商业分析与商业智能是两个不同的概念，但很少有人能理解他们的差别。有趣的是，即使是在商界工作了多年的人，当被问到“你觉得商业分析与商业智能有什么区别”的时候，他们也会纠结，给出许多不同的答案。

有些人认为商业分析是一个涵盖性术语，而商业智能和数据仓库、企业绩效管理、风险、合规、分析应用程序一样，是商业分析下面的分支。而有些人认为商业分析这个专业术语是与预测与统计分析相关的专业领域知识。

那么应该如何区分这两者？

商业智能被认为是从特定数量的信息中得到尽可能多的信息。由于当今世界日益复杂的经济，这种需求很难被实现，但总的来说这种状况在过去十几年都没有发生过变化。

商业分析是为了要达成某种商业需求而做的事情。

这样看来，这个问题的答案就非常简单了，智能指的是你拥有的东西，而分析是指你需要做的事情。

这个概念也适用于商业领域，能帮助你更好地区分这两个术语。人们经常会混淆这两个术语，因为商业智能现在能够涵盖这两个术语的含义。

一旦你确定了这两个概念在你自己的商业活动中扮演的角色，你就能很好地理解它们的区别。商业智能与一切有关获取大数据的事物相关，它包含了一切你用来筛选与分析数据的软件与设备。

从另一个角度来说，商业分析就是你对已有数据的处理。你在你通过商业智能获得了一定数量的数据，你就能用它优化业务性能。同时商业分析还能帮助商家来确保客户的满意程度。

商业智能与商业分析的功能

商业智能被用于回顾，并且对已经存在的数据提供观点。然而，商业分析的功能是预测未来的需求和趋势。

如果我们想成功获得业务，就需要密切关注这两个方面。举个例子，你必须借助商业智能来观察你的公司哪些方面做得好，哪些方面还需要改进。接着你可以用这些信息结合商业分析，来预测未来你想做的改变会对公司造成哪些影响？如果你熟知以上这些方法，那么商业分析和商业智能会帮助你用最正确的方式做出最对的改变。

很多商界人士不认为这种差异是非常相关的，甚至不会超过一家公司的范围。事实上，一旦你建立了一种能够优化你业务的方式，这两者之间的差异就不那么重要了。但是仍然有许多分析师认为，如果你希望你的企业成功，这种差异是很重要的。因此，我们最好是将这两个术语分到两个不同的目录下，理解它们的含义，并把它们解释给需要知道他们的人听。通过做这些事，你自己的判断也也能更精准。

人们需要知道你在谈论什么。如果你正在考虑大数据，预测市场的未来走向，做出你自己的业务决定，那么请你学习商业智能和商业分析的区别，并且把它解释给别人听。建立对这两种术语的理解，可以避免混淆。

格隆汇 APP 原创首发，十档行情 Level-2 免费送！

中国最大独立在线营销技术平台爱点击iClick（NASDAQ: ICLK）近日推出平台升级版，在原有全渠道在线营销平台的基础上，进一步激活数据能力，将切入点从营销领域升级至商业决策层面，全面打造“以数据为本”的商业智能模块，辅助企业构建“智慧大脑”，获取深度的市场洞察，制定高效、准确、精细化的商业决策与长线战略。某全球知名百货巨头作为深谙数据之道的零售标杆企业，成为本次平台升级的首家使用伙伴，通过双方的深度合作，爱点击在助力该集团激活数据能力、提高运营效率、引领百货数据生态层面均贡献了独特价值。

本次平台升级，基于强大的数据实力、领先的AI算法技术以及以互联网巨头腾讯为代表的多家合作伙伴的深度合作，让爱点击突破了营销界限，将大数据转化为生产力，不仅为自身带来新的业务增长点，更通过三个层面为企业客户带来深度的消费者洞察，在重大商业判断、产品生产设计、线上-线下场景体验布局等决策层面发挥出至关重要的战略价值：

唤醒企业自有数据，拓展用户人群价值：企业拥有种类繁多的数据，整合、激活并拓展数据是构建商业智能的基础。爱点击通过导入企业自有数据如CRM，根据不同维度，智能生成各类人群数据包，并基于与腾讯等第三方合作伙伴的平台对接，通过Lookalike算法进行相似受众拓展，最大化扩充潜在用户人群，为商业智能建设奠定坚实的TA基础。值得一提的是，爱点击作为腾讯社交广告顶级合作伙伴，早在2017年就已率先完成腾讯Marketing API对接，并已成功为众多客户在拓展目标人群上形成技术壁垒。

激活应用场景，提高运营效率：爱点击始于营销，却不止于营销。最大范围的人群精准画像不仅能够帮助企业制定营销策略，更可以基于消费者及商业洞察，将其使用在不同的应用场景之下，指导企业的商业运营，提高效率。通过LBS洞察辅助门店选址，或通过小程序轻松链接线上线下不同平台消费者都是典型的应用。

打造专属DMP生态，盘活全链条数据价值：在拓展用户人群价值、激活企业运营效率后，爱点击更可进一步为企业建造专属DMP生态，通过数据采集、数据整合、数据分析、数据应用盘活整个链条，形成数据闭环，帮助企业构建自己的“智慧大脑”，在惠及企业自身发展的同时，也为其所在的生态内其他合作方带来更多共赢机遇。

携手百货巨头，直击“新零售”痛点

传统百货企业向新零售转型，痛点频出。线下线上多渠道数据如何打通和唤醒？百货业升级新零售的数据应用场景到底有哪些？在百货业态中，商场与店内品牌专柜如何共享数据价值？爱点击升级版平台给出了“智慧”解答。

（一）洞察用户：首次使用升级平台的该百货集团在全国超过30个城市拥有门店，爱点击平台通过导入其CRM、移动购物App、微信公众号、微信小程序等企业第一方数据，打通会员体系，根据不同维度智能生成各类会员人群数据包和人群画像，并在爱点击自有大数据和腾讯等第三方合作伙伴数据中扩充相似人群。

（二）指导运营：百货业的数据应用场景独具特点，例如，基于门店数据包，爱点击可通过LBS定位，抓取门店辐射五公里人群，服务于随后商业场景的人群分析和经营管理。这些场景包括精准的信息推送、个性化客服、消费者互动、活动策划和基于数据的效果预测及评估等。

（三）赋能生态：爱点击平台升级能力还可帮助该百货集团打造自有DMP 生态系统，不仅协助其自身提高运营效率、提升商业决策力，还可进一步赋能整个DMP生态系统，为其自有体系内品牌店、专柜等合作伙伴的会员唤醒、精准导流等提供数据共享价值。

作为首家体验爱点击平台升级版的合作伙伴，该百货集团负责人表示：“在新零售转型大潮中，我们很高兴能携手爱点击，基于大数据解决方案打造零售商业智能，迎接新零售变革。爱点击作为全球化经营的上市公司，是唯一既拥有海量数据和领先大数据技术，又具备资深全渠道营销经验的一站式第三方平台，我们期待本次合作可以大大提升我们的核心数据能力，实现真正意义上的以人为本、以大数据为中心的商业布局和运营。相信在此次基础上，我们未来将和爱点击进行更多数据应用层面的合作，不断尝试新零售趋势下以数据驱动商业成功的创新模式。”

爱点击首席运营官、首席技术官兼共同创始人唐健博士也强调：“我们非常兴奋能够升级原有营销技术平台，将其拓展至商业智能领域，为爱点击打造新的增长引擎。本次平台升级不仅成为企业制定市场营销策略的重要基础，更为客户提供紧密融合的一站式解决方案，满足不同行业在销售、市场及整个商业运营上的数据能力与商业智能需求。目前，除百货零售外，我们也已陆续为在线教育、汽车等垂直领域客户甚至政府职能部门提供大数据解决方案，并继续深入整合腾讯、百度、UCloud等顶尖合作伙伴的数据资源，集成多方力量赋能企业‘智慧大脑’，为政府打造‘智慧城市’。”

（文中提及的“中国最大的独立在线营销技术平台”：据Frost& Sullivan报告显示的2017年毛收入计。）

选自Forbes作者：Louis Columbus机器之心编译参与：吴攀、蒋思源

选自Forb

近日，咨询服务公司 Dresner Advisory Services 发布了他们的第六份关于云商业智能（Cloud Business Intelligence）的年度报告《2017 年云计算和商业智能市场调研（2017 Cloud Computing and Business Intelligence Market Study）》。该报告有 101 页，需要相应的客户权限才能查阅。

报告地址：http://dresneradvisory/products/2016-cloud-computing-business-intelligence-market-study-report

该报告提供了有关云商业智能的部署趋势和态度的见解，其中，云商业智能被定义为使用了一个或多个云部署的模型的技术、工具或解决方案。下面是福布斯总结的该报告中几个值得关注的要点：

部署云商业智能（Cloud BI）应用的公司中有 73% 首选的云平台是亚马逊网络服务（AWS）40% 的公司有计划增加在私有云上的投入，34% 的公司在增加在公共云平台上的预算目前有 33% 的企业依赖基于公共云的 BI 应用，而 2012 年时这一比例是 13%31% 的受访者目前正在使用云商业智能，相比 2016 年增加了 6%Google Analytics 和 Salesforce 是最受欢迎的用于云商业智能的第三方连接

「我们从 2012 年这一市场发展初期的时候就开始分析其动态了，自那以后，我们看到公共云商业智能应用的部署实现了持续稳步增长。」Dresner Advisory Services 创始人兼首席研究官 Howard Dresner 说，「相对于传统的内部部署，组织机构正在享受订阅的实质好处。尽管难题仍然存在，我们也还能做出提升，但我们相信云商业智能（尤其是来自公共云的）还将继续变得越来越主流。」

以下是该报告中关键见解的简要解读：

执行管理、营销和销售以及商业智能竞争力中心（BICC）最看重云商业智能（Cloud BI）应用及其提供的见解。接近 50% 的执行管理团队认为云商业智能对他们的信息需求来说是很关键和很重要的。大约 45% 的 BICC 认为云商业智能是关键和非常重要的。研发（R&D）最不看重云分析的价值，信息技术（IT）次之。

金融服务、教育（更高的教育）和商业服务是目前对云商业智能最重视的三个行业。对云商业智能有相对较高的兴趣的其它行业包括零售&批发和电信。制造业面临的许多难题正在为先进的预测分析提供机会。

目前有 33% 的企业依赖于基于公共云的商业智能应用，2012 年时这一数据是 13%。该调查发现，仍有企业不愿意在企业层面上使用基于公共云的平台。但营销和销售、执行管理和商业智能竞争力中心（BICC）对结果的紧迫需求正在加速企业跨过障碍，使用基于公共云的平台。

73% 的企业提出亚马逊网络服务（AWS）是他们的首选云商业智能提供商。27% 的企业的首选是谷歌云或微软 Azure，有大约 15% 的受访者表示 IBM SoftLayer (BlueMix) 是他们的次要选择。

如今谷歌分析和 Salesforce 主宰了组织机构第三方连接器（connector）的市场。通常市场营销和销售部门会首选谷歌分析，其次才是 Facebook、领英和 Twitter。今年财务方面最需要集成 Salesforce，因为更多的公司正依赖于先进的定价策略对现有客户进行增销和交叉销售，从而他们希望能提升客户价值周期。

北美地区是采用公共云平台作为云商业智能的全球领军者，今年将有 60％的组织使用或计划使用公共云。亚太地区是第二大采用公共云平台作为云商业智能的地区。今年亚太地区也将率先引领世界采用私有云支持云商业智能的初始。

目前有 44% 的小企业（超过 100 人）最有可能使用云商业智能。32% 的巨头公司（超过 5 千雇员）是执行云商业智能的第二大可能。而 24% 的大公司（1-5 千雇员）可能采用云商业智能应用。下图按组织机构大小显示了计划使用云商业智能的比较。

在商务服务中最需要云商业智能智能的地方就是高级可视化、即席查询（ad hoc queries）、数据集成/数据质量工具/ETL。金融服务最感兴趣的是仪表盘（dashboard）、终端用户自助服务选择和写入交易应用的能力。下图按行业给出了优先考虑的功能要求。

大数据、创建交易性应用和复杂事件事件处理（CEP）能力是在 2016 和 2017 年云智能商业最重要的三个转变。数据发现、记忆支持（in-memory support）和预包装垂直/功能性应用在过去的一年中已经没有的优先权。接下来的图表十分有洞见，它显示了 2016 年到 2017 年期间云商业智能优先级的变化。

报告、仪表盘、终端用户「自助服务（self-service）」、高级可视化和数据仓储是目前商业智能战略的前五大技术。受访者认为，云计算比大数据、社交媒体分析和物联网（IoT）更重要。下图给出了该研究所包含的 33 类技术的排名。

原文链接：https://forbes/sites/louiscolumbus/2017/04/09/2017-state-of-cloud-business-intelligence/#36187ec345c2

　　前不久在乌镇举办的互联网峰会，聚集了当下各大行业大佬，而这次会议讨论最多的大主题莫过于是AI。大佬们纷纷表示未来是智能的世界，去年AlphaGo就预示着AI的到来。各行各业包括象征着智能技术的商业智能行业也将与AI融合，变得更加智能。未来的大数据商业智能分析工具或将加入AI技术，打造更加智能的大数据分析BI工具。

　　随着中国经济增速趋于温和，企业跑马圈地、粗犷经营的红利期已经过去，精细化运营的需求正在爆发。“过去，占领一个市场比做一个系统搞精细化运营带来的收益更大。”张云说道，“现在企业已初具规模，想进一步提升收益，就必须要做精细化运营。”

　　而数据则是精细化运营的关键所在。阿里巴巴集团董事局主席马云在12月3日第四届世界互联网大会的演讲中表示，在未来的30年中，数据将会成为生产资料，计算会是生产力，互联网会是一种生产关系。“如果我们不数据化，不和互联网相连，那么会比过去30年不通电显得更可怕。”马云说道。

　　现代BI已经与早前基于SQL语言技术的传统BI有着显著的区别。“在旧技术下，每提出一个新问题，都需要先联系技术专家做一个新的数据模型，然后作出询问、得到答案。这个过程耗时耗力、成本颇高，操作上并不高效。但随着AI技术的持续进步，其自动化数据准备能力将有助于BI的高性能分析，此外，AI在自然语言处理、图形识别等信息处理和统计方面也均能发挥关键的作用。

　　有别于过去旨在实现海量数据管理、简单分析与可视化的传统BI，新的大数据商业智能分析工具将利用人工智能技术推动商业决策，实现商业经营的智能化、自动化。可以预见，三两年后，自然语言和人工智能技术将是很常见的BI技术基础。当然，AI技术只是无限地优化BI技术，不能逾越BI技术本身，研发人员最终要做的还是专研BI技术的提升。

自从上次被小麦从研发中心“偷”出的几张Excel可视化效果图刷爆各路大神朋友圈后，小麦就一直有事没事儿在研发中心门口转悠~~据内透，SmartbiV7版本正在做最后的测试，即将对外正式发布，那在这之前，有没有可能再“窃取”点机密出来？

终于，皇天不负小麦心，刚才小麦一打开产品登录界面，就妈呀差点叫出来，是wuli达康书记啊，这对于被《人民的名义》圈粉的小麦来说，简直是大大的惊喜！！！在这之前的版本，登录界面一直是统一的简约画风，如今摇“屏”一变，登录界面和主色调都可以自由配置，满足了你我的随心所欲！

并且不光是登录界面图片可以换，产品logo（登录界面的、关于界面的、首页的logo）统统都可以直接换哦！

背景主色调也可以随心调整哦，有图有真相：

这么方便自由的功能，估计大家也想玩玩，可是操作起来会不会很难呢？小麦表示你想多了！和电脑换背景图片类似，非常简单易用！换图片，配颜色统统是界面化操作，动动鼠标选择你爱的图片或颜色，保存清缓存刷新后即可得到你要的效果！

并且这一切的界面变更是在不重启服务器的前提下完成的哦！重要的事情说三遍：

不用重启服务器！

想当年，小麦换个登录界面首先要下载changelogo.ext包，再解压替换登录图片，接着关掉服务器，然后把包放到对应目录下，然后重启服务器，最后清除缓存查看效果。像我这样的技术小白，往往弄半天，登录后发现还是原来的图片，说起来都是泪啊！

现在，这些统统都不是问题了，只要在登录界面选择喜欢的图片，保存后清完浏览器缓存一刷新，立马就看到效果了。自由！易用！高效！

谨以此图祝贺大国重器——国产航母下水

作为民族BI品牌，Smartbi专注于商业智能、大数据分析软件产品与服务。经过多年的持续发展，凝聚了商业智能最佳实践经验，整合了行业的大数据分析和决策支持的功能需求，思迈特软件致力于打造民族BI软件第一品牌，引领商业智能新四化。

如果你听到别人说：

“大数据就是传统BI的简单升级，其实就是一个包装卖点”

那不出意外，这个人一定是个传统BI商业智能的从业者。

但如果你听到别人说：

传统BI已经过时了，BI产品无法适应大数据时代

那么，恭喜你又遇到了一个大数据 从业者。

那么，这两者到底有什么区别，也是好多客户面临的问题，希望本篇文章能给大家一个更佳清晰的认知。

　　1、大数据和BI两者的区别

BI=商业智能，他跟企业或者机构的业务息息相关，没业务就谈不上BI，因为BI产品是企业数据化管理方案中的一个必要的因素，他要帮助企业整合数据，并提供管理者生产报表的功能呈现数据分析维度帮助管理者作出明智的业务经营决策，数据运营，数据营销都是这类问题。

　　大数据，第一点区别是对企业拥有庞大的数据进行抽取，管理，处理，这些数据可以是非结构化的，或者看起来无用的数据，也可以是结构化的数据集合，这些数据是需要重新处理才能挖掘出价值。而这些数据是海量，高增长和多样化的信息资产。大数据更侧重解决某一类问题的方法，比如全网的用户画像，用户言论，以及对海量的非结构化物联数据的分析。

　 不管定义有什么不同，或者还有多少种解释，大数据与传统BI是互联网以及数字化建设发展到不同阶段的产物。大数据对于传统BI，有继承也有发展，BI与大数据区别在于前者更倾向于业务决策，对事实描述更多是基于历史数据的共性，帮助决策者掌握宏观统计趋势，适合经营运营数据支撑类需求，而大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策分析。

所以站在客户的角度来讲，两者可能都是他们需要的，而这两者也确实可以在一定程度上共用，因为两者几乎都是从数据->信息->知识->智慧。　

　　2、两者技术上有什么相关性？

　　传统BI的技术标签：

大数据的技术标签：

等等。可以说大数据和BI既有区别，又有相关。

　　传统BI就目前来讲，其功能都可以被对应的大数据组件所替代，但大多数企业缺乏大数据业务的驱动，也缺乏相关的高技术人才，BI更好理解，大数据更加专业。

　　如果我们将BI架设在大数据的应用层，利用etl抽取数据在结合大数据的架构，利用大数据算法构建业务模型，得出结果后在结合通用类的业务分析。既满足了海量实时数据分析，也满足了决策型的业务分析。这可以说是新型的BI系统，也可以说是贴合业务场景的大数据系统。

　　3、作为企业我们到底选择什么技术？

　　在技术领域，虽然传统BI的一些技术难以解决日后海量数据的处理问题，但是，也不能全盘否定或替代成大数据。一些企业采用SAP HANA，FineBI的直连大数据引擎都是基于这个问题优化的方案。所以说并不是每个企业都需要打造自己的大数据平台，需要考虑到企业的信息化水平和更新成本，建议根据实际需求，可以自行研发 ，比如BAT；也可以选型采购，比如传统大企业；

目前一些大数据产品已经开始重视用户场景，使得整体架构更佳适合大数据管理和分析，再结合上层的场景化分析让大数据容易落地，更好的支撑决策。例如：德塔精要有一款大数据平台叫做智慧中枢，就建立在大数据架构上并深耕业务场景，让大数据产品更好的服务于具体的行业。

　　大数据 VS 商业智能

　　大数据的发展还需要时间，大数据技术并不重要，重要的是用全新的数据技术手段如何来拓展和优化业务？传统的数据支撑，大多是利用数据历史趋势，在感官上预估结果。举了简单的例子，一个人经常犯错误，我们就可以判断本次任务他犯错误的几率较大。这在一定的条件下确实比较直接有效，但问题是历史数据趋势并没有这么明显，如果两个人在历史数据中状态相当，我们又如何判断呢？

基于大数据的算法，我们可以利用更多的维度信息，比如：年龄，职位，奖惩，健康，结婚情况，等等表面上毫无关系的数据，来建立模型，并利用大量的真实的数据让模型自我学习，这样再出现一个任务时，我们就可以在两个貌似没有差别的人中，选出更佳适合的人选，这也是传统BI无法实现的，大数据的魅力所在。

　　即使如此，传统BI仍旧有大量的市场需求。大数据普及还需要时间，但大数据对BI不仅仅是简单的包含的关系，它涉及了思想、工具和人员深层次的变革，所以大数据绝对不是BI包了一个高大上的空壳，但大数据也千万不要高高在上，它需要更加贴和行业场景，解决实际的业务问题，让自己更好的进行落地。

　　说到商务智能与大数据分析，现在很多企业越来越注重数据决策，纷纷选择各种商务智能分析工具或者求助于调查咨询公司。前阵子大火的电视剧里的男主就是扮演一名资深企业咨询师，为观众演绎了咨询公司如何帮助客户从数据筛选到提出决定性建议的过程。相比咨询服务，大多数企业其实还是更建议选用商务智能分析工具这种专门提供商务智能与大数据分析服务的产品，简单，快捷，智能，而且价格低得多。

　　为什么说商务智能与大数据分析首选商务智能分析工具呢？我们可以来看看它们之间的区别。

　　企业咨询，即通过公司信息部门汇总分析的来自下游调查公司的各项市场数据，为企业提供咨询顾问意见。各种饼图表格趋势分析，都由下游调查公司发问卷调查，收集调查数据、汇总归类各项数据、筛选有效数据并分析展示，最后形成决策建议的依据。

　　这个数据采集的过程其实很像传统的商业智能化方案采集数据的方法。就是将企业来自ERP、CRM、SCM等系统中的数据有效整合，协助企业领导层分析和决策。但这样的方法，有很多的弊端。

　　首先是性能低下，数据的汇总转换分析往往几天甚至几周，无法做到随时随地的访问；

　　其次是访问的人有限，往往只提供给管理层访问。对于当前互联网+的时代，企业需要更快更灵活的转变策略，而允许前线人员参与到数据决策当中也非常重要。

　　最后，选择企业咨询服务的费用，要远远高于选择一款商务智能分析工具，而且后续费用也少，同时还有BI厂商派出的实施人员全程跟进，打造适合企业的BI工具。

　　商业智能与大数据分析行业发展到今天已经有几十年的历史了。商务智能分析工具也已经发展得非常完善和先进，不是传统的技术和服务。现在最新的BI工具更快捷更智能，操作也更简单，是企业进行大数据分析管理的明智之选。

这里不再阐述商业智能的概念了，关于BI，就从过往的了解，搜索以及知乎的一些问答，大家困惑的点主要集中于大数据与BI的关系，BI的一些技术问题，以及BI行业和个人职业前景的发展。这里归纳成8个问题点，每个问题都做了精心的解答，希望能给大家带来帮助。

问题1：商业智能BI和大数据是什么关系，如何选择？

BI(BusinessIntelligence)即商业智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

大数据(Big Data)是指在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。

两者是不一样的概念，BI相对于大数据更倾向于决策，适合支持经营指标支撑类的问题，大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。

现今，大型互联网企业采用hadoop一类的大数据架构——数据仓库——自己研发的报表、OLAP分析等，或者前端选用成熟的商业智能报表和BI分析软件，像FineBI之类的大数据BI都能对接大数据平台。传统企业，小型的公司没有那么多的业务分析的需求，大多寻求excel、业务系统的简单报表功能或者专业的报表工具来解决问题；一般中大型企业数据量大时会构建数据仓库，用BI在前端分析展现。当然很多传统企业针对特定业务（比如用户画像、风控分析）采用大数据技术。

整体来讲，选择大数据还是BI依据需求来定，大数据组件大多开源，需要大量的人力开发。BI大多商用，需要一定资金和一定时间的项目实施。

问题2：什么是大数据BI？什么是自助式BI？和传统BI有何区别？

大数据BI

大数据BI有这样几类特性：能对接hadoop一类的大数据平台，做数据分析；能处理大数据量（亿级以上），响应速度快，比较考验的是BI的数据处理计算性能和数据库性能。

传统BI &自助式BI

传统BI重在于数据平台搭建，提供报表服务，以IT为主导；自助式BI重在于数据分析，以业务分析为主导。两者的数据处理流程相通。

传统BI：通常指企业内部大而全的统一报表或分析平台，代表性的老牌BI工具厂商如 IBM的cognos，Oracle的OBIEE，SAP的BO等均包含丰富的功能模块，比较适合于打造一体化的大而全的统一平台。传统BI一般面向IT研发人员，他们多集中在企业的技术部门，传统BI的打造方式基本如下：

自助BI：面向的是不具备IT背景的业务分析人员，与传统BI相比更灵活且易于使用，而且一定程度上摆脱对IT部门的大幅度依赖。不同于以往“IT主导的报表模式”，转而向“业务主导的自助分析模式”发展。自助BI通常的应用场景：

问题3：BI的多维数据模型和OLAP是什么，实用价值在哪？

试想一下分析业务数据时场景，经常会从不同的角度来审视业务的衡量指标。例如分析销售数据，可能会综合时间周期、产品类别、分销渠道、地理分布、客户群类等多种因素来考量。这些分析角度虽然可以通过报表来反映，但每一个分析的角度生成一张报表，各个分析角度的不同组合又生成不同的报表，每尝试分析一次，就得抽一次数，这会使得IT人员的工作量相当大。

而OLAP的作用就是尽可能将所有的维度条件及聚合值都准备好，供使用者在分析时可以按照任意维度来分析。

以BI的实际应用来讲，拿到数据，可能需要下钻到比较粗的粒度观察数据，比如从日期时间维度、从地域品类维度来分析数据，对应到BI的操作上，就是拖拽维度、过滤排序、维度切换，钻取等操作，cube或者数据仓库就要响应这种操作，这就使用到了下钻、切边、切块、转轴等功能。

问题4：商业智能BI在数据分析工作中的作用，是必要的吗？

在数据分析过程中，BI也算是一个工具，能自助取数，用于快速分析，制作分析报表。很多互联网、零售、金融企业会有自己的数据分析团队会专业的分析人员，使用的工具可能从SPSS、SAS、R、Python不等，这些工具能对准备好的数据做数理统计分析，取数的工作大多还是要交给IT人员去做。像目前的自助式BI因为上手很简单，对于多维度的数据可以从各方面来展示，而且能及时生成数据报告，可在平台上管理报表和分析表单。所以是否有必要，因需求而异。

问题5：BI如何选型，需要考虑哪些点？

BI工具可分为传统型BI以及自助型BI。传统型BI，国外以SAP BO、cognos、Oracle BIEE等为主；自助型BI，比如国外的Tableau、Qlikview，国内的FineBI、永洪bi等等。

站在产品的企业的角度，可以从领先能力、产品能力、服务能力以及价格能力去着手衡量。可通过海比研究给出的一套《BI选型指标体系》来判断。

1、领先能力=行业地位+领先性

比如公司在行业中的低位、市场占有率、公司在该领域的专注性以及技术的领先性。商业智能目前的市场格局不算大，可扩展到报表领域去衡量。

2、产品能力=公司产品线+核心产品功能+解决方案

一般来讲，公司的产品线越完整，相关产品的整合能力越强，越好。但是，最重要的还是产品的功能是否实能解决企业最关注的的问题，是否能覆盖更多行业，BI解决的是行业通用性的问题，解决能力越强，产品越优秀。

3、服务能力=服务专业能力+维护能力

BI的实施很考察人员的专业性，过去由于国外IT巨头的称霸，很多产品的项目都承包给第三方实施，造成服务脱节。现在很多涌现的国内软件公司一般都会有专业的实施团队，本地化服务很占优势，所以这一点不妨考虑本土产品。

4、价值能力=成功案例+性价比

选型前可看看同行业的企业伙伴们用的是什么类的BI工具，使用情况如何。包括从功能费用、项目实施费用综合考虑来看的性价比。

问题6：如何实施BI？

实施BI的前提，最重要的是基础数据的统一。比如货品信息，客户信息，公司内部信息。缺少的数据虽然可以临时补，但是随着公司业务的扩展，这种数据化运营的方式需要不断精细，数据管理的规范任务要落实到业务员的考察，如果得到领导的支持会更容易推动。有了这些齐全的数据，BI的实施才有保障。

然后是业务的统一。比如销售模式，采购模式，结算方法，质量管理的统一。比如销售模式不统一，有的分公司先结算后配送，有的公司先配送后结算，业务形式不统一，口径不统一，就会造成数据的时间差。

其次是业务部署。每个公司的业务部署不同，有的是集中部署有的是分销部署，如果BI是放在总部实施，需要将各地分散的数据统一起来，建立数据仓库，保持基础数据的统一，但其中，如何提高速度，如何优化配合方式，这点需要研究。

BI人才储备是否足够，需要业务人员和信息人员的积极配合，这个效果才能够比较良好的推动，而且还能够持续的发展。为了让技术和业务人员更好地贴合，要将技术和业务有效结合，最大效率的把报表和BI系统的功能发挥出来。

对于上BI，还有其他考虑，比如价格预算，比如是否用开源，比如后续开发和维护，这里做个统一的解释。

明确业务需求：强烈的业务需求，明晰的业务目标，能否抓住核心是一个项目成败的关键。

“产品+定制+服务”的建设思路：是否要选择开源的产品？如果你有很强的开发能力，可以考虑。但建议专业的事情还是交给专业的工具来做，传统企业不比互联网企业，互联网企业是以数据来驱动的，与传统企业的模式不一样，再说，后续维护也是成本啊。业务项目建设如果不借助比较成熟的产品工具，从技术代码进行创新式的开发，不经过迭代以及检验很难规避风险，很难形成一个成熟的产品。如果觉得国外BI产品“庞大”，完全可以选择FineBI这一类轻量化的工具。

最后，就是认清技术力量的现状，不妨建议敏捷开发、迭代开发和重构，注重技术和管理的配合。

问题7：做BI人的前景在哪里？

刚入门BI这一领域的人，未来的职业发展可以走技术、走管理、走开发。

1、走技术方向：（按照技术路线进行划分）

ETL，这块是BI永恒的重点之一，需求也是一直持续，只是相对来说，ETL会比较枯燥。在这一块，掌握一两款顺应潮流的大工具，拥有相应年限的工作经历，行业性要求不太高，可以找到一个不错的岗位。DS、INFA、SSIS这些都是蛮有需求的。

数据仓库，主要指的数据仓库设计，架构设计等，一般来说LEVEL会比较高，薪水待遇也还行，属于偏高端人才了，一般都会要有5年、7年或更多年限的经验，对行业性经验要求比较高。

前端应用，SAP BO、COGNOS、BIEE等工具的熟练应用，可以做甲方内部顾问也可以做乙方项目顾问。从前端切入去接触到更多业务和需求，对提高自己的业务水平有好处。

数据挖掘数据分析方面，这块个人认为是最有前景的，数据分析师的需求一直在增加，但和BI的背景不是非常贴合，要学数据统计学知识，R、Python语言等，学的东西很多。

2、走管理路线

管团队管某块业务，做项目总监，而后上升到CIO之类的，偏向管理属性，对人的沟通交流尤其是与高层交流的水平较高，比较IT在企业大多属于业务支撑部门，很多事情很难推动，同时还要思考如何提升IT在企业的地位，这个你只要观察自己的部门领导怎么做的，慢慢摸索了。

3、走开发

第三方软件开发公司了，比如SAP之类的公司（有点难度），或者国内帆软、永洪等其他BI公司的软件开发了，难度是要有一定的程序开发基础，但是对业务的理解也能带来一些帮助。再或者是去一些创业公司带团队做BI产品，现在做前端可视化分析的公司有很多，虽然不完全类同于BI，但有很多共通之处。

问题8：如何系统的学习BI知识？

这里给出一个学习框架

1、学习数据库知识， 掌握基础技能SQL

2、技术选择：数据仓库 / ETL / 前端开发等等

3、 选择技术工具：

数据仓库-Oracle、SAP HANA、Hadoop都是主流；

ETL- informatica 、kettle；

自助式BI工具-Taleau、帆软FineBI、Power BI

4、学习业务知识

5、实操数据分析工作

本文转载来源：Microsoft云科技

小美，女，29岁，名校统计专业研究生，某创新型企业数据分析师，年轻貌美的面庞无法掩盖她对于数据的敏感，在数据分析领域有着独到又深入的理解，是一名经验丰富的“技术大牛”；

然而这并不是征婚启示……

自加入公司以后，小美熟练操作各种BI工具，为公司业务辅助决策做出了重大贡献。随着公司快速发展，数据量爆炸式增长，公司的数据平台也变得愈加复杂。小美最熟悉的Excel、Tableau等工具使用效率大幅降低，经常喝一杯咖啡的时间还刷不出一张报表，而且可分析的场景复杂度也大大受限，很多技术问题必须依赖IT才能解决，这让小美瞬间从“技术大牛”变成了“技术小白”，真是郁闷。

公司IT小哥为此伤透了脑筋，尝试了各种云、大数据、技术架构，都难以满足小美的需求。直到有一天，小哥在Azure镜像市场找到了一套方案，能够在云上轻松搭建一套大数据分析平台，既能满足小美对于自助式分析的需求，又能支持高并发以服务更多像小美一样的小姐姐，云上架构也能降低自己运维、扩容方面的压力，真是皆大欢喜。

这个镜像就是最近在Azure镜像市场上线的Kyligence Analytics Platform（KAP）。KAP是由Kyligence提供的、基于Apache Kylin的下一代企业级数据仓库及商务智能大数据分析平台，在PB级数据集上提供亚秒级标准SQL查询响应，支持互联网级的高并发能力，赋能数据分析师、工程师用最熟悉的数据仓库和BI方法论对大数据平台中的海量数据进行分析

PB级数据究竟有多大？

PB是数据存储容量的单位，它等于2的50次方个字节，或者在数值上大约等于1000个TB。 麦肯锡首席分析师Michael Chui指出，美国国会图书馆“在2011年4月前已经收集了235TB的数据，而一个PB相当于它的4倍。

资料来源：TechTarget中国

通过这个镜像，用户可以轻松获得一个HDInsight集群以及运行在其上的KAP实例，而且所有的环境配置均已调至最优。通过这一镜像安装KAP，可以有效降低大数据使用的门槛，提高大数据分析的效率，帮助企业在云上快速开展业务。

如何使用这一镜像

1

用户登陆Azure镜像市场之后，可以通过搜索“Kyligence”关键字即可快速找到KAP应用。接下来，只需要单击“立即部署”按钮，再按照向导进行配置即可在十几分钟快速创建出一个包含HDInsight和KAP的完整集群。

图 1 Azure镜像市场

2

同时，KAP也是HDInsight的内置应用之一。用户可以在已有的HDInsight集群中直接增加KAP节点。

图 2 HDInsight内置应用

3

当集群部署妥当，用户就可以登录并进行数据建模和查询分析了。譬如，公司财务分析师最熟悉使用Excel分析销售业绩，现在他完全不用担心对大数据技术的陌生，打开Excel透视表，继续他的数据之旅就好了。

图 3 使用Excel进行交互式分析

4

公司负责国际业务的总监需要按时从报表上了解不同业务、地域的销售业绩，以安排关键决策，报表的稳定性至关重要。通过Power BI创建报表并通过Direct Query方式查询KAP，报表性能大幅提升且相当稳定，为关键业务分析提供了完美保障

图 4 使用PowerBI进行数据可视化

还有还有，投资部门进行行业相关性分析、销售部门考核销售排名、产品部门分析用户排名、市场部门分析用户画像和精准营销……一切都变得更加美好！

通过Azure镜像市场部署Kyligence Analytics Platform(KAP)+HDInsight的大数据解决方案，实现大数据上的自助式、交互式分析，从此让数据分析师告别技术瓶颈的困扰，把更多精力投入到释放数据价值的方向上来。这仿佛给大数据装上了自动挡，让每个分析师都成为技术大牛！

故事的最后，公司IT小哥在Azure上搭建了大数据分析平台，帮助小美用最熟悉的BI工具就可以玩转大数据，分析师小姐姐们都围着他说：“技术大牛，带带我！”

关于Kyligence

Kyligence 由首个来自中国的 Apache 软件基金会顶级开源项目 Apache Kylin 核心团队组建，是专注于大数据分析领域创新的数据科技公司。Kyligence 提供基于 Apache Kylin 的企业级大数据智能分析产品 Kyligence Enterprise，以及基于公有云的托管式 Kylin 在线服务 Kyligence Cloud。目前，Kyligence 已赢得了海内外多家金融、保险、证券、电信、制造、零售、广告等企业级客户。

Kyligence 由 Redpoint、思科、CBC 和顺为投资。2017年6月，Kyligence 于微软加速器·上海一期毕业。

作者介绍

李栋，Kyligence技术合伙人兼高级架构师，Apache Kylin核心开发者和项目管理委员会成员（PMC)，专注于大数据技术研发和生态拓展。毕业于上海交通大学计算机系；曾任eBay全球分析基础架构部高级工程师、微软云计算和企业产品部软件开发工程师。

Tips：“小鸟云”是深圳前海小鸟云计算有限公司旗下云计算品牌，国内领先的企业级云计算服务商。团队拥有多年行业经验，专注云计算技术研发，面向广大开发者、政企用户、金融机构等，提供基于智能云服务器的全方位云计算解决方案，为用户提供可信赖的企业级公有云服务。

大数据 ≠BI商业智能，大数据也不是传统商业智能的简单升级。

1、大数据和BI两者的区别

BI(BusinessIntelligence)即商业智能，它是企业数据化管理的一整套的方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策，解决的是管理运营战略的问题。

大数据(Big Data)是指在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。大数据侧重于解决某一类问题的方法，比如全网用户画像，对网络、传感器等非结构化海量数据的分析。

不管定义如何不同，大数据与传统BI是社会发展到不同阶段的产物，大数据对于传统BI，既有继承，也有发展，从"道"的角度讲，BI与大数据区别在于前者更倾向于决策，对事实描述更多是基于群体共性，帮助决策者掌握宏观统计趋势，适合经营运营指标支撑类问题，大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。

当然纯粹从思想的角度讲，两者在概念上是可以实现统一的，都遵循数据-信息-知识-智慧这个脉络，甚至在更高的层次，两者也是可以统一的。

2、两者技术上有什么相关性？

传统BI的技术标签：ETL、数据仓库、OLAP、可视化报表。

大数据的技术标签：Hadoop、MPP、HDFS、MapReduce、流处理等。

传统BI就目前来讲，其功能都可以被对应的大数据组件所替代，但大多数企业缺乏大数据业务的驱动，也缺乏相关的高技术人才。

不过新型BI被赋予了更多“大数据”潜能。正如图右侧架构所示，BI架设在大数据应用层，抽取etl后或者Hive来的数据又可作通用类的业务分析。既满足了海量实时数据分析，也满足了决策型的业务分析。

3、企业应该青睐大数据还是商业智能？

在技术领域，虽然传统BI的一些技术ETL、数据仓库、OLAP、可视化报表似乎都将处于落后边缘，因为它难以解决日后海量数据的处理问题，但是，也不能全盘否定或替代成大数据。一些企业采用SAP HANA，FineBI的直连大数据引擎都是基于这个问题优化的方案。BI的那套也将长期存在，毕竟企业对BI方案还是很青睐，大数据的普及和应用也是个漫长的过程。

大数据 VS 商业智能

大数据不是空口说说，它的第一要务就是解决业务问题，大数据一定程度上就是用全新的数据技术手段来拓展和优化业务，传统企业需要聚集一拨人来研究这个问题，需要有人专门研究和探索。如果对外，想清楚新的商业模式，如果对内，想清楚在哪个场景，可以用大数据的手段提升效率。

当前大数据可以产生价值的地方，从行业的角度看，金融、银行、互联网、医疗、科研都有广阔的前景。从领域的角度看，广告、营销、风控、供应链都是大数据发挥价值的地方，对于特定企业，比如电信运营商，大数据也可以在网络优化等方面提供新方法。

并不是每个企业都需要打造自己的大数据平台，需要考虑到企业的信息化水平和各项成本，量力而行吧，可以自行研发 ，比如BAT;也可以选型采购，比如传统大企业；中小型企业也可以租用，比如用阿里云和AWS。

就事实来讲，BI的应用是远远大于大数据应用的，有其通用的道理。大数据相对于传统BI，也不仅仅是简单的PLUS的关系，它涉及了思想、工具和人员深层次的变革，BI人员既不要一提大数据，就嗤之以鼻，认为它是新包装的马甲，其实就那么回事;也不需妄自菲薄，以为搞大数据就那么高大上，它的确是BI大多数思想的传承。