理想的分析系统非常简单：用户只需通过类似语音小助手的对话框发出分析需求，系统就会根据这个指令自动将相应的图表结果呈现出来。而实际的分析过程是：分析师首先需要将退货率指标拆分成退货率 = 退货数/销量；然后需要了解到退货数据和销量数据分别存储在哪些数据表中，当无法判断这些数据存在于哪些数据表中时，甚至需要通过各种沟通拿到底层数据和Schema信息；最后通过写SQL把这些数据查询出来。

这个例子体现出来的差别是什么？可能有同学会说是基于AI的对话式查询能力，最近ChatGPT大火也许还会放大了这种看法。但其实本质问题在于：业务分析人员，应该只需要关注业务概念和业务问题就可以进行分析，而不需要额外关心底层的数据组织。理想中的数据分析系统，应该是人人都可以成为分析师的普惠式分析系统，而实际分析场景中由于业务分析和底层的数据存储、数据组织没有做到完全的隔离，分析人员必须拥有一定的数据处理能力，需要掌握繁杂的数据地图来获取必要的信息，导致分析无法做到普惠化。

理想的系统，应该能屏蔽底层数据组织的细节，让分析师focus在业务问题上。基于AI的对话式查询，其实是这个理想的一种人性化解法。在向理想分析系统进化的过程中，最需要解决的问题就是如何降低业务人员的分析门槛，解决问题的关键就是要把业务概念和底层数据进行隔离。这其实也是近年来行业发展的一个主要方向。

Data Fabric和Analysis分离：从ETL到ELT

ETL的三个动作中，E(Extract) 和 L(Load)都是数据处理的过程，只有T(Transform) 是把数据语言向业务语言翻译的过程，也是把底层数据向业务逻辑转变的过程。在ETL的流程中，分析和业务的处理是紧密耦合的，分析人员需要先完成数据处理、数据建模之后，再执行业务分析，面向的还是具体的数据表，需要有足够的技术素养才能理解和处理数据。

当ETL转向ELT后，在某种程度上使得数据编织和分析分离。ETL模式下，分析人员面向的是具体的物理表和数据列；ELT模式下，分析人员看到的是经过业务逻辑翻译之后的数据集和业务意义上的字段、度量，更易于理解。同时不再需要专业的数据技能再去处理L的过程，降低了分析的门槛，能够更友好、更灵活地使用数据。

Data Fabric和Analysis进一步分离：从ELT到指标中台

基于以上的分析进化理念，衡石在4.3版本重点推出了基于指标的自助分析功能。这个功能主要由两个功能模块组成：一是在数据集市增加了业务指标库，专业的建模分析人员在数据集中构建业务指标，统一指标的计算口径；二是新增了自助分析模块，业务人员可以在自助分析的模块中基于前面预设的业务指标库来完成自助分析。自助分析模块中，只需要通过拖拉拽的方式，选择需要分析的指标和维度，就可以完成不同维度、多个关联指标之间的探索分析，大幅降低了BI使用门槛。

HENGSHI SENSE在4.2版本以及之前版本也有业务指标模块，但本质上有所差别：4.2以及之前版本的业务指标库更类似于指标控件或图表控件的概念，面向报表查询，用于制作仪表盘和应用时，用户可以便捷地拖拽使用或复用已做好的指标控件；4.3版本的业务指标库是指标中台意义上的指标，用于统一口径定义和管理分析维度，主要应用在自助分析的场景中。因此在4.3版本中，原有功能已更名为“图表库”，以作区别。