开头先聊点实在的。我从2016年开始接触BI前后在制造业、零售、互联网公司都搭过报表体系也用Power BI、帆软、Tableau、QuickBI这些主流工具做过完整的项目交付。这些年被问得最多的一个问题就是BI到底怎么选市面上的BI工具少说几十款国外有Power BI、Tableau、Qlik国内有帆软、观远、QuickBI、Smartbi光对比参数表就够看一周结果选完上线半年发现没人用或者性能扛不住或者业务说“这玩意儿还不如Excel”这种情况我见过太多了。其实BI选型这件事本质上不是选工具而是选一套“能在这个企业里真正跑起来的数据协作方式”。工具只是载体需求、数据基础、组织能力、预算、甚至是团队里有没有人会写SQL都会直接影响最终选型结果。所以这篇文章我不打算给你罗列一堆厂商官网上的功能清单而是基于这些年实际踩坑和交付经验拆解一套真正可落地的BI选型方法论从需求梳理到工具对比从POC验证到避坑清单全套讲透。如果你正在给公司选BI或者准备启动数据化报表项目这篇内容可以帮你省下不少试错成本。1. 选型前必须先想清楚的4件事很多人一上来就问“Power BI和帆软哪个好”这是个典型的错误打开方式。工具对比永远是在需求明确之后才有意义否则你只能被厂商销售带着走看什么都觉得不错最后买回来一堆用不上的功能。我在选型之前一定会让企业先把下面这4个问题想清楚想不清楚就先别往下走。1.1 搞清楚真实的业务需求而不是IT需求这里说的需求不是“老板想看经营驾驶舱”这种一句话需求而是要拆到场景级别谁看看什么多久看一次看完之后要做什么决策举个例子销售总监要看的销售驾驶舱和财务总监要看的经营分析报表虽然都叫报表但背后的数据模型、刷新频率、权限要求完全不一样。我在给一家零售企业做选型时一开始业务方说要“实时大屏”采购清单里连高清拼接屏都定了。结果我陪他们做了两天需求访谈发现真实场景是门店店长每天早上要看昨日销售额和库存周转区域经理每周一要看各门店对比总部高管每月要看经营分析会材料。这里面唯一有“实时”需求的只有总部门店的大屏展示而且数据延迟15分钟完全能接受。最后我们选择了支持定时任务调度的自助式BI而不是硬上实时流计算方案预算省了将近五分之一。所以在选型之前我的建议是至少做一轮业务需求访谈覆盖3类角色管理层看结果、做决策、业务骨干做分析、找原因、IT人员管数据、管权限。每类角色找2到3个人把他们的报表使用场景、数据来源、痛点全部记录下来。这个动作的价值远超你花一个月去反复对比工具参数。1.2 评估使用人群决定“易用性”的权重BI工具的使用人群大致可以分为四类决策层、业务分析人员、IT开发人员、数据工程师。不同人群对BI的诉求差异非常大而“易用性”恰恰是最容易在选型打分表里被高估或低估的一项。决策层基本只看汇总结果他们对工具的要求就是“打开就能看手机上也能看”所以移动端体验、大屏展示效果、加载速度是重点。业务分析人员是中间层他们需要一定程度的自助分析能力比如拖拽生成图表、自己筛选维度这类人群决定了BI能不能在业务侧真正铺开。IT开发人员和数据工程师则是后台支撑他们更关心数据连接能力、开发效率、权限管控粒度、二次开发接口这些硬指标。我见过一个很典型的企业案例公司采购了Tableau原因是销售总监去总部开会看到人家用的Tableau很炫酷回来就拍板要上。结果买回来发现公司内部没有任何人能维护Tableau ServerTableau Desktop的使用门槛对业务人员又太高最后变成IT部门用Tableau帮业务做固定报表成本高、周期长业务还不满意因为他们想自己改报表却不会操作。这就是典型的没有评估使用人群导致的选型失败。正确的做法是在选型打分表里把“易用性”按人群拆分加权。如果公司业务人员IT水平普遍一般那拖拽式操作、类Excel体验的工具比如帆软FineBI、Power BI就比强分析型的工具比如Tableau更合适。如果公司IT能力强但业务要求深度分析那Tableau这类分析型工具的权重就可以提高。1.3 盘点数据基础判断“数据准备”的工作量这是最容易被忽视、但最要命的环节。很多企业选BI之前数据仓库压根没建好业务数据散落在ERP、Excel、OA系统里甚至连统一的客户编码都没有。这时候你选再强的BI工具也是“巧妇难为无米之炊”。我给一家制造企业做咨询时他们想上一套BI看板结果数据摸底发现销售数据在SAP里生产数据在MES系统里质量数据在Excel里不同系统对“订单号”的编码规则还不一致。这个项目的核心工作根本不在BI工具选型而是数据治理和数据仓库建设大概花了5个月才把底层打通。所以选型前一定要做一次数据资产盘点确认几个关键问题公司有哪些核心业务系统这些系统的数据库类型是什么有没有统一的数仓或数据集市数据质量如何字段缺失和脏数据多不多有没有专门的ETL工具或团队如果数据基础很薄弱我建议优先选择自带强大数据准备功能的BI工具比如Power BI的Power Query、帆软FineBI的ETL模块可以在工具层面先做一些轻量级的清洗和整合把第一版跑起来。如果公司已经有比较成熟的数仓那选择范围就大很多QuickBI、Tableau、观远都能很好地对接。1.4 明确预算口径包括隐性成本预算不能只看软件授权费这个坑我踩过太多回了。BI的总拥有成本至少包括三块软件费用License或SaaS订阅费、实施费用可能包括数据仓库建设、报表开发、培训、运维费用服务器、人员、升级。这里提一个特殊情况如果公司主要开发栈是.NET/C#恰恰又想自研一部分嵌入式BI看板那授权模式就得更精打细算。有些BI产品提供面向开发人员嵌入的SDK按应用程序收费而不是按用户数收费这对以C#为主的团队反而是更划算的路线。我早期帮一家物流公司做过一个项目他们用.NET开发内部管理系统需要嵌入报表展示模块如果按用户数买商业BI授权几千个内部账号会直接让预算爆炸。后来我们选了支持嵌入式部署的BI组件通过C#集成API把报表模块嵌进现有系统里只花了一个模块的授权费用就解决了问题。还有一类容易忽略的隐性成本是“学习成本”。有些BI工具功能很强但学习曲线陡峭全员培训要好几轮业务人员上手要一两个月这期间的试错成本远超工具差价。选型时一定要把“团队现有技能储备”纳入评估比如团队有没有人熟悉SQL、有没有人用过类似工具、是否愿意接受学习新工具。2. 主流BI工具横向对比没有最好只有最合适把这个环节放在需求梳理之后是因为同一个工具在不同场景下的表现完全不同。我不打算把市面上所有BI工具都列一遍只挑国内企业选型时最常纠结的几款结合我的实际使用感受把它们的定位、优缺点、适合场景讲清楚。2.1 Power BI中小企业的效率和价格平衡之王Power BI是微软家的产品分免费版Power BI Desktop和付费版Power BI Pro/Premium。Desktop版本免费功能很完整个人用和学习用完全够。如果要发布到云端共享给同事看每个人需要一个Pro授权大约10美元/月这个价格在商业BI里属于很低的。Power BI最大的优势是学习资源丰富、上手门槛低。你随便在视频网站搜索“bi学习”弹出来一半以上都是Power BI教程中文社区活跃文档齐全遇到问题很容易搜到答案。图表默认样式偏商务风拖拽操作逻辑和Excel透视表有相似之处Excel用得熟的人转型很快。数据清洗用Power Query图形化界面操作写几条M公式就能完成大部分清洗工作。它的短板也很明显一是处理大数据量时性能一般超过几千万行的数据如果不做聚合模型报表会明显卡顿二是本地化做得很普通国内常用的钉钉、企业微信集成不好可视化和中国式复杂报表比如斜线表头、不规则合并单元格、小计合计穿插的报表能力偏弱。适合场景中小型企业、微软生态用户已有Office 365或Azure、预算有限但追求功能完整性的团队。走SaaS订阅模式按用户数付费海外公司或外企用得比较多。2.2 帆软FineBI/FineReport中国式复杂报表的首选帆软是国内BI市场的头部厂商FineBI是自助式BIFineReport是固定报表工具两者经常打包销售。帆软最强大的地方在于对中国式报表的支持不规则布局、复杂表头、多级汇总、大数据量导出PDF/Excel这些让国外BI头疼的需求帆软处理起来是看家本领。我在给银行、制造业、国企做项目时帆软是出现频率最高的工具。这些企业的报表特点就是格式要求极其严格财务要的对账单、监管要的报送材料、领导要的经营分析材料FineReport都能轻松胜任。FineBI则面向业务自助分析类Excel的拖拽操作业务人员上手比较快而且内置了中国特色的数据权限管控能精细到行列级别。帆软的授权模式是按模块和并发数收费价格不算便宜但生态很成熟。还有一点值得提的是帆软有完善的认证体系也就是热搜词里看到的“帆软bi考试”分为FCP-FineBI、FCP-FineReport等不同级别。不只是为了拿证书我建议正在选型的企业把帆软考试大纲拿来看一眼它对业务分析场景的拆解很成体系可以直接作为内部培训材料用。局限在于功能太重、二次开发需要Java支持如果完全没有Java技术储备的小团队遇到深度定制需求会比较吃力。另外和国外数据源Google Analytics、Salesforce等的对接不如Power BI丰富。适合场景国内中大型企业、国企/银行/制造业、财务和运营报表要求特别高的企业、有Java技术储备的团队。2.3 Tableau数据分析师的最爱但门槛和成本都高Tableau的强项是可视化探索分析。你给它一堆数据它能用极短的时间帮你拖出一张有洞察力的图交互筛选、联动钻取的手感非常流畅颜值也在线。但Tableau的问题也很明显一是贵Desktop授权大约70美元/月Server版更是动辄几十万人民币起步适合预算充足的团队二是学习门槛偏高我见过太多业务人员面对Tableau一脸茫然它更像数据分析师的专业工具而不是全员自助分析工具三是中国本土化支持一般没有内置钉钉/企微集成复杂报表能力弱。适合场景数据部门/分析团队能力强、预算充足、重视可视化分析和数据探索的企业。作为分析师的专业工具很合适作为全员BI平台容易水土不服。2.4 阿里云QuickBI与国内SaaS型BI无缝融入云生态的选择QuickBI是阿里云旗下的BI产品和DataWorks、MaxCompute深度打通如果公司数据已经在阿里云上用QuickBI做报表开发效率极高权限体系和数据源对接都是现成的。观远、思迈特Smartbi这些国产SaaS型BI近年也发展很快共同特点是部署轻、更新快、国内企业服务响应及时和微信/钉钉/企微集成体验好适合追求快速上线、不想养运维团队的互联网属性较强的企业。这类工具的劣势在于平台绑定性和生态完善度如果你构建了比较复杂的跨云、混合云数据架构选型时就要多测试一下它们的数据源连接能力。2.5 工具对比速查表下面这张表我整理过很多次基本覆盖了企业选型时最关心的维度可以直接拿去做初步筛选。对比维度Power BI帆软FineBI/FineReportTableauQuickBI/国内SaaS BI定位自服务分析报表中国式复杂报表自助分析可视化探索分析云原生BI/敏捷BI上手难度低类Excel中业务人员可上手高分析师向低复杂报表能力弱极强弱中大数据量性能中中强中强依赖云端移动端支持一般好App微信集成一般好本地化生态弱强本地化服务完善弱强国内云生态授权价格低SaaS订阅中高模块并发高中按量/按年典型场景中小企业自助分析国企/银行/制造复杂报表专业数据分析团队云上企业/互联网公司这个表只是给初筛用的真正的决策一定要经历POC验证环节这个我在第4部分会详细讲。3. 关键功能细节怎么评估别被演示DEMO骗了厂商演示时永远是最完美的数据是干净的、性能是快的、图表是漂亮的。但我作为过来人给你一句忠告BI选型的核心不是看演示时的效果而是看它在你的真实数据、真实场景下能表现成什么样。这一节我会逐个拆解那些最容易在选型中被忽视、但上线后最容易出问题的关键环节。3.1 数据源连接能力的深浅测试BI工具的价值50%取决于它对数据源的连接能力。别只看“支持MySQL、SQL Server、Oracle”这种官网参数你要在POC阶段实际测试几个关键问题第一连接数据库时支持哪些认证方式能否和公司的LDAP/AD账号体系打通第二数据源是大数据组件Hive、Spark、ClickHouse时连接器是否稳定性能是否达标第三SaaS系统数据钉钉、企业微信、飞书、Salesforce有没有现成的连接器还是需要自己开发接口。我遇到过一个项目公司业务数据在Salesforce里管理层要求做销售趋势分析他们选了某款没有Salesforce连接器的BI工具结果只能IT部门每天手动导出CSV再导入BI完全失去了自助BI的意义。选型时如果你们有重要的SaaS业务系统一定要单独测试该BI对这个数据源的连接体验。3.2 可视化能力别只看图表库数量图表库数量是最容易凑数的参数很多BI工具宣传自己“有几十种图表”但实际你用到的只有折线图、柱状图、饼图、表格这几种。真正值得注意的是三件事一是自定义图表能力比如能不能用自定义SQL或Python/R脚本扩展图表类型二是交互分析的流畅度同一个图表里能不能自由钻取、联动、筛选三是“中国式报表”呈现能力前面提到的不规则布局报表、分页合计、多层表头这些在Power BI里实现非常吃力但在帆软里就是基本功。我做过一个能源行业项目他们需要每季度给监管机构报送固定格式的Excel报表各种合并单元格、大写金额、特定字体字号要求纯用Power BI发布Excel格式根本做不到最后只能搭配FineReport先生成报表再导出Excel提交。所以说选型一定要结合你自己的报表交付形态来评估可视化能力而不是被图表数量迷惑。3.3 数据权限管理精度很多企业栽在这里权限管理是BI项目里最容易在后期被吐槽的地方。我见过一家企业选型时完全没关注权限上线后才意识到区域经理不能看其他区域的销售数据、财务数据只有财务部能看到、HR数据按职级分层可见这些需求如果不提前验证后期改造BI权限体系是非常痛苦的。选型时一定要测试三个层级的权限控制仪表板级谁能看这个看板、报表级谁能看这张报表、行级/列级同一张报表里不同角色看到不同的数据行和数据列。行级权限尤其重要比如“销售总监看全部区域经理只看本区域”这需要在数据模型层做权限规则映射很多入门级BI并不支持。3.4 移动端与大屏场景支持程度天差地别现在的企业BI基本都要求支持移动端但不同工具的移动端体验差异很大。Power BI的移动端App比较基础国内环境下适配一般帆软和国内SaaS型BI的移动端体验就要好很多尤其是通过企业微信、钉钉集成后的消息推送、主动触达报表能力这是国内企业非常在意的场景。大屏是另一个容易被忽略的场景很多企业做驾驶舱是为了放电视墙上。大屏的适配逻辑和普通PC报表完全不同要求自动适应大屏分辨率、支持轮播、支持动态刷新、最好能支持触摸交互。如果你们有大屏需求POC时必须现场投屏测试确认渲染效果否则上线后才发现大屏黑边、字体模糊返工成本很高。3.5 部署方式与二次开发扩展性BI的部署方式一般分三种纯SaaS数据在云端、纯本地化部署数据在自有服务器、混合部署建模在本地展示在云端。国内很多企业对数据安全要求严格尤其是银行、国企、制造业强制要求本地化部署这时候选型范围就大大收窄了。另外要考虑二次开发能力。以我接触过的场景为例有些企业希望把BI报表嵌入到自己的业务系统里比如那家物流公司的.NET管理系统需要内嵌报表。这时候你要看BI产品是否提供开放的API、JavaScript SDK、甚至细粒度的组件级嵌入能力。Power BI支持Embedded嵌入帆软有独立部署和集成方案QuickBI依托阿里云也有嵌入生态但实现路径和授权模式差异很大需要提前和技术团队确认。4. POC验证与选型评分表让选型从拍脑袋变成科学决策前面讲了这么多到这里进入最实操的部分。我的建议是所有候选工具都要经历一轮POC验证用真实的业务数据、真实的报表场景、真实的用户群体测试再结合评分表做最终决策。缺少POC环节的BI选型本质上就是赌博。4.1 POC验证怎么做7到14天足够了POC不需要做太大但要覆盖核心场景。我通常建议企业选2到3款入围工具每款工具安排7到14天的验证周期至少覆盖以下任务第一数据接入验证让厂商实施人员接上你真实的数据库或提供脱敏数据至少包含3个不同来源的数据表确认数据连接和同步是否顺畅。第二典型报表实现由你们自己的IT人员或业务骨干在厂商指导下完成3到5张核心报表比如经营分析日报、销售周报、库存预警从实操中感受工具的开发效率和难易程度。第三权限模型测试设置3种不同角色验证行级/列级权限是否符合预期。第四性能压测用一个较大的真实数据表建议超过100万行做报表加载测试记录首次加载和交互筛选的耗时。POC期间我会让业务侧的关键用户也参与进来花半天时间让他们试用工具观察他们能否独立完成简单的拖拽分析能不能看懂图表。这个“用户接受度测试”往往比技术指标更能预测项目成败。你工具再强业务不愿意用项目必定失败。4.2 选型评分表模板权重怎么设很关键POC结束后别凭感觉打分我用一张评分表来量化对比。这张表我用了很多年你可以直接复制修改。评分维度权重说明Power BI打分帆软打分Tableau打分功能匹配度25%是否覆盖核心业务场景易用性15%目标用户能否快速上手性能表现15%大数据量下响应速度权限与安全10%权限控制粒度与合规性可扩展性10%二次开发、API接口、嵌入能力厂商服务10%本地化支持、响应速度、实施能力总拥有成本10%三年总成本含实施运维生态与社区5%学习资源、市场人才储备权重设置没有统一标准完全取决于企业的具体情况。比如你们是国企、数据保密要求极高那“权限与安全”和“厂商服务”的权重应该提高如果是互联网公司、IT能力强那“可扩展性”和“生态与社区”可以加码如果预算紧张“总拥有成本”权重就要拉高。打分建议邀约决策层、IT、业务代表组成评分小组每人独立打分取平均分这样得出的结果大家才认账。4.3 决策阶段的几条经验POC和评分完成后就到了拍板的时刻。这个阶段我有几条经验想分享一是和业务关键用户做一次复盘汇报把POC结果和实测感受做成对比让最终用户发声。很多时候IT团队觉得某款工具好但业务团队用起来不顺手这时候一定要充分听取业务意见。二是二次确认商务条款特别是关于用户数、数据量、嵌入式开发的授权边界尽量把未来的增长空间写在合同里我见过太多企业上线一年后因为并发数超了被厂商要求加钱。三是制定落地方案与排期建议分两期走第一期选1到2个核心场景试点上线第二期再扩展到全部门。不要试图一期就覆盖所有需求那种项目九死一生。5. 常见问题与避坑指南做BI选型这么多年有一个规律越来越明显失败的项目失败的原因总是相似的成功的项目成功的原因各有不同。我把这些踩坑经历总结成几大共性问题提前知道就能有效规避。5.1 被厂商演示绑定忽略真实场景验证厂商的售前工程师都是身经百战的老手他们能在10分钟内展示出一套非常完美的数据驾驶舱。但这些演示往往使用的是精挑细选的数据集报表设计也是最理想化的场景并不意味着在你的数据环境里也能复现同样效果。我的建议很简单选型过程中信息化的负责人和业务接口人一定要全程参与POC不要让厂商自行演示就完事。你最好把公司最复杂的3张报表数据处理逻辑复杂、展示格式特殊、数据量大的拿给厂商让他们现场实现。做不出来或者做得很勉强基本就可以PASS了。5.2 忽视数据治理把BI当“数据救世主”有一种最常见的误解数据乱没关系上了BI工具就有漂亮报表了。但实际上BI只是数据链条的最末端它不生产数据也不清洗数据只是把已有的数据呈现出来。如果源头数据质量差BI工具呈现出来的只会是更加清晰的脏数据甚至因为数据口径不一致业务部门对BI报表完全不信任。我建议企业在启动BI项目时最少花三分之一的精力做数据标准化和口径统一。比如明确“销售额”是含税还是不含税、“毛利”是扣不扣运费、各系统间的“客户ID”如何映射。这些数据治理工作听着粗糙却是BI项目能否成功的前提。尤其是企业经营分析报表BI这类场景很多指标口径不统一最终出来的数字财务一个说法、业务一个说法整个BI就会失去公信力。5.3 “BI学习”和人才培养成本被低估这里我想多说几句关于“bi学习”的话题。很多企业买BI时只看产品功能完全忽略了一个事实工具再好团队没人会用等于白买。我见过不止一家企业买了Power BI后IT部门没人精通DAX业务部门没人愿意学最终Power BI Desktop只被当成一个高级Excel在用。选型的同时就要启动相应的BI学习和培训计划。比较有效率的方式是分类培养IT人员重点学习数据建模、ETL、权限管理业务人员重点学习拖拽报表、自助分析。如果有条件选型时可以优先考虑国内有成熟培训体系和认证体系的工具比如帆软就有完整的在线学习平台和考试认证系统他们的“帆软bi考试”出了名的严谨通过FCP-FineBI考试的业务人员基本具备独立搭建看板的能力。用考试的机制倒逼学习比单纯组织培训的效果要好得多。5.4 只看一次性采购成本忽视长期总拥有成本有的工具第一年看起来便宜但到了第二年续费、加用户、扩容的时候账单会让你怀疑人生。还有的走本地化部署看似license买断实际上每年的维保费用、人力成本、服务器升级成本都要算进去。在选型时我建议让财务和IT一起做一张三年总拥有成本表把所有项目都列进去。包括软件费、实施费、培训费、硬件/云资源费、运维人员成本、二次开发成本。有些企业在中大型场景下选型三年总拥有成本的差距可以拉开到两倍以上这是非常现实的决策变量。5.5 专业名词速查BI相关概念一次讲清最后补充一个快速扫盲区特别是刚接触BI的同学以下几个高频概念会在选型过程中反复出现BIBusiness Intelligence商业智能指通过数据采集、清洗、建模、可视化将原始数据转化为辅助决策信息的一整套工具和方法。ETL抽取Extract、转换Transform、加载Load指把业务系统数据抽取出来清洗转换后加载到数仓或数据集市的过程。数据建模为分析目标设计数据表结构和关联关系常见模型有星型模型、雪花模型是BI报表性能和数据准确性的基础。数据驾驶舱/经营分析报表BI面向管理者的综合指标看板通常包含核心KPI、趋势图、排行、预警等模块是BI最常见的交付形态。自助式BI业务人员可以自行拖拽、筛选、创建图表不需要依赖IT开发报表。嵌入式BI通过API/SDK把BI报表集成到业务系统中例如把销售看板嵌入到自研CRM里这也是使用C#实现BI集成的典型场景。行级权限同一张报表中按用户角色过滤数据行例如山东区域经理只能看到他负责的山东区域数据。6. 三条实操建议用最少的成本验证最合适的工具选型这件事最怕陷入“永远在调研、永远在对比”的循环。与其纠结几个月不如花一两周时间上手实测。给你几条我反复验证过的实操建议可以直接照着做。第一条启动一个最小化试点项目。与其纠结于“理论上哪款工具更强”不如从业务部门里挑一个痛点最明确的需求比如销售日报自动化和销售预测分析用候选工具之一的两款分别实现一遍。看哪款工具在真实数据环境下跑得更顺畅、业务更愿意用。我接触过的好几个成功案例最终决策都是被一个小小试点项目推动完成的而不是被大而全的对比报告推动的。第二条把业务用户拉进试用过程。找一个对数据有热情、Excel用得很溜的业务骨干让他用候选工具做一张他最常用的报表。如果他能在半天内独立完成这个工具大概率是被业务接受的。如果他抗拒明显、频频卡壳即使后台功能再强大投产后也难逃“建了没人用”的命运。这一点怎么强调都不过分。第三条从简单的方案开始给未来留扩展空间。如果公司是第一次上BI数据基础一般我建议先选上手门槛低、能快速见效的工具把业务方的兴趣和信心建立起来再逐步深化数据模型和分析场景。而不是一开始就上一套重型平台结果实施周期拖一年热度早散了。根据我个人这些年的项目经验绝大多数企业需要的不是“最强的BI工具”而是“最合适当前阶段”的BI工具。也就是说只要能把80%的核心场景跑顺、业务愿意用、IT能维护住这就是一次非常成功的选型。至于那些炫酷的算法分析、实时大屏完全可以等项目跑起来之后再按需扩展。先让数据在组织里流动起来比一次性追求完美要重要得多。最后再分享一个小技巧如果你实在拿不准选哪款工具不妨把候选工具的试用版全部下载下来拉上团队里最熟悉业务的人用同一套数据、同一张核心报表各做一遍记录从零开始到出结果的时间和体验。把这个过程做完你心里自然就有答案了别人给你的任何建议都只是参考你自己的真实感受才是最可靠的决策依据。