隨著數(shù)據(jù)價值得到了認可，數(shù)據(jù)開始成為個人、企業(yè)乃至國家的重要戰(zhàn)略資產(chǎn)，但數(shù)據(jù)資產(chǎn)不能直接產(chǎn)生價值，而是需要通過數(shù)據(jù)分析、數(shù)據(jù)可視化等數(shù)據(jù)處理手段將數(shù)據(jù)轉(zhuǎn)化為信息和知識，才能進行資產(chǎn)的價值化，這時候商業(yè)智能BI發(fā)揮作用的地方就來了。

一、BI 的解釋

總的來說，商業(yè)智能是一套完整的由數(shù)據(jù)倉庫、查詢報表、數(shù)據(jù)分析等組成的數(shù)據(jù)類技術(shù)解決方案，商業(yè)智能BI在企業(yè)中的主要職責是打破數(shù)據(jù)孤島，通過數(shù)據(jù)倉庫整合數(shù)據(jù)，并利用ETL清洗數(shù)據(jù)，分類分級儲存起來。后續(xù)企業(yè)還可以利用圖形化手段，通過數(shù)據(jù)可視化將數(shù)據(jù)轉(zhuǎn)化為信息和知識，為業(yè)務和管理人員提供信息支撐。

?

?

商業(yè)智能BI可以實現(xiàn)業(yè)務流程和業(yè)務數(shù)據(jù)的規(guī)范化、流程化、標準化，打通ERP、OA、CRM等不同業(yè)務信息系統(tǒng)，整合歸納企業(yè)數(shù)據(jù)，利用數(shù)據(jù)可視化滿足企業(yè)不同人群對數(shù)據(jù)查詢、分析和探索的需求，從而為管理和業(yè)務提供數(shù)據(jù)依據(jù)和決策支持。

二、商業(yè)智能BI 和數(shù)據(jù)倉庫 Data Warehouse 有什么區(qū)別和聯(lián)系？

經(jīng)常會碰到有人問商業(yè)智能BI和數(shù)據(jù)倉庫有什么區(qū)別，實際上這個問題的背后能反映出來一些朋友對商業(yè)智能BI的理解還是有些不準確和偏差，這個問題實際上從概念上把BI和數(shù)據(jù)倉庫人為的割裂了。這種情況其實也比較正常，因為大家對商業(yè)智能BI的第一印象就是各種炫酷的可視化圖表、報表，再加上市面上有很多輕量的前端可視化商業(yè)智能BI分析工具，就造成大家對BI的認知就停留在可視化這部分了。

?

準確的來說，商業(yè)智能BI不僅僅包含前端可視化分析、報表展現(xiàn)的能力，更包含了底層數(shù)據(jù)倉庫的建設(shè)過程。Gartner 在上世紀九十年代就已經(jīng)提到了商業(yè)智能 Business Intelligence，它更多的認為：BI是一種數(shù)據(jù)類的技術(shù)解決方案，將許多來自不同企業(yè)業(yè)務系統(tǒng)的數(shù)據(jù)提取有分析價值的數(shù)據(jù)進行清洗、轉(zhuǎn)換和加載，就是抽取Extraction、轉(zhuǎn)換 Transformation、加載Loading 的ETL過程，最終合并到一個數(shù)據(jù)倉庫中，按照一定的建模方式例如Inmon 的3NF 建模、Kimball 的維度建?；蛘邇烧叨加械幕旌鲜郊軜?gòu)模型，最終在這個基礎(chǔ)上再利用合適的分析展現(xiàn)工具來形成各種可視化的分析報表為企業(yè)的管理決策層提供數(shù)據(jù)決策支撐。

所以，可以從這里能夠看到數(shù)據(jù)倉庫Data Warehouse 的位置是介于可視化報表和底層業(yè)務系統(tǒng)數(shù)據(jù)源之間的這一層，在整個商業(yè)智能BI項目解決方案中起到的是一個承上啟下的作用。如果把商業(yè)智能BI比作是一個人的話，上半身特別是臉這個部分就是顏值，下半身腳踏實地吸取大地的精華，中間這部分的腰腹核心、核心力量就是數(shù)據(jù)倉庫。

那大家也會問到，市面上不是有很多直接鏈接數(shù)據(jù)源就可以拖拉拽分析的商業(yè)智能BI工具產(chǎn)品嗎，不也一樣可以做商業(yè)智能BI分析報表嗎？這種獨立的、單獨的面向前端的商業(yè)智能BI分析工具，他們更多的定位是部門級和個人級的商業(yè)智能BI 分析工具，對于深層次的需要復雜數(shù)據(jù)處理、集成、建模等很多場景是無法解決的。最好的方式就是底層構(gòu)建一套完整的數(shù)據(jù)倉庫，把很多分析模型標準化，再利用這些前端商業(yè)智能BI分析工具結(jié)合起來，這樣才能真正的把前端商業(yè)智能BI分析能力給釋放出來。

很多企業(yè)認為只要買一個前端商業(yè)智能BI分析工具就可以解決企業(yè)級的商業(yè)智能BI所有問題，這個看法實際上也不可行的?？赡茉谧铋_始分析場景相對簡單，對接數(shù)據(jù)的復雜度不是很高的情況下這類商業(yè)智能BI分析工具沒有問題。但是在企業(yè)的商業(yè)智能BI項目建設(shè)有一個特點，是一個螺旋式上升的建設(shè)過程。因為對接的業(yè)務系統(tǒng)可能會越來越多，分析的深度和廣度會越來越多，數(shù)據(jù)的復雜度也會越來越有挑戰(zhàn)性，這個時候沒有一個很好的數(shù)據(jù)倉庫架構(gòu)支撐，光靠前端BI分析工具基本上是無法搞定的。

就像去中藥店抓藥一樣，之所以抓藥很快，是因為在抓藥前，別人已經(jīng)把各種原生的中藥材（原始數(shù)據(jù)源的數(shù)據(jù)）分門別類清理干凈放好了，這樣想怎么搭配藥材（維度指標組合的可視化）就很快了。

這樣的企業(yè)在國內(nèi)有很多，也是因為對商業(yè)智能BI理解的深度不夠?qū)е铝嗽谏虡I(yè)智能BI項目建設(shè)上一些方向性的錯誤，最后s導致商業(yè)智能BI項目很難繼續(xù)推進。

所以在企業(yè)中，我們需要明確我們的商業(yè)智能BI建設(shè)是面向企業(yè)級的還是個人和部門的分析工作。如果是個人數(shù)據(jù)分析師，使用這類前端商業(yè)智能BI分析工具就足夠了。如果是需要構(gòu)建一個企業(yè)級的商業(yè)智能BI項目，就不能只關(guān)注前端可視化分析能力這個層面，更應該關(guān)注到底層數(shù)據(jù)架構(gòu)的構(gòu)建，也就是數(shù)據(jù)倉庫這個層面。

三、實際開展一個 BI 項目的時候?qū)τ谛枨蟮穆涞氐姆椒ㄕ?/span>

商業(yè)智能BI是一個完全需求驅(qū)動的，既然是需求就需要做訪談和調(diào)研。在商業(yè)智能BI需求進行訪談和調(diào)研之前要提前熟悉行業(yè)的業(yè)務特點，基于企業(yè)自身要熟悉他們的業(yè)務流程，以及所訪談部門的他們大概會關(guān)注的重點，都需要提前梳理一遍。在腦海里把整個業(yè)務框架給建立起來，反復的演練。

四、什么樣的企業(yè)應該要上商業(yè)智能 BI 了？

什么樣的企業(yè)適合上商業(yè)智能BI？看業(yè)務基礎(chǔ)信息化程度和日常業(yè)務管理的細致程度和顆粒度。業(yè)務基礎(chǔ)信息化程度就是企業(yè)自身的IT業(yè)務系統(tǒng)基礎(chǔ)建設(shè)，沒有業(yè)務系統(tǒng)的支撐，做商業(yè)智能BI就缺乏數(shù)據(jù)基礎(chǔ)；第二就是業(yè)務管理的顆粒度，企業(yè)自身業(yè)務管理程度是不是比較細致了，急需通過商業(yè)智能BI來提升業(yè)務管理、決策支撐的效率。

五、如何高效的給高層領(lǐng)導做 BI 數(shù)據(jù)分析匯報總結(jié)

做完商業(yè)智能BI項目，還要考慮最終如何跟老板匯報的問題，掌握商業(yè)智能BI數(shù)據(jù)分析思維框架和匯報的五個重點：用戶業(yè)務層次與范圍、工作成果、計劃執(zhí)行復盤、問題反饋、展望規(guī)劃與愿景。

這里只是一個簡單的匯報框架，還有很多點可以往里面加。比如圍繞行業(yè)講一下行業(yè)驅(qū)動因素跟?商業(yè)智能BI?如何結(jié)合的；從企業(yè)經(jīng)營管理角度，企業(yè)愿景到 CSF 到 KPI 到績效是如何分解和重新組織的；比如財務視角下的歸因分析；金字塔的管理模型；動態(tài)指標庫構(gòu)成原理等等都可以有所選擇的進行融入和說明。

六、商業(yè)智能BI與企業(yè)經(jīng)營管理的結(jié)合度

商業(yè)智能BI分析跟企業(yè)的經(jīng)營管理分析高度結(jié)合，ROE高的企業(yè)有可能是利潤高像茅臺、珠寶行業(yè)，有可能是周轉(zhuǎn)快比如像零售行業(yè)，也有可能是融資能力比較強會利用杠桿，從ROE歸因分析看行業(yè)特點。

七、商業(yè)智能BI項目行業(yè)和業(yè)務知識的積累

做商業(yè)智能BI還必須熟悉行業(yè)和業(yè)務知識，不結(jié)合行業(yè)業(yè)務知識，商業(yè)智能BI的項目是很難落地的。商業(yè)智能BI的本質(zhì)其實是企業(yè)的業(yè)務和管理思維的落地。企業(yè)的高層、業(yè)務部門的管理人員為什么要通過商業(yè)智能BI去看報表，他們看的是什么，重點關(guān)注的是什么？這些內(nèi)容就是他們?nèi)粘Ｔ谄髽I(yè)中業(yè)務經(jīng)營管理的重點。

在商業(yè)智能BI項目上看上去零零散散的報表，在實際用戶眼里其實是有很強的邏輯關(guān)聯(lián)性的。并且層次越高的管理人員看的商業(yè)智能BI報表內(nèi)容越聚焦，看的是業(yè)務結(jié)果。一線業(yè)務部門的人員可能關(guān)注的更零散，看的是明細的業(yè)務過程數(shù)據(jù)。

所以，對于一名優(yōu)秀的商業(yè)智能BI開發(fā)人員、開發(fā)顧問，不僅僅是需要在技術(shù)層面打磨，更需要在行業(yè)性知識和企業(yè)業(yè)務知識上有所沉淀。

八、關(guān)于商業(yè)智能 BI 實時性處理的話題

商業(yè)智能BI 對數(shù)據(jù)的處理存在一定的滯后性，通常采用T+1模式，主要原因是ETL數(shù)據(jù)處理過程是需要有大量的時間損耗，通常是采用空間換時間的方式。

將以前按照商業(yè)智能BI 數(shù)據(jù)倉庫分層的ETL調(diào)度設(shè)計成可按單獨指標并自動尋找依賴的調(diào)度就大大的增加了對個別指標調(diào)度和準實時處理的靈活性。

離線數(shù)據(jù)與實時處理針對的業(yè)務場景不同，背后的技術(shù)方式實現(xiàn)不同，資源投入也不同，了解它們之間的定位差異有助于選擇合適的方案以最小的資源投入達到企業(yè)既定完成商業(yè)智能BI 項目建設(shè)目標。

?