"软件项目中，都会有报表，而且数量还不少，做新表，改老表，原本看起来简单的报表，做起来却没完没了，资源投入也没完没了怎样才能降本增效，让报表开发省钱又省人？一直是软件开发商的一道难题硬编码肯 .."

CGQ 北京
乾学院 49 号会员
96 浏览 • 1 周前

润乾报表降本增效省钱省人

报表＆BI

软件项目中，都会有报表，而且数量还不少，做新表，改老表，原本看起来简单的报表，做起来却没完没了，资源投入也没完没了
怎样才能降本增效，让报表开发省钱又省人？一直是软件开发商的一道难题

硬编码肯定不行

这种简单列表还勉强可以

imagepng

但稍有些计算和格式做起来就会费死劲儿，比如这种有嵌套格子的

imagepng

一个报表都得做好几天，数量一多恐怕得做到昏天暗地了
还是要选报表工具来做才行！这其实也是业界早有的共识，否则也就不会诞生报表工具了

开源工具不太灵

选软件，先看开源，这也是 IT 人的共识
确实很多开源软件都很好用又不要钱，可惜，报表工具是个例外

开源报表工具大都是国外从业人员开发的，这些团队对于我国报表的博大精深，那理解是远远不够！这些工具一方面操作方式落后，复杂格式要一个个控件堆，效率很低，即使是做最简单的报表，也会比专业的工具慢很多，积累下来，就会多出很多人工成本，很费人

imagepng

另一方面功能也欠缺，复杂报表做不了，打印导出支持的不够完整，很多也没有填报功能，软件成本确实为零，看似省钱了，但做不了的都得用人工去做，而且没有支持服务，学习和解决问题也会更费劲，最终就是不省钱也不省人

BI 自助报表也不行

那些号称能拖拖拽拽做报表的 BI 工具也没啥戏

BI 只能做格式简单的多维分组，也就是基本的分组交叉汇总，好一些的也能做跨行组的计算，同环比，排名占比累积这些，但无论如何，格式都很死板（说好听叫规整）

imagepng
国人这些五花八门的复杂报表，根本就没办法拖拽

imagepng

imagepng
做不了，那就还得投入技术人员来开发
而且，BI 大都价格很贵，动辄几十万一套，结果是既不省钱又不省人

专业工具才可以

还是得专业的商用报表工具才可以！
可是，商用报表工具不也很贵吗，也是得几万十几万的？这没法省钱了啊
别急，还有润乾报表！专业面向应用软件公司的报表工具，功能强大价格低

imagepng

润乾报表一万的版本已经相当于业内十几万的高端企业版
一年 3 万就可以随便用全功能版本了，不限数量，不限用户，有需求随便提，有问题及时问，有需要随便用，这相当于用了不到一人月的成本就就把润乾当成自己的报表研发部了，省钱那是没得说！

报表开发有个“二八法则”，20% 的复杂报表，往往会耗费 80% 的工作量，简单报表谁做都差不多，都不费劲，复杂报表就不一样了，工具要是不给力，结果就会很要命
润乾报表是中国式复杂报表概念的提出者也是率先解决者，它有专业的模型，可以高效制作各类复杂报表，省人也是没得说！

imagepng

周边功能也是完备无缺，比如各种打印导出都支持

imagepng

大屏可视化分析

imagepng

移动报表

imagepng

数据填报采集也全都有

imagepng

润乾报表还支持复杂的多源填报，多来多去，来去无关
比如报表不同区域从不同库和表取数，然后再填到新的不同库表中，这个需求在大数据时代下是很常见的，但并不是谁都能做到的，如果做不到就又得费劲儿去实现，会很费人

imagepng
还有赠品！别家动辄几十万的 BI 软件，润乾报表免费送用户了，功能完备不缺失，而且是开源的，方便用户定制改造

imagepng

数据准备必须有

大数据时代下的报表，报表工具只是解决表格样式问题还不够，还要有数据准备功能

做过报表的都知道，报表工作量不仅是在外观格式上，还有很多是数据准备

imagepng

这里又有个二八法则， 80% 的报表的数据准备用一句简单 SQL 就搞定了，但剩下的 20% 比较难的常常要写很长的 SQL ，或者要 JAVA 来写，而这个 20% 往往又会占用 80% 的工作量，很费人
润乾很早就注意到了数据准备会耗费了大量人工成本的问题，所以专门开发了数据准备的工具，在原先报表的基础上，集成了集算器 SPL 引擎，实现了工具化的报表数据准备层

imagepng

SPL 比复杂 SQL 和存储过程以及 JAVA 的开发都要简单，不用去占用高级工程师去写大段的代码，普通人员就可以快速开发，很省人
比如这个例子：报表中需要计算连续上涨超过 5 天的股票及上涨天数。
SQL 写起来是这样的，需要三层嵌套

select code,max(risenum)-1 maxRiseDays 
from (  
      select code,count(1) risenum 
      from(
           select code,changeSign,sum(changeSign) over(partition by code order by ddate) unRiseDays 
           from(
                select code,ddate,case when price>=lag(price) over(partition by code order by ddate)
                       then 0 else 1 end changeSign
                from stock_record
                )
            )
       group by code,unRiseDays
      )

SQL 写的不太好的同学很难写出来，用 JAVA 来写的话那要再长十几倍，没法列在这里了。
而 SPL 写出来是这样的

	A
1	=db.query(“select * from stock_record order by ddate”)
2	=A1.group(code; ~ .group@i(price <price[-1]).max(~.len()):maxrisedays)
3	=A2.select(maxrisedays>5)

简单很多，不仅简短，而且易于理解，初级工程师也能很快学会并写出来，实施成本也能降很多

大数据时代，报表的数据来源也是多种多样五花八门，很多 NOSQL，文本数据根本用不了 SQL，报表又需要对它们进行混合计算

imagepng

那就只能是先都 ETL 到数据库，再用 SQL 算，或者干脆用 JAVA 来混算了，这就又是老问题，费人费钱
而 SPL 数据准备层则同样可以轻松解决这些问题，它能直接对接各类数据源，直接对各种格式数据进行计算

imagepng
开发过程很简单，比如这个来自 HTTP 的 JSON 数据和来自 ORACLE 数据的混算，SPL 五行就可以做完，但 JAVA 或 SQL 就不知道得写多长了

	A	B
1	=httpfile(“http://125.125.315.88:6868/demo/order.json”:“utf-8”).read()	读取 Restful 数据
2	=json(A1)	解析数据
3	=connect(“oracle”)	连接 oracle 数据源
4	=A3.query(“select 订单 ID, 回款 ID, 客户 ID, 金额 from 回款表”)	从 oracle 取数
5	=join(A2:order, 订单 ID;A4:hk, 订单 ID)	关联计算