商業智能（Business Intelligence，簡稱BI）正如雨後春筍般蓬勃崛起。商業智能起始於決策支持系統，早期伴隨著計算機的普及，有了長足的發展。後來，IBM公司提出「數據倉庫」概念，同時，硬體的擴充、軟體的更新、資料庫在企業的廣泛應用等使商業智能真正地破繭而出。

近些年，在數據倉庫的基礎上，在線聯機分析（OLAP）、數據挖掘技術開始大行其道，目前，智能商業能幫助企業做的事情已經越來越多，而且正在從傳統功能向增強型功能轉變、從單獨的商業智能向嵌入式商業智能發展。停滯多年的BI又一次吸引了大量公司的戰略視角。今天數獵哥就來說說商業智能（BI）。

一、什麼商業智能BI

1.商業智能BI的定義

BI是Business Intelligence的英文縮寫，中文解釋為商務智能，用來幫助企業更好地利用數據提高決策質量的技術集合，是從大量的數據中鑽取信息與知識的過程。簡單講就是業務、數據、數據價值應用的過程（百度百科）。

換句話來說，BI是一套完整的解決方案，可以將來自企業的不同業務系統（如ERP、CRM、OA、BPM等，包括自己開發的業務系統軟體）的數據，提取出有用的數據進行整合清洗，在保證數據正確性的同時，進行數據分析和處理，並利用合適的查詢和分析工具快速、準確地為企業提供報表展現與分析，為企業提供決策支持。

簡單概括這個過程所體現的三個大的部分就是：數據源收集，數據倉庫的數據準備，可視化報表展現和數據分析（如圖所示）。

2.商業智能BI的本質

對企業來說，商業智能BI不能直接產生決策，而是利用BI處理後的數據來支持決策。核心是通過構建數據倉庫平台，有效整合數據、組織數據，為分析決策提供支持並實現其價值。

BI最終展現給用戶的信息就是可視化報表或視圖。需要注意的是，報表是一個結果，只能達到查詢的效果，查詢僅僅只能告訴我們結果是什麼、有沒有問題。而基於可視化圖表背後的數據分析才能告訴我們問題的原因是什麼，只要問題發現了，原因也找到了，那麼企業業務人員或者管理人員如何去決策就會變得簡單與輕鬆。

3.商業智能BI的開發周期

商業智能BI是一個完整的解決方案，需要進行專業項目實施與部署。既然是項目，就有開發生命周期。一個完整的商業智能BI項目需要經歷以下幾個階段：

這裡需要注意的是，在實際項目實施過程中，以上的每一個階段都存在很大的變數，例如業務架構自底往上的調整、分析需求的變化、業務數據計算邏輯的變更等。所以商業智能BI項目如果需要順利實施就需要權衡好客戶實際資源能力、項目支持力度，客戶對商業智能BI的期待，項目後期的風險，客戶的實際投入和長遠規劃...

二、商業智能BI與大數據有什麼區別

大數據研究機構Gartner給出了這樣的定義：「大數據是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產」。

商業智能BI和大數據是兩個不同的概念，簡單來說，BI相對於大數據更傾向於分析模式，用於決策，適合支持經營指標支撐類的問題；大數據則內涵更廣，傾向於刻畫個體，更多的在於個性化的決策。

三、企業為什麼需要商業智能BI

其實，企業內部有大量的機會可以通過優化業務流程和集中決策來節省資金。在業務遭遇大挫折時，商業智能BI能帶來一線曙光，產出顯著的投資回報率ROI。例如，阿爾伯克基市的就業者使用商業智能BI軟體來識別機會以減少使用手機通話，加班及其他營運開支，三年期間為這個城市節省了200萬美元。

同樣地，在商業智能BI工具的幫助下，豐田汽車公司意識到對它的運貨商雙倍地付費，於2000年總數達812,000美元。利用商業智能BI來揭示業務流程中存在的缺陷的企業，與僅用商業智能BI來監控會發生什麼事情的企業相比，在成功的競爭中處於更有利的地位。商業智能BI在企業中的應用主要表現在如下3個方面：

1.可視化報表的展現

在BI中，使用柱狀圖、餅狀圖、折線圖、二維表格等圖形可視化的方式將企業日常的業務數據（財務、供應鏈、人力、運營、市場、銷售、產品等）全面展現出來，再通過各種數據分析維度篩選、關聯、跳轉、鑽取等方式查看各類業務指標。

這些分析展現內容基本上是圍繞各個業務部門日常工作展開的，這裡面有很多的業務分析內容可能需要複雜的計算規則，需要從不同的業務系統獲取數據，並且這些數據在業務系統軟體中都是很難直觀看到的。

這個層次的可視化報表分析就是一種呈現，讓用戶對日常的業務有一個清晰、直接、準確的認知，同時解放了業務人員手工利用Excel的各種函數做匯總分析、製圖的工作，提高了工作效率。比如，財務部門會關心今年的營業收入、目標完成率、營業毛利潤率、凈資產收益率等；銷售部門會關心銷售金額、訂單數量、銷售毛利、回款率等；採購部門會關心採購入庫金額、退貨情況、應付賬款等等。

2.數據的「異常」分析

數據的異常分析利用的是對比分析法。業務人員通過可視化報表呈現，如果發現了一些數據指標反映出來的情況超出了日常經驗判斷。這時就需要要對這些 "異常" 數據進行有目的的分析，通過相關聯的維度、指標使用鑽取、關聯等分析方式探索出可能存在的原因。

例如，一個網站或產品，正常情況下每個月的平均用戶註冊量是10萬左右。但是發現在今年的 8 月份，會員註冊量達到了 23 萬，這就是一種 "異常"，遠遠超過經驗判斷和預期。這時我們就要去分析判斷是因為市場部門的推廣，還是做了大型促銷活動導致的。

當然除了正向的異常，也有可能出現負向「異常」，比如註冊量只有5萬，這時也是需要我們通過分析找到原因，並在以後避免發生類似的情況。

最終業務人員通過一次或者多次的維度和指標圖表構建，逐步形成了一種比較可靠的、固化的分析模型。這個階段的業務人員不再是被動接受來自圖表中反映的信息，而是通過"異常"數據來定位到背後的一個業務問題，數據和業務在這個層次開始有了直接對應關係，這時可以利用數據圖表之間的邏輯性關係尋找解決方法，提高企業的經營效率。

3.業務建模分析

業務建模分析通常是由精通業務的業務人員提出，通過合理的建模找出業務中可能存在的問題，將其反映在可視化報表上，並最後要回歸到業務，形成決策並不斷優化的一個過程。業務建模簡單來說也可以理解為一種業務分析的邏輯思維模型，只是用數據、圖表化的方式將它們有效組織起來去驗證我們對業務分析的邏輯判斷。它可由一個或多個圖表組成，也可通過一組或多組數據圖表支撐，依據企業的業務模型來確定。

業務建模分析區別於前兩點，它是一種更深層次的業務數據的主動設計和探索分析。需要更加深入業務，圍繞一個一個業務分析場景展開，對業務的認知要足夠深。這裡需要注意的是具體的分析場景很難由專業的BI開發人員來提出。業務分析建模需要由專業的業務人員且具備數據分析思維意識的人員來推進和主導，再輔助合適的數據分析、挖掘或統計工具，這樣商業智能BI的價值才能在企業得到充分的發揮，數據的價值也才會得到充分的體現。

四、商業智能BI的工作原理

那麼BI到底是如何工作的？商業智能BI是一個複雜的技術集合，它包含ETL、DW、OLAP、DM等多個環節（這裡的幾個名詞後文會有詳細解釋）。如圖所示，簡單的說，就是把交易系統已經發生過的數據，通過ETL工具抽取到主題明確的數據倉庫中，OLAP處理後生成Cube或報表，透過Portal展現給用戶，用戶利用這些經過分類（Classification）、聚集（Clustering）、描述和可視化（Description and Visualization）的數據，支持業務決策。

1.ODS（Operational Data Store）

ODS是數據倉庫體系結構中的一個可選部分，ODS具備數據倉庫的部分特徵和OLTP系統的部分特徵，它是「面向主題的、集成的、當前或接近當前的、不斷變化的」數據。一般在帶有ODS的系統體系結構中，ODS都設計都有如下特點：

（1）在業務系統和數據倉庫之間的數據過渡層：如果業務數據來源比較複雜，一般採用構造ODS的方法來實現收集當前需要處理的數據。如下述數據來源：①業務資料庫種類繁多。業務交易系統使用了不同種的資料庫，如DB2、Informix、Oracle、SQL server、文本等；②不同的應用系統、不同的地理位置；③訂閱數據源；④批量還原非傳統資料庫數據……等等。用於存放從業務系統直接抽取出來的數據，這些數據從數據結構、數據之間的邏輯關係上都與業務系統基本保持一致。

（2） 保存當前或接近當前的細節數據，以供查詢或ETL檢錯使用。

（3） 數據存儲周期性。ODS中存儲的數據都是臨時的，每次ETL之前都要清空ODS中存儲的數據。

2.ETL（Extract Transform Load）

操作型業務資料庫（DB）到數據倉庫（DW）的過程稱之為ETL，它實現數據的抽取，轉換及裝載工作。①抽取：將數據從各種原始的業務系統中讀取出來；②轉換：按照預先設計好的規則將抽取得數據進行轉換、清洗，以及處理一些冗餘、歧義的數據，使本來異構的數據格式能統一起來；③裝載：將轉換完的數據按計劃增量或全部的導入到數據倉庫中；

3.DW（Data Warehouse） 數據倉庫

數據倉庫的官方定義是一個面向主題的(Subject Oriented)、集成的(Integrate)、相對穩定的(Non-Volatile)、反映歷史變化(Time Variant)的數據集合，用於支持管理決策。數據倉庫的特點：面向主題；集成；非易失；時間軸。資料庫與數據倉庫的區別：

4.OLAP（On-Line Analytical Processing）

即聯機分析處理，是BI的一種全新的數據封裝方式，直接產物是報表或Cube（如圖所示），是使分析人員、管理人員或執行人員能夠從多角度對信息進行快速、一致、交互地存取,從而獲得對數據的更深入了解的一類軟體技術。

說到OLAP，我們會很自然地想起OLTP（聯機事務處理系統），現在來比較一下OLTP與OLAP的區別，如下所述：

5.數據可視化展示

數據查詢是最簡單的BI應用，輸出可視化報表是BI最直接的產物，根據數據連接，加工過程及用途，應用模式大致可以分為以下四種：

①格式報表：帶格式的數據集合，如：交叉表等；

②在線分析：多維數據集合，如：Cube等；

③數據可視化：信息以儘可能多的形式展現出來，目的是使決策者通過圖形這種直觀的表現方式迅速獲得信息中蘊藏的知識，如柱圖，儀錶盤等；

④數據挖掘：從大量的數據中，抽取出潛在的、有價值的知識（模型或規則）的過程。

五、商業智能BI項目的實施步驟

1.業務分析需求的把控

對於很多準備或者正在規劃商業智能BI項目的企業來說，業務分析需求的梳理是整個項目開始的第一步，往往也是最困難的，主要表現如下：業務部門往往提不出比較具體的分析需求，而IT部門很難深入到業務，也提不出適合業務部門的分析需求。BI項目需求分析涉及到很多部門，有的時候內部資源的溝通、協調都是很困難的...

那如何能夠非常清晰的梳理好一個完整的業務分析需求，並且能夠用業務部門能夠理解的語言進行有效溝通？正確的做法是，提供方案的原型圖，這樣能激發業務人員說出需求的慾望，並讓雙方站在可以相互理解的角度溝通，最終出來的效果也能更好的符合企業的期望。

2.數據資源的整合清洗

企業的數據可能是來自外部系統，也可能來自內部的不同業務系統，比如CRM系統、ERP系統，或者業務人員的Execl表格， 這些統稱為數據源。這些數據通過ETL工具原封不動的抽取到一個叫做ODS或者STAGING的資料庫先存放起來。這裡需要注意數據是存放在一些數據表中，但是並不是所有的數據都需要抽取出來，只有有用的數據才會被抽取。涉及到一些數據需要去重、合併計算、格式轉換，比如 15/10/22 轉換成 2015-10-22等都屬於轉化階段；載入階段是，最後把數據統一載入到數據倉庫 中。

3.數據倉庫的架構設計

數據倉庫的開發，可以理解為一種技術，也可以理解為一種方法論或解決方案。在商業智能BI中，數據倉庫就是最核心的那一層，起到的就是一個承上啟下的作用。往下承接各類數據源中的數據，往上支撐各類可視化分析報表。數據倉庫的構建水平將直接影響到商業智能BI項目的整體質量。

4.可視化分析報表邏輯設計

這裡的可視化分析報表的邏輯設計主要是依據前期的業務人員搭建的數據指標體系而定，主題利用常見的可視化圖表來做業務數據的展現，這裡DataHunter就能幫到你了。Data Analytics是一個輕量級業務數據可視化平台，可一鍵快速接入企業本地和雲端內外部Execl/CSV等數據文件，無需編程僅需簡單的拖拽即可製作酷炫的數據可視化看板，用直觀的數據幫你做更好的決策。

六、小結

商業智能BI的表象是可視化分析報表的呈現，但它的本質還是業務問題、管理問題。商業智能BI數據分析來源於業務，通過數據呈現發現業務問題，比如好的或不好的，經驗之內或之外的 ，然後再次回到業務，重新優化提升業務運營的一個過程，這就是在商業智能 BI 中數據到信息、信息產生決策、決策產生價值的真正內涵。

以上數據經過脫敏處理，使用Data Analytics數據可視化軟體製作。

關於 DataHunter

DataHunter 是一家專業的數據分析和商業智能服務提供商，註冊於2014年。團隊核心成員來自 IBM、Oracle、SAP 等知名公司，深耕大數據分析領域，具有十餘年豐富的企業服務經驗。

DataHunter 旗下核心產品智能數據分析平台 Data Analytics、數據大屏設計配置工具 Data MAX 已在業內形成自己的獨特優勢，並在各行業積累了眾多標杆客戶和成功案例。

成立以來，DataHunter就致力於為客戶提供實時、高效、智能的數據分析展示解決方案，幫助企業查看分析數據並改進業務，成為最值得信賴的數據業務公司。

歡迎關注公眾號：DataHunter

－數據分析展示就用 DataHunter－

數據分析網站-數據可視化分析工具-敏捷BI-數據運營平台-DataHunter?

www.datahunter.cn圖標
推薦閱讀：
相关文章