bi怎么学（今天不聊高大上）

在2020年COVID-19疫情作为催化剂影响下，各个公司开始加快数字化,信息化的转型速度。同时随着一线的市场红利愈发难挖掘，大厂们开始加速下沉，互联网C端业务随着用户需求激增而飞速发展，同时带动了之前并不是太受重视的To B业务。

在这一系列的变化下，数据的量级、多样性以及分布的平台都发生了不小的变化。而在各家的管理者口中，与数据相关的概念、平台、工具、能力也开始越来越多地被提及。而BI作为TO B 领域的宠儿，也吃到了风口上的第一口蛋糕。

我通过目前比较常被提及的与BI相关的概念做一个梳理，帮助大家了解当我们在谈论BI时，我们到底在谈论什么。

目前，BI（即Business Intelligence又名商业智能）的发展以时间段划分经历了四大阶段：

早期在1958年，IBM 研究员Hans Peter Luhn将BI定义为：“对事物相互关系的一种理解能力，并依靠这种能力去指导决策，以达到预期的目标。”这期间出现的领导信息系统（EIS）和决策支持系统（DSS）等技术应用正是BI的前身。

在1989年，Howard Dresner将BI描述为：“使用基于事实的决策支持系统，来改善业务决策的一套理论与方法。”

1996 年，咨询机构 Gartner 集团提出 BI 的定义：“一类由数据仓库（或数据集市）、查询报表、 数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。“BI 为企业提供迅速分析数据的技术和方法，包括收集、 管理和分析数据，将数据转化为有价值的信息，并分发到企业各处。让企业的决策有数可依，减少决策的盲目性， 理性地驱动企业管理和运营。

而随着时代的发展，信息化技术更好的帮助BI实现他的本质工作：即利用现代技术辅助企业决策。至此，在2013 年，Gartner 集团对 BI 的概念进行了更新与扩展，在“Business Intelligence”一词中加入“Analytics”(分析/逻辑分析学）， 合并成“Analytics and Business Intelligence”（ABI，分析与商业智能），并且纳入应用、基础设施、工具、 实践等多项内容。并重新定义为"BI 是一个概括性术语。它包含了应用、基础结构、工具，以及提供信息访问和分析以改进、优化决策表现的最佳实践。"

如果说，早期的BI还只是个高大上的概念，实用性不强的话，那么新时代的BI则融合了计算机、统计学等相关知识，变得更加的科学。未来随着技术的发展，AI 或许可以帮助BI更加的“智能”。

现阶段，BI是一套由数据仓库、查询报表、数据分析等组成的数据类技术解决方案。它的主要目的是将企业中不同业务系统例如 ERP、CRM、OA 等数据打通并进行有效的整合（打通业务系统），再利用合适的查询工具和分析工具快速准确的提供报表等可视化分析（查询与报表可视化分析），为企业提供决策支持。

早些年，企业的信息化往往完成了第一步，即业务信息化。它所面对的主要是解决的是企业内部业务、信息流程的管理，以传统的财务软件、ERP软件、OA软件、CRM 软件等为代表。基础的业务信息化系统建设提高了企业的生产运营效率、降低了企业的业务管理成本、体现了企业业务管理思路。最重要的是：因为业务信息化系统的存在，沉淀了重要的业务数据，为商业智能BI的建设打下了数据基础。

但随着市场由蓝海转为红海，良好数据基础的企业被收割殆尽，BI的发展进入了深水区，同时市场也对BI及数据基础等提出更高的要求。此时便进入了企业信息化的第二步，即数据信息化。

而数据信息化，指的就是商业智能BI、数据分析、数据挖掘等数据类的产品与服务信息化建设。通过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到企业级的数据仓库里，从而得到企业数据的一个全局视图。在此基础上利用合适的查询和分析工具、数据挖掘工具（大数据魔镜）、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后呈现给管理者，为管理者的决策过程提供支持。

所以商业智能BI的目的在于打通各类业务信息化系统的数据，站在一个整体和全局的角度洞察企业的经营管理，让企业更加全面的认知和了解企业的现状。没有业务系统的数据基础，就没有商业智能BI，这就是业务信息化系统和数据信息化系统的上下游关系。

目前，BI的核心是通过构建数据仓库平台，有效整合数据、组织数据，为分析决策提供支持并实现其价值。那么数据仓库是什么呢？

望文生义，数据仓库就好像一般的货物仓库，按照货品、位置分门别类的放好了。对于顾客来说，能够很快速找到自己要的产品，也便于工作人员进行管理。

数据仓库其面向分析的集成化数据环境，为企业提供决策支持。它出于分析性报告和决策支持目的而创建。其本身并不“生产”任何数据，且数据来源于外部，并且开放使用。

它具有四个基本特征:主题性、集成性、非易失性和时变性。按照数据流入和流出，数据架构可分为ODS（数据源表层），DWD（数据明细层），DWS（数据汇总层），DWA（数据应用层）。常见的建模方式为： 范式建模法、维度建模法、实体建模法。以现在企业所常用的维度建模为例又分为：星型，雪花型和星座型。

数据仓库往往是面向数据分析的，里面的数据已经经过了一定的清洗和处理，相对结构会简单一些。但由于经过了逻辑对应，因此会存在一定的冗余数据，不过数据仓库可以支持更复杂的查询，单次所要处理的数据量会更大。

讲到这里你可能有点迷糊，但是只需要看下图就可以理解了。

可以看到，数据仓库作为BI中的一环，承接的是整个系统，属于BI中的“腰腹核心”，起到承上启下的作用。所以，讲到BI，不得不提的就是数仓。其价值体现在满足企业不同人群对数据查询，分析，决策的需求，实现对业务监测的反应。从而配合整个BI解决方案为企业支撑管理方式与决策水平，提要业务运转的效率，优化业务方向等。

• BI打通数据孤岛

前面提到了数仓，那么数仓中的数据从哪来呢？聪明的你一定想到了，就是从在业务系统中来。如财务、人事、采购、生产、销售、运营等。概括来说就是自有系统的源数据、ERP、OA、CEM、DMS、TMS等等。在这个过程中我们就能发现企业的业务实际上是独立在不同的系统中的，业务数据也是分散在各个不同的业务部门，这个时候看数据的角度基本上都是以个人或者部门的角度来看数据。

而BI通过对接各个业务系统软件背后的数据库，将所需要分析的数据整合到一个新的数据平台上，通过数据的抽取、转换和清洗，并且按照一定的业务分析模型来组织这些数据，最终以可视化报表的形式提供给企业的用户。打通了各个业务系统、业务模块的数据，打通企业内部的数据孤岛，站在全局角度看整体的业务。

关于BI，未来一定是还有诸多可能的，如ABI AI，如随着市场的发展，企业即会要求BI的前端展示精美酷炫，也会要求底层数据基础架构更加完善。且随着市场的扩大，国内企业也逐渐对数据意识有了更深的了解。从表象的问题深耕到业务问题，管理问题。业务产生数据，数据反推业务，通过BI，为感性的决策插上理性的翅膀，体现BI的真正内涵！

/END