可能和很多人想象的不同，商業(yè)智能BI雖然是信息化、數(shù)字化領域內的重要的數(shù)據(jù)類技術解決方案，但是商業(yè)智能BI并不是在當前時代突然冒出來的新應用，而是經(jīng)過數(shù)十年積累的成熟產(chǎn)品。

早在1958年，IBM研究員就將商業(yè)智能BI的早期形態(tài)定義為：“對事物相互關系的一種理解能力，并依靠這種能力去指導決策，以達到預期的目標。”

1996年，咨詢機構進一步拓展了商業(yè)智能BI的定義：“一類由數(shù)據(jù)倉庫（或數(shù)據(jù)集市）、查詢報表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復等部分組成的、以幫助企業(yè)決策為目的的技術及其應用?！?/span>

直到2013年，在新一代信息化、數(shù)字化的技術影響下，商業(yè)智能BI形成了一套系統(tǒng)性的概念，圍繞企業(yè)發(fā)展進行針對性擴展，重新確定了商業(yè)智能BI的定義：“商業(yè)智能BI是一個概括性術語。它包含了應用、基礎結構、工具，以及提供信息訪問和分析加以改進、優(yōu)化決策表現(xiàn)的最佳實踐”

一、什么是商業(yè)智能BI？

結合這么多年的商業(yè)智能BI發(fā)展歷史以及當前商業(yè)智能BI的主流形態(tài)，我們對商業(yè)智能BI已經(jīng)有了比較認可的定義，總結起來一共有三條：

第一，商業(yè)智能BI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)類技術解決方案。

第二，商業(yè)智能BI可以將企業(yè)不同業(yè)務信息系統(tǒng)（ERP、CRM、OA）中的數(shù)據(jù)打通并進行有效的整合。

第三，商業(yè)智能BI可以借助合適的查詢和分析工具快速準確的提供可視化分析或報表，為企業(yè)提供決策支持。

此外，商業(yè)智能BI對于企業(yè)來說是一個承上啟下的成熟產(chǎn)品，可以通過在企業(yè)中的實際功能、作用劃分為不同階段，例如商業(yè)智能BI可以根據(jù)企業(yè)業(yè)務數(shù)據(jù)的不同流程劃分為三個層次：

第一層，可視化分析展現(xiàn)層?- 可視化分析展現(xiàn)層也就是商業(yè)智能BI的需求層，一方面代表了用戶的需求，用戶想看什么、要看什么、另一方面也代表了用戶要分析什么，這些就在這一層進行展現(xiàn)。

第二層，數(shù)據(jù)模型層?- 數(shù)據(jù)模型層也就是常說的商業(yè)智能BI數(shù)據(jù)倉庫，主要負責企業(yè)數(shù)據(jù)的分析模型，完成從業(yè)務計算規(guī)則向數(shù)據(jù)計算規(guī)則的轉變。

第三層，數(shù)據(jù)源層?- 數(shù)據(jù)源層也就是商業(yè)智能BI的數(shù)據(jù)層，不同部門、業(yè)務線的業(yè)務信息系統(tǒng)，其底層數(shù)據(jù)庫的數(shù)據(jù)通過ETL抽取到商業(yè)智能BI的數(shù)據(jù)倉庫中，建模分析等等，最終支撐到前端的可視化分析展現(xiàn)。

二、商業(yè)智能BI在企業(yè)IT信息化中的位置

企業(yè)在部署商業(yè)智能BI之前，一定要對商業(yè)智能BI進行規(guī)劃，弄清業(yè)務和管理的需求。同時，企業(yè)還應該明白商業(yè)智能BI在IT信息化建設中的位置，只有熟悉商業(yè)智能BI的定位，才能最大程度發(fā)揮商業(yè)智能BI作用，真正完成企業(yè)的信息化規(guī)劃建設。

一般來說，企業(yè)的信息化建設具有通用性，所以可以把大部分的企業(yè)的 IT 信息化分為兩個階段：一個是業(yè)務信息化，一個是數(shù)據(jù)信息化。這樣對比講，一般的用戶更容易理解一些。

?

業(yè)務信息化?- 企業(yè)使用的ERP、CRM、OA、自建的業(yè)務系統(tǒng)等，業(yè)務系統(tǒng)的建設都統(tǒng)稱為業(yè)務信息化。業(yè)務信息化的主要作用是管理企業(yè)的業(yè)務流程，通過規(guī)范化、標準化、線上化，來提高業(yè)務運轉效率、降低企業(yè)人力、時間、精力等成本，為商業(yè)智能BI的建設打下數(shù)據(jù)基礎，是業(yè)務管理思路的體現(xiàn)，也是現(xiàn)代的企業(yè)管理方式。

數(shù)據(jù)信息化?- 像我們經(jīng)常所聽到的大數(shù)據(jù)、商業(yè)智能BI、數(shù)據(jù)分析、數(shù)據(jù)挖掘等我們都統(tǒng)稱為數(shù)據(jù)信息化。數(shù)據(jù)信息化可以幫助企業(yè)全面的了解企業(yè)的經(jīng)營管理，從經(jīng)驗驅動到數(shù)據(jù)驅動，降低情緒、心理等主觀影響，形成以數(shù)據(jù)為基礎的業(yè)務決策支撐，提高決策的準確性，這是企業(yè)更高層次的企業(yè)管理方式。

信息化建設具有連貫性，沒有業(yè)務系統(tǒng)的建設，就不會有數(shù)據(jù)的沉淀，而沒有數(shù)據(jù)的沉淀，就沒有建設商業(yè)智能 BI 的基礎。同時，商業(yè)智能 BI 的建設能夠反向推動業(yè)務信息化的建設，提高數(shù)據(jù)的質量。

業(yè)務信息化的主要使用形式?- 表單式的、以業(yè)務用戶錄入為主、數(shù)據(jù)的增刪改操作居多，是對業(yè)務過程數(shù)據(jù)、業(yè)務流程進行管理的軟件系統(tǒng)，可以對業(yè)務流程進行規(guī)范化、標準化處理。

數(shù)據(jù)信息化的主要使用形式?- 例如商業(yè)智能BI主要是對業(yè)務結果數(shù)據(jù)進行整體信息呈現(xiàn)和局部深度分析，旨在打通ERP、OA、CRM等業(yè)務系統(tǒng)的數(shù)據(jù)，跨業(yè)務、跨系統(tǒng)整合數(shù)據(jù)。

三、誰是商業(yè)智能BI的主要用戶？

業(yè)務信息化的主要使用對象?- 一線業(yè)務執(zhí)行層，更多是從業(yè)務視角出發(fā)，錄入數(shù)據(jù)、記錄流程、查看業(yè)務信息。

數(shù)據(jù)信息化的主要使用對象?- 管理決策層，更多的是從管理視角通過商業(yè)智能BI可視化分析去定位問題、分析問題，最終形成業(yè)務決策。

兩個細節(jié)要點：

第一，沒有任何一個管理決策層、領導會沒事打開財務系統(tǒng)看財務數(shù)據(jù)，打開 OA 系統(tǒng)看看合同信息，高層領導不會看這些明細數(shù)據(jù)細節(jié)，也不會進到各個系統(tǒng)里面去看。也就是說，業(yè)務信息化不是給這一層領導來使用的。

第二，管理決策層是不是一定是指的企業(yè)最高層的領導，不見得，可以是企業(yè)各個組織層次中帶有管理決策屬性的人員，這些管理決策人員都可以通過商業(yè)智能BI提供決策支持。

四、數(shù)據(jù)孤島到底說明了什么？

數(shù)據(jù)孤島問題是企業(yè)在信息化、數(shù)字化建設過程中的常見問題，只要涉及到數(shù)據(jù)、信息就容易導致數(shù)據(jù)孤島的出現(xiàn)。數(shù)據(jù)孤島本身其實只是一種客觀的現(xiàn)象，存不存在問題要看企業(yè)有沒有對應的問題和需求。比如說業(yè)務部門會覺得有數(shù)據(jù)孤島的問題嗎？我就用我的銷售系統(tǒng)銷售，我的銷售數(shù)據(jù)就銷售部門看，同樣銷售主題報表或是銷售情況信息夠看就可以，數(shù)據(jù)孤島對我來說沒有什么影響。

所以，我們在講商業(yè)智能BI，講數(shù)據(jù)孤島的時候要明白，給一下業(yè)務部門講數(shù)據(jù)孤島可能達不到預想中的效果，只有對跨業(yè)務、跨部門、跨組織的這些中層管理、高層管理講，他們才能意識到業(yè)務數(shù)據(jù)不能互通，不用全面統(tǒng)一進行分析，有多大的問題，也就是數(shù)據(jù)孤島的危害。

由于商業(yè)智能BI是天然解決數(shù)據(jù)孤島問題的，所以商業(yè)智能BI是為誰服務的，雖然商業(yè)智能BI對企業(yè)的業(yè)務也有很大提升，但最終還是為管理層服務的數(shù)據(jù)信息化系統(tǒng)。商業(yè)智能BI要打破數(shù)據(jù)孤島，全面看數(shù)據(jù)，全面管業(yè)務，商業(yè)智能BI就是業(yè)務管理視角的自然延伸，有廣度、有深度。

所以，站在企業(yè)不同員工角度，有的人認為是有數(shù)據(jù)孤島存在的，一定要解決。有的人是不認為有數(shù)據(jù)孤島存在的，即使存在對他們也沒有影響，所以不用解決，其根本原因是沒有把握商業(yè)智能BI真正的服務對象。

通過數(shù)據(jù)孤島，我們能夠把企業(yè)的組織架構，不同部門的職責規(guī)劃等問題看的更加清楚一些。

五、商業(yè)智能BI從業(yè)務系統(tǒng)取數(shù)據(jù)取數(shù)的方式

商業(yè)智能BI是通過訪問和連接業(yè)務系統(tǒng)數(shù)據(jù)源數(shù)據(jù)庫的方式來進行取數(shù)的，不管是什么樣類型的數(shù)據(jù)庫，商業(yè)智能BI通過ETL連接數(shù)據(jù)庫抽取業(yè)務系統(tǒng)原表數(shù)據(jù)到數(shù)據(jù)倉庫中加工處理，最后支撐到前端的可視化分析報表展現(xiàn)。

之前有朋友這么提問的：數(shù)據(jù)源層是需要開發(fā)接口嗎？

這是回答：

一般不需要，基本上這么提問的都是經(jīng)歷過軟件系統(tǒng)的接口對接，軟件系統(tǒng)的接口對接是因為有的業(yè)務軟件是 JAVA 開發(fā)的，有的是 .NET 開發(fā)的，有的是 B/S 架構，有的是 C/S 架構。軟件系統(tǒng)之間的接口是需要開發(fā)參與的，主要是串聯(lián)不同軟件的業(yè)務流程，這種接口是需要動代碼的。 但商業(yè)智能BI在獲取數(shù)據(jù)的接口不一樣，是與業(yè)務系統(tǒng)軟件自身無關的，是只需要訪問和連接業(yè)務系統(tǒng)背后的數(shù)據(jù)庫就可以的，直接從數(shù)據(jù)庫取數(shù)，因此是不需要軟件接口，或者沒有軟件接口訪問這種概念的。

除非一種情況，這個業(yè)務系統(tǒng)是公有云，純 SAAS 模式，這種情況下就只能通過軟件對外開放的 API 接口取數(shù)了。

六、數(shù)據(jù)中臺、商業(yè)智能BI、大數(shù)據(jù)之間的關系應該如何理解？

隨著數(shù)據(jù)成為第五大生產(chǎn)要素，社會數(shù)據(jù)價值不斷提高，成為了眾多企業(yè)的重要資產(chǎn)。而數(shù)據(jù)地位的提升，也使得數(shù)據(jù)處理方案、技術、應用蓬勃發(fā)展，除了文章主要介紹的商業(yè)智能BI，還有大數(shù)據(jù)、數(shù)據(jù)中臺都是數(shù)據(jù)處理方案，不過這些不同的數(shù)據(jù)處理方案之間有很大區(qū)別。

比如說大數(shù)據(jù)、數(shù)據(jù)中臺都是商業(yè)智能BI發(fā)展到一定階段的產(chǎn)物，其核心都是

數(shù)據(jù)，數(shù)據(jù)采集、數(shù)據(jù)處理能力、算力的提升催生了大數(shù)據(jù)，數(shù)據(jù)資產(chǎn)和數(shù)據(jù)服

務催生了數(shù)據(jù)中臺，核心的數(shù)倉建模自商業(yè)智能BI一脈相承未曾改變，最終出

口還是商業(yè)智能BI可視化，所以商業(yè)智能BI的位置處于整個信息化建設的核心

位置。

七、關于商業(yè)智能 BI 認知上的幾大誤區(qū)

關于商業(yè)智能BI的介紹，網(wǎng)絡上有太多的雜音，總而言之會把商業(yè)智能BI講解的貌似很簡單，感覺上買了一個工具就可以解決所有的問題，這其實是一個非常大的誤區(qū)。

我這里總結了一下，大家對商業(yè)智能 BI 的理解常會碰到的一些誤區(qū)：

1.商業(yè)智能 BI 就是報表可視化，就是一堆可視化圖表，商業(yè)智能BI 就是前端可視化。

2.商業(yè)智能BI就是一個拖拉拽的分析工具產(chǎn)品。

3.商業(yè)智能BI就是商業(yè)智能BI，跟數(shù)據(jù)倉庫沒有關系。

4.有了商業(yè)智能BI就不需要數(shù)據(jù)倉庫建模，業(yè)務人員就可以自己做商業(yè)智能BI分析，就可以拖拉拽做商業(yè)智能BI分析。

5.商業(yè)智能BI 就是業(yè)務驅動的，不需要 IT 人員支撐，敏捷商業(yè)智能BI不需要 IT 介入。

6.商業(yè)智能BI直連不香嗎？直接連接數(shù)據(jù)源不就可以做分析，不需要數(shù)據(jù)倉庫。

首先簡要糾正一下對于這些問題的理解。

1、商業(yè)智能 BI 就是報表可視化，就是一堆可視化圖表，BI 就是前端可視化。

商業(yè)智能BI是一套完整的有數(shù)據(jù)倉庫、數(shù)據(jù)分析、數(shù)據(jù)報表等組成的數(shù)據(jù)技術類的解決方案，在一個 BI 項目中，20% 的時間做前端分析報表，80% 的時間都在底層數(shù)據(jù)倉庫的設計、ETL 的開發(fā)、取數(shù)開發(fā)等工作。

所以可視化報表只是商業(yè)智能 BI 的最終呈現(xiàn)，但不是 商業(yè)智能BI 的全部。

2、商業(yè)智能 BI 就是一個拖拉拽的分析工具產(chǎn)品。

拖拉拽的可視化分析工具準確來講只能解決 商業(yè)智能BI 的一部分，即可視化分析。但其實 商業(yè)智能BI 所包括的技術范圍還是比較廣的，涉及到從底層數(shù)據(jù)取數(shù)到前端展現(xiàn)分析的各個方面。

單純拖拉拽的商業(yè)智能BI可視化分析工具嚴格來講只能定位于個人和部門級，和企業(yè)級的商業(yè)智能BI 有很大的不同，所以單純的上一個商業(yè)智能BI分析工具發(fā)揮不了商業(yè)智能BI的真正作用，也替代不了商業(yè)智能BI的位置。

3、以前也總有人說商業(yè)智能BI就是業(yè)務驅動，商業(yè)智能BI就是 BI，跟數(shù)據(jù)倉庫沒有關系。

這個問題很有深度，在以前我也這么認為過，總覺得有了商業(yè)智能BI就不需要數(shù)據(jù)倉庫建模，業(yè)務人員就可以自己做 商業(yè)智能BI分析，就可以拖拉拽做 商業(yè)智能BI分析，不需要IT人員支撐，敏捷商業(yè)智能BI不需要 IT 介入，不需要建數(shù)據(jù)倉庫。

但凡有任何商業(yè)智能BI的銷售或者售前告訴用戶，你們企業(yè)的 商業(yè)智能BI 項目不需要構建數(shù)據(jù)倉庫，直接通過 商業(yè)智能BI 分析工具拖拉拽就可以搞定企業(yè)里面所有的分析，不需要IT人員支撐，業(yè)務人員完全可以自己搞定... 類似于敢這樣承諾的，要么是對商業(yè)智能BI不懂，要么就是真忽悠。

在企業(yè)級的商業(yè)智能BI項目建設中，真正能做到完全靠業(yè)務人員簡單拖拉拽一些就能隨便實現(xiàn)數(shù)據(jù)可視化分析，至少在我個人從業(yè)的十幾年工作經(jīng)驗中，95%以上的企業(yè)都做不到。我服務過的重點企業(yè)包括：SHP（ Security Health Plan )、微軟（中國）、微軟（美國）、VWFC（ 大眾金融 ）等。

VWFC 做的算是非常不錯的，少有的業(yè)務人員自己動手做很多報表，線上跑了幾千張報表。為什么？ 因為底層數(shù)據(jù)倉庫就搭建了很多年，底層數(shù)據(jù)架構相對比較規(guī)范。Business Driven 業(yè)務驅動，它的前提是什么？

1） 底層數(shù)據(jù)質量很規(guī)范，數(shù)據(jù)倉庫架構很完整，不讓業(yè)務人員碰底層數(shù)據(jù)，ETL、取數(shù)、指標計算等等統(tǒng)統(tǒng)都是 IT 部門來維護。

2） 業(yè)務人員通過培訓要熟練掌握商業(yè)智能BI前端報表工具的使用，要很懂放出來的數(shù)據(jù)分析模型接口。

3） 業(yè)務人員要非常熟悉業(yè)務和數(shù)據(jù)。

第 2）和第 3）條很多企業(yè)沒有問題，第 1）條直接弄個前端 商業(yè)智能BI 工具讓業(yè)務人員解決，能解決掉嗎？ 很顯然業(yè)務人員是不具備這種能力的。

這就是一到培訓的時候，商業(yè)智能BI工具使用起來很簡單，但是一旦到實際的企業(yè) 商業(yè)智能BI 項目開發(fā)就發(fā)現(xiàn)寸步難行。因為培訓的時候，給出的數(shù)據(jù)表都是經(jīng)過選擇的，永遠都是質量很高的、規(guī)范的只需要簡單左表連右表例如銷售訂單表、訂單明細表，自然很容易把可視化報表給實現(xiàn)出來。

但是在實際企業(yè) 商業(yè)智能BI 項目分析中，分析指標的計算規(guī)則絕非簡單幾張表關聯(lián)就可以解決的，不信的話可以挑戰(zhàn)一下一個實際的指標計算邏輯：挑戰(zhàn)一個 ETL 數(shù)據(jù)清洗的小案例 在數(shù)據(jù)庫中就一張數(shù)據(jù)表，數(shù)據(jù)理解起來也很簡單，但很多 商業(yè)智能BI 開發(fā)人員做起來也需要廢很大的精力，就更別談業(yè)務人員自助 商業(yè)智能BI 分析了。

講這么多不是為了一味否定自助式 商業(yè)智能BI 它的作用和能力，自助式 商業(yè)智能BI 有它的使用場景，也確實幫助我們簡化了很多的 BI 工作，但從專業(yè)角度出發(fā)，特別反感是部分商業(yè)智能BI 廠商以一種不負責任的方式反復向市場強化類似于這樣的概念：商業(yè)智能BI 就是可視化報表、商業(yè)智能BI 不需要數(shù)據(jù)倉庫建模、傳統(tǒng)數(shù)據(jù)倉庫建模很落后、商業(yè)智能BI 就是自助分析、商業(yè)智能BI 自助分析很簡單、業(yè)務用戶簡單幾天培訓就可以學會并且想怎么分析就怎么分析...

從市場宣傳和銷售的角度來說，簡化產(chǎn)品的復雜度和上手難度的宣傳是沒有問題的，有問題的是以一種錯誤的講解、不專業(yè)的講解最終誤導企業(yè)接受了這些不正確的概念，并以這些不正確的概念來評估與規(guī)劃 商業(yè)智能BI 項目的建設，沒有充分預計到 商業(yè)智能BI 項目建設過程中可能會遇到的挑戰(zhàn)與風險，最后導致項目的不成功與失敗、反復建設。

我們在北京就有一個客戶之前花了一百多萬上了一套所謂的 商業(yè)智能BI 項目，項目上線了一年左右，到最后完全推不動，失敗了。后續(xù)找到派可數(shù)據(jù)，我們給他們上了派可數(shù)據(jù)商業(yè)智能BI分析平臺，這個項目我們連續(xù)做了好幾期，客戶還寫了感謝信。之前為什么推不動、項目會失?。翰恢匾晹?shù)據(jù)倉庫的規(guī)劃。因為他們的業(yè)務是連續(xù)的、變動的，每年的需求都是需要動態(tài)調整的，數(shù)據(jù)持續(xù)增加，分析的深度和廣度都是在不斷變化，沒有一個好的底層數(shù)據(jù)架構來支撐，光靠 SQL 取數(shù)、建數(shù)據(jù)集出報表的形式是不可能支撐一家企業(yè)未來 3-5 年甚至更長遠的業(yè)務分析需求變化的。

除了這個案例之外，在我的手機上有很多之前上過 商業(yè)智能BI 最終失敗、沒有做好，找過來聊天吐槽的記錄，是真的產(chǎn)品不好嗎？我也客觀的幫助他們分析過：這些產(chǎn)品本身有的是 Gartner 魔力現(xiàn)象 Leader 象限的產(chǎn)品，你說產(chǎn)品行不行？ 有的產(chǎn)品是國內商業(yè)智能 BI 領域很多年的老品牌，你說產(chǎn)品行不行？ 客觀來講，這些產(chǎn)品從我個人角度來說，這些產(chǎn)品其實都很優(yōu)秀，產(chǎn)品本身是沒有太大問題的。

問題在于，這么多從零到一需要上 商業(yè)智能BI 的企業(yè)不知道一個 商業(yè)智能BI 項目中原來還有那么多坑，很多 商業(yè)智能BI 廠商會不會去把這些點給企業(yè)客戶講清楚，一個 商業(yè)智能BI 項目到底怎么干、中間有什么樣的風險、以后還會遇到什么樣的問題、應該怎么解決這些問題、有什么樣的方法論和手段... 如果只是為了賣一套 商業(yè)智能BI 產(chǎn)品或者工具，你覺得這些 商業(yè)智能BI 銷售會跟客戶講這些東西嗎？ 不會的，至少不會講的太深太全，因為這么一講把 商業(yè)智能BI 難度講太復雜了，一旦沒有講好，反而降低了客戶的信任。

有的時候不講，是因為怕講復雜了，讓企業(yè)客戶決策周期拉的太長了。有的時候不講，是因為不懂。你不講，客戶不知道，客戶也沒有經(jīng)驗，后續(xù)商業(yè)智能BI項目建設就會出問題。

在一次大會上，某商業(yè)智能BI廠商一位高級售前技術專家在跟客戶交流時說過的一句話：商業(yè)智能BI直連不香嗎？直接連接數(shù)據(jù)源不就可以做分析，不需要數(shù)據(jù)倉庫。無知者無畏，實在聽不下去，就打斷直接溝通了一下。通過溝通，可以判斷這個所謂的技術專家基本上沒有做過完整的 商業(yè)智能BI 項目經(jīng)驗，從零到一搭建一個 商業(yè)智能BI 項目的能力等于零。以這樣的一種能力跟客戶來引導一個 商業(yè)智能BI 項目，這種 商業(yè)智能BI 項目的質量能有保證嗎，很難的。

這也就是我們派可數(shù)據(jù)、我個人做視頻號《呂品聊數(shù)據(jù)》的原因，客觀的講講 商業(yè)智能BI、客觀的講講數(shù)據(jù)，普及一下我們認為正確的 商業(yè)智能BI 知識和概念。告訴我們廣大的 商業(yè)智能BI 用戶，商業(yè)智能BI 到底應該怎么理解、怎么認知，商業(yè)智能BI 到底有什么樣的坑需要我們的企業(yè)注意。

我們不能說我們派可數(shù)據(jù)在 商業(yè)智能BI 領域講的知識和概念就一定是放之四海而皆準的，但是我們歡迎任何 商業(yè)智能BI 廠商或者任何 BI 個人愛好者就 商業(yè)智能BI 的一些知識和概念來向我們挑戰(zhàn)，來看看派可數(shù)據(jù)所普及的一些 商業(yè)智能BI 知識概念到底對不對。如果普及的對，說明這些問題大家確實都碰到了，這些知識和概念對于企業(yè)而言就是難得的經(jīng)驗。如果普及的不對，不對又是在什么地方，指出來大家一起看看，一起探討一下，我們還可以為企業(yè)做些什么。

八、報表工具是怎么來的？

這十幾年我一直在技術領域、信息化領域、商業(yè)智能BI 行業(yè)，一直沒有出這個圈。做過 JAVA ( AWT、SWING、JSP、Hibernate、Spring、ibatis )、.NET ( ASP、http://ASP.NET、C#.NET )、Object-C 、JS 等等技術開發(fā)，業(yè)務軟件系統(tǒng)平臺開發(fā)。

早期前端技術很弱，AJAX 的實現(xiàn)也都需要手寫，要實現(xiàn)一個表單內數(shù)據(jù)的點擊編輯和修改需要自己用 JS DOM 操作。做報表基本上就是 JSP、ASP 腳本語言在前端嵌套 HTML 做循環(huán)輸出，報表樣式很原生很丑陋，稍微復雜一點的表格報表樣式都需要用 JS 來調整。

那個時候用過的報表像 Crystal Report 水晶報表、潤乾報表等等，在前端腳本語言中有標簽直接可以引用，報表生成代替了大量的手寫代碼。早期的前后端技術是不分家的，http://ASP.NET 還稍微好一些，前端逐步有一些集成控件可以直接使用，JAVA 是真沒有。上面說到的這個階段大概在什么時候呢，2005年前后，2007年我覺得已經(jīng)使用的很廣泛了，老的 CSDN 上應該還能找到很多原始的報表標簽帖子。

像老一批報表還有像金峰報表 Jreport、思達報表 StyleReport 等等在國內也有一定的市場。早在 2010 年之前，有些報表廠商的收入規(guī)模就已經(jīng)突破了一個億，說明基礎報表這個市場還是非常不錯的。

那個時候的報表定位是什么，就是純粹的 Report 報表，通過程序從后臺數(shù)據(jù)庫中查詢返回的數(shù)據(jù)聚合 List 再到前端腳本頁面上綁定一下就生成了各種報表，實際上就是用在各個業(yè)務軟件系統(tǒng)之中的報表展示，還遠遠沒有到 商業(yè)智能BI分析這個層面。

并且還有大量的軟件開發(fā)廠商實際上已經(jīng)具備了很強的報表能力，不過這些報表能力并沒有單獨拿出來作為報表產(chǎn)品在市面上運營而已。

逐步的，隨著前端技術、前端框架的完善，從傳統(tǒng)表格技術開始到了各類柱狀圖、條形圖、餅狀圖的可視化展示，到了這個階段，報表和商業(yè)智能BI的邊界越來越模糊。為什么？商業(yè)智能BI的報表展現(xiàn)能力也就和傳統(tǒng)報表效果大致相當，還沒有出現(xiàn)那種自助分析、自助拖拉拽就可以實現(xiàn)快速多維分析的能力。

講這么多主要想說的是我們所看到的很多商業(yè)智能BI項目都是拿報表思維去實現(xiàn)的，就是 SQL 到數(shù)據(jù)集到前端展現(xiàn)。而真正的商業(yè)智能BI思維應該是什么呢？ 多維思維、模型思維，這一點決定了一個 商業(yè)智能BI 項目的最終走向，后面會具體講到這些點。

九、商業(yè)智能BI的本質 - 企業(yè)業(yè)務管理思維的落地

商業(yè)智能 BI 到底是什么？技術？產(chǎn)品？還是其它？我們把對于 BI 的理解再提升一個層次：商業(yè)智能 BI 是一家企業(yè)業(yè)務和管理思維的落地。這個怎么來理解呢？簡單來說，就是在可視化報表上呈現(xiàn)的內容就是一家企業(yè)真正關注的內容，這里面有管理高層重點關注的企業(yè)經(jīng)營性的分析指標，也有某具體部門的。

十、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、轉換和加載，就是抽取Extraction、轉換 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 的維度建模或者兩者都有的混合式架構模型，最終在這個基礎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。可能在最開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項目建設有一個特點，是一個螺旋式上升的建設過程。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)在國內有很多，也是因為對商業(yè)智能BI理解的深度不夠導致了在商業(yè)智能BI項目建設上一些方向性的錯誤，最后導致商業(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。如果是需要構建一個企業(yè)級的商業(yè)智能BI項目，就不能只關注前端可視化分析能力這個層面，更應該關注到底層數(shù)據(jù)架構的構建，也就是數(shù)據(jù)倉庫這個層面。

十一、數(shù)據(jù)倉庫的建模方法論 Kimball vs Inmon 以及混合架構

數(shù)據(jù)倉庫建模時商業(yè)智能BI項目建設中的重中之重，Inmon 的三范式 3NF 建模和 Kimball 的維度建模都是 商業(yè)智能BI 數(shù)據(jù)倉庫建模的方法論，這兩種商業(yè)智能BI建模的方式有什么區(qū)別和聯(lián)系。

十二、實際開展一個 BI 項目的時候對于需求的落地的方法論

商業(yè)智能BI是一個完全需求驅動的，既然是需求就需要做訪談和調研。在商業(yè)智能BI需求進行訪談和調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。

十三、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)務基礎信息化程度就是企業(yè)自身的IT業(yè)務系統(tǒng)基礎建設，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；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。

十四、如何高效的給高層領導做 BI 數(shù)據(jù)分析匯報總結

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)驅動因素跟?商業(yè)智能BI?如何結合的；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)指標庫構成原理等等都可以有所選擇的進行融入和說明。

十五、商業(yè)智能BI與企業(yè)經(jīng)營管理的結合度

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。

十六、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，重點關注的是什么？這些內容就是他們日常在企業(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報表內容越聚焦，看的是業(yè)務結果。一線業(yè)務部門的人員可能關注的更零散，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。

十七、關于商業(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調度設計成可按單獨指標并自動尋找依賴的調度就大大的增加了對個別指標調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 項目建設目標。