不管是銀行、證券公司，還是基金公司都在強調數據的價值，都是以數據驅動作為最終追求的目標。對于基金公司來說“投研”是最主要的舉措，做一些量化研究和市場分析的投資研究。 富國基金有一個量化投資的團隊，它經常會采集一些敏感性的因子去做數據分析報告，因此，他們就需要一些簡單易用、能夠及時響應的數據分析和挖掘工具，去制作一些報表和圖表。

另外一方面，富國基金正在籌建一個數據倉庫，但是建設任務比較緊，按照傳統的項目周期肯定難以實現規劃進度。因此，富國基金就考慮，在成本可控的情況下選擇一款敏捷型的BI工具來加速完成數據倉庫的建設，更快展示出數據倉庫的效果。富國基金的想法是，實時的數據整合，目標是做好數據管理，在此基礎上推進富國基金的各種應用。

富國基金希望通過在大數據平臺的數據倉庫中構建按照主題模型存放數據的模型層，提升數據整合效用與科學性，構建指標層來提升基礎數據的復用程度，逐步統一數據出口；同時推動數據管理的落地，數據質量檢測與反饋機制逐步優化落實在系統中，最終在數據整合、數據管理、數據應用三個部分相互之間推動良性循環。

營銷團隊對于數據的專業度不如IT團隊那么高，因此，該項目實施的一個重要目標，就是讓營銷人員可以在永洪科技自服務數據分析平臺上自己構建數據模型，親手制作數據分析報告。例如客戶數據分析、產品數據分析，還有績效數據分析的報告。

大數據時代，很多公司都在考慮建設自己的大數據平臺，強調進行數據化運營的理念，那么富國基金在這個部分是如何考慮與規劃的？

相較于銀行等金融機構的“大數據”，基金公司在經營管理中所產生的信息以數據量比較只能稱之為“小數據”。然而如何有效整合、管理“小數據”，如何將“小數據”用“大”用好，是富國基金與同業都非常重視的部分。“數據雖小，五臟俱全”，結構化、半結構化、非結構化數據以及外部數據在富國基金一樣都不缺。與擁有“大數據”的機構一樣，數據整合、數據管理、數據應用也是富國基金在建設大數據平臺需要全面規劃與考慮的。

對于結構化數據，我們以往的做法是將源數據集成進來以快速應用為目標加工之后就直接使用了，數據之間的關系在一定程度上呈網狀互聯的關系。重復加工，數據質量的問題時有困擾，我們希望通過在大數據平臺的數據倉庫中構建按照主題模型存放數據的模型層提升數據整合效用與科學性，構建指標層來提升基礎數據的復用程度，逐步統一數據出口；同時推動數據管理的落地，數據質量檢測與反饋機制逐步優化落實在系統中，最終在數據整合、數據管理、數據應用三個部分相互之間推動良性循環。

在BI工具選型的階段，富國基金當初有什么樣的考慮？

在選型伊始我們問了自己一個問題：是否可以嘗試一下敏捷型BI？在回答這個問題的過程中，我們與公司相關業務部門進行了多次溝通與相關BI產品的演示。從反饋來看，更低的上手門檻、更大的靈活性、更少的試錯成本、更短的IT周期是業務部門比較一致的訴求。

我們認為，強調更短的IT周期、更多的業務自主使用，這恰是敏捷型BI的理念與定位所在。在這個領域，永洪科技屬于國內較早涉足敏捷型BI產品的公司。