垫底龙妃随着数据价值得到了认可，数据开始成为个人、企业乃至国家的重要战略资产，但数据资产不能直接产生价值，而是需要通过数据分析、数据可视化等数据处理手段将数据转化为信息和知识，才能进行资产的价值化，这时候商业智能BI发挥作用的地方就来了。

　　总的来说，商业智能是一套完整的由数据仓库、查询报表、数据分析等组成的数据类技术解决方案，商业智能BI在企业中的主要职责是打破数据孤岛，通过数据仓库整合数据，并利用ETL清洗数据，分类分级储存起来。后续企业还可以利用图形化手段，通过数据可视化将数据转化为信息和知识，为业务和管理人员提供信息支撑。

　　商业智能BI可以实现业务流程和业务数据的规范化、流程化、标准化，打通ERP、OA、CRM等不同业务信息系统，整合归纳企业数据，利用数据可视化满足企业不同人群对数据查询、分析和探索的需求，从而为管理和业务提供数据依据和决策支持。

　　二、商业智能BI 和数据仓库 Data Warehouse 有什么区别和联系？

　　经常会碰到有人问商业智能BI和数据仓库有什么区别，实际上这个问题的背后能反映出来一些朋友对商业智能BI的理解还是有些不准确和偏差，这个问题实际上从概念上把BI和数据仓库人为的割裂了。这种情况其实也比较正常，因为大家对商业智能BI的第一印象就是各种炫酷的可视化图表、报表，再加上市面上有很多轻量的前端可视化商业智能BI分析工具，就造成大家对BI的认知就停留在可视化这部分了。

　　准确的来说，商业智能BI不仅仅包含前端可视化分析、报表展现的能力，更包含了底层数据仓库的建设过程。Gartner 在上世纪九十年代就已经提到了商业智能 Business Intelligence，它更多的认为：BI是一种数据类的技术解决方案，将许多来自不同企业业务系统的数据提取有分析价值的数据进行清洗、转换和加载，就是抽取Extraction、转换 Transformation、加载Loading 的ETL过程，最终合并到一个数据仓库中，按照一定的建模方式例如Inmon 的3NF 建模、Kimball 的维度建模或者两者都有的混合式架构模型，最终在这个基础上再利用合适的分析展现工具来形成各种可视化的分析报表为企业的管理决策层提供数据决策支撑。

　　所以，可以从这里能够看到数据仓库Data Warehouse 的位置是介于可视化报表和底层业务系统数据源之间的这一层，在整个商业智能BI项目解决方案中起到的是一个承上启下的作用。如果把商业智能BI比作是一个人的话，上半身特别是脸这个部分就是颜值，下半身脚踏实地吸取大地的精华，中间这部分的腰腹核心、核心力量就是数据仓库。

　　那大家也会问到，市面上不是有很多直接链接数据源就可以拖拉拽分析的商业智能BI工具产品吗，不也一样可以做商业智能BI分析报表吗？这种独立的、单独的面向前端的商业智能BI分析工具，他们更多的定位是部门级和个人级的商业智能BI 分析工具，对于深层次的需要复杂数据处理、集成、建模等很多场景是无法解决的。最好的方式就是底层构建一套完整的数据仓库，把很多分析模型标准化，再利用这些前端商业智能BI分析工具结合起来，这样才能真正的把前端商业智能BI分析能力给释放出来。

　　很多企业认为只要买一个前端商业智能BI分析工具就可以解决企业级的商业智能BI所有问题，这个看法实际上也不可行的。可能在最开始分析场景相对简单，对接数据的复杂度不是很高的情况下这类商业智能BI分析工具没有问题。但是在企业的商业智能BI项目建设有一个特点，是一个螺旋式上升的建设过程。因为对接的业务系统可能会越来越多，分析的深度和广度会越来越多，数据的复杂度也会越来越有挑战性，这个时候没有一个很好的数据仓库架构支撑，光靠前端BI分析工具基本上是无法搞定的。

　　就像去中药店抓药一样，之所以抓药很快，是因为在抓药前，别人已经把各种原生的中药材（原始数据源的数据）分门别类清理干净放好了，这样想怎么搭配药材（维度指标组合的可视化）就很快了。

　　这样的企业在国内有很多，也是因为对商业智能BI理解的深度不够导致了在商业智能BI项目建设上一些方向性的错误，最后导致商业智能BI项目很难继续推进。

　　所以在企业中，我们需要明确我们的商业智能BI建设是面向企业级的还是个人和部门的分析工作。如果是个人数据分析师，使用这类前端商业智能BI分析工具就足够了。如果是需要构建一个企业级的商业智能BI项目，就不能只关注前端可视化分析能力这个层面，更应该关注到底层数据架构的构建，也就是数据仓库这个层面。

　　商业智能BI是一个完全需求驱动的，既然是需求就需要做访谈和调研。在商业智能BI需求进行访谈和调研之前要提前熟悉行业的业务特点，基于企业自身要熟悉他们的业务流程，以及所访谈部门的他们大概会关注的重点，都需要提前梳理一遍。在脑海里把整个业务框架给建立起来，反复的演练。

　　什么样的企业适合上商业智能BI？看业务基础信息化程度和日常业务管理的细致程度和颗粒度。业务基础信息化程度就是企业自身的IT业务系统基础建设，没有业务系统的支撑，做商业智能BI就缺乏数据基础；第二就是业务管理的颗粒度，企业自身业务管理程度是不是比较细致了，急需通过商业智能BI来提升业务管理、决策支撑的效率。

　　做完商业智能BI项目，还要考虑最终如何跟老板汇报的问题，掌握商业智能BI数据分析思维框架和汇报的五个重点：用户业务层次与范围、工作成果、计划执行复盘、问题反馈、展望规划与愿景。

　　这里只是一个简单的汇报框架，还有很多点可以往里面加。比如围绕行业讲一下行业驱动因素跟商业智能BI如何结合的；从企业经营管理角度，企业愿景到 CSF 到 KPI 到绩效是如何分解和重新组织的；比如财务视角下的归因分析；金字塔的管理模型；动态指标库构成原理等等都可以有所选择的进行融入和说明。

　　商业智能BI分析跟企业的经营管理分析高度结合，ROE高的企业有可能是利润高像茅台、珠宝行业，有可能是周转快比如像零售行业，也有可能是融资能力比较强会利用杠杆，从ROE归因分析看行业特点。

　　做商业智能BI还必须熟悉行业和业务知识，不结合行业业务知识，商业智能BI的项目是很难落地的。商业智能BI的本质其实是企业的业务和管理思维的落地。企业的高层、业务部门的管理人员为什么要通过商业智能BI去看报表，他们看的是什么，重点关注的是什么？这些内容就是他们日常在企业中业务经营管理的重点。

　　在商业智能BI项目上看上去零零散散的报表，在实际用户眼里其实是有很强的逻辑关联性的。并且层次越高的管理人员看的商业智能BI报表内容越聚焦，看的是业务结果。一线业务部门的人员可能关注的更零散，看的是明细的业务过程数据。

　　所以，对于一名优秀的商业智能BI开发人员、开发顾问，不仅仅是需要在技术层面打磨，更需要在行业性知识和企业业务知识上有所沉淀。

　　商业智能BI 对数据的处理存在一定的滞后性，通常采用T+1模式，主要原因是ETL数据处理过程是需要有大量的时间损耗，通常是采用空间换时间的方式。

　　将以前按照商业智能BI 数据仓库分层的ETL调度设计成可按单独指标并自动寻找依赖的调度就大大的增加了对个别指标调度和准实时处理的灵活性。

　　离线数据与实时处理针对的业务场景不同，背后的技术方式实现不同，资源投入也不同，了解它们之间的定位差异有助于选择合适的方案以最小的资源投入达到企业既定完成商业智能BI 项目建设目标。