个广为人知的概念被断章取义的绝佳例子。但许多其他事物也可能被断章取义，包括数据。作为复*，上下文是某事物存在或发生的条件。如果你获得了谷歌数据分析师证书，你已经学*了很多关于上下文的知识，以及它如何帮助将原始数据转化为有意义的信息。如果你想复*那些课程，请在继续下一个视频之前进行复*。

对于BI专业人员来说，为我们的数据提供上下文至关重要。这为数据提供了重要的视角，并减少了其存在偏见或不公平的可能性。在接下来的几节课中，我们将从BI的角度重新审视上下文。

上一节我们介绍了上下文的重要性，本节中我们来看看本模块后续的学*路径。

然后，我们将继续探讨其他一些数据局限性，包括持续变化以及及时把握全局的能力。我还将分享一些BI专业人员用来预测和克服这些局限性的策略，并且我们将更深入地学*指标以及它们与上下文的关系。

后续内容非常丰富。所以，让我们把握当下，继续我们的商业智能冒险之旅。

本节课总结

在本节课中，我们一起学*了模块3的引入部分。我们回顾了“上下文”的核心概念，即 上下文 = 数据存在的条件，并理解了为数据提供正确背景对于避免偏见和产生有意义的洞察至关重要。我们了解到，数据可能像名言一样被“断章取义”，因此BI专业人员必须主动为其赋予上下文。最后，我们预览了本模块将涵盖的其他关键主题：数据的局限性（如持续变化）、把握全局的策略，以及指标与上下文的关联。

029：重新审视情境分析的重要性 📊

在本节课中，我们将学*情境分析在数据可视化和商业智能中的核心作用。我们将探讨如何通过提供清晰的背景信息，使数据更易于理解，并支持更有效的业务决策。

让我们尝试一个小实验。想象一下，如果你将一张折线图展示给三个不同的人看，可能会发生什么。

你很可能会得到三种不同的解读。

即使他们理解折线图是用来展示随时间变化的趋势。

一个人可能假设X轴代表几天的时间。

而另一个人可能猜测它展示的是许多年的时间跨度。

或许有人会认为Y轴上的五条彩色线代表不同产品的销售额。

另一个人可能推测它们代表不同客户类型的购买模式。

关键在于，一张配有标题、图例、X轴和Y轴标签，并包含所有数据值的折线图，是一种有效得多的数据可视化方式。

当你通过提供情境来清晰地指明每个项目的含义时，这张折线图就能轻易地被他人理解。

情境有助于消除误解的风险。

这为你的利益相关者节省了时间，并确保他们拥有准确的信息来做出数据驱动的业务决策。

正如你可能知道的，在数据分析中，情境将原始数据转化为有意义的信息。

当你进行情境化时，你是在将事物置于一个更广阔的视角中。

这涉及到考虑其来源和其他相关的背景信息、背后的动机、其所处的更大环境（例如特定的时间段），以及它可能产生的影响。情境化赋予事物更深层的意义，帮助人们更全面地理解它。

这也支持了公平性，并减少了当你的用户试图从你呈现的数据中获取有用见解时产生偏见的机会。

这引出了商业智能环境中的情境。在商业智能中，专业人士非常关心的情境还有另一个方面。

那就是为我们用户创建的工具进行情境化。

促进情境的一个关键实践是将共享的数据放在一个中心位置。

通常，这会是一个设计良好的数据看板。

第二步是确保每个人都有一个通用的方法来与那个看板进行交互。

利益相关者能够轻松理解、访问和使用你创建的数据看板，这一点很重要。

这样，人们就不必去其他地方或切换情境来寻找他们需要的信息。

这使所有用户都能在工作中更加高效。例如，假设一家公司的财务团队需要一个看板来分析整个公司的成本。

于是你设计了一个看板，分享关于每个部门特定支出的关键见解。

但如果后来发现运营部门的成本异常高呢？

财务团队希望能够深入分析该部门的支出，以找出成本增加的根本原因。

因此，对你的看板进行迭代更新就很重要，使其也包含每个部门的支持性信息。

构建有效解决方案的另一个部分是优先考虑组织内存在的跨职能关系。

有必要考虑你正在进行的商业智能工作如何与整体业务目标保持一致，以及你的同事将如何使用它。

例如，如果你的新商业智能工具将监控五个不同的指标，并被10个不同的利益相关者使用，那么考虑每个用户将如何访问和解读数据就很重要。

基本上，要制作一个有效的看板，首先必须了解每个特定的利益相关者将如何实际使用它。

通过花时间仔细思考这一点，你可以确保创建一个强大的看板，而不是许多效果较差的看板。

此外，因为你创建了一个单一的、可访问的共享看板，这促进了用户之间良好的协作。例如，财务团队成员可能对一个看似微小的、同比增长5%的数字感到沮丧。

但销售人员可以将这个数字置于情境中，指出5%实际上是一个好结果，并且高于预期，因为整个市场细分领域正经历10%的衰退。

销售人员可以提供这种特定的市场情境，而财务分析师可能只了解广泛的行业趋势。

一个单一的数据看板输出可以引发无数富有洞察力的对话。

在情境中表达结果有助于你确认你为利益相关者使用了正确的数据。

你也会知道数据格式正确，可以被有效使用和共享，并且结果是合理的。这提升了人们的理解力，并最终带来商业利益。

本节课中，我们一起学*了情境分析在数据沟通中的重要性。我们了解到，为图表和数据看板提供清晰的背景信息，可以消除误解、促进协作，并确保利益相关者基于准确的信息做出决策。记住，有效的商业智能不仅仅是展示数据，更是讲述一个清晰、有背景的数据故事。

030：瞬息万变世界中的数据可用性 📊

概述

在本节课中，我们将要学*商业智能中的一个核心概念：数据可用性。我们将探讨影响数据可用性的主要挑战，并了解如何应对这些挑战，以确保BI解决方案的有效性。

在之前的课程中，我们介绍了商业智能专业工具箱中的一些解决方案。这些方案包括数据模型、ETL等数据管道、数据可视化和数据看板。这些方案功能强大且令人兴奋，但前提是它们拥有相关、及时、一致且无偏见的数据可供使用。这个概念被称为数据可用性。

数据可用性描述了及时且相关的信息易于访问并能投入使用的程度或范围。不幸的是，有多种因素会影响数据可用性，从而可能损害BI解决方案的完整性。在本视频中，我们将讨论其中一些挑战以及应对方法。

挑战一：数据完整性

首先，一些最常见的数据可用性问题涉及完整性。如果您获得了谷歌数据分析证书，您会知道数据完整性涉及数据在整个生命周期中的准确性、完整性、一致性和可信度。

以下是数据完整性相关的典型问题：

重复数据
信息缺失
结构不一致
不符合业务规则

如果您想重温关于数据完整性的课程，现在可以随时回顾。准备好后，请返回本视频。

挑战二：数据可见性

第二个数据可用性挑战与可见性有关。数据可见性是指信息能够从不同的内部和外部来源被识别、监控和集成的程度或范围。

例如，公司运营部门的员工可能完全不知道通讯部门存储了哪些数据。或者，物流部门的员工可能拥有包含大量有用信息的数据文件，但其他人甚至不知道这些文件的存在。

另一方面，当您拥有清晰的数据可见性时，就有可能获得准确、及时的洞察，并真正提高组织的响应能力和敏捷性。

为了实现这些目标，BI专业人员通常会与同事合作，为利益相关者创建一份数据存储库清单。您可以请求与数据所有者进行简短访谈，或请相关人员完成一份关于他们收集和使用数据的快速在线调查。这是一个简单但非常有用的练*，可以发现可用数据的种类。

同时，请记住，数据可见性挑战不仅存在于公司内部。有时，BI专业人员可能不了解非常有用的外部数据。正如您所知，存在无数免费的公共数据集，包括政府研究、气候、能源和医疗保健研究、行业调查等等。所有这些都可以为成功的BI项目做出贡献。

挑战三：更新频率

需要注意的第三个数据可用性因素是更新频率。通常，BI项目会涉及多个数据源。不同的数据源在不同时间刷新（例如每周与每月）是非常常见的。

假设一位商业智能专业人士为一家位于巴西的宠物用品制造商工作。他们可能按城市分析产品销量。如果一家零售合作伙伴在七月中旬从里约热内卢搬到圣保罗，那么该月所有的销售额都会被归入里约，仅仅因为合作伙伴的地址在BI系统中尚未更新。

因此，要么零售商的地址数据需要更快地刷新以匹配销售数据，要么制造商应该按月查看所有数据。这就是为什么BI专业人员理解不同数据源的更新频率如何影响洞察至关重要的原因。即使单个数据源是完美的，集成方面也常常相当混乱。

挑战四：变化

现在，我们来到第四个数据可用性挑战：变化。变化几乎存在于我们生活的方方面面，数据也不例外。

数据可用性可能因内部程序的变化而受到影响，例如系统更新或新的记录保存流程。它也可能因外部因素而改变，例如用户界面升级或特定算法的调整。

为了解决这个问题，BI专业人员必须制定一个计划，说明他们将如何让利益相关者了解可能影响项目的变化。因此，他们应该鼓励团队成员思考他们现在正在使用什么工具或方法、什么可能会改变、以及这可能如何影响正在跟踪的数据，以及如何填补任何潜在的空白。

总结

数据可用性是BI领域的一个重要考量因素，您可能会花费相当多的时间来应对数据可用性因素。本视频介绍了您将遇到的一些最常见问题。当然，还有其他因素会影响数据的可用性。

因此，对您所追求的质量水平保持现实态度非常重要。对于许多项目来说，“足够好”就足够了。请务必承认存在的局限性和约束条件。采取这种方法，就像很多事情一样，即使不是不可能，也很难达到完美。这没关系。

031：警惕数据偏见 🧠

在本节课中，我们将学*商业智能分析师在工作中可能遇到的几种数据偏见类型，以及如何通过具体的数据完整性实践来避免这些偏见，从而确保分析结果的客观与准确。

数据偏见的类型

上一节我们介绍了数据偏见的概念，本节中我们来看看分析师在常规工作中可能遇到的几种具体偏见类型。

确认偏见：当分析师在探索或解读数据时，倾向于寻找能证实其先前信念的信息时，就会发生确认偏见。这种情况可能发生在数据分析的任何阶段，包括收集数据、进行探索性分析或解读数据时。
选择偏见：当我们处理的样本不能代表整个总体时，就会出现选择偏见。当我们处理小数据集或随机化过程未发生时，这种情况可能会自然发生。
历史数据偏见：当社会文化偏见和信念被反映到系统流程中时，就会产生历史数据偏见。例如，如果人工系统给特定人群的信用评级很差，而分析师使用这些数据来训练自动化系统，那么这个自动化系统现在就会放大或反映这些偏见到结果中。
异常值偏见：平均值是隐藏异常值和离群点、同时扭曲我们观察结果的好方法。

避免数据偏见的实践方法

了解了常见的偏见类型后，接下来我们探讨一些在实际分析中行之有效的、避免偏见的数据完整性实践方法。

以下是我在进行分析并试图避免偏见时，总结出的几个有效建议：

记录先验信念：在开始分析之前，记录下我所有的先验信念和假设，以切实认识到我对数据或流程确实存在这些先入为主的观念。
使用高度随机化的数据集：使用可能更能代表分析目标的数据集，而不仅仅是图方便。
收集更多数据并研究对立面：围绕你假设的对立面收集更多数据并进行研究，以确保你不会忽视那部分信息，或者不会只专注于你认为应该是分析结果的部分。
警惕异常值：当平均值分析显示数据一切良好时，我认为是时候更深入地挖掘数据以理解细微差别了。

本节课中我们一起学*了四种主要的数据偏见（确认偏见、选择偏见、历史数据偏见和异常值偏见），并掌握了四项核心的数据完整性实践方法，以帮助我们在分析工作中识别并避免这些偏见，从而得出更客观、可靠的商业洞察。

032：构建有意义的指标体系 📊

在本节课中，我们将学*如何区分虚荣指标与有效指标，并掌握构建能驱动业务决策的指标体系的关键原则。

“虚荣”是一个有趣的词。查阅词典会发现，它既可以指过度的骄傲，也可以指空洞、无价值的事物。我们有时会为一些无关紧要的事物感到自豪，这种情况在商业指标领域时有发生。事实上，我们商业智能领域有一个术语来描述这种现象：虚荣指标。

虚荣指标是指那些旨在给人留下深刻印象，但不能反映实际绩效，因此也无法揭示任何有意义的业务洞察的数据点。一个众所周知的虚荣指标是公司在社交媒体上的粉丝数量。也许有数十万粉丝，但其中有多少人实际购买了产品？有多少人推荐了其他客户？他们究竟为企业带来了多少收入？仅仅因为数字很大就炫耀它，很少能带来实际价值。

因此，确保你监控的每一个指标都是有成效的、信息丰富的和有效的至关重要。例如，一些有用的业务指标可能包括餐厅的客户忠诚度、制造团队的生产力水平、健身房的月度盈亏，或药房仓库的库存量。这些才是能够带来有用业务洞察的数字。

在确定仪表板应包含哪些指标时，商业智能专业人员会考虑四个关键点。

以下是选择指标时的四个关键考虑因素：

信息并非越多越好：通过仅包含对项目成功至关重要的指标来限制仪表板上的指标数量，你的利益相关者会对此表示赞赏。这需要思考用户需求、用户已知信息以及他们需要了解什么来满足这些需求。过多的指标，尤其是无关或不必要的指标，会使人困惑并降低仪表板的价值。
确保指标与业务目标一致：考虑组织的具体目标，然后确定哪些指标可用于支持这些目标并衡量成功。
确认具备获取和分析每个指标所需数据的技术和流程：这是再次思考与数据可用性相关的所有因素的时机。
避免模糊或过于宏观的指标：指标应足够清晰和精确，能够为特定行动提供信息。

SMART方法论可以帮助你识别手头特定问题的关键指标。正如你可能知道的，这个工具用于确定问题的有效性。然而，它也可以帮助你根据指标是否具体、可衡量、可操作、相关和有时限来优化指标。如果你获得了谷歌数据分析证书，你已经学*过SMART方法论。在继续之前，可以随时回顾那节课。

作为最后一点，明智的做法是首先确定最重要的指标，并将其突出显示在仪表板的顶部。然后，支持性指标可以在下方深入展示细节。例如，在为番茄农场制作仪表板时，你可能将“已发货的番茄托盘数量”放在顶部，因为总销售额是一个关键指标。然后，支持托盘发货的数据，如工人生产力和收割机效率，将显示在下方。

此外，如果你将相关指标分组在一起，你的用户会非常感激。对于我们的番茄农场主来说，这意味着将销售数据放在一个部分，生产洞察放在另一个部分，收获率放在另一个部分，依此类推。

请记住，最好的指标突出显示两件关键事情：组织的表现如何以及决策者应关注什么。换句话说，它们确保你的仪表板永远不会被徒劳地创建。

本节课中，我们一起学*了虚荣指标与有效指标的区别，掌握了构建有意义指标体系的四个关键原则，并了解了如何利用SMART方法论优化指标以及如何在仪表板中有逻辑地组织和呈现它们。核心在于，指标应始终服务于业务目标，并能驱动清晰的决策。

033：核心概念回顾 🎯

在本节课中，我们将对已学*的商业智能核心概念进行总结，并展望接下来的实践项目与评估。

转眼间，我们已经完成了本课程的又一个重要章节。你正在深入了解商业智能的广阔世界。你目前取得的进展和即将面对的一切都令人振奋。

希望你也同样受到鼓舞，并充满动力去持续取得更大的进步。至此，你已经掌握了商业智能中一些最核心要素的宝贵知识。

核心概念回顾

上一节我们探讨了多个关键主题，本节我们来系统回顾一下。

情境的重要性

你学*了情境的概念，以及它如何帮助人们避免错误、节省时间和精力，并确认数据的准确性与公平性。在创建BI工具时，情境同样至关重要，因为它使用户能够协作并共享信息，从而使业务指标更加清晰和全面。

数据可用性

你探索了数据可用性的概念，并理解了它对于维护BI解决方案完整性的重要性。确保数据可访问、可靠是构建可信BI系统的基础。

指标与仪表板策略

你继续深入研究了指标，以及BI专业人员在决定仪表板上应包含哪些指标时所采用的策略。这通常涉及一个权衡过程，核心公式可以概括为：
仪表板有效性 = 相关性 × 可操作性 × 简洁性

后续学*路径

掌握了这些理论知识后，接下来是应用阶段。

实践项目

很快，你将有机会在一个基于场景的项目中应用你的BI技能，以丰富你的作品集。你需要为示例情境创建自己的解决方案，并思考在你的公司中会如何完成每一项任务。这将在你求职时成为一份宝贵的资产。

交流与准备

分享想法和提出问题是融入BI世界的绝佳方式。但在开始项目之前，你还需要完成另一次分级评估。请务必查阅列出了新术语的阅读材料，并花时间复*视频、阅读材料和你自己的笔记。

出色的工作。期待很快再次与你相见。😊

在本节课中，我们一起回顾了商业智能的核心概念：情境、数据可用性以及指标选择策略。这些是构建有效BI解决方案的基石。接下来，你将通过实践项目和评估来巩固这些知识，为职业发展做好准备。

034：数据完整性 🛡️

在本节复*课程中，我们将要学*数据完整性的概念及其重要性。数据完整性是确保分析结果准确可靠的基石。如果数据本身存在问题，无论分析过程多么严谨，最终结论都可能产生偏差。接下来，我们将详细探讨数据完整性的定义、可能面临的风险，以及如何在分析前进行验证。

什么是数据完整性？

数据完整性指的是数据在其整个生命周期中的准确性、完整性、一致性和可信赖性。

这听起来对数据提出了很高的要求，但在进行分析前检查所有这些属性是值得的。否则，你的分析可能会出错。这种错误并非源于你的操作失误，而是因为你所处理的数据从一开始就是错误的。

数据完整性低下的风险

当数据完整性低下时，可能导致从图像中丢失一个像素到做出错误的医疗决策等各种后果。在某些情况下，一个缺失的数据点就可能导致你的整个数据集变得无用。

数据完整性可能通过多种方式受到损害。

数据完整性受损的常见途径

以下是数据在其处理流程中可能受损的几个关键环节：

数据复制：这是指将数据存储在多个位置的过程。如果你在不同时间、不同地点复制数据，你的数据就有可能不同步。这种数据缺乏完整性，因为不同的人可能没有使用相同的数据来得出结论，从而导致不一致。
数据传输：这是指将数据从存储设备复制到内存，或从一台计算机传输到另一台计算机的过程。如果你的数据传输被中断，你最终可能会得到一个不完整的数据集，这可能无法满足你的需求。
数据操作：这个过程涉及更改数据以使其更有条理、更易于阅读。数据操作的目的是提高数据分析过程的效率，但过程中的错误可能会损害这种效率。
其他威胁：数据也可能因人为错误、病毒、恶意软件、黑客攻击和系统故障而受损，这些都可能导致更严重的问题。

确保数据完整性的责任

在许多公司中，数据仓库或数据工程团队负责确保数据完整性。但请放心，通常也会有其他人支持你的工作。

数据分析师的职责：分析前的检查

在弄清楚你正在处理的数据类型之后，在进行分析之前，双重检查你的数据是否完整和有效至关重要。这将有助于确保你的分析和最终结论是准确的。

无论是由你还是公司里的其他人来完成，检查数据完整性都是处理数据、为其做好分析准备的关键步骤。

总结

本节课中我们一起学*了数据完整性的核心概念。我们了解到，数据完整性关乎数据的准确、完整、一致和可信，是可靠分析的基础。数据可能在复制、传输、操作等环节，或受到外部威胁时受损。虽然数据工程团队通常负责维护数据完整性，但作为数据分析师，在分析前对数据进行完整性和有效性检查，是确保我们工作成果准确无误的必要步骤。

035：欢迎来到模块4

大家好，我是Anita，谷歌的高级商业智能分析师。很高兴在你们开启商业智能职业生涯的第一个视频中与大家见面。

在本节课中，我们将要学*如何通过实践来巩固知识，并开始准备你的课程期末项目。我们将介绍体验式学*的概念，探讨构建作品集的重要性，并了解如何将可转移技能应用到你的项目与求职中。

体验式学*：通过实践来理解

观看教学视频、参加课程或阅读文章都是获取新知识的好方法。然而，没有什么比应用这些知识更有效。当你真正动手去做时，这能帮助你确认自己是否理解了所学内容。

这个概念被称为体验式学*，其核心含义是通过实践来理解。它要求你沉浸在一个可以练*所学、进一步发展技能并反思学*成果的情境中。

几年前，我参加了瑜伽教师培训。起初这有些令人望而生畏：需要学*每个体式的细节，弄清楚如何编排有效的体式序列，最终还要带领整个瑜伽教室的学员。但在每节课上，我都关注哪些方法有效，哪些地方可以改进。然后我对此进行反思，并重温培训中的许多课程。随着我教授的每一节课，这种学*体验都帮助我不断进步。

无论是为了爱好还是工作，体验式学*都是一个绝佳的机会。它能让你更全面地看待世界，为你特定的兴趣和热情提供重要见解，并有助于建立自信。

课程期末项目：实践的开始

在谷歌商业智能证书课程的背景下，体验式学*将让你有机会探索组织如何每天使用商业智能。这类活动可以帮助你确定最感兴趣的特定行业和项目类型，并有助于你与潜在雇主讨论这些内容。这在求职过程中能真正帮助你脱颖而出。

很快，你将通过完成一个课程期末项目来实践体验式学*。

构建你的作品集

作为回顾，作品集是一套可以与任何潜在雇主分享的材料集合。它也是让你的申请脱颖而出的绝佳方式。

作品集可以存储在公共网站、个人网站或博客上，并且可以链接到你的数字简历或任何在线职业档案中，例如你的领英账户。

你将着手进行的项目是一个商业智能案例分析，它将使你能够以一种引人注目且富有启发性的方式，整合你所学到的所有关于商业智能的知识。

如果你获得了谷歌数据分析师证书，你可能花费了大量时间来构建作品集以展示你的知识和技能。现在是重温那些课程的好时机，以确保你拥有创建有影响力、令人印象深刻的商业智能作品集所必需的基础。如果你没有完成该课程，在继续本项目之前，你可能需要查看一下相关内容。

项目价值与可转移技能

创建一个课程期末项目是一个宝贵的机会，因为公司在面试过程中常常会要求你完成一个案例分析。雇主通常使用这种方法来评估你作为候选人，并深入了解你如何处理常见的业务挑战。这个课程期末项目将帮助你在申请商业智能职位时，成功应对这种情况。

接下来，你将了解到课程期末项目中涉及的具体案例分析。你还将收到清晰的指导说明，以创建多个商业智能交付成果。

当你开始工作时，你需要思考在本课程中获得的知识和技能，以及如何将它们应用到你的项目中。我鼓励你记录下你的方法、系统和成就。这将帮助你确定可以与招聘经理分享的重点，例如你获得的许多可转移技能。

可转移技能是一种可以从一份工作应用到另一份工作的能力或熟练程度。在换工作或行业时，突出你的可转移技能尤为重要。

例如，如果你在餐厅担任接待员时学会了如何解决客户投诉，那么在申请商业智能领域的工作时，你可以突出解决问题这项可转移技能。或者，也许你在非营利组织从事行政工作时学会了如何按时完成任务、做笔记和遵循指示。你可以讨论你的组织能力如何转移到商业智能行业。

关键在于，如果你培养了解决问题或保持条理的能力，你可以在任何地方应用这些知识。你可以将各种可转移技能添加到你的笔记文档中。此外，这个过程将帮助你思考如何清晰地解释技术概念，同时展示你将如何在各种工具和场景中应用你的商业智能专业知识。

当你完成时，你不仅会拥有一些非常有用的笔记，还会为你的在线作品集完成一个案例分析。这听起来很令人兴奋，不是吗？让我们开始吧。

总结

本节课中，我们一起学*了体验式学*的概念，了解了通过动手实践来巩固知识的重要性。我们介绍了课程期末项目作为实践平台的价值，探讨了构建作品集对于求职的关键作用，并学*了如何识别和展示你的可转移技能，以在商业智能职业道路上脱颖而出。

036：成为首选候选人 💼

在本节课中，我们将学*谷歌商业智能经理帕特里克·刘分享的见解，了解如何从众多求职者中脱颖而出，成为商业智能分析师职位的首选候选人。我们将重点探讨简历之外的展示方式、招聘经理的评估重点以及如何有效展示你的能力。

帕特里克·刘是谷歌法律部门的商业智能经理，管理着一个由五名分析师组成的团队，负责为整个谷歌法律团队开发数据看板、报告和查询。他最初在谷歌担任的是非技术性职位——法律助理，正是在这个岗位上，他获得了大量接触和处理数据的机会，从而培养了自己的技能。

招聘经理的视角

上一节我们介绍了帕特里克的职业背景，本节中我们来看看他作为招聘经理在面试中的关注点。帕特里克已经进行了大约40场商业智能分析师职位的面试。

他通常寻找的是那些具备出色商业判断力的候选人。这些候选人能够提出建议、找到解决方案，并利用数据来支持自己的观点。其核心能力可以概括为：

商业判断力 = 定义问题 + 分析数据 + 提出可执行的建议

超越简历：作品集的力量

在审阅大量简历时，帕特里克发现许多简历开始变得雷同。真正让他感到兴奋的，是当候选人附上一份作品集的时候，而这么做的申请者并不多。

看到作品集之所以令人兴奋，是因为它能超越一页纸的简历，让招聘经理看到候选人实际的工作能力、他们对数据的热情，并能听到他们自己的“声音”。这能真正帮助招聘经理了解候选人。

打造引人入胜的作品集

那么，什么样的作品集最受青睐呢？帕特里克喜欢的不仅仅是成套的仪表盘。

他实际上非常喜欢看到一段视频，无论是在YouTube上还是其他视频平台录制的。因为这能让他看到一个从开始到结束的完整故事。他很享受看候选人的幻灯片，或者看他们演示一个仪表盘：点击不同的小部件，展示趋势，讲述一个故事。这样的作品集更能让他投入。

对于第一次创建作品集的候选人，帕特里克的建议是保持简洁。

假设招聘经理只会花几分钟时间浏览你的仪表盘、报告或查询。你需要思考你希望他们带走的核心信息是什么。你的建议或行动方案应该非常快速、清晰地凸显出来。

不要过多考虑如何给招聘经理留下深刻印象。对帕特里克来说，真正重要的是看到你提出的建议，以及你打算如何用数据来影响业务决策。

给求职者的鼓励

最后，作为一名招聘经理，帕特里克想说的是，他真的希望每个人都能成功，希望你能成功。

你属于商业智能行业，我们需要你，我们需要更多拥有独特职业路径和独特经验的人。只有这样，我们才能构建一个更多样化的行业，才能真正提升我们的技能并推动创新。

本节课总结

本节课中，我们一起学*了如何成为商业智能分析师职位的理想候选人。关键要点包括：超越简历，通过作品集展示你的实际技能和热情；在作品集中，注重用视频或演示来讲述一个完整的数据故事，清晰突出你的商业建议；并且记住，招聘经理寻找的是能利用数据驱动业务决策的独特人才。保持简洁、聚焦核心信息，并自信地展示你的独特价值。

037：期末项目介绍

在本节课中，我们将学*期末项目的整体框架、目标及其在求职中的重要性。通过完成这个项目，你将有机会整合并展示在本课程中学到的所有商业智能知识和技能。

当候选人在谷歌面试时，我的同事以及人事与人力资源部门的同事都喜欢查看他们的在线作品集。

他们通常对那些能够以清晰且引人入胜的形式展示其知识的候选人更有信心。

当他们审阅希望加入商业智能等团队（例如我所在的团队）的人员的作品集时，数据看板尤其有帮助，因为它们不仅视觉上吸引人，而且直接、易于使用和理解。

因此，我们与招聘经理一起，会同时关注作品集的内容以及看板在设计和组织上的表现，以了解候选人在用户体验上投入了多少思考。

在商业智能领域，拥有一个作品集已变得极为普遍。

在求职期间，展示你对商业智能的知识、你对商业智能工具的使用经验以及你参与过的一些有趣项目，是非常有价值的。

你的作品集能真正帮助你在众多候选人中脱颖而出。

到目前为止，在本课程中，你已经获得了大量知识和即战技能，以帮助你在商业智能领域取得成功。

你了解了商业智能专业人员在组织中的角色以及典型的职业发展路径。

你探索了核心的商业智能实践和工具，并见证了商业智能专业人员如何利用它们产生积极影响。

所有这些都将帮助你成功完成期末课程项目。

此外，你将应用所学到的关于团队成员、利益相关者和客户的知识，例如他们的特定角色或优先事项。

在此过程中，你将确保所选的指标是相关且有效的。

并且你将应用现在所掌握的关于定义策略、收集利益相关者和项目需求的知识。

你将首先阅读具体的案例研究。

这份阅读材料将解释你将要合作的组织的类型、涉及的人员、需要解决的业务问题以及其他关键细节。

你将使用客户提供的信息完成一份利益相关者需求文档。

这将使你能够进一步定义业务问题，理解利益相关者，并思考为了取得成功的成果需要回答哪些重要问题。

然后，你将创建一份项目需求文档，其中包含关于项目目的、关键依赖关系、成功标准等信息。

最后，你将深思熟虑地规划你的方法，为开发有效的解决方案做好准备。

正如你所学的，项目需求文档包括项目目的、受众、关键的看板功能和要求，以及看板应包含的指标和图表。

在后续的课程中，你将继续完成你的期末项目。

当你完成时，你将设计出一些真正能让招聘经理印象深刻的作品。

此外，你还将拥有一份商业智能流程文档，用以展示你的思考过程、你解决业务问题的方法、你获得的关键技能等等。

这些都是面试时可以谈论的绝佳内容。

好的，让我们开始吧。是时候探索你将如何帮助一个组织通过激动人心的商业智能世界前进了。

本节课中我们一起学*了期末项目的目标、结构及其在求职中的核心价值。我们了解到，通过完成案例研究、撰写需求文档和设计数据看板，你将构建一个强有力的作品集，以展示你的商业智能能力。

038：期末项目评审

概述

在本节课中，我们将对商业智能课程期末项目的第一部分进行评审。我们将回顾你在项目规划与文档编制阶段取得的成果，并展望后续步骤。

你已经完成了商业智能课程期末项目的第一部分。祝贺你。

当你开始思考未来的求职时，为示例情境规划和记录你的方法是一次宝贵的经历。因此，你将能够通过讨论你的商业智能经验给招聘经理留下深刻印象。这包括理解利益相关者的需求、建立一个清晰直接的项目计划，以及完成一份有效的策略文档。

此外，你将了解如何分享你在识别相关指标和关键绩效指标方面所掌握的一切知识。这是商业智能流程的重要组成部分。同时，正如你所学的，与潜在雇主沟通你的可转移技能非常有帮助。你添加到商业智能笔记中的信息在求职面试时将极其有用。

你的期末项目的下一步将在下一门课程结束时进行。届时，你将利用在此处开发的资产，继续构建你的解决方案。

在项目结束时，你将把所有内容整合起来，以最终确定你针对此示例情境的独特方法。请记住，你的文档不必与范例完全一致，但它们应实现相同的目标。你随时可以返回并回顾你所创建的内容，以便为你在本项目中继续取得成功做好准备。目标是拥有一个出色的工作范例，能清晰地向潜在雇主展示你的技能水平。

再次祝贺你，并希望你在完成本项目全程时能有一段收获满满的经历。

039：课程总结 🎉

在本节课中，我们将对谷歌商业智能专业证书的第一门课程进行总结，并展望后续的学*路径。

恭喜你完成了谷歌商业智能专业证书的第一门课程。你已经学到了很多知识，现在可以带着这些知识和技能继续前进了。请记住，如果有一天你觉得需要复*或进行额外练*，这些视频、阅读材料和活动内容将随时为你提供支持。

现在，我很高兴地告诉你，你将开始与下一门课程的讲师一起学*。你可能还记得在项目介绍视频中出现的Ed，他是谷歌的一名产品经理。

Ed已经准备好帮助你迈出下一步，以完成整个项目并成为一名商业智能专业人士。这门课程将直接建立在你迄今为止所学的所有激动人心的主题之上。它将让你对数据模型、数据管道、数据转换等有更深入的了解。

随着学*的深入，你将持续构建自己的商业智能专业知识。在开始之前，我想感谢你加入这门课程，并选择追求这个令人兴奋的学*机会。我坚信教育是一生的旅程。对我而言，它体现在工作中学*Python以加速我的分析，以及阅读关于健康的书籍以成为一个更健康、更有韧性的人。同样，我毫不怀疑你在这里付出的所有时间和努力，都将为你未来选择的任何事业做好更充分的准备。

你已经走了很长的路。请花点时间庆祝你所取得的一切成就。然后，请前往下一门课程。Ed已经准备好并等待着你的到来。再见。

本节课总结

在本节课中，我们一起回顾了第一门课程的完成，并介绍了下一阶段的学*内容。我们强调了持续学*和实践的重要性，并鼓励你庆祝已取得的成就，为接下来的学*旅程做好准备。

谷歌商业智能课程：01：课程介绍

在本节课中，我们将概述商业智能（BI）专业人员的核心职责，并介绍本课程将重点讲解的工具与技能。作为一名BI专业人员，你的任务不仅是回答团队的问题，更是通过提供数据来赋能团队，让他们能够自主解答疑问。通过精准定位他们所需的答案，你可以构建工具，使团队在需要时能够访问和使用所需数据。

大家好，欢迎来到本课程。如果你已完成前一课程，可能还记得我。如果你是初次加入，我是Ed，谷歌的一名产品经理。我很高兴能帮助你开始学*数据模型以及提取、转换和加载（ETL）流水线。

正如你已了解到的，BI专业人员负责分析数据以生成有意义的见解并解决问题。他们回答问题、发现模式并为业务决策提供信息。其中很大一部分工作是构建工具，为利益相关者提供持续的洞察。😊

本课程将聚焦于这些工具，以及如何自动化这些工具，以便从不同来源提取数据、监控数据并提供数据驱动的洞察。

首先，你将学*设计模式和数据库模式，包括BI专业人员常用的常见结构。你还将被介绍到数据流水线和ETL流程。

你已了解到，ETL代表提取（Extract）、转换（Transform）、加载（Load）。这指的是从源系统收集数据、将其转换为有用格式并将其导入数据仓库或其他统一目标系统的过程。这将成为你作为BI专业人员工作的重要组成部分。

你还将制定从利益相关者那里收集信息的策略，以帮助你为团队开发更有用的工具和流程。

之后，你将专注于数据库优化，以减少响应时间，即数据库完成用户请求所需的时间。这将包括探索不同类型的数据库以及数据库性能的五个因素：工作负载、吞吐量、资源、优化和争用。

最后，你将学*对ETL流程进行质量测试、验证数据库模式以及确认业务规则的重要性。完成本课程后，你将把所学技能应用于一个现实的业务场景，这是向潜在雇主展示你BI知识的绝佳方式。

正如你所学到的，BI的很大一部分是通过自动化、简化和增强流程来让他人的工作变得更轻松。

例如，在我参与的一个项目中，我帮助中央财务团队汇总了多年的全球销售数据。这使得我的团队能够识别影响价格和销售数量趋势的根本驱动因素。随后，他们能够清晰地向关键利益相关者报告这些发现。

我热爱解决问题并让团队的工作更轻松一些，这也是我如此兴奋能在本课程中向你传授更多关于数据建模和流水线知识的原因之一。😊

好的，让我们开始吧。

总结

本节课我们一起学*了BI专业人员的核心使命是赋能团队，并概述了本课程的核心内容：数据模型、ETL流水线、数据库优化以及质量测试。掌握这些工具和流程，将帮助你构建自动化、高效的数据解决方案，从而驱动业务洞察与决策。

041：克服冒名顶替综合征

在本节课中，我们将跟随谷歌产品经理艾德，学*如何识别并克服在职场中常见的“冒名顶替综合征”。这是一种认为自己能力不足、不配当前成就的心理现象。我们将了解它的表现，并掌握实用的应对策略。

👋 自我介绍与角色定义

大家好，我是艾德，是谷歌的一名产品经理。

作为一名产品经理，我的职责是定义产品的愿景，并确保该愿景与用户对该产品的实际需求保持一致。

🤔 什么是冒名顶替综合征？

对我来说，冒名顶替综合征是一种信念，即你认为自己在技能、视角、背景或经验方面尚未达到应有的水平。

我确实经历过冒名顶替综合征。我与许多在各自专业领域非常、非常精通的人共事，但不可能有人精通所有技能。

🔍 症状与不切实际的比较

于是你最终会想，也许我应该能像她一样编程，或者我应该像他一样成为优秀的数据科学家，也许我应该拥有周围每个人似乎都具备的那种视角水平。

但这并不一定是事实。

💡 核心策略：聚焦你的独特价值

我认为，专注于你提供的独特视角非常重要，因为每个人的视角、专业知识和兴趣，以及他们应用所有这些的方式，都会有所不同。

因此，你提供的事物组合是独特的，其他人无法提供，仅仅因为你是你自己。

🛠️ 实用技巧：展现脆弱与透明

我发现克服冒名顶替综合征最有用的技巧，就是坦诚并透明地承认你有这种感觉。

以下是具体步骤：

首先，找到你信任的人，找到你可以与之交谈的人并告诉他们你的感受。

告诉他们你为何有这种感觉。感到某种情绪并不一定代表你是谁或你的能力如何，它仅仅是一种感受。

能够展现脆弱并说“嘿，我不明白这个”或“我想要多一点信息”，这不仅对你有帮助，对你周围的人也有帮助。

⚖️ 平衡视角：关注优势而非仅盯不足

我们倾向于关注负面因素。我们倾向于关注挑战或我们认为需要改进的建设性方面，却没有给自己做得好的事情、我们应该更多发挥的优势给予足够的肯定。

通过理解并真正发挥你的优势，你会比仅仅试图隐藏或逃避失败更加成功。

本节课中我们一起学*了冒名顶替综合征的定义与表现。我们了解到，关键在于认识到自己的独特价值，并通过坦诚沟通和聚焦个人优势来克服这种不自信的感觉。记住，你的独特组合是无可替代的。

042：数据模型、架构与管道 🧠

在本模块中，我们将学*商业智能（BI）专业人员如何利用数据模型来构建数据库系统，理解架构如何帮助他们组织和理解这些系统，以及管道流程如何将数据在系统各部分之间移动。

数据建模基础与架构 🔧

上一节我们介绍了本模块的整体目标，本节中我们来看看数据建模的基础知识。

我们将从探索数据建模的基础开始，同时了解常见的架构和关键的数据库元素。数据模型是数据库系统的蓝图，它定义了数据如何组织、关联和存储。

以下是数据建模中涉及的核心概念：

实体：代表业务中需要跟踪的人、事物、地点或概念，例如“客户”或“产品”。
属性：描述实体的特征或属性，例如客户的“姓名”或产品的“价格”。
关系：定义不同实体之间的关联方式，例如“客户”下单“产品”。

我们还会考虑业务需求如何决定BI专业人员可能实施的数据库系统类型。例如，需要快速处理大量交易的业务可能选择联机事务处理（OLTP）系统，而专注于复杂分析和报告的业务则可能选择联机分析处理（OLAP）系统。

数据管道与ETL流程 ⚙️

理解了数据如何被建模和存储后，本节中我们来看看数据如何流动。

随后，我们将转向管道和ETL（提取、转换、加载）流程。这些是使数据在整个系统中流动，并确保其可访问和有用的工具。ETL流程是数据管道的核心。

以下是ETL流程的三个关键阶段：

提取：从各种源系统（如数据库、应用程序、文件）中收集原始数据。
转换：对提取的数据进行清洗、标准化、整合和加工，使其符合目标系统的格式和质量要求。例如，将日期格式统一，或合并来自不同系统的客户记录。
加载：将转换后的数据存入目标数据库或数据仓库，以供分析和使用。

通过管道，数据得以从操作型系统顺畅地流向分析型系统，为决策提供支持。

总结 📝

本节课中我们一起学*了商业智能的基础构件。我们探讨了数据模型如何作为数据库系统的设计图，架构如何组织数据关系，以及ETL管道如何作为数据的输送带，确保原始数据被转化为可用的洞察。掌握这些概念，你将为BI工具箱增添许多重要工具。

043：数据建模、设计模式与架构 📊

在本节课中，我们将要学*数据建模、设计模式与架构的基础概念。这些是商业智能（BI）专业人士构建有效数据系统的核心知识。

概述

数据建模是组织数据元素并定义其相互关系的过程。设计模式是创建数据模型的可重用模板，而架构（或模式）则是描述数据组织方式的概要。理解这些概念对于设计和维护高效的BI系统至关重要。

数据系统与组织

上一节我们介绍了课程的整体框架，本节中我们来看看数据是如何在各种系统中被组织和存储的。

数据库是存储在计算机系统中的数据集合。为了使数据库有用，数据必须被妥善组织。这包括数据被摄取和移动的源系统，以及数据将被使用的目标数据库。

以下是几种常见的源系统和目标系统类型：

数据湖：一种以原始格式存储大量原始数据的数据库系统，直到需要使用时才进行处理。
在线事务处理数据库：一种为数据处理（而非分析）而优化的数据库。
数据集市：一种面向主题的数据库，可以是更大数据仓库的子集。
在线分析处理数据库：一种除了处理外还为分析而优化的工具，可以分析来自多个数据库的数据。

BI专业人员的一个重要职责就是创建目标数据库的模型，并相应地组织系统、工具和存储方式，包括设计数据的组织和存储结构。这些系统都是后续构建BI工具的基础。

数据结构与建模

现在，我们了解了数据存储的位置，接下来探讨数据本身的结构以及如何通过建模来理解它。

数据主要分为两类：非结构化数据和结构化数据。非结构化数据没有以任何易于识别的方式进行组织。结构化数据则以特定格式（如行和列）进行了组织。

理解结构可能具有挑战性，这正是数据建模的用武之地。数据模型是一种用于组织数据元素并定义其相互关系的工具。它是帮助保持整个系统数据一致性的概念模型，让我们从理论上理解数据的组织方式。

可以将其想象为费尔南达的“完美商业智能列车系统”的地图。它通过指引你穿越系统来帮助你导航数据库。数据建模就是创建这些工具的过程。

设计模式与架构

为了创建数据模型，BI专业人员通常会使用所谓的设计模式。设计模式是一种利用相关度量和事实来创建模型以支持业务需求的解决方案。可以将其视为一个可重用的解决问题的模板，可应用于许多不同的场景。

你可能更熟悉设计模式的输出——数据库架构。架构是描述数据等事物如何被组织的一种方式。在与数据库打交道时，你可能遇到过一些常见的架构，例如：

关系模型
星型架构
雪花型架构
非SQL架构

这些不同的架构使我们能够描述用于组织数据的模型。如果说设计模式是数据模型的模板，那么架构就是该模型的概要。

总结

本节课中我们一起学*了数据建模、设计模式与架构的核心概念。我们了解到，数据建模是组织数据的蓝图设计过程，设计模式是创建这些蓝图的可复用方法，而架构则是最终蓝图的具体呈现。由于BI专业人员在创建这些系统中扮演着如此重要的角色，理解数据建模是这项工作的基本组成部分。

在接下来的课程中，你将进一步学*设计模式和架构在BI中的具体应用，并有机会亲自实践数据建模。

044：用维度模型获取事实 📊

在本节课中，我们将学*维度模型的核心概念。这是一种在商业智能领域广泛使用的关系型建模技术，旨在高效地从数据仓库中检索数据。我们将探讨事实、维度和属性的定义，并了解它们如何通过事实表和维度表组织起来。

关系型数据库回顾

如果你曾使用SQL处理数据库，可能已经熟悉关系型数据库。本节中，我们将回顾关系型数据库的基本概念，并引入主键和外键，它们是建立表间关系的基础。

在关系型数据库中，数据存储在一系列可以相互连接的表中。这些连接通过主键和外键建立。

以下是理解主键和外键的关键点：

主键：是数据库中的一个标识符，它引用一个列或一组列，其中每一行都能唯一标识表中的每条记录。一个表只能有一个主键。
外键：是数据库表中的一个字段，它是另一个表中的主键。一个表可以有多个外键。

让我们通过一个汽车经销商数据库的例子来具体说明。BranchID 是 car_dealerships 表的主键，但它是 product_details 表的外键。这直接连接了这两个表。同样，VIN 是 product_details 表的主键，也是 repair_parts 表的外键。这些连接实际上在所有表之间建立了关系，即使 car_dealerships 表和 repair_parts 表也通过 product_details 表间接相连。

理解维度模型

上一节我们回顾了关系型数据库的基础。本节中，我们来看看一种专门为商业智能优化的关系模型——维度模型。

维度模型是一种关系模型，经过优化，可以快速从数据仓库中检索数据。它可以分解为用于测量的事实和用于添加上下文属性的维度。

事实：是一种度量或指标。例如，月销售额就是一个事实。
维度：是提供关于该事实更多细节和上下文的信息。它回答了谁、什么、哪里、何时、为什么以及如何的问题。如果月销售额是事实，那么维度可以包括每次销售的相关信息，如客户、门店位置和售出的产品。

维度与属性

我们已经了解了事实和维度。现在，我们来探讨属性的概念，它进一步描述了维度。

在维度模型中，属性是用于描述维度的特征或性质。维度提供关于事实的信息，而属性则提供关于维度的信息。

考虑护照的例子。护照上的一个维度是“头发和眼睛颜色”。如果你有棕色的头发和眼睛，那么“棕色”就是描述该维度的属性。

再举一个简单的例子。在我们的汽车经销商案例中，如果探索“客户”维度，我们可能会有诸如姓名、地址和电话号码等属性列在每个客户名下。

事实表与维度表

现在我们已经明确了事实、维度和属性，接下来看看维度模型如何使用这些元素创建两种类型的表：事实表和维度表。

事实表：包含与特定事件相关的度量或指标。这是存储事实及其与维度关系的主要表格。本质上，事实表中的每一行代表一个事件。整个表可以聚合多个事件，例如一天的销售额。
维度表：存储事实维度的属性。这些表通过外键连接到相应的事实表，从而为事实赋予意义和上下文。

这就是维度模型中表连接的方式。理解维度建模如何建立连接，将帮助你作为BI专业人员理解数据库设计。这也将澄清数据库模式的概念，模式是设计模式的输出。

总结

在本节课中，我们一起学*了维度建模的核心概念。我们从回顾关系型数据库和键（主键、外键）开始，然后深入探讨了维度模型的组成部分：事实、维度和属性。最后，我们了解了这些元素如何组织成事实表和维度表，并通过键连接起来，形成一个高效的数据检索结构。理解这些概念是掌握商业智能中数据建模和数据库设计的基础。

谷歌商业智能课程：06_01_03：星型与雪花型架构的维度模型 🏗️

在本节课中，我们将学*维度模型中的两种核心架构：星型架构和雪花型架构。我们将了解它们的定义、结构、特点以及它们在商业智能实践中的应用。

在之前的视频中，我们探讨了商业智能专业人员如何使用维度模型。他们通过连接事实、维度和属性来组织数据，从而创建一种设计模式。架构（Schema）就是这种模式的最终输出。

正如你所了解的，架构是一种描述事物（如数据）如何组织的方式。在数据库中，它定义了数据元素的逻辑结构、物理特性以及模型内部存在的相互关系。

可以把架构想象成一张蓝图。它本身不存储数据，而是描述数据的形状以及它如何与其他表或模型关联。数据库中的任何条目都是该架构的一个实例，并将包含架构中描述的所有属性。

在商业智能领域，你可能会遇到几种常见的架构，包括星型架构、雪花型架构以及非规范化（或NoSQL）架构。星型和雪花型架构是实践中维度模型最常见的两种实现形式。

上一节我们介绍了架构的基本概念，本节中我们来看看星型架构的具体结构。

星型架构由一个事实表和任意数量的维度表组成。正如其名，这种架构的形状像一颗星星。

核心结构公式：
星型架构 = 1个事实表 + N个维度表

请注意，每个维度表都直接连接到中心的事实表。星型架构的设计目的是为了监控数据，而非深入分析数据。这种方式使分析师能够快速处理数据。因此，它非常适合大规模的信息交付，并且由于表数量有限、关系直接明确，使得数据输出更加高效。

以下是星型架构的主要特点：

结构简单：所有维度表直接与中心事实表相连。
查询高效：连接路径短，查询性能通常很高。
易于理解：模型直观，便于业务用户理解。

了解了相对简单的星型架构后，我们来看看更复杂的雪花型架构。

雪花型架构比星型架构更复杂，但其原理相同。它是星型架构的扩展，增加了额外的维度，并且常常包含子维度。这些维度和子维度将架构分解成更具体的表，从而形成雪花状的图案。

就像自然界中的雪花一样，雪花型架构及其内部关系可能非常复杂。

核心结构描述：
雪花型架构在星型架构的基础上，将某些维度表进一步规范化，分解成多个相关联的子维度表。

请看示例。请注意，事实表仍然位于中心，但现在有子维度表连接到维度表，这形成了一个更复杂的网络。例如，一个“产品”维度可能被规范化为“产品类别”和“产品供应商”等子维度表。

以下是雪花型架构的主要特点：

结构规范化：减少了数据冗余，节省了存储空间。
更复杂：表间关系更多，查询时可能需要更多连接操作。
灵活性高：便于对维度进行更细致的管理和分析。

现在，你已经对商业智能中可能遇到的常见架构有了基本了解。理解这些架构可以帮助你认识数据库的不同构建方式，以及商业智能专业人员如何影响数据库的功能。

在后续课程中，你将有机会进一步探索这些不同的架构，甚至尝试自己构建。

总结

本节课中，我们一起学*了维度模型中的两种关键架构：

星型架构：结构简单高效，由一个中心事实表和多个直接相连的维度表组成，适合快速查询和报表。
雪花型架构：是星型架构的规范化扩展，通过引入子维度表来减少冗余，结构更复杂但更灵活。

理解它们的区别和适用场景，是设计高效数据仓库和进行有效商业智能分析的重要基础。

046：不同数据类型对应不同数据库 📊

在本节课中，我们将要学*不同类型的数据库框架。理解这些差异对于商业智能专业人员至关重要，因为它直接影响数据如何被存储、处理和使用。我们将探讨几种主要的数据库类型，包括它们的设计理念、适用场景以及它们如何影响数据建模和迁移工作。

上一节我们讨论了数据库建模和模式，本节中我们来看看数据库的不同方面。商业智能专业人员需要根据组织的需求考虑数据库的多个维度，因为数据库的框架——包括平台的组织方式以及数据的存储和处理方式——会影响数据的使用方式。

让我们从一个例子开始。设想一家杂货店的数据库系统，它们既要管理日常业务流程，也要分析和从数据中获取洞察。例如，除了让用户管理销售，杂货店的数据库还必须帮助决策者了解顾客购买了什么商品以及哪些促销活动最有效。

在本视频中，我们将查看几个数据库框架的例子，并了解它们彼此之间的不同之处。具体来说，数据库因其数据处理、组织和存储方式的不同而有所差异。因此，了解公司正在使用何种类型的数据库非常重要。根据数据在该平台上的存储和访问方式，你将设计出不同的数据模型。

此外，商业智能专业人员的另一个关键职责是促进数据库迁移。这在技术变革和业务增长时通常是必要的。数据库迁移涉及将数据从一个源平台移动到另一个目标数据库。在迁移过程中，用户将当前的数据库模式转换到新的期望状态。这可能涉及添加表或列、拆分字段、移除元素、更改数据类型或其他改进。数据库迁移过程通常需要多个阶段和迭代，以及大量的测试。这对商业智能团队来说是巨大的项目，你通常不会只想简单地复制原始模式到新系统中。

以下是几种主要的数据库类型：

OLTP 与 OLAP：基于数据处理方式的分类。
行式与列式：基于数据组织方式的分类。
分布式 与单机：基于数据存储位置的分类。
存储计算分离 与 存储计算一体：基于数据存储和处理架构的分类。

基于数据处理方式的数据库

我们首先要探讨的两种数据库技术，OLTP和OLAP系统，是基于数据处理方式进行区分的。

在线事务处理 数据库，即 OLTP 数据库，是专为数据处理而非分析优化的数据库。OLTP数据库管理数据库的修改，并通过传统的数据库管理系统软件进行操作。这些系统旨在有效地存储事务并帮助确保一致性。

一个OLTP数据库的例子是在线书店。如果两个人将同一本书加入购物车，但库存只有一本，那么首先完成结账流程的人将得到这本书。OLTP系统确保售出的数量不会超过库存。OLTP数据库经过优化，可以读取、写入和更新单行数据，以确保业务流程顺利进行，但它们不一定设计为同时读取多行数据。

接下来，如前所述，OLAP 代表 在线分析处理。这是一种除了处理之外还为分析优化的工具，可以分析来自多个数据库的数据。OLAP系统同时从多个来源提取数据，以分析数据并提供关键的商业洞察。

回到我们的在线书店例子，一个OLAP系统可以从多个数据仓库中提取关于客户购买行为的数据，以便根据客户的偏好为其创建个性化的主页。OLAP数据库系统使组织能够从各种数据源满足其分析需求。

根据组织的数据成熟度，作为商业智能专业人员，你的首要任务之一可能就是建立一个OLAP系统。许多公司已经部署了OLTP系统来运行业务，但它们会依赖你来创建一个能够优先分析数据的系统。这是获取洞察的关键第一步。

基于数据组织方式的数据库

现在，我们来看看行式和列式数据库。

顾名思义，行式数据库 是按行组织的。表中的每一行都是数据库中的一个实例或条目，关于该实例的详细信息按列记录和组织。这意味着，如果你想从书店数据库中获取过去五年所有销售的平均利润，你将不得不提取这些年份的每一行数据，即使你不需要这些行中包含的所有信息。

另一方面，列式数据库 是按列组织的数据库。它们常用于数据仓库，因为对于分析查询非常有用。列式数据库处理数据速度快，只从特定列检索信息。在我们“所有销售的平均利润”的例子中，使用列式数据库，你可以选择专门提取“销售额”列，而不是提取数年的所有行数据。

基于数据存储位置的数据库

接下来的数据库关注存储位置。

单机数据库 是指所有数据存储在同一物理位置的数据库。这对于处理大型数据集的机构来说不太常见，并且随着越来越多的组织将其数据存储转移到在线和云提供商，这种情况将变得越来越罕见。

分布式数据库 是分布在多个物理位置的数据系统集合。可以把它们想象成电话簿。实际上不可能将世界上所有的电话号码保存在一本书里，那将非常庞大。因此，电话号码按地理位置划分，分布在多本书中，以便于管理。

基于存储与处理架构的数据库

最后，我们还有更多存储和处理数据的方式。

存储计算一体系统 是在同一位置存储和分析数据的数据库系统。这是一种更传统的设置，因为它使用户能够访问所有需要长期保留在系统中的数据，但随着添加更多数据，可能会变得难以管理。

顾名思义，存储计算分离系统 是数据库的一种架构，其中相关性较低的数据被远程存储，而相关数据则本地存储以供分析。这有助于系统更有效地运行分析查询，因为你只与相关数据交互。它还使得可以独立扩展存储和计算能力。例如，如果你有很多数据，但只有少数人在查询它，你就不需要那么多的计算能力，这可以节省资源。

总结

本节课中我们一起学*了多种影响商业智能工作的数据库框架。理解一个系统是OLTP还是OLAP、是关系型还是列式、是分布式还是单机、是存储计算分离还是一体，甚至是这些类型的某种组合，都至关重要。接下来，我们将更深入地探讨数据组织。

047：数据的形态

在本节课中，我们将要学*数据仓库设计的基础概念。我们将回顾数据仓库的定义，并探讨在设计数据仓库时需要考虑的关键因素，包括业务需求、数据的形态与体量，以及数据模型的选择。

你已经学*了数据建模和数据库模式，以及不同类型的数据库在商业智能中的应用。现在，我们将探索如何运用这些概念来设计数据仓库。但在深入数据仓库设计之前，我们先来回顾一下数据仓库究竟是什么。

你可能在本课程的前期内容中记得，数据库是存储在计算机系统中的数据集合。而数据仓库是一种特定类型的数据库，它整合来自多个源系统的数据，以确保数据的一致性、准确性和高效访问。数据仓库用于支持数据驱动的决策制定。通常，这些系统由数据仓库专家管理，但在设计阶段，商业智能专业人员也可能参与协助。

在设计数据仓库时，商业智能专业人员会考虑几个重要事项：业务需求、数据的形态与体量，以及数据仓库将遵循的模型。

业务需求是组织希望回答的问题或希望解决的难题。这些需求有助于确定组织将如何使用、存储和组织其数据。例如，一家存储患者记录以监测健康状况变化的医院，其数据需求与一家分析市场趋势以确定投资策略的金融公司截然不同。

接下来，让我们探讨来自源系统的数据的形态与体量。通常，数据的形态指的是仓库内表的行和列，以及它们的布局方式。当前及未来的数据体量也会影响仓库的设计方式。而仓库将遵循的模型则包括系统的所有工具和约束，例如数据库本身以及将集成到系统中的任何分析工具。

让我们回到书店的例子。为了开发其数据仓库，我们首先需要与利益相关者合作，确定他们的业务需求。你稍后将有机会了解更多关于从利益相关者那里收集信息的知识。但现在，假设他们告诉我们，他们有兴趣衡量门店盈利能力和网站流量，以评估年度促销活动的效果。

现在，我们可以查看数据的形态。考虑系统中表所捕获的业务流程或事件。因为这是一家零售店，主要的业务流程是销售。我们可以有一个销售表，其中包含诸如订购数量、总基本金额、总税额、总折扣和总净额等信息。这些就是事实。作为回顾，事实是业务流程中使用的度量或指标。

这些事实可能与一系列提供更多背景信息的维度表相关联。例如，门店、客户、产品、促销、时间、库存或货币都可以是维度。

这些表中的信息为记录业务流程和事件的事实表提供了更多背景信息。请注意这个数据模型是如何开始成形的。有多个维度表都连接到中心的一个事实表。这意味着我们刚刚创建了一个星型模式。

使用这个模型，你可以回答“年度促销活动的效果”这个具体问题，也可以生成包含其他关键绩效指标和下钻报告的仪表板。在这个案例中，我们从业务的具体需求出发，查看了我们拥有的数据维度，并将它们组织成具有关联关系的表。这些关联关系帮助我们确定，星型模式将是组织这个数据仓库最有用的方式。

理解数据仓库设计背后的逻辑将帮助你开发有效的商业智能流程和系统。接下来，你将更多地使用数据库模式，并学*数据如何从其他来源提取到仓库中。

本节课中我们一起学*了数据仓库的基本概念、设计时需考虑的业务需求、数据形态与体量，以及如何根据这些因素选择合适的数据模型（如星型模式）。理解这些是构建有效商业智能系统的基础。

048：设计实用的数据库架构 🗄️

在本节课中，我们将要学*如何设计一个实用的数据库架构。一个设计良好的架构是确保数据仓库稳定、高效且易于使用的基石。

概述

在之前的课程中，我们学*了如何根据业务需求和数据的形态来设计数据仓库。我们曾以一个例子为基础，创建了一个采用星型模式的维度模型。这个过程有时被称为逻辑数据建模。它涉及在物理数据模型中表示不同的表。我们必须决定系统将如何实现这个模型。在本视频中，我们将深入了解一个模式需要具备哪些要素才能发挥其功能。

数据库架构的重要性

一个设计良好的数据库架构至关重要。稍后，你将使用你的数据库模式来验证传入的数据，以防止系统错误并确保数据有用。基于所有这些原因，在任何商业智能项目的早期阶段就考虑模式设计是非常重要的。

数据库架构的四大要素

一个数据库模式应包含以下四个核心要素。

以下是构成一个实用数据库架构的四个关键组成部分：

相关的数据：模式必须包含数据库中所有被描述的数据。如果缺少关键信息，模式就无法成为用户理解数据布局的有效指南。
列名与数据类型：模式需要包含数据库中每个表内每一列的名称和数据类型。这就像厨房抽屉的分类格，让你知道什么东西应该放在哪里，以保持功能正常。
一致的格式：确保数据库中所有数据条目具有一致的格式非常重要。每个数据条目都是模式的一个实例。不一致的格式（例如，价格存储为文本而非数字）会导致计算错误。
唯一键：数据库中的每个条目都必须有唯一的键。我们在之前的视频中介绍过主键和外键。正是这些键在表之间建立了连接，使我们能够组合来自整个数据库的相关数据。

要素详解与示例

上一节我们介绍了数据库架构的四大要素，本节中我们通过一个书店数据库的例子来具体看看这些要素如何应用。

包含所有相关数据

以我们的书店数据库为例，我们知道数据包含大量关于促销、客户、产品、日期和销售的信息。如果我们的模式没有体现这些，那么我们就缺失了关键信息。例如，如果当前的模式无法回答一个特定的业务问题，商业智能专业人员通常需要向现有模式中添加新信息。

代码示例：添加新列
假设业务部门想知道哪位客服员工响应了最多的请求，我们就需要将此信息添加到数据仓库并相应地更新模式。

ALTER TABLE customer_service_logs ADD COLUMN responding_employee_id VARCHAR(255);

定义列名与数据类型

列名和数据类型定义了数据的结构和含义。例如，在模式中，我们可能有一个用于产品价格的列。

公式/代码示例：数据类型的重要性
如果价格数据被存储为字符串类型（例如 ‘$29.99’），而不是数值类型（例如 29.99），它将无法用于查询中的计算，比如汇总销售额。

-- 错误：字符串无法直接求和
SELECT SUM(‘price‘) FROM sales; -- 会导致错误或意外结果

-- 正确：数值类型可以求和
SELECT SUM(price) FROM sales; -- 返回正确的销售总额

确保格式一致性

一致性是数据质量的关键。想象一下，我们有两个要合并到一个数据库中的事务系统：一个跟踪发送给用户的促销，另一个跟踪对客户的销售。在源系统中，跟踪促销的市场系统可能有一个“用户ID”列，而销售系统使用的是“客户ID”。为了在我们的仓库模式中保持一致，我们会希望只使用其中一个列名。

此外，如果任何数据条目的列是空的或缺少值，这可能会在后续分析中引发问题。

建立唯一键连接

唯一键是关系数据库的骨架。主键唯一标识一个表中的每条记录，而外键则指向另一个表的主键，从而建立关系。

代码示例：键的定义

-- 定义主键
CREATE TABLE products (
    product_id INT PRIMARY KEY,
    product_name VARCHAR(255),
    price DECIMAL(10, 2)
);

-- 定义外键
CREATE TABLE sales (
    sale_id INT PRIMARY KEY,
    product_id INT,
    sale_date DATE,
    FOREIGN KEY (product_id) REFERENCES products(product_id)
);

总结与持续演进

本节课中我们一起学*了设计一个实用数据库架构的四大要素：包含所有相关数据、明确定义列名与数据类型、确保数据格式的一致性，以及为所有条目建立唯一键。这四大要素将确保你的模式持续有用。

最后需要记住，开发你的模式是一个持续的过程。随着你的数据或业务需求的变化，你可以不断调整数据库模式以满足这些新需求。关于这一点，我们很快会有更多内容分享。

049：数据管道与ETL流程 📊➡️📈

在本节课中，我们将要学*数据管道与ETL流程。我们将了解数据管道如何自动将数据从源头运送到目的地，以及在此过程中如何对数据进行转换，使其立即可用。这对于构建和维护数据仓库至关重要。

数据管道概述

到目前为止，我们已经学*了很多关于数据如何在数据仓库中组织和存储，以及模式如何描述这些系统的知识。

作为商业智能专业人员，您工作的一部分就是构建和维护数据仓库，这需要考虑所有正在收集和创建数据点的现有系统。

为了简化这一过程，我们使用数据管道。简单来说，数据管道是一系列将数据从不同来源传输到最终目的地以进行存储和分析的过程。它自动化了数据从源头到目标的流动，同时转换数据，使其在到达目的地时即可发挥作用。

换句话说，数据管道用于自动将数据从A点移动到B点，从而节省时间和资源，并使数据更易于访问和使用。本质上，数据管道定义了数据在何处、如何被组合。它们自动化了涉及提取、转换、组合、验证和加载数据以供进一步分析和可视化的过程。

有效的管道还有助于消除错误和对抗系统延迟。每当有人需要数据或需要重复更新报告时，手动反复移动数据将非常耗时。

例如，如果一个气象站每天获取天气状况信息，由于数据量巨大，手动管理将非常困难。他们需要一个系统来接收数据并将其送到需要的地方，以便将其转化为洞察。

数据管道的核心功能

以下是数据管道最实用的功能之一：

整合多源数据：数据管道可以从多个来源提取数据，进行整合，然后迁移到其适当的目的地。这些来源可能包括关系数据库、具有交易数据的网站应用程序或外部数据源。
自动化摄取：通常，管道具有推送机制，使其能够*乎实时地或按固定时间间隔从多个来源摄取数据。
定向加载：数据被提取到管道后，可以加载到其目的地。这可能是数据仓库、数据湖或数据集市（我们将在后续课程中了解更多），或者可以直接提取到BI或分析应用程序中进行即时分析。

ETL流程详解

通常，在数据从A点移动到B点的过程中，管道还会对数据进行转换。转换包括排序、验证和核查，使数据更易于分析。这个过程被称为ETL系统。

ETL 代表 提取（Extract）、转换（Transform）、加载（Load）。这是一种数据管道类型，它使数据能够从源系统中收集，转换为有用的格式，并导入数据仓库或其他统一的目标系统中。

ETL正日益成为数据管道的标准，因此我们稍后将更详细地了解它。假设一位业务分析师的数据在一个地方，需要将其移动到另一个地方。这时数据管道就派上用场了。但很多时候，源系统的结构并不适合分析，这就是为什么BI专业人员希望在数据到达目标系统之前对其进行转换，以及为什么预先设计好并准备接收数据的数据库模式如此重要。

现在，让我们更详细地探讨这些步骤。您可以将数据管道的功能分为三个阶段：

摄取原始数据。
处理和整合数据到不同类别。
转储数据到用户可以访问的报表表中。

这些报表表被称为目标表（Target Tables）。目标表是管道数据被发送到的预定位置，以便进行后续操作。

在移动过程中处理和转换数据非常重要，因为它能确保数据在到达时已准备好被使用。

实战演练：构建数据管道

让我们通过一个实例来探索这个过程。假设我们正在与一家在线流媒体服务合作创建数据管道。

首先，我们需要考虑管道的最终目标。在这个例子中，我们的利益相关者希望了解他们的观众人口统计数据，以便为营销活动提供信息。这包括关于观众年龄、兴趣以及所在地的信息。

一旦确定了利益相关者的目标，我们就可以开始思考管道需要摄取哪些数据。在这种情况下，我们需要关于客户的人口统计数据。

我们的利益相关者对月度报告感兴趣。因此，我们可以设置管道，使其在每月间隔自动提取我们想要的数据。

数据被摄取后，我们还希望管道执行一些转换，以便数据在交付到我们的目标表时是干净和一致的。请注意，这些表将已经在我们数据库内设置好，以接收数据。

现在，我们将客户的人口统计数据和他们每月的流媒体*惯整合在一个表中，随时可供我们使用。

数据管道的优势

数据管道的优点在于，一旦构建完成，它们可以被安排定期自动执行任务。这意味着BI团队成员可以专注于从数据中提取业务洞察，而不必一遍又一遍地重复这个过程。

作为BI专业人员，您工作的很大一部分将涉及创建这些系统，确保它们正确运行，并在业务需求发生变化时更新它们。这是一个非常有价值的优势，您的团队会非常感激。

总结

本节课中，我们一起学*了数据管道与ETL流程。我们了解到，数据管道是自动化数据流动的关键，它通过提取（Extract）、转换（Transform）、加载（Load） 三个核心步骤，将来自多源的原始数据整合、清洗并加载到目标系统（如数据仓库）中。这不仅节省了手动处理的时间和资源，还确保了数据的质量和一致性，使BI团队能够更高效地从数据中获取洞察，支持业务决策。

050：通过ETL流程最大化数据价值 🚀

在本节课中，我们将要学*一种特定的数据处理流程——ETL（提取、转换、加载）。我们将详细探讨ETL流程的三个核心阶段，了解它如何将原始数据转化为对业务分析有价值的信息。

我们已经学*了很多关于数据管道及其工作原理的知识。现在，我们来讨论一种特定类型的管道：ETL。

之前提到过，ETL能够从源系统中收集数据，将其转换为有用的格式，并导入数据仓库或其他统一的目标系统中。与其他管道类似，ETL流程也分阶段工作，这些阶段就是提取、转换和加载。

提取阶段

让我们从提取阶段开始。在这个阶段，管道会访问源系统，然后从中读取并收集必要的数据。许多组织将数据存储在事务型数据库中，例如OLTP系统，这类系统非常适合记录日志。或者，企业可能使用平面文件，例如HTML或日志文件。无论哪种情况，ETL都会通过从源中提取数据并将其移动到临时的暂存表中，使数据变得可用于分析。

转换阶段

接下来是转换阶段。具体的转换活动取决于目标系统的结构和格式以及业务案例的需求。但正如你所学的，这些转换通常包括验证、清理数据，并为其进行分析做好准备。在这个阶段，ETL管道还会将源系统中的数据类型映射到目标系统，以便数据符合目标系统的规范。

以下是转换阶段可能涉及的核心活动：

验证：检查数据的准确性和完整性。
清理：修正错误、处理缺失值、统一格式。
准备：将数据重组或聚合为适合分析的格式。
映射：确保源数据字段与目标系统字段正确对应。

加载阶段

最后是加载阶段。这是将数据传送到其目标位置的时候。目标可能是一个数据仓库、一个数据湖，或者一个处理直接数据馈送的分析平台。

请注意，数据一旦被传送，它可以以多种格式存在于多个位置。例如，可能有一个覆盖一周数据的快照表，以及一个包含部分相同记录的更大的存档库。这有助于确保历史数据在系统内得到维护，同时为利益相关者提供重点突出、及时的数据。

如果业务关注于理解和比较月平均销售额，数据将被移入一个为分析查询优化过的OLAP系统中。

ETL流程是一种常见的数据管道类型，商业智能专业人员经常需要构建并与之交互。接下来，你将了解更多关于这些系统及其创建方式的知识。

总结

本节课中，我们一起学*了ETL流程的三个核心阶段：提取、转换和加载。我们了解到，ETL通过从各种源系统提取数据，经过验证、清理和格式化等转换操作，最终将其加载到数据仓库等目标系统中，从而将原始数据转化为可用于分析和决策的有价值信息。这是商业智能领域中实现数据价值最大化的关键步骤之一。

051：为任务选择合适的工具 🛠️

概述

在本节课中，我们将学*商业智能（BI）专业人员如何为不同的数据处理任务选择合适的工具。我们将探讨如何根据业务需求、利益相关者的数据查看方式以及数据移动的技术要求来做出决策。

从数据处理流程到工具选择

在之前的课程中，我们探讨了从不同来源获取数据、将其转换为符合目标格式，并最终推送到用户可以开始获取业务洞察的目的地的整个流程。BI专业人员在构建和维护这些流程中扮演着关键角色，他们会使用多种工具来完成工作。

本节中，我们来看看BI专业人员如何选择正确的工具。

组织偏好与通用技能

作为一名BI专业人员，您的组织很可能有偏好的供应商，这意味着您将获得一套可用的BI解决方案。BI领域的一大优点是，不同的工具背后有着非常相似的原则和用途。这体现了可迁移技能的另一个例子。换句话说，您对基本原理的理解可以应用到其他解决方案上，无论您的组织偏好哪一种。

例如，我学*的第一个数据库管理系统是Microsoft Access。这段经历帮助我获得了如何建立表之间连接的基本理解。这让我在职业生涯后期学*新工具时变得更加直接。当我开始使用MySQL时，我已经能够理解其背后的基本原理。

选择工具时的考量因素

现在，您也有可能亲自选择将要使用的工具。如果是这种情况，您需要考虑关键绩效指标（KPI）、利益相关者希望如何查看数据以及数据需要如何移动。

基于关键绩效指标（KPI）选择

正如您所学到的，KPI是与业务战略紧密相关的可量化价值，用于跟踪实现目标的进度。KPI让我们知道我们是否成功，以便我们可以调整流程以更好地实现目标。

以下是KPI的一些例子：

一些财务KPI包括：毛利率、净利润率和资产回报率。
一些人力资源KPI包括：晋升率和员工满意度。

理解您组织的KPI意味着您可以基于这些需求来选择工具。

基于数据呈现方式选择

接下来，根据利益相关者希望如何查看数据，您可以选择不同的工具。利益相关者可能会要求图表、静态报告或数据看板。

有多种工具可供选择，包括Looker Studio、Microsoft Power BI和Tableau。其他一些工具如Azure Analysis Services、Cloud SQL、Pentaho、SSAS和SSRS SQL Server，也都内置了报告工具。

选择很多。您将在后续课程中获得关于这些不同工具的更多见解。

基于后端数据处理需求选择

在考虑了利益相关者如何查看数据之后，您还需要考虑后端工具。这时您需要考虑数据需要如何移动。

例如，并非所有BI工具都能读取数据湖。因此，如果您的组织使用数据湖来存储数据，那么您需要确保选择一个能够处理数据湖的工具。

选择后端工具时，其他一些重要的考虑因素包括：

如何传输数据。
数据应如何更新。
在数据转换过程中，管道如何与其他工具结合。

以上每一点都有助于您确定工具集的必备功能，从而找到最佳选项。

工具组合与技能迁移

同样重要的是，您最终可能会使用多种工具的组合来创建理想的系统。正如您一直在学*的，BI工具具有共同的特征，因此您在这些课程中学到的技能，无论您最终使用哪种工具，都可以派上用场。

回到我的例子，无论是使用Microsoft Access还是MySQL，我都能理解转换和合并表格背后的逻辑。这个基础在我整个职业生涯中遇到的不同BI工具之间都得到了迁移。

总结

本节课中，我们一起学*了BI专业人员如何根据业务KPI、数据呈现需求和技术后端要求，为数据处理任务选择合适的工具。我们了解到，尽管工具众多，但背后的原理相通，所学的技能具有高度的可迁移性。掌握这些核心原则，将帮助您灵活应对不同的技术环境。

后续展望

接下来，您将了解更多关于未来可能用到的解决方案。您也很快将开始动手操作一些数据。

052：Dataflow简介 🚀

在本节课中，我们将学*Google Dataflow的基础知识。Dataflow是一个强大的数据处理服务，用于构建和管理数据管道。我们将介绍其核心功能、界面导航以及如何开始使用它。

概述

上一节我们介绍了数据管道的基本概念。本节中，我们将深入了解Google Dataflow，这是一个用于构建、运行和管理数据管道的服务器化服务。通过学*Dataflow，你可以将之前学到的管道知识付诸实践。

Dataflow是什么？

Google Dataflow是一个无服务器的数据处理服务。它从数据源读取数据，进行转换处理，然后将结果写入目标位置。

其核心工作流程可以用一个简单的公式表示：

数据输入 -> 转换处理 -> 数据输出

Dataflow使用开源库创建管道，你可以使用多种编程语言与之交互，包括Python和SQL。

Dataflow的主要功能

以下是Dataflow提供的几个关键功能：

预构建模板：Dataflow包含一系列预构建的管道模板，你可以直接使用或根据需要进行定制。
SQL支持：你可以使用SQL语句来构建自己的数据处理管道。
安全特性：该工具内置了安全功能，有助于保护你的数据安全。

导航Dataflow控制台

现在，让我们打开并探索Dataflow控制台。首先，登录并进入控制台界面。

控制台打开后，我们找到“作业”页面。如果你是第一次使用Dataflow，这里会显示“没有要显示的作业”。作业页面用于查看和管理你项目空间中的所有当前任务。

在作业页面，你有两个主要选项：

从模板创建作业
从SQL创建作业

“快照”功能可以保存流式管道的当前状态。这样，你可以在不丢失当前版本的情况下启动新版本。这对于测试管道、为用户无缝更新以及备份和恢复旧版本非常有用。

“管道”部分列出了你已经创建的所有管道。同样，首次使用时，这里会显示在开始构建管道前需要启用的必要流程。现在是一个好时机来完成这一步，只需点击“全部修复”来启用API功能并设置你的位置。

“笔记本”部分允许你创建和保存可共享的、包含实时代码的Jupyter笔记本。这对于初次使用ETL工具的用户查看示例和可视化数据转换过程很有帮助。

最后，我们来到“SQL工作区”。如果你之前使用过BigQuery，例如在谷歌数据分析证书课程中，你会对此感到熟悉。在这里，你可以在Dataflow环境中编写和执行SQL查询。

至此，你已经可以登录Google Dataflow并开始自行探索了。在接下来的课程中，我们将有更多机会使用这个工具来完成实际的商业智能任务。

总结

本节课我们一起学*了Google Dataflow的基础知识。我们了解了Dataflow作为一个无服务器数据处理服务的定义和核心功能，并逐步导航了其控制台的主要界面，包括作业管理、管道列表、笔记本和SQL工作区。掌握这些是开始构建你自己数据管道的第一步。

053：Python编程实践 🐍

在本节课中，我们将要学*Python编程语言的基础知识，了解它为何在商业智能领域如此重要，并探讨其核心特性。

如果你来自谷歌数据分析认证课程，或者曾使用过关系型数据库，你可能对查询语言SQL很熟悉。查询语言是用于与数据库通信的特定计算机编程语言。作为一名BI专业人士，你可能也需要使用其他类型的编程语言。这就是为什么在本视频中，我们将探索当下最流行的编程语言之一：Python。

编程语言是一种由单词和符号组成的系统，用于编写计算机遵循的指令。虽然存在许多不同的编程语言，但Python的开发初衷是让用户能用比其他大多数语言更少的行数来编写命令。Python也是开源的，这意味着它可以免费使用，并且可以被使用者修改和共享。庞大的Python用户社区不断开发工具和库来改进Python，这为BI专业人士提供了大量可用的资源。

Python是一种通用编程语言，可应用于多种场景。在商业智能中，它被用于连接数据库系统以读取和修改文件。它也可以与其他软件工具结合来开发数据管道，甚至可以处理大数据并执行计算。

Python的核心特性

在开始你的编程之旅时，你应该理解关于Python的几个关键点。

首先，它主要是面向对象的和解释型的语言。

面向对象编程

让我们先理解什么是面向对象。面向对象的编程语言围绕数据对象进行建模。这些对象是包含特定信息的代码块。基本上，系统中的一切都是对象。一旦数据在代码中被捕获，它就会被系统标记和定义，以便以后无需重新输入数据即可重复使用。

由于Python已被数据社区广泛采用，因此开发了许多库来预定义数据结构以及可应用于系统中对象的常见操作。当你需要重复分析，甚至为多个项目使用相同的转换时，这非常有用。无需从头开始重新输入代码，这节省了大量时间。

需要注意的是，面向对象的编程语言不同于围绕函数建模的函数式编程语言。虽然Python主要是面向对象的，但它也可以用作函数式编程语言来创建和应用函数。Python如此受欢迎的部分原因在于它的灵活性。但对于BI来说，Python真正有价值的地方在于它能够创建和保存数据对象，然后通过代码与这些对象进行交互。

解释型语言

现在，让我们考虑Python是一种解释型语言这一事实。解释型语言是使用解释器（通常是另一个程序）来读取和执行编码指令的编程语言。这与编译型编程语言不同，后者编译的指令由目标机器直接执行。

这两种编程语言之间最大的区别之一是，机器执行的编译代码几乎无法被人类阅读。因此，Python的解释型特性对BI专业人士非常有用，因为它使他们能够以交互方式使用该语言。例如，Python可用于制作Notebook。Notebook是一个用于创建数据报告的交互式、可编辑的编程环境。这可以是为利益相关者构建动态报告的好方法。

Python在BI工具箱中的应用

Python是BI工具箱中的一个强大工具。你甚至可以选择在Google Dataflow中使用Python命令。很快，当你开始在Dataflow工作区中编写Python时，你将有机会亲自体验它。

在本节课中，我们一起学*了Python编程语言的基础知识。我们了解到Python是一种开源、通用、主要面向对象的解释型语言，以其简洁性和灵活性著称。在商业智能领域，Python用于连接数据库、处理文件、构建数据管道、处理大数据以及创建交互式报告。理解其面向对象和解释型的特性，有助于我们更有效地利用Python来提升数据分析的效率和可复用性。

谷歌商业智能课程：15：从利益相关方收集信息

在本节课中，我们将学*如何从利益相关方那里收集关键信息，这是构建有效商业智能流程的基础。我们将探讨需要收集哪些信息，以及如何通过协作确保最终的工具能满足团队需求。

你已经了解了商业智能专业人员在一个组织中可能合作的不同利益相关方，以及如何与他们沟通。

你也了解到，在项目开始时从利益相关方那里收集信息是流程中的一个关键步骤。

既然你对数据管道有了更多了解，现在让我们来思考，在为利益相关方构建商业智能流程之前，你需要从他们那里收集哪些信息。这样，你就能确切知道他们的需求，并帮助他们的工作尽可能高效。

作为商业智能专业人员，你的部分工作是理解现有的流程，以及如何将商业智能工具整合到这些现有的工作流中。

通常，在商业智能领域，你不仅仅是每天试图回答个别问题。你是在试图发现你的团队正在提出哪些类型的问题，以便能为他们构建一个工具，使他们能够自己获取这些信息。

人们很少能确切知道自己需要什么并清晰地传达给你。相反，他们通常会带着一系列问题或现象来找你。而你的责任就是找出如何帮助他们。

对数据不太熟悉的利益相关方，往往不知道商业智能流程可以实现什么。这就是为什么跨业务协调如此重要。

你的目标是创建一个以用户为中心的设计，满足整个团队的所有需求。这样，你的解决方案就能一次性解决每个人的需求，从而作为一个整体来优化他们的流程。

弄清楚所有不同利益相关方的需求可能具有挑战性。

以下是收集信息的一些有效方法：

举办研讨会：创建一个演示文稿，并与不同的团队一起主持一个研讨会。这是支持跨业务协调和确定每个人需求的好方法。
观察与提问：花些时间观察利益相关方的工作，并就他们正在做什么以及为什么这样做向他们提问，这也非常有帮助。

此外，与跨团队的利益相关方尽早确定指标和目标表应包含的数据非常重要。这应该在你开始构建工具之前完成。

正如你所知，指标是一个单一的可量化数据点，用于评估绩效。在商业智能中，企业通常感兴趣的指标是关键绩效指标，这些指标帮助他们评估在实现特定目标方面的成功程度。理解这些目标以及如何衡量它们，是构建商业智能工具的重要第一步。

你也知道，目标表是数据被最终处理和使用的目的地。因此，理解最终目标有助于你设计最佳流程。

重要的是要记住，构建商业智能流程是一个协作和迭代的过程。你将持续从利益相关方那里收集信息，并运用所学知识，直到为你的团队创建一个有效的系统。即便如此，随着新需求的出现，你可能还会对其进行修改。

通常，你的利益相关方可能已经明确了他们的问题，但他们可能尚未明确他们对项目的假设或偏见。这正是商业智能专业人员可以提供见解的地方。

与利益相关方紧密合作，可以确保你在设计能够优化他们流程的商业智能工具时，始终将他们的需求放在心上。理解他们的目标、指标和最终目标表，并在多个团队之间进行沟通，将确保你构建出对每个人都有效的系统。

在本节课中，我们一起学*了从利益相关方收集信息的重要性与方法。我们明确了需要收集的关键信息包括：理解现有流程、识别核心问题、确定关键指标以及定义最终的数据目标表。通过举办研讨会、观察工作现场和持续沟通等协作方式，我们可以确保构建的商业智能工具真正满足团队需求，并支持跨业务的高效协作。记住，这是一个迭代的过程，需要持续反馈与调整。

谷歌商业智能课程：1：总结回顾

在本节课中，我们将对课程第一章节的核心内容进行总结回顾。你已经学*了商业智能（BI）专业人员如何组织、存储、处理数据，并开始为业务决策构建工具。

到目前为止，你已经完成了本课程第一章节的大部分内容，表现很好。

你已经学到了很多知识。我们讨论了BI专业人员在组织与存储数据方面所扮演的角色。

你还深入研究了数据模型与架构，了解了BI专业人员如何根据组织需求制定设计模式，以及数据库是如何设计的。

你初步认识了数据管道和ETL（提取、转换、加载）过程。

以及如何构建BI工具来自动化地将数据从存储系统移动到目标位置。

你甚至已经开始使用工具来构建自己的数据管道。

最后，你学*了从利益相关者那里收集信息的策略，以确保你为他们创建的工具能够真正解决业务问题。

然而，创建用于管理和移动数据的系统只是BI专业人员工作的一部分。

你还需要确保这些系统能够持续为你的利益相关者服务。

在接下来的学*中，你将探索如何维护你的BI工具并优化数据库系统。

希望你对接下来的学*充满期待，因为还有更多知识等待分享。但在此之前，你面临另一个挑战。

你可以花些时间查阅术语表，并在进行下一项评估前复*本章节的任何内容。

当你准备好迈出下一步时，我将会在这里。

056：数据类型 📊

在本节课中，我们将学*数据分析中核心的数据类型概念。我们将通过一个电影数据的例子，来理解定量与定性数据、离散与连续数据、名义与顺序数据、内部与外部数据，以及结构化与非结构化数据之间的区别。

从电影选择到数据分析 🎬

上一节我们提到了数据分析的广泛应用。本节中，我们来看看如何将日常选择（比如选电影）的逻辑应用到理解数据格式上。

既然我们暂时无法观看一部关于数据分析师的电影，那么我们可以做一件次优的事情：分析关于电影的数据。我们将通过查看一个包含电影数据的电子表格，来理解不同类型的数据是如何工作的。

定量数据与定性数据

我们将从定量数据和定性数据开始。

如果查看电子表格的A列，我们会找到电影的名称。这是定性数据，因为它无法被计数、测量或轻易地用数字表达。定性数据通常以名称、类别或描述的形式列出。在我们的表格中，电影片名和演员阵容就属于定性数据。

接下来是定量数据，它可以被测量或计数，然后以数字形式表达。这是具有特定数量、数额或范围的数据。在我们的表格中，最后两列显示了电影的预算和票房收入。这些列中的数据以美元列出，可以被计数，因此我们知道这些数据是定量的。

离散数据与连续数据

我们可以更深入地研究定量数据，并将其分解为离散数据或连续数据。

首先，让我们看看离散数据。这是被计数的、具有有限数量值的数据。

回到我们的电子表格，我们会在M列和N列找到每部电影的预算和票房回报。这两者都是离散数据的例子，它们可以被计数并具有有限数量的值。例如，一部电影赚取的金额只能用小数点后两位（代表美分）来精确表示。在一美分和两美分之间不可能存在其他值。

连续数据则可以使用计时器测量，其值可以表示为具有多位小数的数字。

想象一部关于数据分析师的电影（我将来一定要主演）。你可以将这部电影的时长表示为110.0356分钟。如果需要，你甚至可以在小数点后添加分数数据。

名义数据与顺序数据

接下来是名义数据和顺序数据。

名义数据是一种没有固定顺序的定性数据。换句话说，这类数据没有序列。一个简单的例子：假设你正在收集关于电影的数据，你询问人们是否看过某部电影。他们的回答将是名义数据的形式。他们可能回答“是”、“否”或“不确定”。这些选择没有特定的顺序。

另一方面，顺序数据是一种具有固定顺序或等级的定性数据。

如果你让一组人将一部电影从1到5进行评级，有些人可能评为2，其他人评为4，依此类推。这些评级是根据每个人对电影的喜爱程度排序的。

内部数据与外部数据

现在我们来谈谈内部数据，这是存在于公司自身系统内的数据。

例如，如果一家电影制片厂仅使用自己的收集方法编制了电子表格中的所有数据，那么这就是他们的内部数据。内部数据的好处是通常更可靠且更容易收集。

但在我们这个电子表格中，更可能的情况是，该电影制片厂不得不使用其他制片厂和来源拥有或共享的数据，因为其中包含了他们未制作的电影。这意味着他们正在收集外部数据。外部数据，正如你所猜到的，是在组织外部存在和生成的数据。

当你的分析依赖于尽可能多的来源时，外部数据变得特别有价值。

结构化数据与非结构化数据

这类数据的一个优点是它是结构化数据。结构化数据是按照特定格式（如行和列）组织的数据。电子表格和关系数据库是可以以结构化方式存储数据的两种软件示例。

你可能还记得我们之前对结构化思维的探讨，它帮助你为问题添加一个框架，以便以有组织、有逻辑的方式解决问题。你可以以同样的方式思考结构化数据。为数据提供一个框架，使得数据易于搜索并更便于分析。

作为数据分析师，你将处理大量结构化数据，这些数据通常以表格、电子表格或关系数据库的形式出现。

但有时你会遇到非结构化数据。这是没有以任何易于识别的方式组织的数据。音频和视频文件就是非结构化数据的例子，因为没有明确的方法来识别或组织其内容。非结构化数据可能具有内部结构，但数据不像结构化数据那样整齐地适合行和列。

总结

本节课中，我们一起学*了数据分析中的核心数据类型。我们通过电影数据的例子，探讨了定量与定性、离散与连续、名义与顺序、内部与外部，以及结构化与非结构化数据的区别。理解这些概念是有效组织、分析和解读数据的基础，它们将是你作为数据分析师最常使用的工具。

057：主键与外键

在本节课程中，我们将学*数据库中的两个核心概念：主键与外键。理解它们对于组织数据、建立表与表之间的关系至关重要。

数据库是数据分析师必不可少的工具。几乎所有需要访问的数据都存储在数据库中。数据库存储和组织数据，使数据分析师管理和访问信息变得更加容易。它们帮助我们更快地获取洞察、做出数据驱动的决策并解决问题。

您已经初步了解了数据库是什么以及数据分析师如何使用它们。现在，让我们更深入地学*数据库的特性和组成部分。

🏗️ 数据库结构与关系型数据库

这是一个简单的数据库结构示例，它包含来自一家汽车制造商的信息表。顶层包括汽车经销商、产品详情和维修零件等表。当您选择其中一张表并深入下一层时，会发现每个项目的更具体细节。

这种结构被称为关系型数据库。关系型数据库包含一系列相互关联的表，这些表可以通过它们之间的关系连接起来。

🔑 表关系的建立：主键与外键

要使两个表建立关系，它们内部必须存在一个或多个相同的字段。例如，在下图中，branch_id 字段同时存在于这张表和另一张表中。

如果某个字段同时存在于两个表中，我们就可以用它来连接这两个表。branch_id 字段就是连接这些表的关键。

键主要分为两种类型。

主键

主键是一个标识符，它引用的列中的每个值都是唯一的。您可以将其视为表中每一行的唯一标识符。

在我们的经销商信息表中，branch_id 是主键。同样，在关于每辆车的产品详情表中，vin 是我们的主键。

作为分析师，您可能需要创建表。如果您决定包含主键，它必须是唯一的，即任意两行都不能拥有相同的主键。此外，主键不能为空或空白。

公式/概念：

主键：表中每一行的唯一标识符。
约束：值必须唯一且不能为 NULL。

外键

外键是表中的一个字段，它是另一个表中的主键。换句话说，外键是连接一张表与另一张表的方式。

在我们的维修零件表中，由于它包含每个汽车零件的信息，其主键是 part_id。维修零件表中的每一行代表一个唯一的零件。该表中的所有其他键，例如 vin，都是外键，它们使得维修零件表能够连接到其他表。

如图所示，一张表只能有一个主键，但可以有多个外键。

公式/概念：

外键：表中的一个字段，其值是另一张表主键的值。
作用：建立表与表之间的关联。

📝 核心要点总结

理解主键和外键可能有些棘手，后续您将获得更多练*机会。但作为一个概括性总结：

主键用于确保特定列中的数据是唯一的。它唯一地标识关系数据库表中的一条记录。一张表只允许有一个主键，并且主键不能包含空值或空白值。
外键是关系数据库表中的一个列或一组列，它在两个表的数据之间提供链接。它引用的是表中作为另一张表主键的字段。
最后，需要注意的是，一张表中允许存在多个外键。

您可以随时重看本视频，以确保清晰地理解主键和外键。接下来，您将开始练*如何访问和分析实际数据库中的数据，这将是加深您对主键、外键、数据库组织方式的理解，以及思考如何在未来的分析职业生涯中使用数据库的绝佳机会。

在本节课中，我们一起学*了关系型数据库的基础，重点掌握了主键（唯一标识行）和外键（连接不同表）的定义、特点与作用，这是理解数据如何被有效组织和关联的基石。

谷歌商业智能：19_01_03：可选复*：BigQuery SQL工作区详解 🚀

在本节课程中，我们将学*BigQuery SQL工作区的各个组成部分。掌握这个工具对于数据分析师至关重要，它在本课程乃至整个职业生涯中都将极具价值。

概述

本节课我们将探索BigQuery的SQL工作区。主要内容包括：导航至工作区、搜索并使用公共数据集、运行SQL查询，以及上传自己的数据进行分析。即使界面有细微更新，也不影响我们掌握其核心操作。

导航至SQL工作区

首先，访问BigQuery主页并登录您的账户。

要进入SQL工作区，请按照以下步骤操作：

选择屏幕左侧的菜单。
向下滚动至“大数据”标题。
将鼠标悬停在“BigQuery”标签上。
从下拉菜单中点击“SQL工作区”。

现在，我们已经成功进入SQL工作区。

探索与使用公共数据集

上一节我们进入了工作区，本节中我们来看看如何查找并使用公共数据。

以下是具体操作步骤：

打开数据资源管理器：在屏幕左侧的菜单中，找到“资源管理器”面板。
添加数据：点击该面板右上角的“添加数据”按钮。
探索公共数据集：在下拉菜单中，选择“探索公共数据集”。这将打开市场页面，显示所有可用的公共数据集。
搜索数据集：让我们在搜索栏中输入 NOAA_Lightning，这是我们后续课程活动中将使用的一个数据集。
查看数据集：点击“云到地闪电数据集”。页面会显示该数据集的描述和预览，其中包含了美国闪电活动和天气模式的观测数据。
加载到工作区：点击“查看数据集”，系统将返回SQL工作区，并为该数据集创建一个新标签页。

此时，我们可以返回之前打开的编辑器标签页，或点击“编写新查询”开始编写SQL。

在左侧的“资源管理器”菜单中，您会看到“BigQuery公共数据”下拉列表。点击箭头可以展开列表并选择其他数据集。

例如，我们选择列表中的第一个数据集 austin_311。展开后，可以看到该数据集内的数据表。点击表名可以预览数据：

架构标签页：显示数据集中每一列的名称。
详细信息标签页：包含额外的元数据，例如数据集的创建日期。
预览标签页：显示数据的前几行。

在此页面上，点击“查询”按钮，系统会自动创建一个新的编辑器窗口，并已预填查询模板。

运行SQL查询

现在我们已经选择了数据集，接下来学*如何运行查询。

在自动生成的编辑器窗口中，光标会自动定位在 SELECT 语句后。我们输入一个星号 * 来选择所有列，然后点击“运行”按钮。

恭喜！您已在BigQuery中成功运行了一条SQL查询。查询结果将显示在编辑器界面下方的窗口中，您运行任何查询的结果都会在此处显示。

上传并分析自有数据

除了使用公共数据，数据分析师经常需要处理自己的数据。本节中我们来看看如何将数据上传到BigQuery。

假设您有一份调查结果，希望上传到BigQuery并用SQL进行分析。

以下是上传数据的步骤：

选择项目：在“资源管理器”中，选择您想要添加数据的项目ID。
创建数据集：
- 点击项目右侧的三个垂直点图标，打开选项菜单。
- 选择“创建数据集”。
- 为数据集命名一个易于识别的名称，例如 upload_test_dataset。
- 点击“创建数据集”。
在数据集中创建表：
- 在“资源管理器”菜单中，找到刚创建的数据集（位于项目下拉菜单下）。
- 点击数据集右侧的三个垂直点图标。
- 选择“创建表”图标，这会打开一个弹出窗口。
配置上传：
- 在“来源”下的“创建表自”选项中，选择“上传”或您偏好的其他方式。
- 您可以上传任何数据文件，例如CSV文件。
- 为表指定一个清晰的名称，如 test_table。
- 确保“架构”设置为“自动检测”。
- 点击“创建表”。

总结

本节课中，我们一起学*了BigQuery SQL工作区的核心操作。我们掌握了如何导航至工作区、搜索并加载公共数据集、运行基本的SQL查询，以及上传自有数据进行分析。BigQuery的功能远不止于此，您可以随时回看本视频并持续练*以加深理解。

祝您学*愉快！😊

059：数据管道性能优化 🚀

在本模块中，我们将学*如何理解和优化数据管道的性能，以确保能够高效地向利益相关者提供最新的信息。我们将探讨提升系统吞吐量、减少资源竞争的方法，并深入了解数据库系统及其对整体效率的贡献。

为了高效地向利益相关者提供最新的信息，你必须首先理解并优化数据管道内的性能。

这正是我们接下来几个视频将要探索的内容。

我们将学*如何提升吞吐量，并最小化系统内的资源竞争，从而处理尽可能大的工作负载。

上一节我们介绍了模块的整体目标，本节中我们来看看将要涉及的具体技术系统。

我们将深入探讨数据库系统，包括数据集市、数据湖、数据仓库以及 ELT 过程。请注意，ELT 并非笔误，它与 ETL 不同。ELT 代表 提取（Extract）、加载（Load）、转换（Transform）。你将看到这些系统如何提升整个数据系统的效率。

除了了解系统构成，我们还需要评估其性能。以下是数据库性能的五个关键因素：

工作负载：系统需要处理的任务总量和类型。
吞吐量：系统在单位时间内处理工作的能力。
资源：可用的计算、内存和存储资源。
优化：对系统和查询进行的调优措施。
竞争：不同任务对有限资源的争用情况。

你还会获得一些确保数据库数据摄入和存储达到最佳状态的实用技巧。

最后，我们将开始思考如何设计高效的查询，以真正充分利用你的系统。

本节课中，我们一起学*了数据管道性能优化的重要性，预览了将要探讨的数据库系统（如数据仓库、ELT），并介绍了评估性能的五个关键因素。在接下来的课程中，我们将逐一深入这些主题。

060：数据集市、数据湖与ETL流程

在本节课中，我们将要学*商业智能领域中几种重要的数据存储与处理模式：数据集市、数据湖以及ETL/ELT流程。理解这些概念将帮助你更好地构建和优化数据系统。

商业智能的一个显著特点是其工具和流程在不断演进。这意味着BI专业人员始终有机会构建和改进现有系统。因此，让我们来了解一些你作为BI专业人员可能会遇到的其他有趣的数据存储和处理模式。

数据仓库回顾

在之前的课程中，我们学*了利用数据仓库进行存储的数据库系统。作为回顾，数据仓库是一种特定类型的数据库，它整合来自多个源系统的数据，以确保数据的一致性、准确性和高效访问。本质上，数据仓库是公司所有系统数据的巨大集合。

当公司使用单一机器存储和计算其关系型数据库时，数据仓库非常普遍。然而，随着云技术的兴起和数据量的爆炸式增长，新的数据存储和计算模式应运而生。

数据集市

上一节我们介绍了数据仓库，本节中我们来看看数据集市。你可能还记得，数据集市是一种面向主题的数据库，它可以是更大数据仓库的一个子集。这里的“面向主题”指的是与业务特定领域或部门（如财务、销售或市场营销）相关联的内容。

BI项目通常专注于为不同团队解答各种问题。因此，数据集市是访问特定项目所需相关数据的一种便捷方式。以下是数据集市的主要特点：

面向特定主题：服务于特定业务领域。
数据子集：通常是数据仓库的一部分。
便于访问：为特定团队或项目提供快速、相关的数据视图。

数据湖

接下来，我们探讨另一种存储模式：数据湖。数据湖是一种数据库系统，它以原始格式存储大量原始数据，直到需要使用时才进行处理。这使得数据易于访问，因为它不像数据仓库那样需要大量预处理。

数据湖结合了许多不同的数据源。但数据仓库是分层的，使用文件和文件夹来组织数据，而数据湖则是扁平结构。数据虽然被标记以便识别，但并未被组织。它是流动的，这也是它被称为“数据湖”的原因。

数据湖在存储前不需要对数据进行转换，因此如果你的BI系统需要摄取多种不同类型的数据，数据湖会非常有用。当然，这些数据最终仍需要被组织和转换。

ETL与ELT流程

前面我们了解了数据存储方式，现在来看看如何将数据湖等源的数据整合到系统中，这涉及到数据处理流程。之前，我们学*了ETL流程，即数据从源头提取到管道中，在传输过程中进行转换，然后加载到目标位置。

ELT流程步骤相同，但重新组织了顺序：管道先提取、加载数据，然后再进行转换。本质上，ELT是一种数据管道，它使得数据能够从不同来源（通常是数据湖）收集，然后加载到统一的目标系统中，并转换为有用的格式。

以下是ELT流程的优势：

快速数据摄取：数据一旦可用，即可立即摄入存储系统。
按需转换：只需转换需要使用的数据。
降低成本与独立扩展：降低了存储成本，并使企业能够独立扩展存储和计算资源。

总结

本节课中，我们一起学*了商业智能中关键的存储与处理模式。我们回顾了数据仓库的核心作用，探讨了面向特定业务需求的数据集市，以及能够存储海量原始数据的数据湖。最后，我们比较了传统的ETL流程与更适应现代数据环境的ELT流程，后者支持更灵活的数据处理。

随着技术进步，可用的流程和工具也在进步。一些最成功的BI专业人士表现出色，正是因为他们保持着好奇心，是终身学*者。

061：数据库性能五要素 🚀

在本节课中，我们将要学*数据库性能优化的核心概念。我们将深入探讨影响数据库性能的五个关键要素，帮助你理解如何确保数据库系统能够高效地响应用户需求。

概述

我们一直在探讨数据库优化，其重要性在于确保用户能够尽可能高效地从系统中获取所需信息。成功的优化可以通过数据库性能来衡量。数据库性能是衡量数据库能够处理的工作负载以及相关成本的指标。在本视频中，我们将探讨影响数据库性能的五个因素：工作负载、吞吐量、资源、优化和争用。

工作负载 📊

首先，我们从工作负载开始。工作负载指的是在任意给定时间内，数据库系统正在处理的事务、查询、分析和系统命令的组合。

数据库的工作负载通常会因处理的任务和交互用户数量的不同而在不同日期之间剧烈波动。

好消息是，你通常可以预测这些波动。例如，在月末处理报告时，工作负载可能会更高；或者在节假日前，工作负载可能会非常轻。

吞吐量 ⚡

接下来，我们讨论吞吐量。吞吐量是数据库硬件和软件处理请求的整体能力。

吞吐量由输入输出速度、中央处理器速度、机器运行并行进程的能力、数据库管理系统以及操作系统和系统软件共同构成。

基本上，吞吐量描述了系统能够处理的工作负载大小。

资源 💻

现在，让我们深入了解资源。在商业智能中，资源指的是数据库系统中可用的硬件和软件工具。

这包括磁盘空间和内存。资源是数据库系统处理请求和处理数据能力的重要组成部分。

资源也可能发生波动，特别是当硬件或其他专用资源与其他数据库、软件应用程序或服务共享时。此外，基于云的系统尤其容易出现波动。

因此，记住外部因素会影响性能是非常有用的。

优化 🔧

现在我们来谈谈优化。优化涉及最大化数据检索的速度和效率，以确保高水平的数据库性能。

这是商业智能专业人员反复关注的最重要因素之一。因此，我们很快将更详细地讨论它。

争用 ⚠️

最后，影响数据库性能的最后一个因素是争用。

当两个或多个组件试图以冲突的方式使用单一资源时，就会发生争用。

这确实会拖慢速度。例如，如果有多个进程试图更新同一块数据，这些进程就处于争用状态。

随着争用的增加，数据库的吞吐量会下降。因此，尽可能限制争用将有助于确保数据库发挥最佳性能。

总结

以上就是影响数据库性能的五个要素：工作负载、吞吐量、资源、优化和争用。

接下来，我们将通过一个实例来查看这些因素的实际作用，以便你更深入地理解每个因素如何影响数据库性能。

062：优化数据库性能 🚀

在本节课中，我们将学*如何优化数据库性能。我们将探讨性能的定义、优化的重要性，并深入分析导致数据库响应缓慢的常见原因及其解决方案。

数据库性能衡量的是数据库能够处理的工作负载以及相关的成本。优化是提升数据库性能最重要的因素之一。它旨在最大化数据检索的速度和效率，以确保高水平的数据库性能。其目标是让系统以最合理的成本处理尽可能大的工作负载。

优化与响应时间 ⏱️

上一节我们介绍了优化的目标，本节中我们来看看一个关键指标：响应时间。响应时间是数据库响应用户请求所需的时间。快速的响应时间对于维持团队工作效率至关重要。

设想一个场景：你是一名商业智能专家，收到团队成员的邮件，抱怨从数据库拉取数据所需的时间比平时长。这看似是小问题，但缓慢的数据库会严重干扰工作，导致团队浪费大量时间等待数据拉取或计算完成。

以下是用户可能遇到此问题的几个原因：

查询未优化：用户编写的用于与数据库交互的查询效率低下。
数据库未正确索引或分区：数据组织方式不佳。
数据碎片化：数据被分散存储。
资源不足：内存或CPU不足。

接下来，我们将逐一分析这些原因。

优化查询与查询计划 🔍

首先，如果用户编写的查询效率低下，会拖慢数据库资源。解决此问题的第一步是重新审视查询，确保其尽可能高效。

第二步是考虑查询计划。在使用SQL的关系型数据库系统中，查询计划是数据库系统为执行查询所采取步骤的描述。查询告诉系统“做什么”，而查询计划则定义了“如何做”。

如果查询运行缓慢，检查查询计划有助于找出是否存在导致不必要资源消耗的步骤。这是一个迭代过程：检查查询计划后，你可能会重写查询或创建新表，然后再次检查查询计划。

索引与数据分区 📂

现在让我们考虑索引。索引是用于在数据库系统中快速定位数据的组织标签。如果数据库中的表没有完全建立索引，数据库定位资源的时间就会变长。

在基于云的大数据系统中，你可能使用数据分区而非索引。数据分区是将数据库划分为不同逻辑部分的过程，旨在改进查询处理并提高可管理性。系统中数据的分布极其重要，因此确保数据被适当且一致地分区也是优化的一部分。

数据碎片化与资源容量 🧩

下一个问题是碎片化数据。碎片化数据是指数据被分割成许多未存储在一起的片段，这通常是由于频繁使用数据或创建、删除、修改文件导致的。

例如，如果你经常访问相同的数据，并且其版本被保存在缓存中，这些版本实际上会导致系统碎片化。

最后，如果你的数据库难以满足组织的需求，可能意味着没有足够的内存来处理所有人的请求。确保数据库有容量处理你要求的所有任务至关重要。

回顾与总结 📝

回顾我们的例子：你收到团队邮件，称访问数据库数据的时间变长。在了解情况后，你评估了形势并进行了一些修复。解决问题使你能够确保数据库为团队尽可能高效地工作。

然而，数据库优化是一个持续的过程。你需要持续监控性能，以确保一切运行顺畅。

本节课中，我们一起学*了数据库性能优化的核心概念。我们明确了优化旨在提升响应速度与效率，并分析了查询效率、索引与分区、数据碎片化及资源容量等关键影响因素。记住，优化是一个需要持续关注和迭代改进的实践过程。

063：五要素实战应用 🎬

在本节课中，我们将学*数据库性能的五个核心要素——工作负载、吞吐量、资源、优化和争用——如何在一个实际的电影院连锁系统数据库中协同运作。我们将通过一个具体的例子，理解这些抽象概念在真实业务场景下的表现和影响。

数据库设计概述

在深入探讨五要素如何影响数据库之前，我们首先需要理解这个数据库是如何设计的。本节中，我们来看看这个电影院连锁系统的数据架构。

在这个例子中，我们将检查一个电影院连锁系统。在优化过程中，有几个方面需要考虑。

首先，思考这个数据库的用途。在本案例中，电影院连锁使用与购票、收入和观众偏好相关的数据，来决定放映哪些电影以及开展哪些促销活动。

其次，考虑数据的来源。在本例中，数据从多个来源被推送到一个进行分析的OLAP系统中。同时，数据库使用来自各个影院OLTP系统的数据，以探索不同电影放映时间和类型的售票趋势。

管理交易数据的OLTP系统使用了雪花型数据库模型。其核心是一个事实表，用于捕获关于电影票的最重要信息，例如某个特定座位是否已被预订。事实表包含预订类型、放映ID、录入预订的员工ID以及座位号等信息。

为了捕获这些事实的详细信息，该模型还包含了多个维度表，这些表与事实表相连，提供了关于员工、电影、放映、影厅、座位和预订的信息。这个数据库结构相当直观，它使得每个电影院都能在这些不同的表中记录数据，并防止它们意外地重复预订同一个座位。

然而，这些独立的OLTP系统并非为分析而设计，这就是为什么数据需要被提取到目标OLAP系统中的原因。在那里，用户可以访问和探索数据，以获得洞察并做出业务决策。

五要素对数据库性能的影响

现在我们对数据库有了更多了解，接下来看看数据库性能的五个要素如何影响它。

工作负载

首先，工作负载是指在任何给定时间内，数据库系统正在处理的事务、查询、数据仓库分析和系统命令的组合。在本案例中，大部分工作负载是处理用户请求，例如生成定期报告或执行查询。

如果数据库无法处理工作负载，可能会导致系统崩溃，从而中断用户访问和使用数据的能力。也许报告生成需要大量资源，或者访问此数据的分析师数量正在增加。但我们知道，通常可以预测工作负载的高峰时间，以便进行调整，确保系统能够处理这些请求。

吞吐量

接下来，我们探讨吞吐量。再次强调，这是数据库硬件和软件处理请求的整体能力。

因为我们的电影院系统主要专注于分析来自OLTP数据库的数据，所以我们使用的是一个主要依赖云存储的OLAP数据库。数据库存储处理过程以及系统中访问云数据的计算机，都需要能够处理影院的工作负载，尤其是在数据库系统被大量使用时。

资源

构成系统吞吐量的硬件和软件就是资源。例如，电影院可能使用缓存控制器磁盘来帮助数据库管理从内存系统存储和检索数据。

优化

接下来是优化，关于这一点你已经了解了很多。理想情况下，用户应该能够访问从多个其他数据库系统摄取的事务数据。

如果检索速度变慢，获取数据并向利益相关者提供洞察所需的时间就会更长。这就是为什么即使在数据库设置完成后，保持其优化状态仍然很重要。

争用

数据库性能的最后一个要素是争用。这家电影院公司有一个团队，其中许多不同的分析师都在访问和使用这些数据。除此之外，还有应用于数据的自动化转换和正在生成的报告。

所有这些请求最终可能会相互竞争，并导致争用。如果系统同时处理多个请求，反复进行本质上相同的更新，这可能会带来问题。为了限制这种情况，数据库会按照请求发出的顺序处理查询。

总结

在本节课中，我们一起学*了数据库性能五要素在一个真实的电影院连锁数据库系统中的实际应用。无论系统简单还是复杂，这些对于任何商业智能专业人士来说都是至关重要的考量因素。通过理解工作负载、吞吐量、资源、优化和争用如何相互作用，你可以更好地设计、维护和优化数据系统，以支持有效的业务决策。

064：总结回顾与展望

在本节课中，我们将回顾数据库设计与商业智能（BI）专业人员角色的核心知识，并展望后续的学*方向。我们将重点总结影响数据库性能的五个关键因素，以及BI专业人员在优化和维护高效数据库系统中的作用。

数据库性能与BI角色回顾

上一节我们介绍了数据库设计的基础。本节中，我们来回顾BI专业人员在创建和维护有用数据库系统中所扮演的角色。

截至目前，课程重点聚焦于影响数据库性能的五个因素：

工作负载：指系统需要处理的总任务量。
吞吐量：指系统在单位时间内处理任务的能力。
资源：指可供系统使用的计算能力、内存和存储空间。
优化：指调整系统以提高效率的过程。
争用：指多个任务竞争同一有限资源时发生的冲突。

你还学*了一些专门用于数据库优化的策略，以及当团队成员开始注意到系统变慢时需要检查哪些问题。你甚至探究了这五个因素如何影响实际的数据库。

持续监控与系统演进

作为BI专业人员，进行数据库优化并保持数据库高速运行至关重要。开发能让团队自行获取洞察的流程是这项工作的关键部分。

但是，系统和流程会随着时间而改变。它们可能停止工作或需要更新。

这正是持续监控数据库性能如此重要的原因之一。数据库系统应保持持久的高性能水平。

课程展望与挑战

接下来，你将进一步探索关于优化系统以及作为BI专业人员将要创建的工具。

但首先，你将面临另一个每周挑战。和往常一样，你可以随时回顾任何课程材料并查阅术语表，为成功完成挑战做好准备。

完成评估后，我们将再次在这里会面，深入学*关于优化ETL（提取、转换、加载）流程的更多知识。做得很棒。

本节课总结：本节课我们一起回顾了数据库性能的五个关键因素（工作负载、吞吐量、资源、优化、争用）以及BI专业人员在系统维护中的核心职责。我们强调了持续监控的重要性，因为系统会不断演进。最后，我们预告了后续将深入学*的系统优化与ETL流程主题。

065：优化ETL流程与数据管道 🛠️

在本模块中，我们将学*商业智能专业人员如何确保数据管道和ETL（提取、转换、加载）流程持续高效运行。我们将重点探讨如何通过质量测试、模式验证和性能评估来优化这些关键环节。

模块概述 📋

上一模块我们重点讨论了数据库系统的优化。本节中，我们将把目光转向数据管道和ETL流程的优化。你将学*ETL质量测试、数据模式验证、业务规则确认以及通用性能测试的核心概念。

ETL质量测试 🧪

ETL质量测试的目标是确认数据从源头被提取、转换，并加载到目标位置的过程中，没有出现任何错误或问题。这一点至关重要，因为有时你的数据管道可能会开始产生错误或误导性的结果。

当数据源在你不知情的情况下发生变更时，这种情况就可能发生。例如，源数据表的列名或数据类型被更改，而下游的ETL流程未同步更新，就会导致流程失败或数据错误。

数据模式验证 🔍

接下来我们将介绍数据模式验证，它用于确保源数据与目标数据库的模式保持一致。

模式不匹配可能导致系统故障。因此，这对于保持ETL流程平稳运行至关重要。一个典型的数据模式验证会检查数据表的结构，例如列名、数据类型和约束是否与预期相符。

数据完整性与质量检查 🛡️

我们还将探讨数据完整性，以及内置的质量检查如何防范潜在问题。

数据完整性检查确保数据是准确、一致的。例如，可以通过以下代码检查关键字段是否为空值：

SELECT COUNT(*) FROM table_name WHERE primary_key IS NULL;

如果返回结果大于0，则表明存在数据完整性问题。

验证业务规则与性能测试 ⚙️

最后，我们将聚焦于验证业务规则和进行通用性能测试，以确保数据管道能够满足其设计的业务需求。

业务规则验证确保转换后的数据符合特定的商业逻辑。性能测试则评估ETL流程在处理速度和资源消耗方面是否高效。

以下是进行性能测试时可能关注的几个指标：

吞吐量：单位时间内处理的数据量。
延迟：从数据提取到加载完成所需的总时间。
资源利用率：CPU、内存和I/O在流程中的使用情况。

总结 🎯

本节课中，我们一起学*了优化数据管道和ETL流程的多个关键方面。我们了解了ETL质量测试的重要性，掌握了数据模式验证的方法，探讨了如何通过质量检查保障数据完整性，并认识了验证业务规则与进行性能测试以确保管道满足业务目标的过程。掌握这些优化流程，对于维护可靠、高效的商业智能系统至关重要。

066：质量测试的重要性 📊

在本节课中，我们将要学*ETL（提取、转换、加载）流程中一个至关重要的环节：质量测试。我们将深入探讨其定义、目标，并逐一解析构成质量测试的七个核心验证要素。

你已经熟悉了ETL管道，数据从源头被提取，在移动过程中进行转换，然后加载到目标表中以供后续使用。在ETL流程的转换步骤中，质量测试是其中的一部分。在商业智能领域，质量测试是一个检查数据缺陷以防止系统故障的过程。其目标是确保数据管道能够持续正常工作。质量测试可能耗时，但它对于一个组织的工作流程至关重要。

质量测试涉及七个验证要素：完整性、一致性、合规性、准确性、冗余性、完整性和及时性。需要记住的要素很多，但本视频将逐一分解它们，首先从完整性开始。另外，你可能在谷歌数据分析证书课程中接触过其中一些概念。如果需要，可以在继续学*前花几分钟回顾相关内容。

检查数据完整性

完整性检查涉及确认数据是否包含了所有期望的组成部分或度量指标。

例如，假设你正在处理销售数据，并且有一个ETL管道将月度数据传送到目标表。这些目标表用于为利益相关者生成报告。如果流经管道的数据缺失了一周的数据、或关于某个畅销产品的信息、或其他关键指标，那么用于创建报告的计算将无法基于完整准确的数据进行。

确保数据一致性

在数据分析的语境中，你可能学过一致性涉及数据从不同入口点或收集点可重复的程度。在商业智能中，它略有不同。这里，一致性涉及确认数据在所有系统中都是兼容且一致的。

想象有两个系统：一个是包含员工数据的人力资源数据库，另一个是薪资系统。如果人力资源数据库中列出的某个员工在薪资系统中不存在，或者信息不一致，这种不一致性就会引发问题。

验证数据合规性

这个要素关注数据是否符合目标格式的要求。

考虑ETL管道中的销售数据。如果被提取的数据包含的销售日期与目标表设计容纳的日期格式不匹配，这将会产生错误。

评估数据准确性

准确性关乎数据是否符合被测量或描述的实际实体。另一种理解方式是，数据是否代表了真实值。

因此，任何源系统中的输入错误或误输入都是问题，因为它们会反映在目标数据中。需要大量手动数据录入的源系统更可能出现准确性问题。例如，如果一个汉堡的购买记录被误输入为一百万美元，你需要在数据加载前处理这个问题。

识别数据冗余

如果你使用的是关系型存储数据库，确保数据没有冗余是质量测试的另一个重要要素。在商业智能语境中，冗余是指移动、转换或存储了超出必要的数据。当同一份数据被存储在两个或更多地方时，就会发生这种情况。

数据在管道中移动需要处理能力、时间和资源。因此，重要的是不要移动超出需要的数据。例如，如果客户公司名称在多个地方列出，但只需要在目标表的一个位置出现，我们就不希望浪费资源来加载这些冗余数据。

维护数据完整性

完整性关注数据在整个生命周期中的准确性、完整性、一致性和可信赖性。在质量测试中，这通常意味着检查数据值之间是否存在缺失的关系。

举例来说，假设一家公司的销售数据库是关系型的。商业智能专业人员将依赖这些关系来操作数据库内的数据和查询数据。他们可能在数据库中存有产品ID和描述。但如果存在一个描述却没有对应的ID记录，那么数据完整性就出现了问题。在进入分析阶段之前，必须确保解决这个问题。

数据映射是确保源数据与目标数据库数据匹配的一种方法。你将在后续课程中了解更多，但基本上，数据映射是匹配不同数据源字段的过程。

确认数据及时性

最后但同样重要的是，你需要确保数据是及时的。及时性涉及确认数据是最新的。进行此项检查是为了确保数据已更新为能提供相关洞察的最新信息。

例如，如果一个数据仓库本应包含每日数据但未能正确更新，那么管道就无法获取最新信息。商业智能专业人员主要关注探索当前数据，以便让利益相关者获得最新的洞察。如果被移动的数据已经过时，这显然无法实现。

ETL质量测试涉及大量工作，可能是一个复杂的过程。但牢记这七个关键要素，是迈向创建高质量数据管道的绝佳第一步。

接下来，你将学*更多关于这些检查以及ETL流程其他性能测试的知识。

本节课中，我们一起学*了质量测试在ETL流程中的核心地位，并详细探讨了其七个验证要素：完整性、一致性、合规性、准确性、冗余性、完整性和及时性。理解并应用这些要素，是构建可靠、高效数据管道的基础。

067：优质数据即有效数据

在本节课中，我们将学*数据质量测试的核心概念及其在商业智能项目中的重要性。我们将探讨优质数据的定义、质量测试在数据生命周期中的应用，以及如何培养相关技能。

我的名字是玛娜，我是谷歌的一名高级技术数据项目经理。我的工作是与业务伙伴合作，帮助他们创建工具，以便更好地利用数据做出决策。我是一个数据爱好者，喜欢研究数据，并构建能让人们工作更轻松的出色工具。

有一句俗语说：没有数据，你只有“泥土”。我喜欢更进一步说：没有优质数据，你只有“泥土”。质量测试的核心就是确保你拥有优质数据。优质数据可以有多重含义。

什么是优质数据？🔍

上一节我们提到了质量测试的目标是确保数据优质。本节中，我们来看看优质数据具体包含哪些维度。

优质数据通常意味着准确的数据，即如何确保你生成的数字是正确的，并且代表了事实。它也可以意味着相关的数据、具有代表性的数据，以及触手可及的快速数据。因此，质量控制的过程就是确保你基于数据构建的工具是准确、有用、相关且及时的。

质量测试的应用场景🔄

理解了优质数据的定义后，我们来看看质量测试在BI产品开发生命周期中的哪些环节发挥作用。

在构建BI产品的整个生命周期中，质量测试会在许多环节发挥作用。

以下是质量测试的关键应用阶段：

数据提取阶段：在早期阶段，例如有人尝试从日志中提取数据时，你需要确保提取的数据是准确的。即，从日志流入的数据，与你从可能正在创建的数据集市中输出的数据是否一致。
ETL过程：这个概念同样适用于你的ETL过程。ETL代表提取（Extract）、转换（Transform）、加载（Load）。当你获取数据、转换数据、处理数据并赋予其相关性时，你需要确保输入的数据与输出的数据保持一致。

拥抱不完美：数据质量的现实🚨

我们介绍了质量测试的理想目标，但在现实中，完美的数据状态几乎不存在。

我记得在我职业生涯初期，总是幻想有一天能进入一个数据“涅槃”的公司，那里所有的数据都无比干净、完美，充满魔力。我可以无忧无虑地查询数据。但事实是，这种“涅槃”状态在任何地方都不存在。

数据总是存在问题，错误总会发生。甚至你今天看到的数据，明天可能就不同了。因此，将质量测试不仅作为一次性任务，而是作为你构建的管道或任何产品中的常规流程嵌入进去，具有极其重要的意义，因为错误注定会发生。

给初学者的建议：技能与成长🌱

既然我们了解了数据质量的挑战和重要性，那么对于希望进入这一领域的人，有哪些建议呢？

在我刚开始工作时，有几件事我希望自己能早点知道。

我希望我当时能充分认识到，我在这个领域拥有的许多技能来自生活的其他部分，并非传统的BI技能。因此我应该对自己更有信心，因为我带来了非常出色的讲故事能力，并且能够不断磨练。尽管我不是软件工程师，但我有很多编码经验，并且我知道许多可以付诸实践的最佳方法。

所以我想说，如果你觉得自己在某些方面不是最强项，请保持好奇心、开放的心态和谦逊的态度，找到那些在这些方面真正擅长的人并向他们请教。要知道，你可以在这些方面学*和成长，并持续变得全面。

作为人类，我们在某些方面有优势，在某些方面需要成长，这很正常。但成功不在于天生拥有这些技能，而在于拥有不断自我进化的能力，不是成为专家，而是变得比昨天的自己更好。

本节课中，我们一起学*了优质数据的多维定义（准确、相关、代表性强、及时），探讨了质量测试在数据提取和ETL等关键环节的应用，并接受了数据永远不完美的现实，从而认识到将质量测试作为常规流程的重要性。最后，我们了解到跨领域技能的价值，并鼓励以持续学*和成长的心态来面对职业发展。

068：从源头到目标的合规性 📊

在本节课中，我们将要学*在ETL（提取、转换、加载）过程中，如何确保数据从源头到目标系统的合规性。我们将重点探讨三种关键工具：模式验证、数据字典和数据沿袭，它们如何共同作用以建立一致的数据治理。

你已经了解了很多关于质量测试在ETL过程中的重要性。现在你知道，这个过程的一个关键部分是检查合规性，即数据是否符合目标系统所需的格式。

为了确保从源头到目标的合规性，商业智能专业人员拥有三种非常有效的工具：模式验证、数据字典和数据沿袭。在本视频中，我们将研究它们如何帮助你建立一致的数据治理。

模式验证 🔍

首先，模式验证是一个确保源系统数据模式与目标数据库数据模式相匹配的过程。正如你所学*的，如果模式不匹配，可能会导致难以修复的系统故障。因此，将模式验证构建到你的工作流程中对于预防这些问题非常重要。

数据工具提供了各种模式验证选项，可用于根据目标模式的要求检查传入的数据。例如，你可以规定某一列只能包含数值数据。然后，如果你试图在该列中输入不符合要求的内容，系统将标记错误。或者在关系数据库中，你可以指定ID号必须是一个唯一的字段。这意味着如果与现有条目匹配，则不能添加相同的ID。通过这些属性生效，可以防止数据冗余。

如果数据不符合要求并抛出错误，你会收到警报。如果它满足要求，你就知道它是有效的并且可以安全加载。模式验证属性应确保三件事：键在转换后仍然有效；表关系得以保留；整个数据库中的命名约定保持一致。

确保键的有效性

让我们从键开始。正如你所学*的，关系数据库使用主键和外键来构建表之间的关系。当你将数据从一个系统移动到另一个系统后，这些键应继续发挥作用。例如，如果你的源系统使用客户ID作为键，那么它在目标模式中也必须是有效的。

保留表关系

这与模式验证的下一个属性相关：确保表关系得以保留。从源系统接收数据时，重要的是这些键在目标系统中仍然有效，以便关系仍可用于连接表，或者它们被转换以匹配目标模式。例如，如果客户ID键不适用于我们的目标系统，那么所有将其用作主键或外键的表都将断开连接。如果在移动数据时表之间的关系被破坏，那么数据将变得难以访问和使用，而这正是我们将数据移动到目标系统的全部原因。

保持约定一致

最后，你需要确保命名约定与目标数据库模式保持一致。有时，来自外部源的数据对列和表的命名使用不同的约定。例如，一个源系统可能使用“employeeID”（一个词）来标识该字段，但目标数据库可能使用“employee_I”。你需要确保这些是一致的，这样在尝试提取数据进行分析时才不会出错。

支持性文档工具 📚

除了模式验证属性本身，还有一些其他文档工具支持数据模式验证：数据字典和数据沿袭。

数据字典

数据字典是描述数据库内数据对象的内容、格式和结构及其关系的信息集合。你可能也听说过它被称为元数据存储库。你可能知道，元数据是关于数据的数据。这是商业智能中一个非常重要的概念。如果你想回顾谷歌数据分析证书中关于元数据的一些课程，现在就可以去学*。就数据字典而言，它们代表元数据，因为它们基本上使用一种类型的数据（元数据）来定义另一段数据的用途和来源。

以下是你的团队可能想要创建数据字典的几个原因：

它有助于避免整个项目中的不一致性。
它使你能够定义任何其他团队成员需要知道的约定，以便在团队之间建立更好的一致性。
最重要的是，它使数据更易于处理。

数据沿袭

现在让我们探讨数据沿袭。数据沿袭描述了识别数据来源、它在系统中的移动路径以及它随时间如何转换的过程。这很有用，因为如果你确实遇到错误，你可以追踪该数据的沿袭，并了解在过程中发生了什么导致了问题。然后，你可以制定标准，以避免将来出现同样的问题。

总结 ✨

本节课中我们一起学*了如何确保数据在ETL过程中的合规性。使用模式验证、数据字典和数据沿袭，商业智能专业人员可以有效地在数据从源头移动到目标时促进一致性。这意味着所有用户都可以对所创建的商业智能解决方案充满信心。我们很快将继续探索这些概念。

069：架构治理实战 🏛️

在本节课中，我们将通过一个真实案例来学*架构治理的实际应用。案例研究是理解抽象概念的最佳方式之一，它能生动地展示想法和概念在真实组织中的运作。

案例背景：教育非营利组织

上一节我们介绍了架构治理的概念，本节中我们来看看它在教育非营利组织中的具体应用。该组织的决策者希望衡量其社区的教育成果。为此，他们从学校数据库中提取数据，以评估学*目标、国家教育统计数据和学生调查结果。

由于他们从多个来源将数据提取到自己的数据库系统中，因此必须保持所有数据的一致性，以防止错误并避免丢失重要信息。幸运的是，该组织已经建立了数据字典和数据沿袭，以确立必要的标准。

数据字典的作用

以下是数据字典如何帮助维护数据标准的一个例子。我们以“学生信息表”中的一个列为例。该表包含五列：student_id、school_system、school、age 和 grade_point_average。

此表中的每一列都已在数据字典中记录，以明确其包含的信息。因此，我们可以查看 school_system 列的数据字典条目，以再次确认该表的标准。

作为回顾，数据字典是描述数据库中数据对象的内容、格式、结构及其关系的信息集合。该字典记录了四个特定属性：

以下是数据字典记录的四个属性：

列名：数据对象的标识符。
定义：对该列所包含信息的描述。
数据类型：数据在系统中的存储格式（如整数、文本）。
可能值：该列可以包含的具体数值或范围。

例如，age 列的字典条目告诉我们，该列的数据对象包含关于学生年龄的信息。它还告诉我们这是整数类型数据。我们可以利用这些属性将传入数据与目标表进行比较。

如果任何数据对象不是整数类型，那么在错误数据被提取到目标表之前，架构验证过程就会标记出该错误。

数据沿袭的追踪功能

那么，当一个数据对象未能通过架构验证过程时会发生什么？实际上，我们可以利用数据沿袭来追踪这片数据的旅程，并找出在流程的哪个环节可能需要添加质量检查。

再次强调，数据沿袭包含了关于数据起源、在系统中移动的路径以及随时间如何转换的信息。

在架构验证过程中，这片数据因为当前未被正确转换为整数类型而抛出了错误。当我们检查数据沿袭时，可以追踪该对象在我们系统中的移动路径。

这片数据最初存储于单个学校的数据库，然后被读取到学校系统的数据库中。我们数据管道提取了该学校的数据以及其他学校系统的数据，随后在移动过程中进行了组织和转换。显然，当这片数据最初输入学校原始数据库时，其类型转换就不正确。我们可以通过检查其在沿袭中的数据类型来确认这一点。

数据沿袭还包含了该数据迄今为止经历的所有转换。此时，我们可能还会注意到，在我们的质量检查转换过程中，并未内置类型转换的步骤。

这是个好消息。现在我们知道了，在数据被读取到目标表之前，我们应该将类型转换过程纳入数据管道中。在这个案例中，年龄数据对象应该是整数类型。

总结与展望

本节课中我们一起学*了架构治理和验证如何帮助改进系统并预防错误。通过数据字典定义标准，并通过数据沿袭追踪问题根源，我们可以持续优化数据处理流程。

除了架构验证，还有其他类型的测试应应用于数据管道以确保其正常运行，我们将在后续课程中进一步学*。现在，你已经对如何验证架构并持续改进管道流程有了更深入的理解。

070：验证业务规则 📋

在本节课中，我们将要学*一个确保数据系统满足实际业务需求的关键环节：验证业务规则。我们将探讨业务规则的定义、重要性以及如何实施验证。

概述

到目前为止，我们已经学*了许多关于数据库性能、质量测试和模式验证的知识，了解了这些检查如何确保数据库和管道系统持续按预期工作。

现在，我们将探索另一项重要的检查：确保你所创建的系统与流程真正满足业务需求。这对于保证这些系统持续对利益相关者具有相关性至关重要。

什么是业务规则？

业务规则是一种对数据库特定部分施加限制的声明。

例如，一个物流数据库可能设定一条业务规则：发货日期不能早于订单日期。这可以防止订单日期和发货日期被混淆，从而避免系统内产生错误。

业务规则是根据特定组织使用数据的方式而创建的。在之前的课程中，我们发现，在构建数据库系统或ETL流程之前，观察企业如何使用数据非常重要。理解实际需求能指导设计，这对于业务规则同样适用。

你所创建的业务规则将深刻影响数据库的诸多设计方面：

收集和存储哪些数据。
如何定义数据间的关系。
数据库提供何种信息。
数据的安全性。

这有助于确保数据库按预期运行。

业务规则的多样性与动态性

每个组织的业务规则都不同，因为组织与其数据的交互方式总是独特的。此外，业务规则也总是在变化，这就是为什么记录存在哪些规则及其原因至关重要。

以下是另一个例子。考虑一个图书馆数据库。用户（在本例中是图书管理员）的主要需求是借阅图书和维护读者信息。

因此，该图书馆可能会在数据库中设定一些业务规则来规范系统：

一条规则可能是：图书馆读者一次最多只能借阅五本书。数据库将阻止用户借出第六本书。
或者，数据库可以有一条规则：同一本书不能同时被两个人借出。如果有人尝试，系统会提醒图书管理员存在重复借阅。
另一条业务规则可能是：必须为新书在系统中录入特定信息，才能将其添加到图书馆库存中。

验证业务规则

本质上，验证涉及确保导入目标数据库的数据符合业务规则。除此之外，这些规则是重要的知识片段，能帮助商业智能专业人员理解企业及其流程如何运作。这有助于商业智能专业人员成为领域专家和值得信赖的顾问。

你可能已经注意到，这个过程与模式验证非常相似。

在模式验证中，你获取目标数据库模式，并将传入数据与之比较。未通过此检查的数据不会被摄取到目标数据库中。

类似地，在将数据加载到数据库之前，你会将传入数据与业务规则进行比较。

在我们的图书馆例子中，如果一位读者提交了借书请求，但他已经从图书馆借了超过五本书，那么这条传入数据就不符合预设的业务规则，系统会阻止他借出这本书。

总结

本节课中，我们一起学*了验证业务规则的基础知识。这些检查非常重要，因为它们能确保数据库按预期完成工作。由于业务规则对数据库的运作方式如此不可或缺，验证其正确运行也就至关重要。

接下来，你将有机会更详细地探索业务规则。

071：技术演进趋势 📈

在本节课中，我们将跟随谷歌商业智能工程师Barak的分享，了解商业智能（BI）领域的技术演进趋势、核心技能要求以及如何规划个人学*路径。

概述

商业智能工程师负责收集、存储和分析数据，其中涉及大量基础设施。过去十年间，BI技术经历了巨大变革。本节将探讨这些变化，并分析从业者应如何适应不断发展的技术环境。

技术演进：从电子表格到云端

上一节我们介绍了BI工程师的核心职责，本节中我们来看看技术本身是如何演进的。

十年前，电子表格（Spreadsheets）是数据分析的主要工具。如今，虽然仍有人用它进行快速分析，但整个行业已转向云端技术、更复杂的编程语言以及更强大的可视化工具。这意味着从业者必须持续学*新的语言和基础设施，以跟上技术发展的步伐。

如何跟上行业趋势

为了适应变化，你需要进行一些研究，以理解行业实际的演进方向。

以下是跟上行业趋势的几种方法：

关注在线资源、网页或行业通讯，了解最新趋势。
认识到核心基础技能是永恒不变的。例如，SQL语言是基础，尽管不同组织使用的SQL方言可能不同。
掌握基础后，学*新变体所需的时间将大幅减少，因为存在可迁移的技能。

给初学者的核心建议

对于希望进入此领域的人，首要建议是专注。

如果你真正热爱与数据打交道，并希望在此领域工作，专注是关键要求之一。因为需要学*大量技术技能，这需要时间投入。

确定你的专业方向

因此，我建议你明确自己想要专注于BI工程的哪个具体领域。

BI工程包含多个部分，你的选择将决定需要学*的技术技能组合。以下是几个主要方向：

构建基础设施：专注于数据管道和存储系统。
设计系统：负责整体的数据架构和流程设计。
分析数据：深入数据进行洞察和建模。
开发可视化工具：创建报表和数据看板。

总结

本节课中我们一起学*了BI技术的演进历程，从过去的电子表格发展到如今的云端和高级工具。我们了解到，尽管技术不断变化，但核心基础技能（如SQL）是持久的。对于初学者而言，关键在于保持专注，并尽早确定自己希望深入的专业方向（如基础设施、系统设计、数据分析或可视化），从而有针对性地学*所需技能。持续关注行业趋势，并利用可迁移的技能，能帮助你在快速变化的技术环境中保持竞争力。

072：总结回顾

在本节课中，我们将回顾作为商业智能（BI）专业人士在构建数据系统后，为确保其持续有效运行所需掌握的关键维护与优化概念。

上一节我们探讨了数据质量测试和业务规则验证的重要性，本节中我们来看看如何维护存储系统以及优化数据管道。

作为一名BI专业人士，你的工作并非在为公司构建完数据库系统和管道工具后就结束了。

确保这些系统持续按预期工作，并在潜在错误演变成问题之前处理它们，同样至关重要。

为了应对这些持续性的需求，你已经学*了很多知识。

首先，你探索了在ETL系统中进行质量测试的重要性。

这涉及检查输入数据的以下方面：

以下是数据质量测试的核心维度：

完整性：数据是否完整无缺失。
一致性：数据在不同来源或系统中是否保持一致。
合规性：数据是否符合预定义的格式和标准。
准确性：数据是否正确反映了真实世界的情况。
冗余性：数据是否存在不必要的重复。
完整性：数据关系（如外键约束）是否保持完整。
及时性：数据是否在需要时可用。

接着，你研究了模式治理，以及模式验证如何通过确保输入数据符合目标数据库的模式属性，来防止其引发系统错误。这可以防止因数据结构不匹配导致的处理失败。

之后，你发现了验证业务规则是优化过程中的一个重要步骤，因为它能确保输入的数据满足使用该数据的组织的业务需求。

维护用户与之交互的存储系统，是确保你的系统满足业务需求的重要组成部分。

这就是数据库优化如此重要的原因。

但确保在不同位置间移动数据的系统尽可能高效，也同样重要。

而这正是优化管道和ETL系统的用武之地。

接下来，你将迎来另一次评估，相信你能顺利完成。

提醒一下，在准备过程中，你可以复*任何学*材料以及最新的术语表。

因此，在评估前，请随时重温任何视频或阅读材料以巩固记忆。

在此之后，你将有机会通过亲自开发BI工具和流程，将所学的一切付诸实践。

你在通往BI职业的道路上取得了出色的进展。

本节课中我们一起学*了BI系统构建后的持续维护策略，包括数据质量测试、模式治理、业务规则验证，以及数据库和管道的优化。掌握这些知识能确保你构建的数据基础设施稳定、高效且持续满足业务需求。

谷歌商业智能：第34章：可选复*：数据完整性

概述

在本节中，我们将探讨数据完整性的概念及其在数据分析中的重要性。我们将了解数据完整性受损的各种风险，并讨论如何在分析前检查数据完整性，以确保结论的准确性。

数据完整性的重要性

一次强有力的分析依赖于数据的完整性。如果你所使用的数据在任何方面受到损害，你的分析将无法达到应有的强度。

数据完整性指的是数据在其整个生命周期中的准确性、完整性、一致性和可信赖性。这听起来像是数据需要满足的许多要求，但在进行分析前检查所有这些方面是值得的。否则，你的分析可能会出错——并非因为你做错了什么，而是因为你一开始处理的数据就是错误的。

当数据完整性较低时，可能导致从图像中丢失一个像素到做出错误的医疗决策等各种后果。在某些情况下，一个缺失的部分可能使你所有的数据都变得无用。

数据完整性受损的途径

数据完整性可能通过多种不同的方式受到损害。数据每次被复制、传输或操作时，都有可能受损。

数据复制：指将数据存储在多个位置的过程。如果你在不同时间、不同地点复制数据，你的数据就有可能不同步。这种数据缺乏完整性，因为不同的人可能没有使用相同的数据来得出结论，从而导致不一致。
数据传输：指将数据从存储设备复制到内存，或从一台计算机传输到另一台计算机的过程。如果你的数据传输被中断，你最终可能得到一个不完整的数据集，这可能无法满足你的需求。
数据操作：涉及更改数据以使其更有组织、更易于阅读的过程。数据操作旨在提高数据分析过程的效率，但过程中的错误可能会损害这种效率。

此外，数据还可能因人为错误、病毒、恶意软件、黑客攻击和系统故障而受损，这些都可能导致更严重的问题。

确保数据完整性

上一节我们介绍了数据完整性受损的风险，本节我们来看看如何应对这些风险。好消息是，在许多公司中，数据仓库或数据工程团队负责确保数据完整性。因此，通常会有其他团队成员支持你的工作。

在明确了所处理的数据类型后，重要的是在分析前再次检查你的数据是否完整和有效。这将有助于确保你的分析和最终结论是准确的。

无论是由你本人还是公司的其他人员执行，检查数据完整性都是处理数据、为分析做准备的关键步骤。

总结

本节课中，我们一起学*了数据完整性的核心概念。我们了解到，数据完整性关乎数据的准确性、完整性和一致性，是可靠分析的基石。数据可能在复制、传输或操作过程中受损。虽然数据工程团队通常负责维护数据完整性，但数据分析师在分析前进行数据完整性检查同样至关重要，这能确保分析结果的有效性和可信度。

074：元数据 📊

在本节课中，我们将要学*一个数据库管理中的核心概念——元数据。我们将了解什么是元数据，它在数据分析中的重要性，以及数据分析师在工作中会遇到的三种主要元数据类型。

什么是元数据？

上一节我们介绍了在数据库中组织数据的不同方式。本节中，我们来看看如何描述这些数据。

元数据是用于描述数据的数据。它不是数据本身，而是关于数据的信息。在数据分析中，元数据帮助分析师理解和解释数据库中数据的内容，从而使其能够被用于解决问题和做出数据驱动的决策。

为了理解这个抽象概念，让我们从一些日常例子开始。

日常生活中的元数据示例

以下是元数据在我们生活中的两个常见应用：

照片元数据：当你用智能手机拍照时，设备会自动收集并存储关于这张照片的信息。例如，文件的类型、拍摄的日期和时间、地理位置（拍摄地点）以及使用的设备型号。
电子邮件元数据：每次发送或接收电子邮件时，元数据会随消息一同传递。这包括邮件的主题、发件人、收件人、发送日期和时间，甚至邮件从发送到送达所花费的时间。

数据分析中的元数据类型

作为数据分析师，你通常会遇到三种常见的元数据类型：描述性元数据、结构性元数据和管理性元数据。

描述性元数据

描述性元数据用于描述和标识数据，以便在后续时间点能够找到它。

以图书馆中的一本书为例，其描述性元数据包括：

书脊上的代码，即唯一的国际标准书号。
书的作者。
书的标题。

结构性元数据

结构性元数据指示数据的组织方式，以及它是否属于一个或多个数据集合。

再次以图书馆为例，结构性元数据的一个例子是：

一本书的页面如何组织成不同的章节。

此外，结构性元数据还跟踪两个事物之间的关系。例如，它可以表明一份书籍手稿的电子文档实际上是当前印刷版书籍的原始版本。

管理性元数据

管理性元数据指示数字资产的技术来源。

我们之前查看照片信息时，看到的就是管理性元数据。它显示了文件的类型、拍摄的日期和时间等信息。

理解元数据：一个类比

最后，用一个类比来帮助你理解元数据：如果你想去图书馆借一本书，你可以先研究这本书的标题、作者、页数和章节数——这些都是元数据，它们能告诉你很多关于这本书的信息。但是，你必须真正阅读这本书，才能知道它的具体内容。

同样，你可以阅读关于数据分析的知识，但你必须完成本课程才能获得谷歌数据分析证书。所以，请继续前进，以获得新的视角。

本节课中我们一起学*了元数据的概念。我们了解到元数据是“关于数据的数据”，它对于理解和有效使用数据库中的数据至关重要。我们还探讨了数据分析中三种主要的元数据类型：描述性、结构性和管理性元数据，并通过日常例子和类比加深了理解。掌握元数据是成为 proficient 数据分析师的关键一步。

075：欢迎来到模块4

在本节课中，我们将学*如何利用课程期末项目来构建你的职业作品集，并为求职面试做好准备。我们将探讨作品集的重要性、如何通过项目展示技能，以及如何将课程所学转化为求职优势。

大家好，很高兴再次与大家见面。我是安妮塔，谷歌的高级商业智能分析师。

我将回来讨论你们课程期末项目的下一部分，以及如何将其用于求职。

你准备好开始在商业智能领域求职了吗？第一步是创建一个能展示你技能的作品集和简历。

你的作品集将是一系列材料的集合，可用于展示你的技能以及解决商业智能问题的方法。

构建作品集的一种方法是完成能够展示你所学知识的项目，例如本课程的期末项目。

这个期末项目也是一个非常宝贵的机会，可以锻炼你的面试技巧。当潜在雇主评估你时，他们可能会询问你过去如何应对挑战的具体例子。

你可以利用你的作品集来讨论你解决过的实际问题。

此外，一些雇主可能会在面试中要求你完成另一个案例分析。通过练*创建自己的案例分析，意味着你将能为这些面试做好更充分的准备。

你已经探索过体验式学*，即通过实践来理解的理念。

这个期末项目也是一个绝佳的机会，可以真正了解组织如何日常使用商业智能，练*你的新技能，并充分展示你的商业智能知识。

为了完成期末项目，你将获得关于业务案例的更多细节。

然后，你将使用你完成的关键商业智能文档，创建一个将数据输送到报告表的管道系统。

之后，你可以使用这些表来设计数据看板，与利益相关者分享洞察。

当你完成这个项目时，你将拥有一个可以添加到作品集中的完整案例分析。

你还将拥有记录你每一步过程的文档，可用于向未来的招聘经理解释你的工作。

目前，你可能已经完成了期末项目的一部分。现在，你即将完成本课程的下一部分，这意味着你已经掌握了应对下一阶段所需的一切知识。

准备好了吗？那么让我们开始吧。

在本节课中，我们一起学*了如何将课程期末项目转化为求职的有力工具。我们明确了构建作品集的重要性，了解了如何通过实际项目展示技能，并认识到完成案例分析对面试准备的帮助。接下来，我们将深入项目细节，开始构建你的商业智能管道系统。

谷歌商业智能课程：第37章：继续您的课程期末项目

在本节课中，我们将把之前学到的数据库设计、BI工具（如管道和ETL系统）构建以及性能优化知识，应用到课程期末项目中。我们将开始处理项目数据，构建自动化关键流程的BI工具。

在之前的课程中，我们已经了解了项目场景、案例细节，并制定了利益相关者需求、项目需求和战略文档。现在，项目的重要基础已经奠定，是时候开始思考数据部分了。

本节课程中，我们将开始使用数据库，以创建能够自动化关键流程的BI工具。这些流程包括在将数据读取到报告用的目标表之前，对数据进行移动和转换。

接下来，您将执行以下步骤：

以下是项目启动的核心步骤列表：

访问项目数据：获取并熟悉项目所需的数据集。
探索数据库系统设计模式：理解数据库的结构和关系设计。
观察团队工作以确定需求：分析团队成员如何使用数据，明确他们的具体需求。
使用必需的指标和事实构建管道：基于需求，构建数据管道来处理和转换数据。

这些流程将使您的团队能够将时间集中在日常工作的其他方面，同时自动完成数据的移动和转换，以便立即用于报告和仪表板。

这些报告和仪表板将为您的利益相关者提供最新的洞察，并使他们能够直接从数据中获取答案。

课程期末项目的这一部分是向潜在雇主展示您具备此项能力的绝佳机会。请记住，开发这些工具是一个迭代的过程，因此您可以：

while (has_new_ideas || learns_new_things) { continue_to_build_and_improve(); }

总结

本节课中，我们一起学*了如何将数据库设计、管道构建和ETL系统知识应用于期末项目。我们概述了启动项目的步骤：访问数据、探索设计、明确需求并构建管道。这个过程是迭代的，旨在自动化数据处理，为生成洞察力的报告和仪表板提供支持。

谷歌商业智能课程：期末项目：持续成功技巧

在本节课中，我们将探讨如何展示你的期末项目成果，使其成为求职时的有力工具。我们将学*如何向潜在雇主清晰阐述你的工作流程、技能和项目价值。

在期末项目的这个阶段，你已经完成了大量工作。

你已经与利益相关者协作，确定了他们的需求，并创建了重要的项目规划文档。

随后，你利用这些文档探索了项目数据，并构建了系统来交付数据。

当你继续完善期末项目时，需要考虑如何突出你的工作流程，并向潜在雇主和招聘经理解释你所完成的工作。

首先，重要的是认识到，作为一名商业智能专业人士，你可能需要学*并适应新的工具。市场上有许多优秀的解决方案，不同的企业根据其需求会使用不同的商业智能工具。

请记住，你已经学到了许多可迁移的技能，这些技能可以应用于不同的工具。

你也理解了观察和理解利益相关者如何使用数据的重要性，以便更好地满足他们的数据需求。

你认识了不同类型的数据库和存储系统，以及它们如何在更大的数据库系统中发挥作用。你理解了数据管道背后的逻辑，即数据摄取、转换和交付。这些都是在求职面试中值得强调的技能，无论职位要求使用何种工具。

此外，务必始终考虑你的受众。正如你在整个课程中所学到的，你经常需要与具有不同技术水平的不同类型的利益相关者合作。

当你与他们沟通时，请记住他们是谁、他们的目标是什么、他们已经知道什么以及他们需要知道什么。

这一点在你与面试官讨论期末项目时同样适用。通常，参与或旁听你面试的人不一定都是商业智能专业人士。

例如，招聘经理可能不像你那样对商业智能流程有详细的了解。

为了让你的展示与他们相关，请尝试记住关于受众的那些关键问题。

你的面试官面临一个业务挑战，就像商业智能项目中的利益相关者一样。他们有一个空缺的职位需要填补。思考他们需要了解你的哪些信息，以便做出解决这个挑战的决定。

接下来，我们将学*如何向利益相关者展示商业智能洞察，并为他们提供可用于决策的相关数据访问权限。

在本课程结束时，你将通过创建数据看板和演示文稿来完成你的期末项目。很快，你就将拥有一个完整的作品集案例研究。

总结

本节课中，我们一起学*了如何将期末项目转化为求职优势。关键点包括：强调可迁移的技能、理解数据管道的核心逻辑（数据摄取、转换和交付）、以及在沟通时始终以受众为中心。记住，向面试官展示项目，就如同向项目利益相关者汇报，需要清晰阐述你如何理解需求、解决问题并交付价值。准备好这些，你的项目就能成为展示你商业智能专业能力的绝佳案例。

078：路易斯的面试准备建议 🎯

在本节课中，我们将学*来自谷歌数据与分析经理路易斯的面试准备建议。课程将涵盖如何系统性地准备面试，包括理解职位、准备作品集、展示技术影响力以及进行有效演练。

面试前的系统性准备 📝

上一节我们介绍了课程概述，本节中我们来看看如何进行面试前的系统性准备。

我叫路易斯，是谷歌的数据与分析经理。当我准备面试时，我喜欢准备一份文档，在其中描述以下内容：

以下是准备文档应包含的核心要素：

职位理解：描述目标职位是什么。
面试类型：分析该公司典型的面试问题和面试形式。
团队与组织：了解我所申请的职位所在的团队或组织。
团队项目：研究帮助该团队成长和取得卓越成就的项目。
技术准备：准备技术层面的内容。

具体而言，需要准备作品集，理解我想要展示的影响力，确保这些内容与公司战略保持一致，并至少花两周时间为首次面试做好充分准备。

打造你的个人品牌：作品集 🎨

上一节我们讨论了系统性准备，本节中我们来看看如何通过作品集打造个人品牌。

作品集是你过去经验和项目的集合，你认为这些内容有助于向面试官展示你的能力。本质上，它就是你的个人品牌。

你需要确保项目能够展示你品牌的价值。我通常看到的一个常见错误是，在技术层面缺乏对影响力的展示。

以下是准备作品集时需注意的关键点：

明确目的与结果：确保你理解为何创建某个数据解决方案，其成果是什么。
量化影响力：明确其影响力，以及你如何衡量该影响力。
解释方案选择：确保你能够解释为何选择特定解决方案，而非其他方案。
规划后续步骤：确保你能够定义并解释基于此解决方案的下一步可以做什么。

关键演练与反馈 🔄

上一节我们介绍了如何准备作品集，本节中我们来看看面试前的关键演练步骤。

当你准备面试时，确保与其他人进行模拟面试练*。这一点非常重要。

以下是进行有效演练的核心要点：

传递正确信息：确保你能够传达正确的信息。
聚焦影响力：将重点放在影响力上。
最佳自我展示：确保你能够以最佳方式推销自己。

你需要为面试做好充分准备。与你信任的人、你乐于接受其反馈的人进行演练，是让你准备就绪的关键。

超越课程：拓展人脉与交流 🤝

上一节我们探讨了面试演练，本节中我们来看看如何超越课程内容，为职业发展铺路。

如果商业智能确实是你想追求的道路，学*本课程是迈出的非常好的第一步。但你不应止步于此。

以下是推动你职业发展的建议：

走出去交流：走出去与人们交流。围绕数据和商业智能有众多的线下聚会。
融入社群：不要觉得你在这条路上是孤独的。有很多人可以帮你拓展人脉、建立联系。
分享与学*：你将能够分享知识，同时也能从他人那里获得知识。

总结 📚

本节课中，我们一起学*了路易斯关于商业智能岗位面试的系统性准备方法。我们了解了如何通过准备文档来深入理解职位和团队，如何打造一个能清晰展示技术影响力和个人品牌价值的作品集，以及通过模拟面试演练来优化自我展示。最后，我们认识到持续学*、积极拓展行业人脉和交流对于职业成长至关重要。记住，充分的准备和主动的社区参与是迈向成功的关键。

079：课程总结

在本节课中，我们将对已完成的课程内容进行回顾与总结，梳理在数据库建模、数据管道及BI工具等方面所学的核心知识。

恭喜你完成了又一门课程。你离完成整个项目并获得证书又*了一步。

你已经学到了很多知识，现在可以花点时间回顾一下本课程涵盖的所有内容。

🗂️ 核心知识回顾

以下是我们在本课程中探讨的几个关键领域。

数据库建模与设计：你学*了数据库建模、设计模式，以及如何使用数据库模式来描述这些设计模式。
数据库类型与用途：你了解了多种类型的数据库，以及它们在数据库系统内的不同用途。
数据管道与处理：接着，你探索了数据管道，以及ETL和ELT过程如何帮助将数据送达所需之处，并在此过程中对其进行转换以使其变得有用。
数据存储系统：你还学*了在管道中可能用到的不同数据存储系统。
BI工具与协作：此外，你探索了更常见的BI工具以及如何有效地与利益相关者互动。你甚至有机会创建了自己的管道。
流程优化：随后，通过探索数据库和管道优化，你能够思考BI流程和系统通常是迭代式的。

🚀 后续学*展望

在回顾了坚实的基础之后，接下来你将迎来更令人兴奋的发现。

既然你已经理解了如何创建系统以向利益相关者交付数据，现在是时候开始思考如何呈现这些数据，并使其易于访问和用于决策。

在下一门课程中，你将学*更多关于如何为BI设计可视化和仪表板，并呈现这些见解的知识。

到目前为止，做得非常出色。

本节课总结：我们一起回顾了数据库建模、多种数据库的应用、数据管道（ETL/ELT）的构建、数据存储系统的选择、BI工具的使用以及与利益相关者的协作方法。这些知识构成了商业智能系统的基石。接下来，我们将进入数据呈现与决策支持的阶段，学*如何通过可视化和仪表板将数据转化为清晰的见解。

080：课程介绍

在本节课中，我们将要学*商业智能（BI）专业人士的核心工作流程，并重点介绍数据监控与报告的重要性。课程将引导你了解如何通过创建有效的仪表板来支持业务决策。

当一位商业智能专业人士开展项目时，他需要同时处理多项任务。

他们应用有效的BI实践和工具，以产生积极影响。

他们与利益相关者沟通并管理其期望。他们提取数据、转换数据并加载数据。他们优化和维护数据库。

然后，他们将开始BI专业人士角色中下一个令人兴奋的部分：监控与报告。

这些活动汇集了BI的各个方面，以产生一个可用的工具——能够被他人分享和理解的可视化数据。毕竟，分享数据才能使其发挥力量。这是信息转化为智能的关键途径之一。

欢迎来到谷歌商业智能证书的最终课程。

我是你们的讲师Ternce，是谷歌的一名商业智能分析师。

我很高兴能与你们一起探索数据监控与报告。作为谷歌的BI分析师，我的职责是深入理解利益相关者试图解决的问题，并进一步利用我们的数据为这些问题提供解决方案。

有时，这些解决方案是简单的数据查询或报告中的数字表格，但最好的解决方案通常是带有交互式可视化的仪表板，它能立即将注意力引向最重要的趋势和洞察。这可以为你的团队节省大量工作时间。

在本课程中，我们将专注于为利益相关者构建可视化和报告。为此，BI专业人士会创建可视化和仪表板，以监控随时间变化的数据并持续回答业务问题。

然后，他们将这些仪表板呈现给利益相关者，并随着时间推移不断改进。这使得企业能够使用专门构建的监控工具做出快速、明智的决策。需要提醒的是，仪表板是一种监控实时传入数据的交互式可视化工具。

你可以为各种目的创建仪表板，但BI专业人士主要使用它们来展示为特定业务目的而收集、分析和跟踪的数据。

在本课程中，你将学*设计仪表板、沟通其范围，并随着业务需求的发展改进可视化效果。

首先，你将了解为了准备合适的仪表板，需要知道关于项目的哪些信息。

你将探索如何通过为仪表板设计交互性来赋能利益相关者。

你还将获得关键的工具和技术来自行设计仪表板。

首先，你将制定一个创建仪表板原型的计划。然后，你将探索Tableau——一个常用的数据可视化工具，它将使你能够在接下来的练*中设计自己的仪表板和演示文稿。

你将学*如何做出适当的设计权衡，以及是否在SQL中预先聚合你的数据。

接着，你将着手设计图表，并将它们组织成简单有效的仪表板。

你将优化你的可视化效果，以适应不断变化的业务需求。

此外，你将获得一些与利益相关者进行演示和沟通的绝佳策略。

与用户就业务需求和项目范围进行清晰的对话，有助于你为利益相关者、客户或用户创建最佳工具。你肯定会运用这些沟通技巧来分享你的工作，并开启你作为BI专业人士的职业生涯。

一旦你掌握了这些技能，你将有机会在一个真实的业务场景中应用它们。你将评估利益相关者的需求，并决定如何最好地规划、构建和迭代一个仪表板。

那么，让我们开始吧。我迫不及待地想与你分享BI这个激动人心的世界。

本节课总结

本节课我们一起学*了商业智能专业人士的工作全景，特别是数据监控与报告的核心地位。我们明确了仪表板作为交互式工具的价值，并概述了本课程将带你从理解需求、设计原型、使用工具（如Tableau）、做出技术权衡，到最终呈现和迭代仪表板的完整学*路径。准备好开启你的BI仪表板构建之旅吧。

081：特伦斯-作为商业智能分析师的一天

在本节课中，我们将跟随谷歌商业智能分析师特伦斯的分享，了解他日常工作的核心内容、所需技能以及他对这个领域的深刻见解。你将了解到商业智能分析师如何连接数据与业务决策，以及驱动成功的核心素质。

我是特伦斯，是谷歌的一名商业智能分析师。我的团队隶属于谷歌财务组织下的一个核心数据与分析团队。我们的工作是帮助公司在人员编制、资金投资、基础销售、收入表现和盈利能力等相关方面做出决策。我们提供各类指标，以支持财务工作范围内的决策制定。

对于商业智能领域，我并没有接受过学校里的正式培训。我的职业生涯始于一名传统的财务分析师。后来，我发现自己被编写SQL、创建数据管道这类工作所吸引，这些工作能让数据变得对每个人都有用。当时，商业智能这个角色正逐渐崭露头角，而我发现自己确实被它深深吸引。

在我的日常工作中，就商业智能工具而言，我更多地偏向项目管理侧。这要求我对团队使用的工具有非常深入的了解，这些工具最终会被我们的数据工程师用来构建数据管道。无论是Google Cloud Platform和BigQuery，还是最终的数据看板工具，我都需要涉猎。我会全程跟进项目，从概念构思开始，理解数据来源，评估项目可行性，到确认数据是否以可被提取和转换的形式存在。

我最重要的心得之一是：最简单的解决方案往往是最强大的。而真正理解这些解决方案是什么的唯一途径，就是坐下来，真正从你的利益相关者和用户那里理解他们想要解决什么问题。

你必须拥有好奇心。你必须怀有强烈的热情，去主动了解：你们的业务是如何运作的？你们面临什么问题？你们试图回答哪些问题？你们的日常工作是什么样的？你必须先建立这种基础性的、然后深入的理解，才能真正利用那些可能对你可用的数据，并更进一步，从中提炼出重要的洞见，让他们能够基于以前甚至不知道存在的数据来做出决策。

你需要对理解业务怀有热情。保持好奇，理解他们面临的问题。最终，这正是我觉得这个领域真正有趣的地方：能够有机会、被授权去理解业务面临的问题，并利用数据为这些问题提出真正富有创造性的解决方案。

本节课中，我们一起学*了商业智能分析师在谷歌财务团队中的角色与日常工作。特伦斯分享了他的职业路径，从财务分析师转向BI，并强调了项目管理、技术工具理解（如GCP和BigQuery）以及全程跟进项目的重要性。他指出了成功BI分析师的核心在于对业务的深刻理解、强烈的好奇心，以及将简单方案转化为强大洞察的能力。关键在于通过数据创造性地解决实际业务问题。

082：欢迎来到模块1 🚀

在本模块中，我们将学*商业智能仪表板的基础知识，探索其与其他数据分析仪表板的区别，并了解动态可视化在回答业务问题中的强大作用。我们还将学*规划仪表板的具体步骤，包括创建线框图，并介绍在专业环境中构建BI可视化可能用到的工具。

什么是BI仪表板？📊

在接下来的课程中，我们将探索BI仪表板的基础知识，并了解它们与其他类型的数据分析仪表板有何不同。

我们还将发现动态可视化是回答业务问题的绝佳方式，尤其是当这些问题的答案会随时间变化时。

仪表板的交互性与规划 🛠️

你将学*仪表板的交互性如何赋能于你为之构建的利益相关者。

同时，我们将深入探讨规划仪表板时需要采取的具体步骤。为此，你甚至将创建自己的线框图，这是仪表板构建过程中的关键一步。

以下是规划仪表板的核心步骤：

明确业务问题与目标用户。
确定关键绩效指标与数据来源。
设计线框图，规划布局与交互逻辑。
选择并利用合适的工具进行开发。

工具准备与课程展望 🎯

最后，你将了解在专业环境中构建BI可视化可能使用的各类工具。

如果你尚未准备，你需要安装并设置Tableau，这是本课程中将使用的可视化工具。

接下来的课程将为你的仪表板学*之旅奠定基础。

083：商业智能中的数据可视化 📊

在本节课中，我们将要学*数据可视化在商业智能（BI）中的独特角色和应用。我们将探讨它与数据分析（DA）中可视化的区别，并理解BI可视化如何支持长期的、动态的业务决策。

你可能知道，数据可视化是数据的图形化表示。

也许你甚至有一些创建图表、图形和其他类型数据可视化的经验。如果你已经获得了谷歌数据分析师证书，你探索了许多关键的数据可视化概念，包括可访问性和设计思维。如果你愿意，可以在继续前进之前花些时间重温这些课程。

因此，你对数据可视化有一些熟悉度。

但你是否知道，数据分析可视化与商业智能可视化并不完全相同？

在许多方面，它们非常相似。两者都是数据的视觉表示，旨在向解读它们的人传达洞察。它们的目标是以清晰且易于理解的方式分享数据。

然而，它们在上下文上有所不同。

一个数据分析（DA）可视化旨在回答一个具体的业务问题，例如：“我们公司今年的收入趋势如何？”。这个图表仅使用现有数据。

另一方面，一个商业智能（BI）可视化寻求长期回答这个问题。因此，BI专业人员可能会问：“收入年同比趋势如何？以及与收入相关的哪些其他指标可能预示着收入趋势即将发生变化？”

一个BI可视化跟踪或监控与一个持续存在的业务问题相关的数据。这意味着有时它是为尚不存在的数据而构建的。

此外，来自数据分析可视化的洞察通常用于做出一个重要的业务决策。然而，BI可视化用于现在做出一个决策，但未来随着跟踪数据的更新和新洞察的出现，会做出另一个决策。

通过这种方式，BI可视化通常比静态图表更动态，这意味着它们是交互式的或会随时间变化。

在创建数据看板时，BI专业人员采取的方法与数据分析师不同。这是因为他们的工作超越了构建和设计看板，还包括随着时间的推移对其进行维护。

以下是具体步骤，说明BI专业人员如何维护一个动态的数据看板：

以下是BI专业人员维护动态数据看板的步骤示例：

初始设计与构建：BI专业人员设计一个包含多种图表类型的看板，以便用户轻松识别关键指标和KPI。
监控与接收反馈：随着时间推移，行业或业务需求可能发生变化。利益相关者可能会提出新的需求。
评估请求：BI专业人员负责解读利益相关者的请求，评估其合理性和可行性。
实施更新：将合理的更新请求实施到看板中，例如添加新的KPI或重新排列视觉元素。
持续迭代：通过不断更新，确保看板能够长期为决策提供信息、解决问题并回答关键问题。

例如，假设一家航空公司的BI专业人员为利益相关者设计了一个看板，用于监控未来10年的新飞机需求。他们包含了六种不同的图表类型，以便用户可以轻松识别与消费者旅行频率、飞机有用生命周期、新飞机需求等相关的关键指标和KPI。

但如果行业发生了变化，利益相关者可能会要求新的KPI、不同的视觉元素排列或类似的更新。BI专业人员的职责就是解读他们的请求，判断其是否合理可行，并将其落实到看板中。

这样，看板就能长期地为决策提供信息、解决问题并回答关键问题。

正如你所了解的，主动响应变化并保持持续有用的能力是商业智能的重要组成部分。

下一节，我们将更深入地探讨如何通过数据可视化赋能利益相关者。

本节课中，我们一起学*了商业智能中数据可视化的核心特点。我们明确了BI可视化与DA可视化的关键区别在于其长期性和动态性，它旨在监控持续的业务问题并支持迭代决策。我们还通过一个航空公司的例子，了解了BI专业人员如何构建和维护一个能够适应变化、持续提供价值的动态数据看板。

084：赋能利益相关者 📊

在本节课中，我们将要学*商业智能（BI）专业人士如何通过构建数据工具来赋能利益相关者，使他们能够自主地探索数据并做出明智的商业决策。核心在于理解数据看板（Dashboard）的本质、作用及其构建逻辑。

数据看板的本质与目的

作为一位BI专业人士，你将构建用于监控和展示重要业务数据的工具。

在学*过程中，你需要理解，追踪这些数据并将其构建成数据看板的主要目的，在于赋能利益相关者，让他们能够自主解答其核心的数据问题。

数据看板本质上是一个工具。例如，一个追踪年度收入的数据看板，可以讲述一家小企业如何一夜之间爆红的故事；而一个监控全球市场的看板，则可以告诉你某个特定市场的竞争加剧了。

数据看板所讲述的故事，提供了关于公司数据当前状况的重要信息。这些故事进而为采取行动创造了机会。例如，一家面临新竞争的公司现在知道，它需要推出新的产品线或改进现有产品。

可视化 vs. 原始数据

可视化图表比原始数据更有帮助，因为它们能使数据洞察变得更加清晰和易于理解。有时，如果没有可视化，一些重要的趋势可能几乎无法被识别。

例如，在这份关于公司国际销售额的电子表格中，所有数据都在这里，但其含义并不直观。

| 年份 | 国家A销售额 | 国家B销售额 | 国家C销售额 |
|------|-------------|-------------|-------------|
| 2018 | $100,000    \| $150,000    | $200,000    |
| 2019 | $120,000    \| $180,000    | $220,000    |
| 2020 | $90,000     \| $160,000    | $250,000    |

另一方面，基于这些数据构建的数据看板可以更清晰地呈现实际情况。毕竟，数据看板的主要目的不仅仅是美观，而是回答问题或解决问题。

想象一下，你需要查找公司2019年的总销售额。数据看板中的这个图表可以非常简单地回答这个问题：

年度总销售额柱状图：
2018: $450,000
2019: $520,000  <-- 目标数据点
2020: $500,000

你可以轻松地找到2019年销售总额的数据点。

数据看板的交互性与灵活性

数据看板还具有交互性，这使其成为极其灵活的工具，将主动权交到用户手中。

数据看板不会在回答一个问题后就失去其效用。相反，根据用户的搜索内容和使用方式，它可以回答多个问题。

回到我们的例子。假设一位利益相关者想使用数据看板来找出哪个国家在所有年份中的总销售额最高。他们只需在看板环境中更改设置，即可聚焦于不同的数据，或以不同的方式查看相同的数据。

通过创建和维护这样一个多功能工具，BI专业人士可以减少他人的工作量。与其构建10个独立的图表来回答10个问题，一个交互式数据看板就能完成任务。

BI专业人士的角色

正如你所知，你的利益相关者使用你构建的工具来做出明智的商业决策。因此，作为BI专业人士，你的角色很少涉及解释你的数据看板所显示的数据。

相反，你将创建一个能够赋能用户，让他们自行解读数据的看板。因此，你需要确定数据看板需要实现什么功能，构建合适的工具，并随着时间的推移对其进行维护和改进。

总结与展望 🚀

本节课中，我们一起学*了数据看板的核心价值：它是一个赋能工具，旨在让利益相关者能够自主、灵活地探索数据并获取洞察。我们明确了可视化的重要性、看板的交互性优势，以及BI专业人士在其中的核心职责是构建和维护工具，而非直接解读数据。

接下来，我们将更深入地探讨利益相关者的目标，并基于数据看板计划创建一个原型设计。你很快就能踏上规划完美数据看板的道路。

085：使用线框图规划仪表板 📊

在本节课中，我们将学*如何为仪表板进行有效的规划。仪表板是商业智能中的关键工具，用于呈现数据洞察以支持决策。成功的仪表板离不开周密的规划和团队协作。

规划的重要性与协作

与任何重要的专业工作一样，仪表板需要大量规划才能做好。它们也需要大量的协作。你已经完成了商业智能规划的许多方面，包括利益相关者需求文档、项目需求文档和战略文档。在本视频中，我们将更深入地学*规划，并获取一些专门针对仪表板的策略。

需求收集与提问

通常，商业智能专业人员会与利益相关者合作，以确定仪表板需要包含哪些内容。这个过程通常始于利益相关者描述他们的需求。例如，销售或市场主管可能想要一个跟踪客户消费*惯的仪表板。他们可能要求提供展示客户再次购买同一产品的频率，或在特定节假日等购物高峰期收入增长多少的可视化图表。

在利益相关者解释他们的需求之后，商业智能专业人员会提出自己的问题。这有助于确定所涉及的细节层次。一些我喜欢问的问题是：仪表板应该做什么？它跟踪哪些关键绩效指标和维度？询问仪表板是为谁构建的也很有帮助。是需要最具体细节的人，还是只需要高层次洞察的人？

最后，商业智能专业人员必须考虑在何处找到必要的数据，以及它应该代表的时间线。当然，随着你不断获取背景信息，有无数问题可以帮助阐明任何给定的项目。你可能会发现理解上的一些空白，或者发现一些甚至利益相关者都未曾预料到的痛点。跟进这些新发现将帮助你确保更直接地满足利益相关者的需求，并为他们创建一个有效的工具。

观察与迭代

除了提问，许多商业智能专业人员还会观察利益相关者的工作。这可以是实际坐在他们的工作站旁，或者通过共享屏幕来演示特定的工作流程。这非常有帮助，因为利益相关者通常对自己的流程非常熟悉，以至于不会注意到仪表板可以在何处或如何帮助他们。这项练*需要时间，但能产生大量宝贵的洞察。

同样，与你的利益相关者一起迭代也很有价值。我们在商业智能中经常谈论迭代。作为复*，这仅仅意味着一遍又一遍地重复一个过程，以不断接*期望的结果。正如你所知，期望的结果总是在变化，这就是为什么商业智能专业人员总是在迭代。

创建低保真线框图

仪表板迭代过程的第一步是创建一个低保真线框图。低保真线框图是用于规划仪表板和评估其进度的可视化草图的简单草案。

它可能是一个关于其组织方式的纸笔模型，或者是一个数据量非常有限的仪表板。利益相关者提供反馈，你据此采取行动。共享低保真线框图是让利益相关者参与进来并充分利用协作的绝佳方式。此外，它在避免潜在错误方面非常有效。如果你做出了一个后来被证明不正确的假设，线框图可以帮助你和你的用户识别它并实施必要的修复。

总结

在本节课中，我们一起学*了仪表板规划的关键步骤。我们探讨了如何通过与利益相关者沟通、提问和观察来收集需求。我们强调了迭代过程的重要性，并介绍了创建低保真线框图作为规划起点的具体方法。清晰的规划是达成目标的最佳途径。接下来，我们将继续探索更多关于仪表板规划的内容。

086：仪表板常见误区及规避方法 📊

在本节课中，我们将要学*在创建商业智能仪表板时，因前期规划不足而可能导致的常见问题。我们将这些问题归纳为三类，并探讨如何规避它们，以确保仪表板能有效服务于业务决策。

概述

仪表板是呈现关键业务指标的重要工具。然而，如果在创建前没有进行妥善规划，很容易陷入各种误区。本节内容将引导你识别并规避这些常见问题，从而构建出更高效、更实用的仪表板。

仪表板问题的三大类型

商业智能专业人士遇到的仪表板问题主要可分为三类：数据问题、工具问题和受众问题。接下来，我们将逐一进行详细探讨。

数据问题

上一节我们介绍了问题的分类，本节中我们来看看第一类：数据问题。数据问题是指由仪表板中使用的数据本身所引发的问题。

以下是几种常见的数据问题：

数据过多：在仪表板中包含超出需求的数据，会导致仪表板运行缓慢。这类似于在数据管道中处理过多数据时遇到的性能瓶颈。
数据不足：如果包含的数据不够，可能会遗漏对利益相关者至关重要的信息，导致决策依据不完整。
数据错误：使用了不正确的数据集或错误时间段的数据，会导致利益相关者得出不准确的结论。
数据不可用：如果不了解实际可用的数据，可能会浪费时间和资源去尝试获取不存在的数据。

为了避免数据问题，在开始构建任何BI工具之前，你需要非常明确以下几点：

确保你知道应该显示什么数据以及这些数据应该来自哪里。
制定一个计划，明确如何访问数据并将其导入仪表板。
确认你有权访问这些数据，并明确你将使用的文件类型。

工具问题

了解了数据问题后，我们再来看看第二类：工具问题。这类问题涉及所使用的硬件或软件。

以下是几种常见的工具问题：

工具选择不当：每个公司可能使用特定的编程语言和数据可视化程序。在大多数情况下，BI专业人员必须使用其组织偏好的工具。虽然许多技能可以跨工具迁移，但仍需理解不同工具之间的差异，以便高效使用。
处理能力限制：某些程序或服务器在跟踪过多关键绩效指标（KPIs）时可能会不堪重负。如果太多人同时编辑同一个可视化图表，甚至可能导致系统崩溃。
硬件限制：如果在构建阶段遇到硬件限制，可能需要缩减项目范围或寻找更具创造性的解决方案，这在本课程后续内容中会进一步学*。

受众问题

最后，我们来看第三类问题：受众问题。这类问题是由于未能充分考虑用户需求而导致的。

以下是几种常见的受众问题：

信息不相关：例如，为人力资源团队创建的仪表板如果包含了财务和运营指标，这些不相关的信息会使仪表板变得杂乱，增加复杂性或引起混淆，从而降低工具对利益相关者的帮助。
隐私与权限：确保仪表板只包含用户被允许访问的信息，而非敏感或私人数据，这是你的责任。在为一个仪表板服务多个用户时，考虑不同受众的需求尤为重要。

例如，假设你正在为公司横跨非洲、亚洲和欧洲的营销团队以及首席营销官（CMO）创建一个仪表板。CMO需要所有区域的数据，而区域团队可能只需要访问自己区域的数据。在这种情况下，你需要配置隐私设置以处理多种权限。关于隐私权限如何运作，你将在后续课程中学到更多。

总结

本节课中，我们一起学*了构建仪表板时最常见的三类问题：数据问题、工具问题和受众问题。更重要的是，我们探讨了如何通过前期周密的规划来避免这些问题。对于任何BI专业人士而言，具备这种前瞻性思维是一项至关重要的技能。

087：重温Tableau技能 📊

在本节课中，我们将学*不同的商业智能（BI）数据可视化工具，了解它们的特点，并重点介绍如何将已掌握的技能在不同工具间迁移。我们还将指导你设置Tableau Public账户，为后续的实践做好准备。

数据可视化工具概览

上一节我们探讨了各种BI可视化工具可能具有不同的用户界面和工作流程。本节中，我们来看看你可能用来可视化数据和创建仪表板的不同工具，以及如何将你在一个程序中的技能迁移到另一个程序。

BI可视化工具使你能够以视觉方式呈现你为仪表板收集和准备的数据。有些程序允许你使用同一软件进行数据转换和制作仪表板。另一些则专门用于可视化，其数据转换功能有限。

在本课程中，我们将最常使用Tableau。它是一个强大的视觉分析平台，使你能够创建BI仪表板和数据可视化。Tableau被许多行业专家使用，并拥有直观友好的用户界面。

如果你已获得谷歌数据分析证书，那么你已经具备一些Tableau的使用经验。为了给接下来的内容做好准备，你可以花些时间复*那些课程。

其他常用BI工具简介

作为一名BI专业人员，你可能还会用到其他一些程序。以下是几个主要工具的简要介绍：

Google Data Studio：这是一个专注于简洁性的报告工具。它更侧重于报告而非数据转换，但仍可用于创建各种仪表板。
Looker：这是一个类似于Tableau的数据聚合和仪表板工具。它使用自己特有的建模语言，称为 LookML。
Power BI：这是微软的仪表板和报告工具，与Tableau类似。根据你处理的数据量，它的某些功能可能提供不同的能力。

这些程序的行为方式相当类似。在本课程中，你可以使用其中任何工具来完成活动，但请注意，大部分操作说明将针对Tableau的用户界面和功能进行定制。如果你选择使用其他程序，可能需要采取额外或不同的步骤来完成相同的任务。

课程实践准备：Tableau Public

为了开始接下来的活动，你需要设置你的Tableau Public账户。Tableau Public是一个免费的在线平台，用于探索、创建和公开分享数据可视化。你可以在任何操作系统上免费使用它来执行Tableau的大部分功能。

第二个活动是可选的。在该活动中，你可以将Tableau Public桌面版应用程序下载到你的电脑上。虽然浏览器版本的功能几乎完全相同，但有些人可能更喜欢桌面版本，因为它仅在Windows和Mac OS上可用。不过，完成本课程并不强制要求使用桌面版。

Tableau Public桌面版确实具备一些浏览器版Tableau Public没有的功能。例如，它允许你在没有互联网连接的情况下使用Tableau。但再次强调，完成本课程的活动并不要求必须使用它。

重要注意事项与技能迁移

有一件重要的事情需要记住：这些程序都在不断更新和完善。随着变化的发生，它们的界面和功能可能会有所不同。如果遇到这种情况，请抓住机会自己解决问题。这对于你作为一名BI专业人员在实际业务场景中会遇到的大量情况来说，是极佳的练*。

你可以通过反复试验来磨练自己作为“数据侦探”的技能。如果你真的遇到困难，可以随时参考程序的帮助资源、相关论坛以及程序的客户支持。

最后一点。当你创建Tableau Public账户时，请记住，潜在雇主可以将你的公开个人资料作为你作品集的一部分进行查看。这在完成本课程项目后很有帮助。Tableau还有一个功能，可以让你告知潜在雇主你正在寻找工作机会。这可以通过在你的Tableau Public个人资料上勾选“Available for hire”（可供雇佣）选框来启用。

总结

本节课中，我们一起学*了多种BI数据可视化工具（如Tableau、Google Data Studio、Looker、Power BI）的基本特点，理解了技能在不同工具间的可迁移性。我们明确了本课程将主要使用Tableau，并指导你完成了Tableau Public账户的设置，为后续的动手实践打下了基础。记住，工具会更新，但通过自主探索和解决问题来培养的适应能力，是BI专业人士的核心技能之一。

088：总结回顾与评估准备 🎯

在本节课中，我们将对之前学*的商业智能核心知识进行总结，并了解如何为接下来的课程评估做好准备。

课程概述

在本课程中，我们深入探索了商业智能的世界。我们学*了交互式BI可视化如何赋能利益相关者做出决策，探讨了如何有效地规划数据看板，以及如何构建低保真原型。我们还设置了用于构建动态可视化所需的工具。

核心知识回顾

上一节我们介绍了课程的整体框架，本节中我们来回顾一下已掌握的核心技能。

以下是我们在本课程中学到的主要内容：

交互式BI可视化：你已了解交互式BI可视化如何赋能利益相关者自主探索数据并做出数据驱动的决策。
数据看板规划：你探索了如何有效地规划一个数据看板，确保其能精准满足业务需求。
低保真原型设计：你学会了如何构建一个数据看板的低保真原型，这是在投入开发前验证设计思路的关键步骤。
工具设置：你已经设置了用于构建动态可视化所需的工具，为实际动手操作做好了准备。

为专业环境与应用做好准备

一旦进入专业环境，你将能够运用这些经验来规划出色的数据看板。但现在，是时候将注意力转向接下来的评估了。

需要提醒的是，这些挑战旨在帮助你评估自己在本课程中的学*与进展。请将它们视为衡量你专业成长的重要标尺。

评估准备建议

在开始评估前，建议你花些时间复*任何你认为必要的材料。

以下是具体的准备建议：

复*课程材料：回顾课程中的关键概念、操作步骤和案例分析。
查阅术语表：最新的术语表包含了大量新词汇的定义和概念，是复*的好帮手。

祝你顺利。你一定会表现出色。😊

课程总结

本节课中，我们一起回顾了商业智能基础、洞察路线（模型与管道）以及决策支持（数据看板）的核心学*内容。我们总结了如何利用交互式可视化、看板规划与原型设计等技能，并为接下来的课程评估做好了准备。请记住，持续复*与实践是巩固知识、实现专业成长的关键。

089：数据可视化基础

在本节课中，我们将要学*数据可视化的核心概念、历史背景及其在现代数据分析中的重要性。我们将探讨如何构建一个有效且具有说服力的可视化图表，并理解其关键构成要素。

数据可视化简介

数据可视化是数据的图形化表示和呈现。本质上，它是将信息转化为图像，以便他人更容易理解。

如果你曾看过任何形式的地图，无论是纸质的还是在线的，那么你就能确切地知道视觉图像有多么有用。数据可视化在当下正发挥着重要作用。我们被各种以不同方式展示信息的图像所包围。

可视化的历史

但数据可视化的历史远比互联网要久远。数据可视化始于很久以前的地图，地图是地理数据的视觉表现。这张已知世界的地图来自1502年。随着新大陆被绘制、关于这些地点的新数据被收集以及可视化数据的新方法被创造出来，地图制作者们不断改进他们的可视化作品。

科学家和数学家们在18世纪和19世纪开始真正接受将数据视觉化排列的想法。这个条形图来自1821年，它看起来与我们今天看到的条形图没有太大不同。

然而，自20世纪90年代数据分析的数字时代开始以来，可视化的范围和影响力随着它们所图形化表示的数据一起增长，因为我们不断学*如何更有效地通过视觉进行沟通。我们洞察的质量也随之提高。

现代数据可视化

今天，我们可以通过数据量化人类行为。我们已经学会使用计算机来收集、分析和可视化这些数据。

作为当今世界的一名分析师，你可能会在两个方面分配处理数据可视化的时间：查看可视化图表以理解和得出关于数据的结论，或者从原始数据创建可视化图表来讲述一个故事。

无论如何，始终要记住，数据可视化将是您成功的关键。这一点尤其正确，一旦您准备好向观众展示数据分析结果时。让人们理解您的观点和思维过程可能具有挑战性，但一个制作精良的数据可视化有能力改变人们的想法。此外，它可以帮助那些没有与您相同技术背景或经验的人形成他们自己的观点。

创建可视化的一个快速规则

以下是创建可视化图表的一个快速规则：您的观众应该在看到它的前五秒内确切地知道他们正在看什么。

基本上，这意味着视觉图表应该清晰且易于理解。而在接下来的五秒内，您的观众应该理解您的可视化图表所要表达的结论，即使他们不完全熟悉您一直在进行的研究。他们可能不同意您的结论。这没关系。您总是可以利用他们的反馈来调整您的可视化图表，并返回数据做进一步分析。

构建有效可视化的要素

现在，让我们来谈谈为了创建一个可理解的、有效的，以及最重要的、有说服力的可视化图表，我们必须做些什么。让我们从头开始。

数据可视化是一种将大量信息融入小空间的有用工具。要做到这一点，您首先需要构建和组织您的思路。思考您的目标以及您在梳理数据后得出的结论。然后思考您在数据中注意到的模式、让您感到惊讶的事情，当然，还有所有这些如何融入您的分析中。

识别您发现的关键要素有助于为您应如何组织演示奠定基础。

请看这个由知名数据记者David McCandless制作的数据可视化图表。

该图表包含四个关键要素：信息或数据、故事、目标和视觉形式。它被安排在一个四部分的维恩图中，这告诉我们成功的可视化需要所有这四个要素。

到目前为止，您已经学到了很多关于可视化中使用的数据的知识。这很重要，因为它是您可视化的关键构建块。

故事或概念为数据增添了意义并使其变得有趣。我们稍后将更多地讨论数据叙事的重要性。但现在，只需记住，故事和数据相结合，为您试图展示的内容提供了一个大纲。

目标或功能使数据既有用又可用。而视觉形式则创造了美感和结构。

组合要素的重要性

仅使用两个要素，您可以创建一个视觉草稿。如果您处于早期阶段，这可能有效，但不会给您一个完整的可视化，因为您会缺少其他关键要素。

即使使用三个要素也让您更接*目标，但您还没有完全完成。例如，如果您结合了信息、目标和视觉形式，但没有任何故事，您的视觉图表可能看起来不错，但不会有趣。

每个要素本身都有价值，但只有当您以一种有意义的方式将所有四个要素结合起来时，可视化才变得真正强大和有效。当您将这些要素放在一起思考时，您可以为您的观众创造有意义的东西。

在谷歌，我确保开发的可化图表能够讲述包含所有这四个要素的数据故事。我可以告诉您，每个要素都是可视化成功的关键。这就是为什么作为分析师，您必须密切关注每个要素，这一点非常重要。

可视化的目标与责任

其他人可能不知道或不理解您得出结论所采取的确切步骤，但这不应阻止他们理解您的推理。基本上，一个有效的数据可视化应该引导观众得出与您相同的结论，但要快得多。

因为我们所处的时代，我们不断被展示不同的方式来查看和吸收信息。这意味着您在设计自己的可视化图表时，已经可以参考许多您见过的视觉图像。您有能力讲述能够改变观点和思维方式的令人信服的故事。这很酷。

但您在创作这些故事时，也有责任关注他人的观点。因此，始终牢记这一点很重要。

接下来，我们将开始在数据和图像之间建立联系，为您的视觉杰作打下坚实的基础。我迫不及待要开始了。

总结

本节课中我们一起学*了数据可视化的定义、历史发展及其在现代数据分析中的核心作用。我们探讨了创建有效可视化图表的快速规则，并深入分析了其四个关键构成要素：数据、故事、目标和视觉形式。理解并整合这些要素是制作出清晰、有说服力且能引导观众快速理解结论的可视化作品的关键。作为分析师，我们既有能力通过可视化讲述有力的故事，也有责任在创作过程中考虑他人的视角。

090：欢迎来到模块2 🎯

在本模块中，我们将学*如何将商业智能计划转化为实际的图表和数据看板。我们将探讨设计可视化时的权衡取舍，应用最佳实践来创建图表，并学*如何有效地组织看板元素。

想象你正在构建一个数据看板。你已经明确了需要为用户解答的问题，并绘制了一个低保真线框图来规划将要制作的图表。此外，你也确定了需要使用的合适工具。

现在，是时候进入下一步：设计可视化。在接下来的课程中，你将有机会亲自练*创建图表和看板。

首先，我们将更深入地探讨构建商业智能可视化时必须考虑的权衡取舍。

上一节我们介绍了设计看板的准备工作，本节中我们来看看创建具体图表时的关键决策。

以下是构建BI可视化时需要考虑的主要权衡因素：

简单性与完整性：图表应易于理解，但也不能遗漏关键信息。
准确性 versus 可读性：某些图表类型（如饼图）可能牺牲精确度以提升直观性。
定制化 versus 一致性：独特的图表可能更吸引人，但遵循团队的设计规范能保证统一性。

然后，你将应用设计最佳实践和你的商业智能知识，在Tableau中创建一个图表。

完成图表后，你将探索在看板内有效组织各元素的方法。

你将再次运用你的设计技能，但这次是在更大的规模上。

并且，由于商业智能角色的一个重要部分包括维护和迭代，你将学*如何在业务需求变化时进行修改。

我们将按照以下顺序来学*看板设计，但这并非唯一方法。

你可能会倾向于在具体设计图表之前，先规划好看板的高层布局。这完全可以。每个人的设计流程都不同。

就我个人经验而言，你很少能在第一次尝试时就设计出完美的看板。

尽早与利益相关者分享你的想法，是获取反馈的好方法。

这有助于持续理解商业智能目标，并确保你不会将精力浪费在错误的问题上。

接下来的几节课将帮助你做好准备，将所学知识应用到一个现实的商业场景中，这将在本课程后续部分进行。

我希望你和我一样，对开始构建看板感到兴奋。

让我们开始吧。😊

本节课中我们一起学*了模块二的概览，明确了从规划到实现数据看板的路径。我们了解了设计过程中的关键权衡，并认识到迭代和获取反馈的重要性。接下来，我们将深入具体实践，开始创建我们的第一个图表。

091：构建仪表板时的设计权衡 📊

在本节课中，我们将要学*作为商业智能分析师在规划仪表板时，如何通过权衡取舍来最有效地呈现数据。我们会探讨不同的数据呈现方式、预聚合技术的应用，以及如何在速度、灵活性和清晰度之间找到平衡。

规划仪表板的核心任务

作为商业智能分析师，规划仪表板时的一项核心工作是确定如何以最有效的方式呈现数据。在这个过程中，你经常需要做出一些艰难的决定。

这些决定大多以权衡的形式出现。在商业智能领域，权衡涉及平衡各种因素，通常通过优先考虑一个元素，同时牺牲另一个元素，以达到最佳可能的结果。

数据呈现的权衡实例

我们在上一节课的国际销售图表中看到了一个权衡的例子。在该图表的视图中，数据设定为年度时间尺度。每个柱代表一年，柱的高度代表该年的总销售额。

但是，仪表板是灵活的，可以改变以不同的方式呈现相同的数据。例如，你可以将筛选器设置修改为季度时间尺度。现在，屏幕上显示了更多柱状图，提供了更多信息。

请注意，年度时间尺度更紧凑，因此更难解读全年发生的情况。但可用的数据简单且易于跟踪，因为它不那么密集。无论如何，选择合适的权衡取决于最终的商业目标。

例如，如果利益相关者想知道公司2019年在特定区域的年度总销售额，年度时间尺度图表提供了最清晰的答案。然而，如果他们的问题是识别过去几年中哪个季度实现了最高销售额，那么季度时间尺度图表是最好的。

更复杂的权衡：速度与灵活性

有时，权衡可能更为复杂。假设你的利益相关者希望再次按国家细分数据，但他们也提到仪表板更新太慢。

在这种情况下，相关的权衡是用户希望仪表板做得更多、更快，这是一项具有挑战性（即使不是不可能）的任务。为了找到最佳解决方案，你可能会考虑通过使用SQL对数据进行预聚合来加速仪表板。

正如你在谷歌数据分析认证中学到的，聚合是将许多单独的部分收集或聚集到一个整体的过程。因此，预聚合是商业智能专业人士用来描述在数据仍在数据库中时就执行计算过程的术语。这意味着在将数据用于分析或仪表板之前，减少行数或数据集的大小。

可以这样理解：如果你对数据进行预聚合，它将更接*你最终需要的状态。这是因为一些必要的计算将在数据在数据库中聚合并发送到数据可视化工具之前发生。

这就是权衡所在。你的数据管道将涉及更多步骤，但你的用户将能更快地获得他们需要的信息。另一方面，如果你选择在数据进入数据可视化工具后计算所有数据，这就从构建过程中消除了聚合步骤。这里的权衡是你的数据管道步骤更少，但你的用户可能会体验到更慢的结果。

也可以只预聚合部分数据，然后在导入到数据可视化平台后计算剩余部分。同样，这一切都关乎考虑利益相关者的需求，然后平衡不同因素，选择优先考虑哪个元素。

预聚合的额外成本

此外，请注意预聚合会带来另一个成本。预聚合的数据灵活性较低。想象一下，另一位利益相关者希望按商店规模来呈现销售数据。

如果你已经使用预聚合按区域合并了数据，从而将所有商店（无论其规模大小）放在一起，你就会遇到问题。

你如何解决这个问题将再次取决于具体情况。如果速度问题可以通过其他方法解决，或者你完全确定不需要灵活性，你可以做出权衡，优先考虑速度或灵活性。

总结与展望

最佳解决方案并不总是显而易见的。有时你需要发挥创造力。这正是成为一名商业智能专业人士最令人兴奋的部分之一：为难题找到创造性的解决方案。

在本节课中，我们一起学*了在构建仪表板时如何进行设计权衡。我们探讨了如何根据业务目标选择合适的数据呈现尺度（如年度与季度），深入分析了通过预聚合在数据处理速度与数据灵活性之间做出的关键权衡，并认识到没有放之四海而皆准的方案，需要根据具体情境和利益相关者需求，创造性地平衡各种因素，以设计出最有效的仪表板。

092：商业智能在谷歌支付产品中的应用 🚀

在本节课中，我们将通过谷歌支付产品运营与战略负责人迪安德烈的分享，学*商业智能在实际业务场景中如何驱动关键决策。我们将了解数据如何被收集、分析并转化为具体的市场进入策略和产品优化建议。

我的名字是迪安德烈，我是谷歌钱包的产品运营与战略负责人。

我支持产品管理组织，为谷歌推出支付产品。

我具体负责谷歌钱包应用，该应用允许用户在安卓设备上存储信用卡、会员卡、驾照和其他物品。

商业智能用于驱动组织内的关键决策。在我目前于支付部门的角色中，商业智能帮助我们识别出哪些是应继续拓展谷歌钱包的关键市场。我们查看大量不同信息，以试图理解一个市场是否已为支付解决方案做好准备。例如，与谷歌钱包兼容的设备采用率如何？商店是否已设置好可以接受非接触式支付的线下支付系统？我们利用这些数据和商业智能信息来判断一个市场是否已为像谷歌钱包这样的产品做好准备，或者是否需要在合作伙伴方面做更多工作，以确保消费者在拥有谷歌钱包时，能够在店内随时进行非接触式支付。

数据驱动的决策与沟通 💡

上一节我们了解了商业智能如何评估市场机会。本节中我们来看看，当提出建议时，数据如何成为沟通的基石。

任何时候你推荐某件事，人们都会要求查看数据。他们想知道为什么你的说法有道理。如果没有商业智能，不理解观点或建议背后的依据，以及为什么那个想法是最佳选择，就无法做到这一点。

从原始数据到可执行洞察 📊

上一节我们强调了数据在支撑观点时的重要性。本节中我们将探索如何将海量的原始反馈转化为清晰、可操作的洞察。

在之前的一个职位上，我负责了一项调查。我们询问了所有广告客户：您如何看待与谷歌的关系？它是否满足了您的需求？您的销售代表是否满足了您的需求？我们可以做哪些不同的事？我们可以如何改进？我们如何才能最好地支持和赋能您的业务？调查结束后，我们收回了大量数据。因此，我们有许多不同的数据点需要找到方法进行汇总，并提炼出核心故事。

以下是处理此类定性数据的关键步骤：

使用数据工具进行总结：利用不同的数据工具来归纳我们从各种定性回复中得到的摘要。这些反馈是积极的还是消极的？
进行高层级汇总：帮助在高层面上总结这些信息。

我认为，如果只有原始数据，期望任何人通读所有内容是不太可行的。因此，商业智能、不同的数据工具、数据专家和仪表板被用来提升信息层级，使其更容易按特定团队或特定客户进行筛选，并且能够以国家等维度查看汇总后的数字。

商业智能的职业发展路径 🧭

上一节我们探讨了数据处理的具体方法。最后，让我们看看商业智能领域的职业前景。

商业智能对于任何希望提升自身技能组合、未来迈向领导职位的人来说，都是一条极好的职业道路。

坚持下去，始终保持开放心态，不断学*和成长。我很期待也许有一天能见到大家，并与各位在商业智能领域共事。

总结

本节课中，我们一起学*了商业智能在谷歌支付产品中的实际应用。我们了解到，商业智能不仅用于分析市场准备度（如设备兼容性、支付基础设施），还是内部沟通和决策支持的关键。通过将原始调查数据汇总、提炼成高层洞察，商业智能工具和仪表板使信息更易于理解和操作。最后，商业智能被强调为一个充满前景的职业发展方向，需要持续学*和开放的心态。

093：开始创建图表 📊

在本节课中，我们将开始学*如何创建商业智能图表。我们将介绍数据可视化的核心概念，包括维度和度量，并探讨如何通过编码将这些元素转化为有效的视觉表示。课程将使用Tableau作为示例工具，但核心原则适用于任何BI平台。

访问图表构建界面

上一节我们介绍了BI的基础概念，本节中我们来看看如何实际操作。首先，打开Tableau Desktop或Tableau Public软件。跟随步骤操作是可选的，但这有助于你熟悉界面。

我们将从工作簿的“工作表一”开始，进入图表构建界面。

理解维度和度量

在构建图表前，必须理解数据的两个基本组成部分：维度和度量。

维度是用于对数据进行分类的定性数据类型。
- 公式表示为：维度 ∈ {分类数据}
- 例如：客户姓名、产品名称、地理位置。
度量是可以是离散或连续的定量数据类型。
- 在谷歌数据分析证书课程中，对离散和连续数据类型有详细解释。如需复*，可以回顾相关课程。
- 离散数据 具有有限数量的值。
  - 代码示例：学生人数 = [20, 25, 30] （班级花名册是有限的）
  - 例如：一个班级的学生人数是离散数据，因为不可能有1.5个学生。
- 连续数据 可以具有几乎任何数值，其值集合是无限的，且每个值内部包含区间。
  - 代码示例：温度 ∈ ℝ （实数集）
  - 例如：温度是连续数据，因为它可以是任何数值。

在数据可视化中，维度和度量是需要被表示的重要可追踪元素。

数据编码与视觉表示

作为BI专业人员，你需要做出的众多决策之一就是如何对这些维度和度量进行编码。

在BI中，编码描述了将维度和度量转化为数据视觉表示的过程。

以下是编码的核心步骤：

使用Tableau时，我们可以将数据集的维度或度量拖放到“标记”下拉菜单中的某个编码类型上。

以前面的例子说明，我们的“广告类型”维度可以用颜色进行编码。这意味着每种类型的广告（例如15秒可跳过广告）的线条将由不同的颜色表示。

如果我们以不同的方式编码这个维度，将会改变图表的解读方式。下图展示了同一个维度用线条粗细而非颜色编码的效果。

即使有图例解释每条线代表什么，理解数据也变得不那么直观。

设计权衡与最佳实践

编码引出了另一个你可能需要做出权衡的情况。

颜色是一种常用的编码类型。对许多人来说，它是区分信息的简单方法。然而，色盲人士可能觉得某些类型的颜色编码不太有帮助。BI专业人员通常会参考解释无障碍调色板的指南。

此外，在这种情况下，我们可以考虑对“广告类型”维度进行双重编码。例如，我们可以同时用颜色和标签对其进行编码。标签也指明了广告类型，这使得我们的可视化更清晰、更易于访问。

但这又造成了另一个权衡：因为我们使用标签来表示一种类型，图表中就有了更多的视觉元素。如果视觉元素过多，图表可能难以理解。然而，在这个例子中，增加的视觉元素并没有造成太多杂乱。

这是一个明智的权衡，因为无障碍性是构建有效可视化的关键部分。做出优先考虑无障碍性的权衡是一种设计最佳实践。

在为可视化中的数据编码时，你可能还需要做出其他类型的权衡。当这种情况发生时，请始终回顾你的业务问题和利益相关者的需求。

总结

本节课中，我们一起学*了创建BI图表的基础。我们理解了维度和度量的区别，掌握了通过编码将数据转化为视觉元素的过程，并认识了在设计可视化时可能遇到的权衡，特别是关于无障碍性的考虑。掌握了这些构建模块，你现在可以在图表中表示各种BI数据了。接下来，我们将扩展图表基础知识，并指导你使用BI数据构建自己的图表。敬请期待。

094：组织仪表板元素 📊

在本节课中，我们将学*如何将设计好的单个图表整合成一个清晰、有效的仪表板。我们将从关注单个图表的细节，转向整个仪表板的设计方法，并应用许多相同的设计原则，但规模更大。

创建与排列图表

上一节我们介绍了如何在Tableau中设计单个图表。本节中，我们来看看如何将它们组织成一个完整的仪表板。

在Tableau中，将图表（有时称为工作表）组织到仪表板中相当简单。以下是基本步骤：

创建一个新的仪表板。
将相关图表拖拽到中央的仪表板设计界面。
根据利益相关者的需求，重新排列这些图表，找到最佳布局。

假设一所大学的利益相关者希望根据潜在学生的需求来扩增课程。因此，管理层需要一个仪表板来跟踪每学期最受欢迎的课程。

我们需要将跟踪热门课程的图表放在顶部，因为它是最重要、最相关的图表。但我们可能还需要包含一个显示更通用招生数据的图表，以及一个展示附*其他大学课程受欢迎程度的图表，以便我们监控整个教育环境。

添加其他元素

除了核心图表，仪表板还可以包含许多其他元素来提升可用性。

以下是仪表板中可以包含的一些关键辅助元素：

标题和标签：清晰地说明仪表板和各部分的内容。
图例：解释图表中使用的颜色和符号。
导航栏：帮助用户在多个仪表板页面或视图之间切换。
链接：指向利益相关者可能想要参考的网页或内部文档。

Google数据分析证书课程中有很多关于这方面的课程，可以进行快速回顾。

应用设计最佳实践

一旦确定了仪表板的元素，就该应用设计最佳实践了。本课程前面已经回顾过其中几个原则。

虽然我们应该确保使用所有可用的最佳设计实践，但其中几个对于构建不让观众感到不知所措的商业智能仪表板特别有帮助。

优先级与层次结构
如果我们有一个与利益相关者问题高度相关的数据可视化，我们可以通过视觉方式强调它。方法是增加其尺寸，使其比其他可视化图表更大。较大的图表自然会比较小的图表吸引更多注意力。同时，使用颜色和负空间来突出重要元素。对比度更高的颜色更容易被注意到，而负空间（留白）可以在空旷的环境中强调某个元素。

逻辑分组
将共享同一主题或讲述一个故事的对象分组，有助于确保我们的仪表板具有逻辑流。例如，我们可以将财务数据集中放在一个区域，而不是分散在整个仪表板中。然后将与时间相关的数据放在另一个区域。

隐藏对象
创建一个可视化然后隐藏它，这听起来可能违反直觉。但我们可以将可视化组织在多个页面上，或将它们放置在下拉菜单中，从而将部分仪表板内容从主屏幕隐藏起来。

通过隐藏一些元素，我们可以突出显示其他元素，避免杂乱无章而无需删除内容，甚至可以提高处理速度。你很快就会学到更多相关内容。

按主题而非图表类型分组
最后一点，不要根据图表类型对对象进行分组。仅仅因为都是条形图就把所有条形图放在一起，这并不是一个有用的做法。相反，应该按主题或指标进行组织。

总结

本节课中，我们一起学*了如何从单个图表设计过渡到整个仪表板的构建。我们了解了在Tableau中创建和排列图表的基本步骤，探讨了可以添加到仪表板中的辅助元素（如标题、导航栏），并重点应用了几个关键的设计最佳实践：通过尺寸、颜色和负空间建立视觉层次；按逻辑主题对内容进行分组；以及合理使用隐藏功能来简化界面。记住，组织仪表板的最终目标是清晰、高效地传达信息，以支持数据驱动的决策。接下来，你将有机会应用这些设计实践来构建自己的仪表板。

095：处理速度与隐私设置 🚀🔒

在本节课中，我们将学*如何优化数据看板的处理速度，并了解配置隐私设置的基础知识。交付看板并非项目的终点，基于利益相关者的反馈进行迭代，才能使其更接*理想状态。我们将探讨影响处理速度的常见原因及其解决方案，并介绍三种主要的隐私权限级别。

优化处理速度 ⚡

上一节我们介绍了看板迭代的重要性，本节中我们来看看如何解决处理速度慢的问题。处理速度是指程序更新和加载特定数据量的快慢。负载过高会导致处理速度变慢，甚至可能使工具崩溃，从而影响使用体验。

以下是导致高负载和慢处理速度的几个主要原因：

数据量、度量与维度数量：这是最主要的原因。处理和可视化的数据量越大，速度越慢。
看板中的标签页数量：多个标签页有助于组织可视化内容，但过多也会拖慢速度。

在规划初期就应考虑如何减少负载、提升处理速度。通常，你应该先广泛收集需求，再逐步缩小范围。具体做法是：先确定关键绩效指标，再考虑并完善辅助信息。在此过程中，你可能会发现某些最初要求追踪的指标已不再相关，此时可以从看板中移除它们以提升速度。

此外，通过更改数据库中的计算方式也能优化处理速度。因为后端服务器比前端服务器更强大，能更快地处理更多数据。但如果某个计算依赖于看板中应用的筛选器，则只能在看板内部完成。对于初级BI专业人员，这种情况不常见，但需要了解。

配置看板预加载的数据量也是一个好方法。预加载较少的数据可以减轻看板压力，但需注意，这可能意味着洞察结果不如实时数据那样及时。

其他加速看板的策略包括早期数据筛选和预聚合，这些内容在本节前面已经学*过。

配置隐私设置 🔐

现在，让我们将注意力转向看板迭代过程的另一个重要部分：隐私设置。一个看板可能被公司内的许多利益相关者使用，但某些数据可能只对部分人开放。作为BI专业人员，配置隐私设置是构建和维护看板的关键环节。

以下是三种主要的隐私权限级别：

公开可用：任何人都可以访问看板。使用此无限制设置可与公众共享看板。
对象级权限：此隐私设置控制单个项目（如表、数据集或单个可视化图表）的可用性。由于其简单性，这可能是你最常使用的权限类型。授予用户对某个对象的访问权限后，撤销访问只需移除其权限即可。
行级权限：此隐私设置控制表或数据集中特定数据行的可用性。这种设置更为复杂，因为它必须在数据库中进行配置，而非在可视化工具中。配置涉及多源数据、对不同组选择性开放的复杂权限，即使是一些经验丰富的专业人士也会觉得困难。

在BI职业生涯初期，你不需要理解权限的每一个细节。你甚至可能在一个团队中，与数据工程师合作来配置这些权限。

总结 📝

本节课中我们一起学*了如何基于利益相关者的反馈迭代优化看板。我们探讨了影响处理速度的因素及优化策略，并介绍了公开可用、对象级权限和行级权限这三种核心的隐私设置类型。掌握这些基础知识，将帮助你构建更高效、更安全的数据看板。接下来，你将有机会将这些知识应用到你自己的看板项目中。

096：总结回顾

在本节课中，我们将对构建数据看板的核心概念进行总结，回顾在灵活性、交互性、设计原则以及数据处理方面所做的权衡，并展望接下来的实践环节。

课程概述

恭喜你完成本节内容。你的学*进展非常出色。

你已经深入了解了构建数据看板时涉及的各项权衡，以及这些权衡如何影响数据可视化效果。通过理解这些权衡并做出正确决策，你可以更高效地回答利益相关者的问题。

核心学*内容回顾

上一节我们介绍了数据可视化的基础，本节中我们进一步探讨了BI图表的设计。

1. BI图表设计

本课程在你先前数据可视化经验的基础上，重点强调了灵活性和交互性。你再次学*了在对数据的维度和度量进行编码时可能做出的各种权衡。

以下是设计时需要考虑的关键权衡：

细节与概览：在展示详尽数据与提供宏观洞察之间的平衡。
静态与交互：决定图表是仅供查看，还是允许用户通过筛选、下钻等方式进行探索。
复杂度与可读性：在图表中融入更多信息与保持图表清晰易懂之间的取舍。

2. 看板组织与设计

接下来，你学*了如何将图表和其他BI可视化元素组织成一个完整的看板。

你考虑了如何应用最佳设计实践，来创建能够有效回答业务问题的清晰、简洁的看板。这包括：

布局逻辑：按照用户的阅读*惯和问题逻辑排列图表。
视觉层次：使用颜色、大小和位置来引导用户关注最重要信息。
一致性：保持整个看板中颜色、字体和风格的统一。

3. 处理速度与隐私权限

此外，你还深入研究了处理速度的影响，以及它如何贡献于看板的可用性和响应速度。处理速度的公式可以简化为：
用户体验 = 数据计算效率 + 前端渲染速度

同时，你探讨了不同的隐私权限设置，这些设置影响你处理数据以及与利益相关者共享数据的方式。例如在代码中，权限控制可能表现为：

GRANT SELECT ON table_name TO role_stakeholder;

后续学*安排

在接下来的课程中，你将获得更多创建数据看板的实践机会，并将你的BI设计技能应用于一个真实的业务场景。

但在那之前，还有一项挑战等待你。本章内容详实，涵盖了大量材料。如果需要更多时间复*，请不必担心。你可以随时返回观看视频、阅读资料、完成活动和练*测验。当然，也请务必查阅词汇表的最新条目。

当你准备就绪后，请继续进行分级评估。祝你好运。

课程总结

本节课中，我们一起学*了构建有效数据看板的核心：即在图表设计的灵活性与交互性中做出权衡，按照最佳实践组织看板布局，并充分考虑处理速度与数据隐私权限对最终成果的影响。这些技能将帮助你创建出真正能驱动业务决策的可视化工具。

097：数据聚合复* 📊

在本节课中，我们将要学*数据聚合的核心概念。数据聚合是数据分析中的一项基础且关键的技术，它能够帮助我们将分散的数据整合起来，形成有意义的摘要，从而支持更深入的洞察和决策。

什么是数据聚合？ 🤔

上一节我们介绍了课程的整体目标，本节中我们来看看数据聚合的具体定义。

数据聚合是指将许多独立的部分收集或聚集成为一个整体的过程。例如，银河系就是恒星、尘埃和气体的聚合体。

因此，数据聚合是从多个来源收集数据，以便将其合并成一个单一的、经过汇总的集合的过程。在数据分析中，这个汇总的集合或摘要描述了识别所需数据并将其全部集中到一处的工作。

一个生动的比喻 🧩

为了更直观地理解，我们可以用一个比喻。

想象你有一个装满不同拼图的柜子。有一天，一个架子坏了，所有的盒子都倒了下来，拼图碎片散落一地。为了让每个拼图恢复原状，你需要：

识别出属于每个特定拼图的碎片。
将它们收集在一起。
放回正确的盒子里。

只有这样，你才能用这些碎片拼出一幅完整的图画。

在数据领域：

拼图碎片 代表存在于不同、独立数据集中的数据。
整理它们 就是聚合过程。
能完成单个拼图的那堆碎片 就成了你的数据摘要。
最后，把这些碎片拼回去 就像分析它们以获得重要洞察。

数据聚合的价值 💡

数据聚合帮助数据分析师识别趋势、进行比较、获得洞察，而这些如果单独分析每个数据元素是无法实现的。

以下是数据聚合的几个具体应用场景：

跨个体汇总：例如，单个学生的高中毕业数据可以聚合成整个班级的单一毕业率。
跨时间汇总：数据也可以在给定的时间段内聚合，以提供统计信息，如平均值、最小值、最大值和总和。
层级汇总：例如，同样的年度毕业率数据可以再次聚合成一个摘要，向我们展示学区、州和国家的毕业率。

实际案例 🏠

让我们来看另一个例子。

假设你拥有某个社区过去10年中每年的房地产销售数据。如果你聚合所有这些数据，你将能够发现：

该区域房屋的平均价格。
房价随时间是如何上涨或下跌的。

实现工具：函数与子查询 ⚙️

上一节我们了解了数据聚合的应用，本节中我们来看看实现它的工具。

函数是实现数据聚合的重要帮手。你很快将学*如何使用一些最常见的函数来创建摘要。

此外，我们还将讨论使用一种叫做子查询的东西来聚合数据。你已经见过SQL的实际应用，并且理解查询是对数据库的信息请求。

因此，子查询（也称为内部查询或嵌套查询）是另一个查询中的查询。其基本形式如下：

SELECT column1, (SELECT AGG_FUNC(column2) FROM table2 WHERE condition) AS aggregated_value
FROM table1;

在接下来的几个视频之后，你将掌握如何聚合数据，并理解一路上将使用的工具。

总结 📝

本节课中我们一起学*了数据聚合。我们了解到，数据聚合是将分散的数据汇集、整理并汇总的过程，它就像把散落的拼图碎片分类整理好，以便最终拼出完整的画面。通过聚合，我们可以从更高维度（如整体、时间趋势、不同层级）观察数据，从而发现仅看原始数据无法获得的模式和洞察。我们知道了函数和子查询是实现聚合的关键工具，为后续的实际操作打下了基础。

现在，让我们开始深入探索吧！

098：数据格式入门指南

在本节课中，我们将学*数据分析中常见的数据类型和格式。我们将通过一个电影数据的例子，来理解定量与定性数据、离散与连续数据、名义与顺序数据、内部与外部数据，以及结构化与非结构化数据之间的区别。

定量数据与定性数据

上一节我们介绍了课程目标，本节中我们来看看最基本的数据分类：定量数据与定性数据。

在电影数据表格中，A列是电影标题。这是定性数据，因为它无法被计数、测量或轻易地用数字表达。定性数据通常以名称、类别或描述的形式出现在表格中。在我们的例子中，电影标题和演员阵容都属于定性数据。

接下来是定量数据，它可以被测量或计数，并以数字形式表达。这是具有特定数量、金额或范围的数据。在我们的表格中，最后两列显示了电影的预算和票房收入。这些列中的数据以美元为单位，可以被计数，因此我们知道这些数据是定量的。

离散数据与连续数据

了解了定量数据后，我们可以进一步将其细分为离散数据或连续数据。

首先来看离散数据。这种数据是可计数的，并且具有有限数量的值。

回到我们的表格，我们可以在M列和N列找到每部电影的预算和票房收入。这两者都是离散数据的例子，它们可以被计数，并且值的数量是有限的。例如，一部电影赚取的金额只能用小数点后两位（代表美分）来精确表示。在一美分和两美分之间不可能存在其他值。

连续数据则可以使用计时器测量，其值可以表示为具有多位小数的数字。

想象一部关于数据分析师的电影（我将来一定要主演一部）。你可以将这部电影的时长表示为 110.0356 分钟。如果需要，你甚至可以在小数点后添加分数数据。

名义数据与顺序数据

除了定量和定性，定性数据本身还可以进一步分类。

名义数据是一种没有固定顺序的定性数据类别。换句话说，这类数据没有序列。以下是一个简单的例子：假设你正在收集关于电影的数据，你询问人们是否看过某部电影。他们的回答将是名义数据的形式。他们可以回答“是”、“否”或“不确定”。这些选择没有特定的顺序。

另一方面，顺序数据是一种具有固定顺序或等级的定性数据。

如果你让一组人将一部电影从1到5进行排名，有些人可能将其评为2，其他人评为4，依此类推。这些排名是根据每个人对电影的喜爱程度排序的。

内部数据与外部数据

现在我们来谈谈内部数据，这是存在于公司自身系统内的数据。

例如，如果一家电影制片厂仅使用自己的收集方法编制了表格中的所有数据，那么这就是他们的内部数据。内部数据的好处在于它通常更可靠且更容易收集。

但在本表格中，更可能的情况是，该电影制片厂不得不使用其他制片厂和来源拥有或共享的数据，因为其中包含了他们未制作的电影。这意味着他们正在收集外部数据。外部数据，正如你所猜到的，是在组织外部存在和生成的数据。

当你的分析依赖于尽可能多的来源时，外部数据变得特别有价值。

结构化数据与非结构化数据

关于这些数据的一个优点是它们是结构化数据。结构化数据是以特定格式（如行和列）组织的数据。电子表格和关系数据库是可以以结构化方式存储数据的两种软件示例。

作为数据分析师，你将处理大量结构化数据，这些数据通常以表格、电子表格或关系数据库的形式出现。

但有时你会遇到非结构化数据。这是指没有以任何易于识别的方式组织的数据。音频和视频文件就是非结构化数据的例子，因为没有明确的方法来识别或组织其内容。

非结构化数据可能具有内部结构，但数据不像结构化数据那样整齐地放入行和列中。

总结

本节课中我们一起学*了数据分析中核心的数据类型与格式。我们通过电影数据的例子，区分了定性数据（如电影标题）与定量数据（如预算金额）。我们将定量数据进一步分为可计数的离散数据和可测量的连续数据。在定性数据中，我们了解了无顺序的名义数据和有顺序的顺序数据。我们还探讨了数据来源，区分了来自组织内部的内部数据和来自外部的外部数据。最后，我们学*了数据的组织方式：整齐排列的结构化数据（如电子表格）和不易直接分析的非结构化数据（如音频文件）。理解这些概念是有效处理和分析数据的基础。

099：Tableau数据可视化入门教程

在本节课中，我们将学*如何使用Tableau这一强大的可视化分析平台来探索、管理数据并创建有效的数据可视化图表。我们将从Tableau的核心价值与行业应用开始，逐步深入到其界面操作、数据源管理、视觉元素控制以及最佳实践。课程结束时，你将能够使用Tableau创建并发布自己的数据可视化作品。

Tableau简介与行业应用

上一节我们介绍了数据可视化在浓缩信息方面的价值。本节中，我们来看看能帮助你创建这些可视化、让数据“活”起来的强大工具——Tableau。

Tableau是一个可视化分析平台，它能显著简化数据的探索与管理流程。你可能在之前的讨论中对Tableau有所耳闻，接下来你将对其有更深入的了解。熟练掌握Tableau后，你也能更轻松地使用其他类似工具，这将成为你在求职中的一项突出技能。

Tableau因其高效的可视化功能而在各行各业得到广泛应用。以下是其受到青睐的几个关键原因：

易于使用：直观的拖放式界面降低了技术门槛。
强大的数据处理能力：能够连接并整合多种数据源。
丰富的图表类型：提供从基础到高级的多种可视化选项。
快速的交互式分析：支持用户实时探索数据并获取洞察。
良好的协作与分享功能：便于团队内部发布和讨论数据发现。

Tableau界面导览与核心操作

了解了Tableau的价值后，现在让我们正式开始探索Tableau的软件界面，识别并应用其提供的各种工具。

我们将学*如何添加数据源、控制视觉元素，并运用一系列功能来创建强大的可视化图表。和任何软件平台一样，Tableau也有一些最佳实践需要牢记。

连接数据源

一切可视化的基础是数据。在Tableau中，你可以通过简单的步骤连接多种数据源。

启动Tableau，在起始页选择“连接”到文件（如Excel、CSV）或服务器（如SQL数据库）。
将数据字段从“数据”窗格拖放至“行”或“列”功能区，Tableau会自动生成初始视图。
使用“数据源”页面可以清理和准备数据，例如重命名字段或创建计算字段。

创建与修饰可视化

连接数据后，你可以通过拖放字段来创建图表。Tableau会根据字段的数据类型（如维度、度量）自动推荐图表类型。

更改图表类型：在“标记”卡中，点击图表类型下拉菜单（如条形图、折线图、散点图）。
添加颜色与大小：将维度字段拖至“标记”卡上的“颜色”或“大小”图例，可以按类别区分数据或根据数值大小调整图形尺寸。
添加筛选器：将字段拖至“筛选器”区域，可以聚焦于特定数据子集。
创建计算字段：用于进行数据中不直接存在的计算，公式类似于 SUM([Sales]) / SUM([Profit])。

可视化最佳实践与高级技巧

掌握了基本操作后，我们需要关注如何让可视化更有效、更包容。本节将展示优秀与欠佳的可视化案例，并介绍提升图表可访问性与故事性的高级技巧。

设计原则

遵循一些核心设计原则能极大提升图表的可读性与说服力。

保持简洁：避免不必要的装饰（“图表垃圾”），让数据本身成为焦点。
选择合适的图表：根据你想传达的信息（如比较、分布、趋势、关联）选择最合适的图表类型。
有效使用颜色：使用颜色突出关键信息，并确保颜色对比度足够。
添加清晰的标签与标题：确保观众能快速理解图表内容。

提升可访问性

为了让色觉障碍人士也能无障碍地获取信息，我们可以使用色盲友好调色板。

在Tableau中，你可以在“颜色”图例的调色板下拉菜单中，选择如“色盲安全”之类的预设方案。这些方案使用在多种色觉类型下都能区分的颜色。

整合多数据源讲述完整故事

有时，单一数据源不足以揭示问题的全貌。Tableau允许你将多个数据源的数据合并，以讲述更全面的数据故事。

你可以通过“数据”菜单中的“编辑关系”或“创建联接”功能，基于共同字段（如客户ID、日期）将不同来源的数据表关联起来，从而在一个视图中进行综合分析。

发布与分享可视化

创建出令人满意的可视化图表后，最后一步就是将其分享给他人。Tableau提供了便捷的发布功能。

你可以将工作簿保存到Tableau Public（免费公开分享）或Tableau Server/Online（企业级协作平台）。发布后，获得链接的观众可以在网页浏览器中交互式地查看和探索你的数据仪表板。

总结

本节课中，我们一起学*了Tableau数据可视化平台的核心知识。我们从Tableau的行业应用价值开始，逐步探索了其操作界面、数据连接方法、可视化创建与修饰技巧。我们还深入讨论了设计最佳实践，包括使用色盲友好配色和整合多数据源以增强故事性。最后，我们了解了如何发布和分享可视化成果。Tableau是未来数据分析师工具箱中极为实用的一款工具，它能帮助你将关心的数据可视化并公之于众。毕竟，数据自有其故事，而Tableau给了你一个向他人讲述这个故事的机会。

100：数据看板设计 🚗

在本节课中，我们将要学*数据看板的核心概念、设计原则及其在商业智能中的重要性。数据看板就像汽车的仪表盘，它能将复杂的数据转化为清晰、直观的可视化信息，帮助决策者快速洞察业务状况。

你是否曾在驾驶汽车时，看到仪表盘上的某个警告灯突然亮起？也许是因为燃油不足，油量表开始闪烁。这个直接呈现在你面前的警报非常有用，它清晰地提示你需要关注油量。你能想象如果汽车没有仪表盘会怎样吗？

我们将永远不知道是否即将耗尽燃油。我们也不会知道轮胎气压是否过低，或者是否该更换机油了。如果没有仪表盘，当汽车出现异常时，我们就不得不翻出用户手册，筛选其中的所有信息，并尝试自己找出问题所在。

汽车仪表盘使驾驶员能够轻松理解和应对车辆的任何问题，因为它持续跟踪和分析汽车状态。

从汽车仪表盘到数据看板 📊

上一节我们提到了汽车仪表盘的类比，本节中我们来看看数据看板在商业环境中的应用。

但正如你所学*的，看板不仅仅用于汽车。公司也使用它们来共享信息，让员工参与业务计划和目标，并发现潜在问题。就像汽车的仪表盘一样，数据分析看板将海量信息以清晰、视觉上吸引人的方式呈现出来。这在用数据讲故事时极其重要，这也是为什么它是我们数据叙事三个步骤中第二步的重要组成部分。

你已经了解到，看板是一种工具，它将来自多个数据集的信息组织到一个中心位置，通过表格、图表和图形进行跟踪、分析和简单可视化。看板通过持续监控实时传入的数据来实现这一点。

设计以受众为中心的看板 👥

正如我们一直在讨论的，你可以制作专门为你的利益相关者设计的看板。你可以思考谁将查看数据、他们需要从中获得什么以及他们使用它的频率。然后，你可以为他们制作一个包含完美信息的看板。

这很有帮助，因为当人们面对过多数据时，可能会感到困惑和分心。看板使信息保持整洁、有序且易于理解。

在设计看板时，最好从最重要的数据点开始，保持简单。如果后来发现缺少某些内容，你随时可以返回调整你的看板或创建一个新的。

看板的布局与视觉设计 🎨

看板设计的一个重要部分是图表、图形和其他视觉元素的放置或布局。这些元素需要具有** cohesive**，这意味着它们要平衡并充分利用看板上的空间。

在你决定了看板上应包含哪些信息后，你可能需要调整其大小并重新组织，以使其更适合你的用户。

在 Tableau 中，一个选项是在垂直或水平布局之间进行选择。垂直布局调整高度。水平布局调整其所包含视图和对象的宽度。

此外，正如你在这里看到的，在布局中均匀分布项目有助于创建清晰有序的数据可视化。

你可以选择平铺或浮动布局。平铺项目是单层网格的一部分，会根据整体看板大小自动调整大小。浮动项目可以层叠在其他对象之上。

在这个例子中，地图和散点图是平铺的。它们不重叠。这确实有助于清晰地展示数据的全貌，这一点很有价值，因为世界上大多数人是视觉学*者。他们根据所看到的信息进行处理。这就是为什么与利益相关者共享你的看板是一种宝贵的实践。

共享看板：赋能与风险 ⚖️

现在，关于共享看板，有一点很重要需要记住。

与他人共享看板很可能意味着你将失去对叙事的控制。换句话说，你将无法在场讲述数据的故事并分享你的关键信息。看板将讲故事的力量交到了查看者手中。这意味着他们将构建自己的叙事并得出自己的结论。

但不要让这一点吓退你，使你不敢进行协作和开放。只需理解共享看板所带来的风险。毕竟，共享信息和资源意味着将有更多人共同解决一个大问题或构思下一个大创意。这会带来更多的联系，从而可能产生真正令人兴奋的新实践和创新。

总结 📝

本节课中我们一起学*了数据看板的核心价值。它通过整合与可视化多源数据，为决策者提供了一个实时、直观的业务状态监控工具。设计时应以受众为中心，从核心指标开始，并注重布局的清晰与平衡。虽然共享看板会将数据解读权部分让渡给查看者，但这促进了协作与创新。掌握这些原则，你将能创建出有效驱动业务洞察和行动的数据看板。

101：构建灵活的数据看板

在本模块中，我们将学*如何构建能够长期有效监控数据的、灵活且响应迅速的数据看板。我们将应用之前学到的决策原则，在一个真实的商业场景中进行实践。

概述

在商业智能领域，我们通常无法预知所构建的工具和解决方案将被使用多久。因此，我们构建的内容必须具备灵活性和响应性。当然，设计出具备这种适应性的看板需要练*。本节将重点介绍如何构建能够长期有效监控数据的看板。

上一节我们介绍了决策制定的基本原则，本节中我们来看看如何将这些原则应用到实际的看板构建中。

实践与应用

我们将在Tableau中继续练*创建看板。但这次有所不同，你需要将之前学到的决策制定原则应用到一个现实的商业场景中。

这个练*将使你能够真正设想自己未来作为商业智能专业人士的角色。它也使你能够练*识别利益相关者的需求，并通过你自己构建的、功能完整的看板来满足这些需求。

以下是本模块你将完成的主要步骤：

与你的“客户”会面，并使用他们提供的信息。
在Tableau中构建相关的图表。
将图表组织成一个完整的看板。
与用户分享看板。
处理他们的反馈并对你的看板进行迭代改进。

现在，是时候开始了。请为你商业智能旅程中的下一个重要里程碑做好准备。

总结

本节课中，我们一起学*了构建长期有效、灵活的数据看板的重要性。我们明确了本模块的目标：通过一个模拟的真实商业场景，综合应用决策原则、需求识别和Tableau技能，完成从需求沟通到看板交付与迭代的全过程实践。

102：完成仪表板项目 📊

在本节课中，我们将学*如何完成一个仪表板项目。我们将通过一个角色扮演练*，模拟商业智能（BI）专业人员与利益相关者协作的全过程，从需求沟通到设计决策，最终产出符合业务需求的仪表板。

创建仪表板是商业智能专业人员与利益相关者之间的协作过程。

这个过程可以比作一场需要技巧、沟通和实践的精心编排的舞蹈。接下来，我们将聚焦于这场“仪表板之舞”的实践部分。

接下来的几节课包含一个角色扮演练*。与过去的课程类似，你将通过视频、阅读材料、活动和测验来学*。然而，你将采用一个全新的视角。

你将扮演一位刚刚接手一个新项目的商业智能专业人员。你遇到的第一个视频将是你与利益相关者的一次模拟视频通话。你将与他们互动，体验一次典型的、用于探讨商业智能项目细节的会议的基本流程。

然后，你将在这个角色扮演场景中，通过阅读材料或电子邮件，获取关于项目的更多背景信息以及如何进行的提示。

这些电子邮件将类似于你在专业环境中从利益相关者和主管那里收到的邮件。

所有这些元素将使你能够完成活动并产出交付成果。

这个练*的目标是实践应用你的决策和设计技能。

一些指示可能是开放式的，需要你尝试不同的方法。

你将不会被引导着在Tableau中点击每一步来制作一个预定的图表，而是会被要求设计一个符合特定参数的图表。

你收到的指导将侧重于如何满足利益相关者的需求，而不是如何使用程序本身。

你可能会先开发出某个东西，然后认为它可以改进，或者它未能充分满足期望。这很好。我们鼓励你实践试错。这是商业智能工作的重要组成部分。

但你不会完全靠自己。你的主管和客户会通过阅读材料提供线索和方向，说明他们的期望。

请沉浸于商业智能专业人员的角色，并展望你在这个领域的未来。

按照你自己的节奏探索每一步，并在规划、构建和迭代你的仪表板时，尝试各种不同的策略。

虽然这个练*包含虚构的细节和实践数据，但在完成它的过程中，你将获得一些很棒的业务洞察。祝你玩得开心。

本节课中，我们一起学*了如何通过角色扮演来模拟仪表板项目的完整流程。我们了解到，仪表板开发是一个需要与利益相关者紧密协作、不断沟通和迭代的“舞蹈”。通过模拟会议、邮件沟通和开放式设计任务，我们实践了如何将业务需求转化为具体的数据可视化方案，并体验了商业智能工作中试错和决策的重要性。

103：商业智能专家的力量 💪

在本节课中，我们将通过一位资深商业智能专家的视角，了解商业智能（BI）工作的核心价值与影响力。我们将学*BI专家如何利用数据工具，从海量信息中提炼洞察，并最终影响企业的长期决策。

我叫安德烈亚，是一名高级数据分析师。在我的工作中，我拥有向高层领导提出建议并影响其决策过程的能力。这种能力来源于深入数据、处理数据并尝试理解数据背后的含义。

我的用户和客户是需要使用我生成的财务数据来做出决策、创建报告的财务分析师或财务经理。他们将这些分析转化为行动，这些行动将影响谷歌未来的发展。

日常使用的核心工具 🛠️

上一节我们了解了BI专家的角色，本节中我们来看看他们日常工作中依赖的核心技术工具。我每天都会使用商业智能工具。

以下是主要使用的工具及其作用：

SQL：用于创建和处理大型数据集。

-- 示例：从销售表查询数据
SELECT product_id, SUM(sales_amount) AS total_sales
FROM sales_table
WHERE date >= '2024-01-01'
GROUP BY product_id;

Python：用于理解这些数据集、进行统计分析，并构建最终要分享给领导层的“数据故事”。

# 示例：使用Python进行简单的趋势分析
import pandas as pd
data = pd.read_csv('sales_data.csv')
monthly_trend = data.groupby('month')['revenue'].sum().plot()

数据看板的设计哲学 📊

理解了基础的数据处理工具后，我们转向数据呈现的关键环节——数据看板。虽然我使用看板的次数相对较少，但当我使用时，我会确保我创建的可视化图表看起来美观。

但最重要的一点是，我所构建的“故事”必须具有说服力，并且易于快速理解。因为我的受众没有太多时间。一旦你能理解数据，回到你的受众面前，解释这个故事，并与他们分享你的发现，同时提出一些建议，这时工作就变得非常令人兴奋。

商业智能专家的核心影响力 💡

前面我们探讨了工具和呈现方式，本节我们来总结BI专家独特价值的来源。作为一名商业智能分析师，你是深入数据的人，是花费数小时研究这些数据集的人。因此，没有人会比你更了解答案，也没有人能像你希望的那样来讲述这个故事。

所以我认为，当你知道数据中正在发生什么时，这确实赋予了你很大的力量。当你回到你的受众面前提出建议或方案时，你拥有以引人入胜的方式讲述这个故事的力量，你也拥有产生长期影响力的力量。因为你的决策者将利用你的输入来做出可能持续五到十年的决策。

本节课中我们一起学*了商业智能专家如何通过SQL和Python等工具处理数据、构建叙事，并设计简洁有力的数据看板来传达洞察。最重要的是，我们理解了BI工作的核心在于将数据转化为有影响力的建议，从而在战略层面推动企业的长期发展。

104：与利益相关者角色扮演 🎭

在本节课中，我们将通过一个模拟对话，学*如何与业务方（利益相关者）沟通数据看板（Dashboard）的需求。你将扮演一名商业智能分析师，而对方是来自明尼苏达州交通部的代表。我们将了解如何从对话中提取关键的业务目标、数据需求以及看板应包含的核心图表。

你好。感谢你今天与我见面。

你的主管告诉我，如果我想构建一个数据看板，应该来找你。

感谢你抽出时间。如果你愿意，可以记笔记。

但这次通话后，我会发送一封包含最重要信息的电子邮件。

好的，我将直接切入细节。我来自明尼苏达州交通部，我们正试图分析州际公路上的交通流量趋势。目标是确定我们是否需要做出任何基础设施变更，例如增加或更改车道、入口或出口。

我们希望有一个数据看板来监控传入的交通数据。

如果我们能在数据中发现趋势，我们就能确定应该做出哪些改变。

这个数据看板应该包含几个关键内容。

最重要的图表将监控全年的交通流量。

如果你能按年、月、周、日、小时来组织这些数据，那就太好了。

这将帮助我们找出规律所在。

我们想要的另一个图表是，将交通流量与天气状况进行比较。我们想更好地了解天气对交通行为的影响。

最后，我们想知道哪些假期的交通流量最高。这可能有助于我们规划一些基础设施更新，以便在最需要的时候不会有任何车道被封闭。

我也会确保立即与你分享这些细节和数据集。

你将获得自2012年以来收集的交通流量数据集。这应该足以展示关键趋势。

我现在要说的就是这些。你的主管应该掌握其余细节，并帮助你开始工作。

再次感谢你对此事的帮助。再见。

本节课中，我们一起学*了如何通过一次简短的沟通，从利益相关者那里获取构建数据看板所需的核心信息。我们明确了业务目标（分析趋势以指导基础设施变更）、数据范围（自2012年起的交通数据）以及看板需要包含的三个关键可视化图表：按时间维度（年/月/周/日/小时）的流量趋势图、流量与天气的关联分析图以及节假日流量高峰分析图。掌握这种需求沟通技巧是成功交付商业智能项目的第一步。

105：数据驱动型图表 📊

在本节课中，我们将学*如何为具体的商业需求设计和创建数据图表。我们将通过一个为明尼苏达州交通部构建数据看板的项目，来应用图表设计的最佳实践。课程将引导你思考四个关键问题，以帮助你做出有效的设计决策。

在本课程的前期，你已经在 Tableau 中练*了创建图表，并回顾了一些设计最佳实践。

现在，你正在为明尼苏达州交通部开发一个数据看板，你将把所学技能应用到这个项目中。你已经拥有了数据、商业智能规划文档以及具体的业务需求，即利用交通数据构建一个数据看板。

看板上需要放置多少个图表，将由你决定。以下四个问题将帮助你成功地推进工作：

数据集的哪些部分能帮助你满足业务需求？
每个图表中将呈现哪些度量和维度？
哪种图表类型和编码方式最为有效？
需要多少个图表？

为了帮助你理解这个过程，我们来看一个我之前参与过的关于谷歌人力资源的项目案例。该项目的目标是更好地理解人力资源随时间的变化，以便优化相关流程。

对于第一个问题，我选择纳入关于在职员工、员工流失率、团队层级和招聘的数据，以便讲述一个有深度的故事。

之后，我选择了在每个图表中呈现哪些度量和维度。我知道，在我的其中一个图表里，我希望展示按时间和团队层级维度聚合的在职员工数量。

完成这一步后，我开始尝试如何对数据进行编码，以使其尽可能清晰。作为复*，编码指的是将维度和度量转化为数据可视化表现形式的过程。

因此，我问自己：哪种图表类型和编码方式最为有效？在这个过程中，你可能会发现，某些概念用地图上的颜色来表示比用图表上的条形图更合适，反之亦然。

在我的HR项目中，我最终使用了多种图表类型：用折线图表示员工总数随时间的变化，用堆叠条形图展示按产品领域划分的员工分布，甚至用瀑布图来显示新招聘和人员流失如何共同影响净变化。

好的，最后一个问题是：需要多少种图表类型？例如，你可能会发现，要回答一个特定问题，需要不止一种可视化方式。或者，你也可以选择每个问题只用一个图表。

在我的项目中，我特别注意与利益相关者共情。利用我对他们试图解决问题的了解，使我能够在保持看板焦点明确和提供大量细节之间做出恰当的权衡。

回答这四个关键问题并绘制你的草图，将为你为明尼苏达州交通部的场景创建最佳图表做好准备。然后，你就可以进入下一部分，开始设计实际的数据看板。

如果你在创建图表时遇到困难，可以参考接下来的阅读材料。这是一封来自你主管的电子邮件，它将帮助你确定最佳的前进路径。你也可以回顾本课程前面的章节，复*图表构建的不同方面。

好了，让我们运用你的商业智能知识和设计技能，创建一些真正能让客户惊叹的可视化图表吧。

本节课中，我们一起学*了如何通过回答四个核心问题来设计数据驱动型图表：确定相关数据、选择度量和维度、决定最佳编码与图表类型，并权衡图表数量。我们通过一个HR项目案例进行了具体说明，为你在实际项目中应用这些步骤奠定了基础。

106：商业智能工具的实际应用 📊

在本节课中，我们将跟随谷歌技术项目经理埃里卡的分享，了解商业智能（BI）工具，特别是数据看板，在实际工作中的应用场景和价值。我们将学*数据看板如何帮助团队从数据中获取洞察，并支持更有效的决策。

职业旅程与学*路径 🛣️

上一节我们介绍了课程背景，本节中我们来看看埃里卡的职业经历。埃里卡是谷歌的一名技术项目经理。她的职业旅程有些曲折，从驾驶飞机转向数据分析，再到目前的技术项目经理职位。

她本科毕业于海军学院，之后成为一名驾驶P-3“猎户座”的海军飞行员。从军队转型后，她意识到自己仍需学*大量关于商业智能和数据分析的知识。因此，在开始新工作后，她主要通过以下方式进行自学：

利用在线资源和YouTube。
通过在不同系统中尝试和摸索来学*。

她坦言，快速学*这些新技能并完成工作要求起初确实令人畏惧。但随着时间的推移，她逐渐克服了这种紧张情绪，并相信自己能够学会新技能，也学会了在需要时寻求帮助。

数据看板的核心价值 📈

了解了学*过程后，我们进入核心部分：数据看板。埃里卡目前参与的一个项目，就使用了一个看板来追踪用户对他们所创建系统的参与度。

数据看板是一种可视化呈现信息的方式，能让其他人从中获取洞察。试想如果没有看板，你只能向他人展示一张数据表格，他们将很难得出任何有用的结论，尤其是对于那些没有时间亲自深挖数据的领导层而言。

因此，看板的价值在于它以有用的方式呈现数据，使人们能够：

快速获取洞察。
通过更改筛选器等交互方式，理解他们需要从数据中了解的信息。

在她的项目中，看板用于观察参与度随时间变化的历史趋势。这使他们能够洞察到参与度随时间的增长，以及在新系统生命周期中不同事件可能导致的参与度下降。这种可视化帮助他们获取洞察，并思考如何提升参与度。

可视化与原始数据的对比 🔍

上一节我们看到了看板如何呈现趋势，本节中我们来对比可视化与原始数据的区别。埃里卡认为，当你有办法可视化当前状态和随时间变化的历史状态时，就能更容易地注意到异常情况。

如果数据只是电子表格或表格中的原始数据，你可能无法轻松获得这种洞察，从而错过某些影响你的项目或产品的关键信息。除非以能够发现这些差异的方式将数据可视化，否则这些信息可能被遗漏。

如何定义看板的目标 🎯

既然可视化如此重要，那么如何构建一个有效的看板呢？首先需要明确其目标。埃里卡指出，每个看板都会有不同的目标。对于任何项目、计划或看板的用途，通常都存在一些关键绩效指标需要在看板上进行追踪。

你通常可以根据以下内容来确定这些KPI：

你经常被问到的关于数据或项目的问题。

总结与激励 💡

本节课中我们一起学*了商业智能工具的实际应用。埃里卡非常享受制作数据看板的过程，因为她觉得创造对许多人有用、能让他们工作更高效的东西非常有成就感。

她寻找工作的首要标准是保持挑战性，而她在谷歌确实找到了这一点。她每天都在不断学*，与各领域的专家交流，对此她深怀感激。

核心要点总结：

看板的作用：将数据转化为易于理解的视觉信息，支持快速洞察和交互分析。
看板的价值：相比原始表格，可视化能更有效地揭示趋势、异常和关联，避免重要信息被遗漏。
看板的设计起点：应围绕核心的关键绩效指标和常被问及的业务问题来构建。
学*心态：掌握BI技能是一个过程，需要主动利用资源、勇于尝试，并在必要时寻求帮助。

107：结构清晰的仪表板

在本节课中，我们将学*如何将之前创建的图表整合成一个结构清晰的仪表板。我们将重点介绍组织仪表板元素的最佳实践，以确保布局合理、视觉流程清晰。

回顾仪表板设计原则

上一节我们为明尼苏达州交通部设计了多个图表。本节中，我们来看看如何构建仪表板本身。正如之前所学，在组织仪表板元素时应用最佳实践非常重要。这能确保元素以符合逻辑的方式排列，并构建出清晰的视觉流。在继续之前，你可以随时回顾关于仪表板设计的课程。

以下是需要记住的关键设计原则：

位置：将最相关的可视化图表放在仪表板顶部。
层次与对比：利用层次结构和对比来强调辅助元素。
负空间：务必考虑如何在图表之间加入适当的留白。

平衡图表数量与清晰度

你的仪表板设计体验很可能取决于你在之前活动中的选择。例如，如果你创建了许多描述明尼苏达州州际交通流量的图表，那么你将需要平衡更多元素。这又是一个权衡取舍的例子。

公式：可视化数量 vs. 用户体验
更多图表 = 展示更多数据，但 过多图表 = 可能导致用户困惑或仪表板响应变慢。

你需要运用最佳判断来确定最有效的结果。也可能出现你认为需要的图表其实并不必要，或者缺少回答某个业务问题所必需的图表的情况。如果遇到这种情况，只需返回图表构建阶段并进行调整。正如你所知，构建仪表板是一个迭代过程，因此你可以在推进过程中随时调整方向。

开始构建与寻求帮助

和之前一样，如果你遇到任何困难，可以参考阅读材料或向你的主管寻求提示。现在，可以开始构建仪表板了。

总结

本节课中，我们一起学*了构建结构清晰仪表板的关键步骤。我们回顾了设计原则，探讨了如何平衡图表数量与仪表板的清晰度及性能，并强调了这是一个可以随时调整的迭代过程。现在，你可以应用这些知识来组织你的图表，为明尼苏达州交通部创建一个有效的仪表板。

谷歌商业智能：29_03_01：仪表板迭代优化 📊

在本节课中，我们将学*如何根据客户反馈对已创建的仪表板进行迭代优化。我们将探讨处理反馈的不同方式，并理解迭代过程在提升仪表板实用性和价值中的重要性。

上一节我们介绍了创建仪表板时应考虑的问题类型。本节中，我们来看看如何根据反馈进行迭代优化。

你已经为明尼苏达州州际公路创建了一个用于追踪交通流量的仪表板。你制作了图表并将其组织成一个强大的工具，供你的客户使用。

现在，我们将探讨迭代过程。我们已经涵盖了许多典型的迭代改进，包括：

以下是常见的迭代改进方向：

对美观性的调整。
对设计方法的调整。
对处理速度的优化。
对隐私权限的调整。
以及其他更多方面。

在迭代过程中，有各种方法可以优化仪表板。幸运的是，你的客户——明尼苏达州交通部——已经清晰地表达了他们对你仪表板的反馈。他们给你发送了一封电子邮件，其中包含对你工作的意见。反馈非常积极，但仍有一些工作要做。原来，团队的另一位成员希望在仪表板中添加一些新功能。将由你来决定如何最好地实现这些功能。

处理这类反馈可能有几种不同的方式。

以下是可能的行动方案：

编辑现有的图表。
创建新的图表。
可能需要重新探索数据集，并使用 SQL 进行预聚合处理。
也有可能他们的请求不适合本项目。如果是这样，你需要能够合理解释为何无法按他们的要求进行更改。

对于所有反馈，请对利益相关者的想法保持开放心态。即使你对自己的工作充满信心，也总有学*新知识的可能。

在本节课中，我们一起学*了仪表板迭代优化的关键步骤。我们了解到，迭代可能涉及从美观调整到数据处理的多方面改进，并且处理客户反馈时需要保持开放心态，灵活选择最合适的实施方案。祝你在本次角色扮演练*的最后阶段顺利，并享受这个过程。

109：总结回顾

在本节课中，我们将回顾并总结一个完整的商业智能仪表板项目流程。你将看到如何将理论知识应用于一个模拟的真实工作场景，从需求理解到最终交付。

项目概述

上一节我们介绍了商业智能的基础概念，本节中我们来看看一个完整的项目实践。你扮演了一位BI专业人士的角色，将仪表板知识和利益相关者需求应用于一个模拟的工作场景。虽然这个场景发生在学*环境中，但它包含了专业环境中常见的多个组成部分。

项目流程回顾

以下是该项目的主要步骤：

接收需求：一位利益相关者请求你构建一个流量监控仪表板。
分析与规划：你接收了他们分享的信息，随后考虑了关键问题，并创建了一个线框图来帮助你选择图表。
图表创建：接下来，你创建了图表。这涉及评估数据集，并决定展示哪些信息以及如何展示。
仪表板组织：之后是组织仪表板的各个元素。你的利益相关者希望有一个可以随时获取即时洞察的工具，因此你运用了BI技能来满足这一需求。
反馈与迭代：最后，你收到了反馈并对仪表板进行了迭代。这涉及思考所请求的变更在项目背景下是否可行且合理。

项目成果与价值

这个实践项目是你在BI领域能力的有力证明。请将此项目纳入你的作品集，以便在求职时与招聘经理分享。你出色地展示了所有的辛勤工作。

总结

本节课中我们一起学*了如何系统性地完成一个BI仪表板项目。从理解需求、规划设计、实施创建，到接收反馈并迭代优化，这个过程完整地模拟了真实工作环境中的BI开发生命周期。掌握这一流程是成为一名合格BI专业人士的关键。

110：职场核心技能 🚀

在本模块中，我们将聚焦于商业智能专业人士除技术能力外，同样至关重要的职场软技能。我们将学*如何有效地沟通、展示工作成果，并为职业发展做好准备。

商业智能专业人士的技能构成

上一节我们概述了本模块的学*目标，本节中我们来看看商业智能工作所需的具体技能组合。

作为一名商业智能专业人士，工作涉及多项技术技能。

这些技能包括：

知道如何为特定项目识别正确的数据。
确定合适的指标和关键绩效指标。
应用数据建模和管道来组织和移动数据。
将数据转换为可用的形式。
利用数据解决问题和回答问题。
创建推动业务流程和目标的可视化图表与数据看板。

然而，商业智能同样需要出色的沟通和演示技能。毕竟，如果你希望自己的辛勤工作能真正产生影响，懂得如何有效地与他人分享至关重要。

成功的商业智能专业人士能够清晰地展示他们创建的工具如何帮助客户实现业务目标。此外，这对于你的职业发展也很重要，无论你是在面试工作、讨论晋升，还是向主管询问新的培训或教育机会，强大的沟通和演示技能都能助你脱颖而出。

本模块学*路线图

在接下来的课程中，我们将专注于这些关键的职场技能。它们是对你已在本课程中获得的所有技术知识的重要补充。

以下是本模块将涵盖的核心内容：

首先，你将探索面向利益相关者的演示以及与客户共享数据看板。
接着，你将把重点转向商业智能的招聘流程和完善作品集的策略。
此外，你将有机会更新你在商业智能领域的简历，以清晰地展示你所有的新经验。
最后，你将回顾面试技巧，这些技巧将帮助你在招聘人员和招聘经理面前展示你的技能。

这些课程中的每一节都将为你将商业智能职业生涯提升到新的水平做好准备。现在，让我们开启这段激动人心的职业旅程吧。

总结

本节课中，我们一起学*了商业智能专业人士所需的双重技能组合：技术硬技能与沟通软技能。我们明确了本模块将重点培养演示、作品集构建、简历优化及面试准备等关键职场能力，为你的职业进阶打下坚实基础。

111：呈现数据洞见

在本节课中，我们将要学*如何在商业智能项目中有效地呈现和沟通数据洞见。你将了解到，BI中的“呈现”不仅限于会议室里的演讲，它涵盖了所有与利益相关者就项目需求和状态进行的沟通。我们将探讨在不同阶段（从低保真线框图到功能完备的仪表板）进行沟通的最佳实践，并学*如何根据受众调整沟通方式，以确保信息清晰、相关且易于理解。

理解BI中的“呈现”

上一节我们介绍了BI项目的迭代性质，本节中我们来看看如何将项目进展有效地传达给利益相关者。

在商业智能领域，“呈现”的概念与常规理解有所不同。这里的“呈现”指的是任何与利益相关者就其需求或项目状态进行的沟通。

请注意，这并不包括回答关于项目细节的简单问题或提供澄清。BI中的呈现更为正式，即使它可能以电子邮件的形式进行。

无论利益相关者是通过收件箱、电话、会议还是混合方式接收你的项目更新，你都应在确认项目范围和截止日期时尽早明确这一点。

无论使用何种格式，都应始终遵循呈现和沟通的最佳实践。

以下是沟通时需要遵循的核心原则：

理解受众视角：花时间理解他们的观点，思考他们在项目中的利益以及他们希望从你提供的数据洞见中获得什么。
优先处理相关信息：这意味着首先提供高层次的更新，无论是关于当前进度、*期变化还是下一步计划。
使用清晰简洁的语言：有效的BI专业人士明白，有些人可能使用过仪表板，但情况并非总是如此。尽管BI是一个技术领域，但明智的做法是避免使用过多的技术术语。尽可能简单地解释你的工作。这是体现同理心重要性的另一个例子。
为特定受众定制内容：我发现，为每个特定的受众调整措辞和细节层次非常重要。例如，我知道有些具有技术背景的高管希望我深入细节，而另一些则只想要最终结论。
回应关切并确认：如果利益相关者在上次会议中提出了关切，那么在你的下一次呈现中描述你如何解决该问题就非常重要。并且务必确认他们对你的后续计划感到满意。

不同阶段的呈现策略

理解了沟通的核心原则后，我们来看看在BI项目的不同阶段应如何进行具体的呈现。

你第一次向利益相关者进行呈现，很可能是在分享你的低保真线框图时。正如你所知，这些草图能让每个人都清楚地了解你的设计意图，并且对于获取必要的反馈至关重要。

通常，你会进行一次初步的电话沟通或发送电子邮件，询问你所呈现的想法是否符合利益相关者的目标。

由于线框图阶段处于设计过程的早期，你可以吸收人们的想法和建议，然后在必要时，轻松地转向新的方向，而无需花费数小时将线框图变为实际的仪表板。

之后，你将与用户分享你的功能性仪表板。首先，这涉及到解释如何使用它。即使是最清晰、最直观的仪表板也值得在此进行解释。你可以提供现场演示，或者创建一个幻灯片来讲解如何解读可视化图表和更改设置。

最后，你现在已经知道，大多数仪表板都是不断演变的工具，因此它们不一定有最终状态。只需持续呈现关于*期变化或已识别的新机会的更新。

这样，你将能够成功地与利益相关者协作，并尽可能保持仪表板的新鲜度和实用性。

总结

本节课中我们一起学*了在商业智能项目中呈现数据洞见的关键方法。我们明确了BI中“呈现”的广泛定义，它涵盖了从电子邮件到正式会议的各种沟通形式。我们探讨了在不同项目阶段（从线框图评审到仪表板交付及后续迭代）进行沟通的策略，并强调了理解受众、优先处理信息、使用清晰语言以及持续回应反馈等核心最佳实践。掌握这些技能，将帮助你更有效地与团队和利益相关者协作，确保数据洞见能够驱动明智的决策。

112：求职导航与准备 🧭

在本节课中，我们将学*商业智能（BI）领域的求职流程。你将了解BI岗位的分布情况、常见的职位头衔、如何寻找和申请工作，以及面试前后的关键步骤。

很高兴继续与你一同学*商业智能专业的相关知识。

在本节课程的前面部分，你已经学*了如何在项目期间向利益相关者展示你的工作和见解。现在，你将把这些同样的展示技巧应用到你的职业发展中。

BI行业概览与求职起点

上一节我们介绍了如何展示工作成果，本节中我们来看看如何将这些成果转化为职业机会。首先，了解BI行业如何运作将帮助你更好地规划求职。

需要知道的第一点是，BI无处不在，存在于每个行业。公司都需要商业智能来做出明智的决策。无论你对医疗保健、金融、人力资源、教育、建筑还是其他任何领域充满热情，都有适合你的BI岗位。

你可以通过将搜索条件限定在特定行业来开始寻找BI工作。你的搜索关键词可以是“商业智能医疗保健”或“商业智能金融”。如果你没有特定偏好，可以尝试更宽泛地搜索，例如“初级商业智能”。

BI常见职位头衔与申请策略

以下是BI专业人士可能拥有的几个特定头衔：

通常，入门级或早期职业的BI专业人士会被称为商业智能分析师。你也可能遇到“初级”或“助理商业智能分析师”的职位。提供此类头衔的职位可能要求0到3年的经验。

然而，如果一个BI职位要求的经验年限比你拥有的多，只要你的技能组合与职位描述匹配，你仍然应该申请。凭借一份出色的作品集和简历，即使你没有太多经验，你也可能成为优秀的候选人。

如果你在寻找特定行业的工作，职位列表可能会要求与该领域相关的技能或知识。你可以研究你感兴趣行业的招聘机会，以确定你应该额外发展哪些技能。

寻找与申请BI职位的途径

那么，你应该在哪里申请BI工作呢？你可以在任何求职网站上找到招聘信息，例如LinkedIn、Indeed或Glassdoor。一次快速的谷歌搜索也能帮助你找到一些更新的工作机会。

通过这些网站或公司的特定申请表格，你将能够填写职位申请并分享你的简历和作品集。或者，你也可以通过电子邮件向该职位的招聘经理申请。

面试流程与后续步骤

如果你的申请得到了回复，你很可能会与招聘人员或招聘经理进行互动。他们可能会通过电子邮件或电话联系你安排面试。如果是这样，恭喜你！你可以通过研究公司（如果尚未进行）和排练面试来做好准备。

一些组织可能会联系你进行多轮面试，特别是当他们收到大量申请时。你可能会被要求描述你作品集中的项目，或完成一个简短的BI相关练*，类似于你在这个课程中一直在做的活动。

一旦你完成了最终面试，等待就开始了。可以说，这是最艰难的部分，但你可以充分利用这段时间。

以下是你可以做的事情：
首先，你应该跟进并感谢面试官。你也可以申请更多的工作，并努力提升你的BI技能。希望不久之后，你就能获得一个令人兴奋的新机会。

既然你已经了解了BI招聘流程的预期，现在就是准备申请材料的时候了。这包括你的BI项目、作品集和一份更新的简历。接下来，你将学*更多面试技巧，以帮助你获得第一个BI职位。

本节课中我们一起学*了BI求职的全过程，从行业认知、职位搜索到申请面试与后续跟进。掌握这些步骤将帮助你更有信心地开启商业智能领域的职业生涯。

113：个人历程分享

在本节课中，我们将跟随希瑟的个人经历，了解她如何在没有传统学历背景的情况下，通过发掘自身技能、主动建立人脉并持续学*，成功进入并扎根于商业智能领域。她的故事将为你展示一条非典型的职业发展路径。

背景与起点

我的名字是希瑟，我是一名数据与分析销售专员。

我在纽约市做了多年的服务员，我没有学士学位。

我的祖父通过努力在商业领域取得了成功。在我小时候，他告诉我，我也可以做到同样的事。于是，我开始了自己的旅程。

职业发展理念与行动

我一直认为，在一个组织中，从基层做起，逐步向上发展，是找到自己位置的方式。

对我而言，这个行业恰好是科技行业，也是我最终落脚的地方。

为了进入这个领域，我采取了以下行动：

我免费参加实*，晚上则继续做服务员工作。
我会在领英上搜索相关人士。
我会在领英上添加好友，请求与他们进行对话，向他们介绍自己。

我会说：“你好，我是希瑟。我擅长与人沟通，对数字敏感，懂得如何使用计算机系统。我可以成为你团队中的一名得力助手。”

我大概在三年多的时间里，不断地重复这个过程，直到我获得了在科技领域的第一份工作。

可迁移的技能

我认为，任何在餐饮服务业工作过的人，无论是服务员、侍者还是调酒师，都拥有极佳的可迁移技能，足以胜任商业智能领域的工作。

我拥有许多客户，与许多合作伙伴共事，也与许多团队成员协作。

我在服务行业，尤其是在纽约市，学到的技能包括：

多任务处理能力：能够同时应对多张餐桌的客人。
记忆力：能够记住客人的点单。
客户关系维护：友善对待常客。

现在，我将我的客户视为我的“常客”，就像十年前我调酒时那样，确保他们感到满意。试想，你去一家餐厅，如果服务体验不佳，你会记住那次不愉快的经历。

工作中的协作与成就感

在商业智能领域工作，我与解决方案架构师、客户工程师以及其他合作伙伴协作，共同为客户提供支持。

当我为客户解决问题，帮助他们高效地利用我们的数据与分析平台时，我感到非常快乐，因为我知道我正在帮助他们发展业务。

我曾进行过大约6到7个小时的视频会议，每一次都进展顺利。我理解了客户的问题，并能够以一种技术性的、有效的方式介绍我们的产品。

能够以这种方式与我的客户、我的扩展团队沟通，让我感到非常高兴。

给初学者的建议

所以，不要对自己过于苛刻，也不要害怕向他人提问。

不要害怕在领英上与人建立联系，请求一次对话来介绍自己。

现在很少有人这样做了。因此，让自己脱颖而出，勇敢地展现自己。

本节课中，我们一起学*了希瑟从餐饮服务业成功转型至商业智能领域的个人历程。她的故事强调了可迁移技能（如沟通、多任务处理）的重要性，展示了主动建立人脉（如通过领英）和持续学*的价值，并鼓励我们勇敢展现自己，不要害怕提问和寻求机会。无论起点如何，通过发掘自身优势并采取积极行动，都能在商业智能领域找到自己的发展道路。

114：将商业智能作品纳入作品集 📁

在本节课中，我们将学*如何创建和优化你的个人作品集，以展示你在商业智能（BI）和数据领域的技能与成就。一个精心准备的作品集是向潜在雇主证明你能力的关键。

概述

作品集是一系列可分享材料的集合，它是你求职申请中展示成就证据的部分。无论你是已经获得了谷歌数据分析证书，还是完成了任何非商业智能的数据项目，建立一个作品集都至关重要。它能以可分享、易访问的方式展示你的工作，让你在候选人中脱颖而出。

选择作品集平台

上一节我们介绍了作品集的重要性，本节中我们来看看如何选择承载你作品的平台。你可以将作品集托管在自定义网站上，也可以利用现有的数据分享平台。

以下是几种常见的平台选择：

自定义网站：提供最大的灵活性和个性化空间。
GitHub / Kaggle：这些你可能用于分享代码和数据的平台，也可以用来链接到你的数据看板。
Tableau Public：Tableau本身提供了一个社交平台和分享功能，非常适合嵌入和展示数据可视化作品。

组织作品集内容

选择了平台之后，下一步就是向其中添加你的项目。你需要决定如何呈现每个项目。

以下是你可以考虑包含的内容：

原始数据（如果允许分享）。
数据看板的截图。
嵌入式数据看板本身。
一个指向Tableau等平台上你的看板的链接。

除了最终成果，描述你的工作过程同样重要。这能帮助他人理解你的思路。

完善作品集细节

为了让作品集更完整、更具个人特色，添加一些背景信息会很有帮助。

请考虑包含以下元素：

项目总结：阐述你的思考过程、具体工作内容，以及未来可能改进的方向。
简短的个人简介：描述你的职业目标和兴趣，这能个性化你的作品集并使其脱颖而出。

注意数据隐私与合规性

在整理作品集时，有一个非常重要的事项需要牢记：你参与的项目可能涉及私有或敏感数据。

因此，请务必遵循以下原则：

严格遵守雇主关于数据分享的规章制度。
如果无法分享项目的任何数据或可视化成果，可以在作品集中包含一份你所做工作的文字总结。
具体能分享哪些细节可能取决于雇主的政策，但记录你在每个参与项目中的角色仍然非常重要。

总结

本节课中我们一起学*了如何创建和更新你的商业智能作品集。我们探讨了选择平台、组织内容、添加个人简介以及遵守数据隐私的重要性。请记住，维护作品集是一个贯穿你整个职业生涯的、需要定期进行的过程。现在，是时候开始创建或更新你的作品集了。

115：总结回顾

在本节课中，我们将对课程第四部分“沟通与职业发展”的核心内容进行总结回顾，并为你接下来的职业发展指明方向。

课程概述

在未来的商业智能（BI）职位中，有效沟通你的洞察与成果将是一项核心技能。本部分课程旨在帮助你掌握这项技能，并为你的求职之路做好准备。

主要内容回顾

上一节我们介绍了如何准备面试，现在我们来整体回顾本部分的学*路径。

以下是本部分涵盖的关键学*模块：

沟通与展示技能：你学*了在与利益相关者分享数据看板时，沟通和演示技能的重要性。
职业准备：你了解了招聘流程与求职方法，并着手构建你的个人作品集。在创建演示文稿过程中学到的技能，可以帮助你用最新的BI成果更新作品集。
简历更新：你更新了个人简历，以反映在本课程项目中培养的各项技能。
面试准备：你学*了一些面试技巧，为求职面试做好了准备。

总结

本节课中我们一起学*了如何将BI技术成果转化为职业优势。通过掌握沟通、作品集构建、简历撰写和面试技巧，你现在已经为开始申请BI相关职位奠定了坚实的基础。

恭喜你在此课程中取得了显著进步。

116：如何构建引人入胜的数据演示汇报

在本节课中，我们将学*如何将数据分析结果转化为一个逻辑清晰、引人入胜的演示汇报。核心在于，你需要像讲述一个故事一样组织你的洞察，并搭配有效的视觉呈现，以确保你的听众能够理解并专注于你的核心信息。

所有企业都深知利用数据解决问题和实现目标的力量。

但如果你的利益相关者无法理解这些数据，或者无法专注于你所讲述的内容，那么世界上所有的数据都毫无用处。

因此，你需要创建逻辑清晰、生动有趣并能清晰传达关键信息的演示汇报。

一个有效的演示汇报能通过比单纯文字更有趣的方式，来支撑你的叙述。

这始于你如何组织你的数据洞察。

你与利益相关者分享的叙述，需要包含角色、背景、情节、高潮揭示和顿悟时刻，就像任何其他故事一样。

角色是受你的故事影响的人。这可能是你的利益相关者、客户、用户等。在故事中加入关于角色的信息时，你有一个绝佳的机会来融入个人经历，为数据揭示的事实带来更多人性化的背景。想一想他们为什么关心。

接下来是背景，它描述了正在发生的事情、发生的频率、涉及的任务以及其他描述当前情况的数据项目背景信息。

情节，有时也称为冲突，它在当前情境中制造了张力。这可能是来自竞争对手的挑战、一个需要修复的低效流程，或者一个公司无法错过的新机会。这种对当前情况的复杂化，应该揭示出你的分析正在解决的问题，并促使角色采取行动。

高潮揭示或解决方案，是指数据如何表明你可以通过变得更具竞争力、改进流程、发明新系统或实现数据项目的最终目标，来解决角色面临的问题。

最后，你的顿悟时刻是你分享建议并解释为什么你认为这些建议能帮助公司取得成功的时候。

当我准备演示汇报时，我也喜欢从这里开始。使用这些基本要素来勾勒你的演示汇报是一个很好的起点，它们可以帮助你将发现组织成一个清晰的故事。

一旦你决定了故事的这五个关键部分，就该思考如何将你的叙述与有趣的视觉元素相结合。因为正如你所知，一个有趣且有说服力的数据故事需要有趣且有说服力的视觉效果。

接下来，你将学*更多关于如何成为数据叙事专家的知识。

本节课中，我们一起学*了构建有效数据演示汇报的框架。关键在于将数据洞察组织成一个包含角色、背景、情节、高潮揭示和顿悟时刻的完整故事，并辅以恰当的视觉呈现，从而清晰、有力地向听众传达你的发现和建议。

117：创建专业简历

概述

在本节课中，我们将学*如何创建一份专业、简洁且有效的简历。我们将从理解简历的核心目的开始，逐步介绍简历的结构、内容撰写技巧以及如何突出你的技能和经验，特别是与数据分析相关的部分。

简历的本质：一份专业快照 📸

上一节我们介绍了课程背景，本节中我们来看看简历的核心概念。

当你拍照时，通常会在一张图像中捕捉许多不同的事物。拍摄日落时，你可能想捕捉云彩、树木和山脉。本质上，你想要的是那个完整时刻的快照。

你可以用同样的方式来思考简历的构建。你希望你的简历成为你在学校和工作中的所有成就的快照。当经理和招聘人员查看你的简历时，他们应该能立刻看出你能为公司提供什么。

这里的关键是简洁。尽量将所有内容控制在一页内，每个描述只用几个要点。2到4个要点就足够了，但要记住保持要点简洁。坚持一页纸有助于你专注于最能反映你是谁或你希望成为谁的专业细节。招聘经理和招聘人员可能也只有时间看一页纸。他们很忙，所以你希望你的简历能尽快吸引他们的注意力。

构建简历：从模板开始 🛠️

上一节我们了解了简历应像快照一样简洁有力，本节中我们来看看如何开始构建它。

现在，让我们谈谈实际构建你的简历。这时模板就派上用场了。它们是构建全新简历或重新格式化已有简历的好方法。

像 Microsoft Word、Google Docs 甚至一些求职网站都有你可以使用的模板。模板为你需要输入的信息预留了位置，并拥有自己的设计元素，使你的简历看起来更吸引人。

稍后你将有机会探索这个选项。现在，我们将介绍一些步骤，使你的简历显得专业、易于阅读且没有错误。如果你已经有一份简历文档，你可以使用这些步骤来调整它。

简历的结构与内容

以下是构建简历时可以遵循的主要部分和步骤。

1. 联系信息

大多数简历在文档顶部都有联系信息。这包括你的姓名、地址、电话号码和电子邮件地址。如果你有多个电子邮件地址或电话号码，请使用最可靠且听起来最专业的那个。如果能在电子邮件地址中使用你的名字和姓氏会更好，例如 JaneDoe17@email.com。你还应确保你的联系信息与你在专业网站上包含的详细信息一致。

虽然大多数简历的联系信息都在同一位置，但如何组织这些信息取决于你。

2. 选择简历格式

简历格式不止一种。一种更侧重于技能和资历而非工作历史的格式，非常适合工作经历有空白期的人。对于刚刚开始职业生涯或正在转行的人来说也很好。

如果你想突出你的工作历史，可以随意包含你的工作经验细节，从最*的工作开始。如果你有很多与所申请新职位相关的工作经历，这种格式是合理的。

如果你正在编辑已有的简历，可以保持相同的格式并调整细节。如果你是第一次开始制作新简历，请选择对你最有意义的格式。网上有很多简历资源。你应该浏览大量不同的简历，以了解你认为最适合你的格式。

3. 撰写个人摘要（可选）

一旦决定了格式，你就可以开始添加你的详细信息。有些简历以摘要开头，但这是可选的。如果你的经验对于数据分析师来说不传统，或者你正在转行，摘要会很有帮助。

如果你决定包含摘要，请将其控制在一两句话内，突出你的优势以及你如何能帮助所申请的公司。你还需要确保你的摘要包含关于你自己的积极词汇，如“专注的”和“积极主动的”。你可以用数据来支持这些词汇，比如你工作的年数或你熟悉的工具，如 SQL 和电子表格。

摘要可以这样开头：“拥有超过五年经验的勤奋客户服务代表”。一旦你完成本课程并获得证书，你也可以将其包含进去，听起来可能像这样：“初级数据分析专业人士，最*完成了谷歌数据分析专业证书”。

另一个选择是，在构建简历其余部分时，为摘要留一个占位符，然后在完成其他部分后再撰写。这样，你可以回顾提到的技能和经验，并提取两三个亮点用于摘要。还需要注意的是，摘要可能会随着你申请不同的工作而略有变化。

4. 描述工作与相关经验

如果你包含工作经验部分，可以添加许多不同类型的经验。除了在其他公司的工作，你还可以包括你担任过的志愿者职位以及任何自由职业或完成的工作。

这里的关键在于你描述这些经历的方式。尝试以与你申请的职位相关的方式来描述你所做的工作。

大多数职位描述都列出了最低资格或要求。这些是你被考虑录用所需的经验、技能和教育背景。因此，在简历中明确说明它们很重要。如果你符合要求，下一步就是查看首选资格，许多职位描述也包括这些。这些不是必需的，但你符合的每一项额外资格都会使你成为该职位更具竞争力的候选人。

将你的技能和经验中与职位描述相匹配的任何部分包含进去，都将有助于你的简历脱颖而出。

因此，如果职位描述将一项工作职责描述为“有效管理数据资源”，你会希望有自己的描述来反映这一职责。例如，如果你在当地的学校或社区中心做过志愿者或工作，你可能会说你“有效管理了课后活动的资源”。稍后，你将学*更多方法，让你的工作历史为你服务。

以同样的方式描述你的技能和资格也很有帮助。例如，如果职位描述谈到“组织能力”和“与他人合作”，试着想想你曾有过的相关经历。也许你曾帮助组织食品募捐活动，或与某人合作创办了一家在线企业。

在你的描述中，你想突出你在该角色中产生的影响，以及该角色对你产生的影响。如果你帮助一家企业起步或达到新的高度，请谈谈那段经历以及你在其中扮演的角色。或者，如果你在一家商店刚开业时在那里工作，你可以说你“通过确保优质的客户服务，帮助成功启动了业务”。如果你在任何工作中使用过数据分析，你也一定要将其包含进去。

我们稍后将介绍如何添加特定的数据分析技能。

一种方法是在描述中遵循一个公式：

公式：通过做 Z，实现了 X，其衡量标准是 Y。

以下是一个在简历上可能如何呈现的例子：

“基于领导潜力和学术成就，被选为全国 275 名参与者之一，参加这个为期 12 个月的高潜力人才专业发展项目。”

如果你在某段经历中获得了新技能，请务必突出所有这些技能以及它们如何提供了帮助。

5. 突出数据分析技能

这可能是提出数据分析的好时机。即使本课程是你第一次真正思考数据分析，既然你掌握了一些知识，你会希望利用它来获益。

因此，如果你曾经管理过资金，也许这意味着你帮助企业分析了未来收益，或者你根据对先前支出的分析制定了预算。即使是为了你自己或朋友的小生意，这也是你分析过的数据。现在你可以反思何时以及如何使用它，并将其用在你的简历中。

6. 教育背景

添加工作经验和技能后，你应该包含一个部分，列出你完成的任何教育背景。是的，这门课程绝对算数。你可以将这门课程作为你教育背景的一部分添加，你也可以在摘要和技能部分提及它。

7. 技术技能

根据你简历的格式，你可能想添加一个部分，列出你在这门课程及其他地方获得的技术技能。除了像 SQL 这样的技术技能，你还可以在此部分包含语言能力。掌握英语以外的某种语言能力只会对你的求职有帮助。

总结

本节课中我们一起学*了如何创建一份专业且吸引人的简历。你现在了解了如何使你的简历看起来专业且吸引人。随着你继续前进，你将学到更多关于如何让你的简历脱颖而出的知识。最终，你将拥有一份可以引以为豪的简历。接下来，我们将讨论如何让你的简历真正独一无二。

118：数据看板构建与项目收尾 🚀

在本模块中，我们将学*如何规划、构建并展示数据看板，以完成最终的课程项目。我们将利用之前课程中准备好的数据和管道，在可视化软件中创建仪表板，从而呈现关键的商业洞察。

在整个课程中，你已经掌握了商业智能的核心技能。你也了解了构建作品集以展示个人能力和成就的重要性。现在，是时候回到你的期末项目了。

在之前的课程中，你完成了一个可以放入作品集的商业智能项目。你创建了关键的商业智能文档和数据管道，以练*为商业场景产出交付物。从这些项目中，你现在拥有了可用于在仪表板中进行可视化的完整数据。

上一节我们回顾了项目基础，本节中我们来看看本模块的具体目标。在本课程中，你将学*如何规划、构建和展示仪表板。掌握这些新技能后，你现在可以完成你的期末项目了。

接下来，你将把那些报告表加载到可视化软件中，通过商业智能仪表板来突出重要的洞察。你需要持续记录你的方法、步骤、成就和可迁移技能，以便将这些信息添加到你的作品集中。

当你完成项目的这一步时，你将拥有一个完整的端到端商业智能案例研究。这将帮助你在面试和社交机会中展示你的商业智能知识，这对于获得第一份商业智能工作至关重要。

未来的雇主和商业伙伴将了解你为提升技能所付出的努力。开始这个项目时，请记住你可以按照自己的节奏进行。如果你遇到挑战或需要帮助，可以随时参考本课程中的课程和资源。

准备好迎接你期末项目的下一个，也是最后一个步骤。

本节课中我们一起学*了如何为期末项目规划和构建数据看板，并理解了完成端到端案例研究对于职业发展的重要性。

119：完成期末课程项目 🎯

在本节课中，我们将学*如何完成商业智能（BI）的期末课程项目。我们将整合之前课程中完成的关键文档、数据管道和报告表，并最终创建一个数据看板。

项目概述

现在，是时候完成你的商业智能期末课程项目了。截至目前，你已经完成了关键BI文档、数据管道以及之前课程中的报告表。如果你尚未完成这些内容，可以花些时间完成这些交付成果，为下一阶段做好准备。否则，你可以使用为这些项目提供的范例来构建即将进行的可视化。

准备阶段

上一节我们介绍了项目的整体目标，本节中我们来看看具体的准备工作。

当你的报告表准备就绪，可以加载到Tableau等可视化工具中时，你就可以继续推进项目了。

项目执行步骤

以下是完成期末项目的三个主要步骤。

创建原型：首先，你需要创建一个看板原型。
制作图表并组织看板：接着，创建图表并将它们组织到一个数据看板中。
设计演示风格：最后，开发你独特的演示风格，以便在作品集中分享看板时使用。

项目按此顺序构建。但一如既往，你可以按照自己的节奏和选择的方式进行。你可以通读材料，然后直接从原型跳到看板，再返回处理图表设计细节。你甚至可以在流程的每个步骤之间来回切换，以适合你风格的方式工作。你的看板艺术完全属于你自己。

技能应用与回顾

如果你完成了本课程的活动，那么你已经完成了上述每个步骤。这些材料对你来说都不会是全新的。如果遇到困难，你可以回顾之前的课程。这个项目延续了你在之前课程中开始的工作。

你将运用一路上掌握的技能来指导整个过程。这将使你能够做出自己的商业智能决策，并独立发展你的技能，以便在工作场所遇到BI项目时做好准备。

案例研究与最终成果

本节中的阅读材料将包含案例研究的场景、你需要回答的业务问题，以及关于需要构建何种可视化的说明。

现在，是时候开始了。请通读案例研究材料，决定如何最佳地设计你的看板，并在你选择的可视化工具中创建你的项目和演示。

当你完成时，你将拥有自己完整的案例研究，可以向潜在雇主展示。享受构建你作品集的过程吧。😊

总结

本节课中，我们一起学*了如何整合前期工作，通过创建原型、制作图表与看板、设计演示风格三个步骤来完成商业智能期末项目。这个过程旨在帮助你应用所学技能，独立完成一个完整的BI案例，为未来的职场挑战做好准备。

120：课程总结 🎉

在本节课中，我们将对谷歌商业智能课程进行总结，回顾你在课程项目中的成就，并展望未来的职业发展。

概述

恭喜你，你已经完成了课程最终项目的最后一个组成部分。这是一个巨大的成就，它证明了你在本课程中的所有辛勤努力。

项目成果回顾

上一节我们介绍了项目的主体构建，本节中我们来看看你独立完成的最终成果。你运用了所学的商业智能、数据管道和仪表板知识，创造了一个真正展示你作为BI专业人士成长的作品。

你现在可以将这个项目演示文稿纳入你的作品集。

如何展示你的成果

以下是你可以采取的几种方式来展示你的项目成果：

与潜在雇主分享。
在面试中进行讨论。

你可以分享以下材料：

你制作的演示文稿。
仪表板本身。
关于你所用流程和所做选择的书面说明。

理想情况下，你应该展示以上所有内容。每个组成部分都说明了你的BI学*之旅。

课程结束与未来展望

现在，你已经朝着BI职业生涯迈出了第一步，并到达了本课程的终点。请不要错过下一部分，那里有一些熟悉的面孔带来的特别信息，以帮助你庆祝这一成就。

😊

总结

本节课中我们一起学*了如何总结和展示你的课程项目成果。你独立完成了最终项目，综合运用了商业智能、数据管道和仪表板的知识，这标志着你在BI领域的专业成长。请妥善保存和展示你的项目成果，它将是你职业发展中的重要资产。

121：托尼的职业发展策略 🚀

在本节课中，我们将学*来自谷歌财务项目经理托尼的宝贵建议，了解如何在商业智能领域的求职面试中脱颖而出。课程将重点介绍如何弥补经验不足、掌控面试节奏以及有效展示个人技能。

核心面试策略：连接所学与岗位需求 🔗

上一节我们介绍了课程背景，本节中我们来看看托尼分享的核心面试策略。对于缺乏直接工作经验的求职者，关键在于主动建立所学知识与目标职位之间的联系。

当面试官提出开放式问题时，应抓住机会深入阐述你的学*成果及其应用方式。例如，面试官可能提出一个宽泛的业务问题，你可以选择从财务数据分析角度切入，并主动引入技术工具作为解决方案。

核心行动公式：主动阐述 = 展示学*成果 + 连接岗位需求

以下是具体操作建议：

引导技术讨论：主动谈论你将如何使用 SQL、Python 或 R 等工具来解决问题。
模拟解决流程：向面试官逐步演示你实施解决方案的思考过程。
突出证书价值：明确表达你如何将证书课程中学到的知识，应用于当前讨论的职位挑战中。

面试环境控制：营造专业与舒适的空间 💻

掌握了主动展示的策略后，另一个常被忽视但至关重要的因素是面试环境。特别是在当前虚拟面试为主的背景下，对环境的有意控制能极大影响面试表现。

绝对不建议在无法控制的环境中面试，例如嘈杂的街头或咖啡馆外。控制环境不仅是为了给面试官留下专业印象，更是为了让你自己能感到舒适、自信且不受干扰。

以下是准备面试环境的要点：

选择可控空间：确保面试地点安静、私密、网络稳定。
提前测试设备：检查摄像头、麦克风和面试软件是否正常。
保持背景整洁：使用简洁、专业的虚拟背景或整理好实体背景。

面试前准备：系统化整理你的项目资产 📁

为了在面试中能流畅、自信地展示自己，充分的考前准备必不可少。这需要你将学*过程中的成果转化为可随时调用的“资产”。

从面试官的角度看，对于初级职位候选人，更关注的是你如何清晰阐述所学知识，而非过往经验。因此，你需要提前梳理在证书课程中完成的所有项目和案例分析。

以下是项目整理的步骤：

全面回顾：浏览证书学*期间完成的所有分析项目。
精选案例：选出几个最具代表性、最能体现你综合能力的项目。
提炼故事：为每个精选项目准备一个简明的叙述，包括背景、方法、工具和成果。
应对通用问题：将这些项目案例与常见的面试问题（如“请描述一个你解决过的分析问题”）关联起来，做到随时可以引用。

展现自信：坚信你的学*成果 💪

当面试进入更技术性的讨论环节时，这是你展示证书学*深度的最佳时机。你需要做的是坚定地依靠你在课程中获得的知识。

请相信，你所完成的学*和项目工作，已经足以让你获得这次面试机会。你应充满自信，积极把握这个展示自己的时刻。

心态代码：

if interview_question == "technical":
    respond_with(confidence, knowledge_from_certificate)
    # 自信地展示你在课程中学到的技能

本节课中我们一起学*了谷歌专家托尼的职业发展策略。我们明确了在面试中主动连接所学知识与岗位需求的重要性，了解了控制面试环境的关键细节，掌握了系统化整理项目资产的方法，并最终认识到，带着自信展示学*成果是打动面试官的核心。记住，充分的准备和积极的展示，能让你在商业智能领域的求职路上脱颖而出。

122：迈尔斯-人工智能在职场中的影响力驱动 🤖

概述

在本节课中，我们将跟随谷歌数据工程师迈尔斯的分享，了解人工智能（AI）在商业智能和数据工作中的实际应用与影响。我们将探讨AI如何提升工作效率、自动化繁琐任务，并学*如何有效利用AI工具来辅助数据分析工作。

我是迈尔斯，是谷歌的一名数据工程师。我的主要工作是维护大型数据库，这些数据库也被称为数据湖，其中包含我们从资本性支出到运营性支出，再到收入的广泛财务信息。我的职责是向利益相关者提供这些数据。

我非常热爱数据分析师这份工作。这份工作并非总是与数字打交道，其中很大一部分也涉及讲故事。能够创建吸引人且视觉上引人入胜的内容呈现给业务伙伴，是一件非常独特的事情，这是许多其他职业所不具备的经验。数据是我们所做一切工作的被遗忘的支柱，没有数据，我们就无法像现在这样准确地做出任何决策。

AI的重要性与定位 🚀

上一节我们了解了数据工作的核心价值。本节中，我们来看看AI在其中扮演的角色。

AI是一件大事。我们认为它是下一个前沿领域。如果我们把数据分析看作第一步，那么AI就是第二步。在我的工作中，我每天都使用AI，它让我和我的所有同事都更高效、更有生产力。更不用说它让我们能够自动化那些我们不喜欢做的、重复性或繁琐的任务。

AI的实际应用案例 📄

了解了AI的宏观定位后，我们通过一个具体案例来看看AI如何解决实际问题。

最*，我在谷歌的岗位上使用AI的一个例子是，当我们必须围绕数据访问创建文档时。我们基本上需要为业务伙伴整合大约10种不同的访问权限，并创建文档让他们知道在何时何地申请访问。我们这样做是因为我们维护大量财务数据，众所周知，这些数据非常机密且需要知悉。因此，创建易于阅读和易于应用的文档对于在谷歌担任数据分析师至关重要。

我使用了这个新工具，或者说Gemini的总结功能。我每天都使用它，无论是处理电子邮件、长表格还是解析代码，它确实能帮助你更快地找到你想要的核心要点。

给初学者的建议：如何学*使用AI 🧪

我们已经看到了AI的实际效用。那么，对于想要入门数据分析并利用AI达成目标的人，迈尔斯有什么建议呢？

以下是我给刚开始学*数据分析并希望利用AI的人的建议：尝试和测试是学*如何使用这些工具的最佳方式。将其视为一个游乐场，尽情玩耍，搞乱一些东西，向它提出假问题，也提出真实问题。尽你所能去真正理解它会给出什么输出，这样当你真正需要做一些有成效的事情时，就能更好地利用它。

进阶技巧：用AI学*AI 🧠

除了基础使用，AI本身还能成为我们学*的强大助手。

一个有趣的小技巧是，你实际上可以使用AI来教你AI。你甚至可以要求聊天机器人教你如何使用它自己。基本上，AI会给你一个输出，然后你可以问它，它认为这个输出在多大程度上满足了我的输入需求。

使用这些新技术非常令人兴奋。这几乎就像在你工作时有一个私人助理在你身边，无论你是向工具抛出问题和想法，还是向其输入数据以帮助你更快地完成某事。它不仅能节省你的时间，还能教会你很多东西。

总结

本节课中，我们一起学*了谷歌数据工程师迈尔斯对AI在职场中影响力的见解。我们了解到：

AI是提升效率和自动化的关键工具，能处理重复性任务。
AI在具体工作（如文档创建、信息总结）中具有实际应用价值。
学*AI的最佳方式是动手实践和反复测试，将其当作探索的工具。
AI本身可以成为学*AI的导师，通过提问和反馈来深化理解。

掌握这些理念和方法，将帮助你在数据分析和商业智能领域更有效地利用人工智能技术。

123：利用人工智能提升数据分析技能 🤖

在本节课中，我们将学*如何利用生成式人工智能（GenAI）来提升数据分析工作的效率与创造力。我们将重点介绍如何构建有效的提示词（Prompt），并探讨如何将AI作为人类技能的补充，负责任地应用于数据分析的各个环节。

人工智能正在改变我们在工作和生活中处理日常任务的方式。使用人工智能可以帮助你更快地完成常规性工作，从而让你能将更多时间投入到能产生最大影响力的领域。

回想一下你典型的工作日。如果它和我的情况类似，你会有很多事情要做，但时间总是不够。有些时候，你的待办事项清单似乎永无止境。但试想一下，如果AI能提供帮助呢？作为一名数据专业人士，我将分享几个你可能遇到、且AI能帮助你更智能、更快速工作的场景，并展示具体操作方法。你将了解如何加速数据清洗过程、创建引人入胜的数据可视化图表、为数据分析构思问题等。

我叫Miles，是谷歌收入系统团队的一名数据工程师。我的团队处理与谷歌财务相关的数据。具体来说，我维护着被称为“数据湖”的大型、结构化或非结构化数据库，其中包含我们的财务数据。我经常为创收项目自动化数据报告，并协助利益相关者进行分析，以帮助我们的产品和项目发展。AI帮助我更高效、更有创意地工作，因此我很高兴分享我的使用经验。

构建有效的提示词框架 ✍️

为了充分利用生成式人工智能（GenAI），编写有效的提示词至关重要。提示词是你提供给AI模型的输入，用以引发特定的回应。一个好的提示词遵循一个简单的框架：任务（Task）、上下文（Context）、参考（References）、评估（Evaluate）和迭代（Iterate），简称 T、C、R、E、I。如果你记不住这些步骤，只需记住这句口诀：“深思熟虑地创造真正优秀的输入（Thoughtfully Create Really Excellent Inputs）”。

以下是该框架的详细分解：

1. 任务（Task）

任务是指你希望模型做什么。这应该简单明了。我们可以将任务分解为角色（Persona）和格式（Format）。

角色：指你希望GenAI工具借鉴何种专业知识。你可以要求工具扮演特定角色，例如“一位专业的演讲撰稿人”或“一位拥有15年经验的营销主管”；你也可以要求它为特定受众（如客户或你的经理）创建输出。
格式：指你希望输出以何种形式呈现。无论是项目符号列表、短句还是表格。请记住，任务描述应清晰、具体地说明你希望模型做什么。

2. 上下文（Context）

上下文是帮助GenAI工具理解你需求所必需的细节信息。这造成了两种请求方式的区别：

“给我一些30美元以下的生日礼物点子。”
“给我5个生日礼物点子。预算30美元。礼物是送给一位29岁、热爱冬季运动、最*刚从单板滑雪转向双板滑雪的人。”

添加上下文能使指令更精确。

3. 参考（References）

有时，你需要在提示词中添加参考资料，供GenAI工具在创建输出时使用。例如，在你请GenAI工具提供生日礼物点子后，如果你添加过去送过的礼物作为参考，工具就能给出更有用的建议。需要注意的是，并非总有明确的参考资料可用，尤其是在处理更抽象的任务或寻找灵感和创意时。关键在于指令要清晰、具体。

提示词编写要点：使用自然语言，就像与另一个人交谈一样，并表达完整的想法。

4. 评估（Evaluate）与 5. 迭代（Iterate）

在包含了任务、上下文和参考并得到输出后，就到了评估阶段。问问自己：你提供的输入是否得到了你需要的输出？这引出了框架的最后一部分：迭代。

如果你评估输出后，发现没有得到所需内容，可以尝试通过添加更多信息或编辑你的提示词来重试。这是有效提示的关键环节。

关于框架的补充说明：构建有效提示词的方法有很多。提示词的构建顺序不如其内容实质重要。只要你遵循“深思熟虑地创造真正优秀的输入”这一原则，你的输出结果应该会很出色。

负责任地使用AI：人在回路方法 🔄

在我们探索如何在数据分析中使用AI时，请记住，当AI作为我们独特人类技能和能力的补充时，它能发挥最佳作用。你应该始终通过应用“人在回路（Human-in-the-loop）”方法来负责任地使用AI。

AI是帮助你完成任务的有用工具，但它需要人类的参与。没有任何AI工具拥有我们人类所具备的深厚经验、实践知识和互动技能。这就是为什么“人在回路”方法是负责任使用AI的关键。它结合了机器和人类的智能来训练、使用、验证和完善AI结果。

实际上，这意味着要注意你输入AI工具的内容，并始终评估和验证其输出。当你使用AI工具时，请仔细考虑是否需要使用机密或敏感信息来执行任务，并务必首先查阅你所在组织的规则或政策。

即使在工作之外使用AI工具，你也应避免输入个人或机密信息，并始终检查你输入的数据可能被如何使用。

最后一点：市面上有很多GenAI工具。我将使用Gemini来演示如何编写提示词，但你将学到的所有技巧和最佳实践都可以应用于其他GenAI工具，如ChatGPT、Copilot或Claude。

AI在数据分析中的应用场景 📊

像我们这样的数据分析师经常被数据清洗和整理等耗时任务所困扰。我想我从未遇到过有人说这是他们工作中最喜欢的部分。真正的兴奋点在于从数据中发现新知、深入挖掘洞察，并与团队合作将这些洞察转化为决策。

AI工具可以赋能我们数据专业人士，让我们在为团队或组织发掘机遇方面扮演更重要的角色。

本节课总结：我们一起学*了如何利用生成式人工智能提升数据分析技能。核心内容包括：1）掌握 T、C、R、E、I提示词框架 来有效引导AI；2）理解并应用 “人在回路” 方法，确保负责任且有效地使用AI，将其作为人类专业能力的补充；3）认识到AI能够将我们从繁琐的常规任务中解放出来，从而更专注于高价值的洞察发现与决策支持工作。现在，让我们开始实践吧。

124：借助人工智能清洗与准备数据 🧹🤖

在本节课中，我们将学*如何利用人工智能工具来高效地清洗和准备数据，从而节省大量手动处理时间，为深入分析奠定坚实基础。

概述

数据清洗是数据分析中至关重要但耗时的一环。分析师通常需要花费大量时间处理不完整、格式错误或含义模糊的数据集。人工智能，特别是生成式AI工具，能够帮助我们自动化或指导完成许多这类繁琐任务，例如识别数据质量问题、标准化日期格式、检测重复项以及澄清字段名称。

数据清洗的挑战

你曾花费多少小时为分析准备数据？例如清理电子表格、修正错误数据、更改数据类型以确保准确性，或者重命名列。对于许多分析师而言，答案是相当多的时间。

在我们的领域，干净的数据是任何分析的基础。分析师通常会从利益相关者、外部供应商甚至旧代码和数据库中获取庞大、不完整且有时包含错误的数据集。对于每一份数据，我可能花费高达30%的时间来清洗、验证和准备分析。这个过程可能非常枯燥。

人工智能的助力

人工智能帮助我收回了部分时间，用于进行我真正热爱的深度分析工作。像Gemini这样的生成式AI工具可以帮助数据分析师识别数据质量问题、标准化日期格式、检测并移除重复项，以及在短时间内识别数据集中的潜在特征。

例如，Gemini可以提供实现高质量数据的详细流程。而借助更高级的工具，如Gemini for Google Workspace，我们可以授予其对数据集的访问权限，并让工具直接为我们完成更改。

实践思考

回想一个你最*处理过的数据集。它可以是本证书课程中的数据集，也可以是你最*完成的工作项目。如果需要，可以暂停视频，认真思考一下。

你在尝试清洗该数据时遇到的最常见问题是什么？是错误的数据类型、缺失的信息，还是含义不清的字段名称？如果人工智能能在你的一些提示下帮助解决所有这些问题呢？

实例演示

让我展示一个例子。假设我有一个描述每日销售数据的数据集。这个数据集的日期格式不一致。这很令人沮丧，对吧？我该如何修复它们呢？

我可以输入如下提示：

“我收到了一个销售数据集，其中包含许多格式问题。具体来说，是日期格式不一致。我将输入一些通用日期作为示例。请描述在Google Sheets中专门用于清理和标准化日期格式的分步过程，以确保数据已准备好进行准确分析。”

现在，让我们看看输出结果。Gemini提供了如何识别数据中可能包含日期的列的步骤。然后，它提供了技巧，以便更容易找出哪些字段包含日期，以及如何选择一种标准格式，使所有日期都以相同的方式显示。它甚至提供了关于错误处理的说明，并让我知道将信息转换为我所选标准格式的最安全方法。

这很酷，对吧？人人都能获得干净的数据。

人工智能的潜力

在这个例子中，Gemini指导我们完成了清理和标准化日期格式的过程。但这只是生成式AI在数据分析中能力的冰山一角。许多企业级AI工具可以更进一步，自动化此类数据清洗任务。这可以节省宝贵的时间和资源，让你能够专注于战略决策等事务。

动手尝试

现在，请亲自尝试一下。玩耍和试验提示词是找出如何获得对你有用结果的最佳方式。打开一个你正在处理的数据集，看看生成式AI工具如何提供帮助。

有时，获得你想要的输出可能需要一个过程。到达目的地的唯一方法是适应、探索并学*适合你的路径。

总结

本节课中，我们一起学*了人工智能如何变革数据清洗流程。我们了解到，通过向AI工具提供清晰的提示，可以高效解决日期格式不一致等常见数据问题，从而将更多时间投入到有价值的分析工作中。关键在于积极尝试和探索，找到最适合你工作流的AI应用方式。

125：使用人工智能组织数据与构建公式 📊🤖

在本节课中，我们将学*如何利用生成式人工智能工具来高效地组织电子表格数据并构建公式。我们将通过一个具体的销售数据分析案例，演示从明确目标、构思提示词到迭代优化的完整工作流程。

概述

整理和维护一份结构清晰的电子表格需要投入大量时间。这包括组织数据、建立公式、创建数据透视表以及记忆复杂的菜单和格式。幸运的是，生成式人工智能工具不仅能帮助清理数据，还能协助组织数据。这意味着你可以将更多精力集中在深度分析上，减少在前期设置上的耗时，同时还能获得一份可供深入研究的、组织良好的数据集。

数据准备与目标设定

上一节我们介绍了利用AI工具的优势，本节中我们来看看如何开始一个具体的数据整理项目。

想象一下，我正在处理一个包含不同地区、不同时间段产品销售信息的数据集。我的目标是重构这些数据，以展示每个地区每种产品的月度销售摘要。

我选择这个例子是因为它与我最*在工作中遇到的一个情况类似，当时我依靠Gemini获得了帮助。我必须找到我们在美洲推出的一个新产品的月度销售增长数据，但原始数据只是电子表格中数据表的原始输出。

那么，我应该如何开始？
首先，我会打开我的电子表格，确保数据尽可能干净。我甚至可能会借助AI来帮忙。我会确认自己了解相关的字段名称和结构，并检查潜在的问题。

构思与提交初始提示

数据准备就绪后，下一步是向AI工具清晰地描述我们的任务。

然后，我会打开一个生成式AI工具。在这个案例中是Gemini，但同样的流程也适用于其他工具。我会开始构思提示词。和往常一样，我会专注于描述我希望模型执行的任务，添加上下文所需的足够细节，并提供任何必要的参考信息。

我可以输入这样一个提示词：

“我在Google Sheets中有一个数据集，包含不同地区和不同时间段的产品销售信息。我的目标是重构数据，以展示每个地区每种产品的月度销售摘要。请帮助我构思开始这项工作前需要考虑的关键事项，并找出可能对此任务有用的具体公式。”

正如你所注意到的，我们从一个简单的提示词开始，描述了将销售数据重构为月度摘要的目标。我们不需要向Gemini提供任何代码或复杂的指令，只需对我们期望的结果进行清晰的解释。

评估AI的初步响应

现在，让我们查看Gemini的响应。可以把Gemini想象成一个项目顾问，指导我们完成关键的规划阶段。

我们可以看到，Gemini强调理解数据结构的重要性，并突出了一些关键字段。然后，Gemini推荐使用数据透视表作为此类数据转换的强大工具。它甚至建议了几个我们可以实施的有用公式。

从这个输出中，我特别喜欢的一个公式是 SUMIFS，它展示了如何根据我们设定的参数创建聚合。

请记住，我们的提示词越具体，输出结果就越好。在这个例子中，让Gemini知道我们正在使用Google Sheets，可以使响应针对该工具进行定制，这会让我们的工作轻松很多。

迭代优化提示词

记住提示词框架TCR EI，现在我们要将其中的“E”（评估）付诸实践。在理想情况下，Gemini会直接给出我组织数据集所需的一切，但我需要检查。

如果第一次的输出不完全符合我的期望，那么“I”（迭代）就会派上用场。很可能，我会希望迭代我的提示词，以获得更准确或更有用的结果，这取决于我的偏好。

提醒一下，迭代是通过反复的测试和调整周期来改进你的AI提示词和输出的过程。

以下是你可以记住的几个技巧：

评估输出偏差：当你评估你的提示词时，是否发现输出有任何不符合你预期的领域？如果是，可能有机会为AI工具提供关于你需求的更具体指导。记住，AI工具只能根据你告诉它的内容提供结果。因此，请确保你的提示词有足够的细节来获得有用的响应。
提供参考示例：回想一下我们提示词框架中的“R”（参考）。你能分享一个你期望结果的例子吗？在你的提示词中提供示例可以帮助AI工具理解你想要什么。如果你希望找到特定的格式或分析类型，可以向AI工具展示一个例子。
检查措辞清晰度：你的表达尽可能清晰了吗？尝试将你的指令分解成更短的句子。这可以帮助你在下一次改进输出。
利用偏好反馈：输出中有你喜欢的部分吗？例如，假设AI工具为你提供了五个头脑风暴的想法，而你喜欢其中两个。在你的下一个提示词中，解释你为什么喜欢那两个，并要求AI工具根据你的理由提供一个新的想法列表。你甚至可以指出你为什么不喜欢另外三个想法，并要求工具在下次也考虑到这一点。

迭代实践示例

那么，我将如何迭代我之前分享的提示词呢？
假设AI工具的响应只包含关于数据透视表的一般信息，而我想了解更多。我可能需要包含输入数据的字段名称，或者指定我希望在数据透视表中包含数据的哪些字段。

或者，如果响应没有包含关于自变量与因变量（分别对应我们数据透视表的行和列）的具体信息，我可能会添加上下文，以便这些信息也出现在我的输出中。

通过有效的提示词构思和创造性的迭代，我可以与Gemini合作，为组织我的销售数据开发一个流程。而像Gemini和Google Sheets这样的更高级的AI工具，甚至可以超越流程建议，直接为你生成数据透视表，甚至提供多个选项供你选择。

总结

本节课中，我们一起学*了如何利用生成式AI工具来组织数据和构建公式。我们从明确一个具体的销售数据分析目标开始，演示了如何构思清晰的初始提示词。接着，我们评估了AI的响应，并将其视为项目顾问的建议。最后，我们深入探讨了迭代优化提示词的技巧，包括提供更具体的指导、分享参考示例、优化措辞以及基于偏好进行反馈，从而逐步获得更符合期望、更实用的输出结果。通过这套方法，你可以让AI成为处理电子表格数据的强大助手，从而专注于更有价值的分析工作。

126：运用人工智能提出更有效的问题

在本节课中，我们将学*如何利用人工智能工具来提出更精确、相关且可执行的问题，从而为数据分析奠定坚实的基础。良好的问题是获得深刻洞察和做出明智决策的关键。

优秀的数据分析始于优秀的问题

在能够用数据回答问题之前，你需要明确自己要问什么。只有这样，才能解锁可执行的洞察和更明智的决策。归根结底，我们作为分析师创建的数据报告旨在帮助推动决策。这意味着我们预先提出的问题，将极大地影响我们的报告能够回答什么内容。

正如你可能猜到的，谷歌的人工智能工具可以帮助完成定义正确问题这一重要任务，即提出精确、相关、可执行的问题，以进行有效的数据分析。

实践示例：为零售商制定分析问题

让我们来看一个例子。假设我们是共同为一家零售商工作的数据分析师，我们正试图找出改善客户体验的方法。我可以编写一个提示词如下：

我获得了一个在线零售商的综合数据集，其中包括客户人口统计信息、购买历史和网站交互日志。我应该制定哪些关键问题来指导旨在改善客户体验和增加销售额的分析？请描述定义和优先排序这些问题的步骤。

以下是AI工具生成的潜在问题列表，以及我可以开始回答这些问题的方法。

进阶技巧：让AI评估其输出

这里有一个专业建议：你可以要求AI工具对其输出进行评分，或对潜在问题进行堆栈排序。它倾向于给出多个结果，并根据它认为自己做得多好，或者这些问题能多容易地引导你获得洞察来进行排序。

更强大的工具：直接连接数据源

准备好了解更酷的功能了吗？作为一名数据分析师，有一些更高级的工具（其中一些是付费的）可以让你对数据做更多事情。在我的工作中，我使用Jim和I Adv等工具将数据源直接连接到模型。这样，我就不必在数据中盲目点击，希望能发现一个突出的趋势。Jim和I Adv会分析我提供的数据，通过几个问题，它就能突出显示主要的趋势和模式，为我节省大量时间。

从这个总结中，我可以开始制定更深入的分析，这极大地提升了我的工作效率。

总结与行动呼吁

本节课中，我们一起学*了定义好问题对于成功的数据分析至关重要。人工智能可以帮助你简化这一过程，使你的问题变得精确、相关且可执行。这将增强你的分析能力，并带来更深刻的洞察和更好的决策。

现在，尝试将这些技巧应用到你的数据中吧。

127：通过人工智能创建引人入胜的数据可视化 📊🤖

在本节课中，我们将学*如何利用生成式人工智能（Gen AI）工具，高效地创建能够清晰传达数据洞察的图表和可视化。我们将了解从构思到实现的基本流程，并掌握一些提升效率的专业技巧。

在数据分析工作中，有时我们得出了出色的发现，却难以用引人注目的方式传达它们。这就是数据可视化至关重要的原因。为了分享我们的发现，我们需要创建引人入胜、信息丰富且具有影响力的图表，以突出关键洞察。

数据可视化是生成式人工智能（Gen AI）能够真正帮助您节省大量时间的领域。例如，当您需要展示过去一年的销售数据趋势时，Gen AI 工具可以告诉您应该创建哪些图表以及如何创建。

借助更高级的 AI 工具，如 Gemini 和 Google Sheets，AI 甚至可以为您直接创建这些可视化图表，并确保其准确性和一致性。

上一节我们介绍了 Gen AI 在数据可视化中的潜力，本节中我们来看一个具体的应用示例。

假设我的工作是可视化我们组织的营销销售业绩。这是一个复杂的任务，介于数据清洗、分析准备以及其他所有相关工作之间，可能会花费大量时间。我将使用一个 AI 工具来获取一些帮助。

以下是使用 AI 辅助创建可视化的基本步骤：

首先，我需要设定背景或提供数据的简要摘要。例如，我可以这样开始我的提示词：
“我有一个数据集，追踪了过去一年营销活动的销售表现，包括点击率、转化率和投资回报率等指标。”

接下来，我会明确我的任务并补充道：
“请找出能够有效传达这些营销活动表现趋势和洞察的可视化方案。”

就这样，我们获得了一系列可能有效传达营销活动数据集表现趋势和洞察的可视化方案列表。

现在，假设您想进一步了解输出结果中建议的图表类型。

迭代优化提示词的一种方法是，要求 Gen AI 工具为您展示关于它建议的图表类型的 YouTube 视频或 Google 搜索链接。

请注意，在这个示例中，我们使用 Gemini 来生成创建这些可视化的步骤，因为我们没有上传任何实际数据。

然而，如果您使用的是企业级 AI 工具，您可以直接上传数据，让工具为您生成可视化图表，从而显著简化流程。

使用 Gen AI 构思数据可视化方案，我最喜欢的一点是，它让我能更专注于解读数据和分享洞察，而不是创建图表的技术细节。这能更高效地利用我的时间。

在结束这个示例之前，我想分享一个专业技巧。到目前为止，我一直在 Gemini 中键入提示词。如果您不想打字，也可以激活麦克风功能。这使您能够使用语音快速添加更多信息、开始新的提示词或迭代现有的提示词。

本节课中，我们一起学*了如何利用 Gen AI 工具（如 Gemini）来构思和规划数据可视化。我们了解了从提供数据背景、明确任务到迭代优化提示词的全过程。通过将技术性工作交给 AI，我们可以将更多精力投入到数据解读和洞察传达上，从而更高效地完成数据分析任务。

128：借助人工智能优化R代码

在本节课中，我们将学*如何利用人工智能工具来优化R语言编程工作流。我们将探讨AI如何辅助代码生成、调试以及处理多源数据，从而提升数据分析的效率和准确性。

🛠️ 代码生成与优化

编写代码有时会感觉像在迷宫中穿行。生成式人工智能可以帮助解决这个问题。

作为数据分析师，你可能需要清理和转换数据集。你可以提示Gemini或其他AI工具来生成初始的R脚本。

例如，你可以提示AI工具：“生成一个R脚本，用于读取CSV文件并通过移除空值来清理数据。”

AI可以提供一个结构良好的脚本，然后你可以对其进行优化。这可以为像我们这样的数据分析师节省时间，并有助于提高工作的准确性。

🔍 调试与错误修正

调试代码是AI真正大放异彩的另一个领域。常见的R错误，如语法错误或逻辑错误，可以借助AI快速识别和纠正。

例如，如果你在运行脚本时遇到错误，可以向AI工具描述该问题，它会建议可能的解决方案。

所以，如果你在尝试合并两个数据框时遇到错误，AI可能会指出你可能遗漏了列名或使用了错误的函数。

你可以开始理解AI如何减少你的调试时间。

🔗 处理多源数据

我们的优势之一是处理来自各种来源的数据。AI可以通过生成代码来读取和聚合数据，从而帮助简化这个过程。

例如，你可能需要从CSV文件、数据库和API读取数据。通过提示AI工具，你可以获得一个从这些来源读取数据并将其合并到单个数据框中的脚本。

那么，我该如何构建一个提示来应对这样的挑战呢？

我可以尝试写一个这样的提示：“我是一名具有R语言基础知识的初级数据分析师。我需要帮助创建一个R脚本的基本框架，用于自动从各种来源（即PDF和Google Sheets）加载数据。我希望代码能扫描每个文档，组织数据，并生成一个不包含重复数据的、组织良好的Google Sheet。”

除了提供基本框架，Gemini还要求澄清数据结构、来源之间的一致性以及其他元素。该模型生成了一个R脚本的基本框架，用于自动化数据加载、清理和合并过程，并附有解释以帮助构建它。此外，它还提供了一些我应该考虑的问题的提示。

还不错，只需一个提示，我就得到了R编码方面的一些帮助。

💡 总结与行动建议

将生成式AI集成到你的R工作流中不仅仅是关于效率，也是关于赋能。你可以处理更复杂的项目并发现更深入的见解。

请记住，你不需要成为R专家也能利用AI的力量。只需开始尝试。

就像任何新技术一样，我们都需要尝试、测试和探索，以学*如何使用AI。

我很高兴能分享一些我作为数据专业人士在工作中使用AI的方式，从帮助数据清理到为数据可视化构思想法。

我希望这能帮助你开始在你的角色中使用AI。

我给你的挑战是：思考你已经在做的工作。是否有某件事花费了你大量时间？或者某个项目你需要一些想法来开始？承诺尝试使用AI来完成一些对你和你的工作真正有影响的事情。

129：课程介绍与概述

在本节课中，我们将学*谷歌人工智能基础课程的核心内容与结构。课程旨在为初学者构建一个清晰的学*路径，从商业智能基础到利用人工智能进行决策。

课程概述

本课程围绕商业智能与人工智能的应用展开。课程分为三个主要部分：商业智能基础、洞察路线以及决策制定。每一部分都旨在帮助学*者理解如何利用数据驱动业务决策。

课程核心模块

以下是本课程的三个核心模块：

商业智能基础
此模块介绍商业智能的基本概念，包括数据收集、处理与初步分析。目标是建立对数据价值的基本认识。
洞察路线：模型与管道
上一节我们介绍了数据基础，本节中我们来看看如何从数据中提取洞察。此模块深入探讨构建分析模型和数据管道的方法，将原始数据转化为可操作的见解。

决策：数据看板
在获得洞察之后，关键在于如何利用它们。本模块重点介绍如何通过创建数据看板来可视化信息，从而支持高效、准确的商业决策。

核心概念与工具

课程中会涉及一些核心的技术概念，它们通常通过以下形式进行描述：

公式：例如，一个简单的线性回归模型可以表示为 y = β₀ + β₁x + ε，用于预测变量之间的关系。
代码：在演示数据处理步骤时，可能会使用类似 df.groupby(‘category’).mean() 的伪代码来展示如何按类别对数据进行分组并计算平均值。

学*目标

完成本课程后，学*者应能够理解商业智能的工作流程，知晓如何构建从数据到洞察的管道，并掌握利用数据看板辅助决策的基本方法。

本节课中我们一起学*了谷歌人工智能基础课程的整体框架与核心模块。课程从BI基础出发，经过洞察路线的模型与管道构建，最终落脚于通过数据看板进行决策，为初学者提供了一条完整的数据驱动决策学*路径。

130：课程完成与展望

在本节课中，我们将回顾整个谷歌商业智能证书课程的完成，并展望未来的职业发展路径。

课程完成祝贺

带领大家完成本项目的最后部分，是一段非常美好的经历。我们知道你已经为开启一段精彩的职业生涯做好了充分准备。我们所有人都非常高兴能与你分享这段学*旅程，并迫不及待地欢迎你加入商业智能的世界。

恭喜你，你完成得非常出色。我们为你感到无比自豪。祝贺你成功完成了整个课程项目，你做得非常棒，我们认为你已经为成功做好了准备。

获取你的证书

现在，剩下要做的就是领取你的谷歌商业智能证书。你可以将这份证书展示在你的简历和领英个人资料中。

这份证书代表了你为完成这个项目所付出的所有辛勤努力。你取得了巨大的成就，并展现了对该领域的认真投入。

持续学*与职业发展

因此，请保持好奇心。毕竟，学*不会在此停止。当你进入这个新时代，请务必跟上商业智能的发展趋势。与同行建立联系。持续更新你的职业材料。

现在，请花些时间来庆祝你的成就。这是你应得的。

本节课总结

本节课中，我们一起庆祝了谷歌商业智能证书课程的完成。我们回顾了你的努力与成就，领取了代表学*成果的证书，并探讨了如何保持学*、紧跟行业趋势以及规划未来的职业发展。恭喜你成功完成课程，开启了商业智能领域的专业旅程。

131：项目总览回顾 🎉

在本节课中，我们将回顾整个谷歌商业智能职业证书课程的学*历程与核心成就。课程涵盖了从商业智能基础到数据建模、管道构建，再到数据看板设计与展示的完整知识体系。

课程成就与价值 💼

你刚刚获得了谷歌商业智能职业证书。这是一项巨大的成就，表明你为未来投入了学*新技能。

现在你已获得商业智能认证，你的证书可以在领英、Indeed和Glassdoor等求职平台上展示。同时，请务必通过谷歌的雇主联盟，与渴望招聘你所在领域人才的公司建立联系。

正如你在项目开始时所学到的，市场对商业智能专业人才的需求正以惊人的速度增长。凭借你已掌握的技能和知识，你可以在这个高增长、高影响力的领域中不断探索商业智能相关职位，以推动你的职业发展。

课程核心内容回顾 📚

接下来，让我们回顾你在整个项目中取得的所有成就。

第一阶段：商业智能基础

你从探究商业智能的基础开始。在此阶段，你发现了商业智能专业人员在组织内扮演的角色和发挥的功能。随后，你学*了商业智能工具、它们能揭示的洞察类型，以及上下文在商业智能项目中的重要性。

第二阶段：数据建模与管道

在下一门课程中，你探索了数据建模以及数据库的设计方式。你学*了如何创建管道，将数据移动到需要的位置。你还发现了用于数据库和管道系统的优化技术，以保持团队工作流程的顺畅运行。

第三阶段：数据看板与决策

最后，在这最后一门课程中，你专注于构建数据看板以监控随时间变化的数据。你在特定场景中构建了图表和数据看板来回答业务问题。然后，你学*了如何向利益相关者展示你的工作。最后，你完成了作品集并为求职面试流程做好了准备。

总结与展望 🚀

这是一项极其大量的工作，显然你已经准备好开启一段激动人心且回报丰厚的职业生涯。走出去，在商业智能的世界里发挥你的影响力吧。

在本节课中，我们一起回顾了谷歌商业智能证书课程的全貌，从基础概念、核心工具与技术，到最终的成果展示与职业准备。你已掌握了开启商业智能职业生涯所需的关键技能与知识。

posted @ 2026-03-26 12:28 布客飞龙III 阅读(42) 评论(0) 收藏举报

刷新页面返回顶部

龙哥盟

谷歌商业智能笔记-全-

谷歌商业智能笔记（全）

001：欢迎加入谷歌商业智能证书项目 🚀

003：开启您的谷歌商业智能证书之旅 🚀

005：探索商业智能职业发展 🚀

006：商业智能团队与合作伙伴

概述

主要合作伙伴角色

API专业人员

数据仓储专家

数据治理专业人员

数据分析师

IT信息技术专业人员

项目经理

根据项目调整协作对象

关键的利益相关者

总结

008：商业智能的发展阶段 🚀

概述：从数据生命周期到BI阶段

第一阶段：捕获 📥

第二阶段：分析 🔍

第三阶段：监控 📊

总结

009：助力制定成功的商业智能战略 🎯

人员 👥

流程 🔄

工具 🛠️

记录与总结 📝

011：课程总结

概述

核心知识回顾

后续学*展望

社区互动建议

总结

012：建立专业联系 👥

概述

从他人身上学*

利用网络机会

建立互惠关系

总结

013：测验技巧与策略 🧠

概述

评估前的准备

评估过程中的策略

提交前的检查与心态

总结

014：数据分析流程概述

数据分析的六个阶段

第一阶段：提问 (Ask) ❓

第二阶段：准备 (Prepare) 📦

第三阶段：处理 (Process) 🧹

第四阶段：分析 (Analyze) 📊

第五阶段：分享 (Share) 📢

第六阶段：行动 (Act) 🚀

015：数据分析师的五项核心技能 🧠

概述：您已具备分析思维

好奇心：学*的驱动力 🔍

理解情境：把握事物存在的环境

技术思维：有序分解与逻辑处理

数据设计：信息的组织方式

数据策略：管理数据分析中的人员、流程与工具

总结：您已是分析思考者

016：数据治理与元数据

元数据与元数据仓库

元数据的作用

企业面临的数据挑战

元数据的整合功能

数据治理

元数据专家

总结

017：欢迎来到模块2

概述

课程内容

总结

018：商业智能利益相关者

概述

认识BI利益相关者

什么是利益相关者？

BI过程中的主要利益相关者