回顾一下上文的内容：一个企业级数据分析体系的最佳实践应该是这样的：
内部感知系统：及时告知各项内部运营参数；
外部感知系统：及时反馈外部竞争、机会状况；
报警系统：及时发现并报告各项异常，并指明故障点；
导航系统：根据设定的目标，提供可到达的若干方案，根据当前方案和位置，指明下一步行动方向，对目标进行合理预测，实时反馈当前执行情况。
但是企业有大小，业务流程有粗细，产业链有长短，企业所处阶段有不同，如何构架一个符合企业实际情况的数据分析体系呢？
大致可以分为这几步骤：
当你接手公司/部门/小组数据分析工作时，可以按照上图所示的流程，建设一套完整的数据分析体系。
Step1理清业务线：首要的工作是理清公司/部门的业务线，这些内容可以从企业战略地图中获得。不同的业务线的目标不一样，场景不一样，数据量也不一样，使用的人员和技术自然也都不一样。此时需要画出业务流程图。
例如，自营业务线更偏向生产企业，需要做财务分析，涉及各个自营产品的收入、各种费用、利润的分析，还必须有固定资产折旧\管理成本摊销的财务专业知识，不同的方法核算出来的成本和利润会有质的区别，影响最终的决策。
Step2明确内外部客户：其次，根据Step1画出的业务流程图，整理出所需服务的内外部客户，以及他们在各个环节中的数据诉求，并绘制成表格：
Step3规划数据服务：根据Step1、2梳理的业务流程、各客户诉求，结合公司战略导向以及数据部门现有资源，绘制战略执行地图，预设准备建设的数据服务内容。以用户运营为例，其业务目标主要为了解用户总体现状、提升用户总量、提升留存、提升日活、提升付费等，再进一步细化至可以提供的数据服务以及简单梳理数据来源。
如上表所示，各种数据服务的内容对技术的要求不一样，同时根据企业数据量和业务复杂程度，所需要的底层数据技术也不一样。公司各条业务线所需的数据服务梳理完之后，就可以进行技术的选型了。数据少，业务流程简单，比如商品贸易企业，只需要一个强力的数据分析师，协同财务和业务，共同做几个业务分析，固化为excel报表，每月更新报表即可，平时对上月的数据进行专题分析，发现问题及时预警，就足够了。
但如果是电商平台，商业模式复杂，数据量又大，首要考虑的就是能够服务于核心指标，提升效率，然后全局规划，分布实施。技术上满足大数据量选用Hadoop体系，应对业务快速变化则需要建设数据仓库，进行业务和数据的解耦，解放数据分析人员的时间则需要搭建多维分析如Kylin、impala等等。
请注意，这里的紧急和重要程度都是相对而言的。
Step4搭建数据团队：数据部门所需支撑的工作已经整理清楚了，业务方对数据的要求也很清晰，也已经根据公司的情况进行了大致的技术选型，那么需要什么样的人员就非常清楚了，遵循“因事定岗，因岗定人”的原则，我们就可以搭建数据团队的组织结构。组织架构并不一定是大而全的，在创业初期，基本上是老板自己担任了数据分析师的角色，凭着对业务的深刻理解，作出各种决策判断。
但是随着业务的不断扩大，业务线增多，业务流程复杂，业务变化快，数据量大，对数据部门的各种要求也就越来越多，因此数据部门承担的任务会越来越复杂，服务的对象也越来越多，基于降本增效的考虑，就需要不断丰富数据部门的职能，拓展技术能力。
Step5设定制度标准：设立制度、规范和标准，是数据工作的基础，与公司大小，数据量的多少无关。统一全公司口径的是公司指标体系及统计口径标准；对外协作需要数据安全管理制度、数据提取审批流程；对内管理需要报表出具流程、专题分析报告制作标准；技术管理则有M有SQL开发规范、数据仓库设计标准等等。预先设定规则，严格执行流程，时刻监督，惩前毖后，切不可让规则成为一纸空文。
Step6补全技术、完善工具：此时，才正式进入纯技术阶段。按照之前的需求及设定的方案，遵照执行即可。如果你正在开荒，那就必须要小心不要被细节缠住，陷入无尽的任务。哪怕资源再少，都要分兵，一部分应对日常需求，一部分搞建设，快速将各种工作自动化，提升效率，腾出功夫做更有价值的事情。
Step7长期规划、快速迭代：优秀的架构师、管理者，都不能满足于现状，但又不能盲目的追求新技术，应该进行合理的超前。无论是所提供的数据服务，还是新技术的引入，只需满足企业未来1年所用即可。迟于进度，则不能满足内外部业务需要，过度超前，则投入太大，ROI不成正比，2019年诸多数据中台项目失败就是这个原因，与诸君共勉。
