文章来源 微信公众号《大鱼的数据人生》
很多企业的报表质量备受业务人员诟病，要么数据不准确、不一致或不及时，诸如此类困扰着数据团队的表哥表姐，有些问题是数据团队自己能解决的，无非是资源问题，如果老板真想解决，总是能逐步推进解决，只是一个优先级的问题。
但一旦报表优化涉及到跨部门、跨系统的协同，不可控因素就会大幅增加，特别是作为下游系统的报表，受上游系统的影响太大了，有时候不是数据团队不想解决，而是上游系统不给解决或者解决速度很慢，数据团队为了出报表，为上游系统擦屁股的事情太多。
从笔者的经验看，报表归属OLAP团队来做管理，有天然的组织缺陷，主要体现在四个方面：
第一、业务需求管理复杂
对于业务部门来说，报表需求跟其它功能需求一样，都是为了解决一个业务问题，无论是营销问题，销售问题或是其它问题，比如业务部门希望能有个营销系统做精准营销，也希望营销后能马上看到数据，对于业务来说，这些都属于营销需求的范畴。
现实情况是，业务开发团队往往只做营销功能需求，数据管理团队则负责营销报表需求，一个业务人员会同时对着两个IT团队提需求，也许同一个事情业务还要说两遍，一遍侧重业务，一遍侧重数据，而这两个团队获得的信息往往还不一致，这带来了管理成本。
报表人员经常碰到的一个尴尬问题是：业务人员会对着CRM菜单上的某个指标说，能否帮忙统计下这个数据？但报表人员根本不知道这个菜单的指标对应着后台哪张表。
第二、报表开发效率不高
报表口径跟业务开发实现有很大的关系，为了确保统计准确，报表人员不仅要拿到数据，也要了解数据的业务生成逻辑，但这些知识往往掌握在OLTP开发人员的脑子里，报表人员找开发人员咨询口径是常有的事，但对于OLTP开发人员来讲，由于利益不相关，马上告诉答案是情分，不说或者晚点说似乎也没什么好指责的，特别是有时自己也要翻代码。
OLTP团队和OLAP团队的开发节奏也是不一致的，OLTP可能都上线了1个月了，也许报表还没开发呢，为了在上线后能看到数据，业务人员得找OLAP团队来临时取数，这都是组织割裂惹的祸。
第三、数据质量难以保障
数据质量是报表的生命线，做报表的经常骂上游的业务系统的数据质量太差，因为数据质量的六性（一致性、完整性、及时性、准确性、有效性和唯一性）大都跟源头的业务系统有着千丝万缕的关系，但上游的OLTP似乎很少去搞什么数据质量管理，下游的OLAP搞数据质量提升倒是如火如荼，无论是元数据管理，数据质量管理，数据标准管理等等，但这些活动只能解决部分的数据质量问题，但治不了上游或跨域数据质量的根。
究其根本，还是组织职能的问题，OLTP团队不会对数据质量负责，其基因里只有事务成功，即使短期内纠正了下，但马上又会恢复原样，现在企业数据治理的重点，就在于组织、机制及流程的重塑。
第四、数据无法有效采集
传统OLTP团队数据驱动的意识不高，数据架构设计的时候一般不会考虑数据采集和分析需求，以前这类问题还不严重，但数字化时代到来后，OLTP团队的转型似乎也势在必行。
比如互联网公司通过埋点来实现APP操作日志的高效采集是常规动作，但很多传统企业做APP的时候普遍缺乏埋点经验，等到要分析体验的时候才发现没有数据，但要让OLTP团队拥有数据意识不是那么容易，必须赋予实际的职能，报表就是很好的切入点。
既然报表归属OLAP团队会带来很多问题，那么全部让OLTP团队管又如何呢？
答案是也不太行。OLTP管理报表也有其劣势，特别是在需要融合多源数据的情况下，这个时候，OLTP也成为了其它OLTP系统的下游，会碰到OLAP做报表时同样的问题，那么，还不如让OLAP继续发挥数据仓库做报表的优势。
那么有没有两全其美的方法呢？
将报表分为生产型报表和分析型报表，也许我们可以找到最佳归属模式。
生产型报表的特点是占比很高，数据来源单一，以直接看数获得信息为主，虽然生成的业务逻辑可能复杂，但理解数据的门槛较低，OLTP团队更有可能做好。
分析型报表的特点是数据多源，集成难度较高，需要多维分析的技能，使用数据的门槛较高，适合放在OLAP实现。虽然数据质量也会受到OLTP上游的影响，但由于OLTP报表已经实现了大多的业务逻辑，因此OLAP团队可能会轻松很多。
当然OLTP去做报表会受到数据技术、历史习惯的挑战，但的确具有相当的合理性，数据仓库从来不是为了做简单的报表而生的，现在商业智能还没怎么玩明白，报表的职能倒全部接过来了并且越做越多，似乎背离了初心。
现实中我们也会拆分报表，但往往是按照技术能力、时间粒度来拆分的，比如实时的报表应该在OLTP生成，离线的报表在OLAP生成，Count的操作要在OLAP实现，Update的操作要在OLTP实现，但这些都不是业务驱动的思维，解决不了报表的深层次问题，生产型月报让OLTP来做似乎有些奇怪，但却是合理的。
很多公司也许已经这么做了，但大量的公司，还在机械的让OLAP团队去做一堆单系统数据来源的报表，然后投入大量的精力去跟上游系统核对数据。现在数字化如火如荼，数据技术一日千里，也许我们可以做出一些改变。
