中秋红酒活动原标题：企业数字化转型过程中，商业智能 BI 的作用和价值体现在哪些方面

　　商业智能 BI 是一种通用的数据类技术解决方案，不会因为行业 BI 没有进行针对性开发而出现不适配、无法使用的情况。同时，也正因为商业智能 BI 核心是数据，只要企业有数据沉淀，不管是哪些行业 BI 商业智能都能发挥出作用。

　　不过考虑到不同行业 BI 商业智能的实践，差异化明显的行业 BI 哪怕是对于数据的种类需求也会有优先级的划分，数据分析、数据可视化等内容页面也有不同主题、风格的设计，一些功能模块也会有使用占比的不同。

　　商业智能 BI 能够成为当前商业世界中备受企业欢迎的数据类技术解决方案其实是有原因的，早在1958年，IBM研究员就将商业智能 BI 的早期形态定义为：“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。”

　　1958年后，商业智能 BI 的概念和产品形态一直在更新迭代，直到2013年，在信息化和数字化的影响下，商业智能 BI 形成了一套现代化的概念，围绕企业发展进行扩展，重新确定了商业智能 BI 的定义：“商业智能 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加以改进、优化决策表现的最佳实践”

　　经过数十年商业智能 BI 的发展，我们对当前环境下主流的商业智能 BI 产品有了一个明确的定义，一种有三条，分别是：

　　第一，商业智能 BI 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。

　　第二，商业智能 BI 可以将企业不同业务信息系统（ERP、CRM、OA）中的数据打通并进行有效的整合。

　　第三，商业智能 BI 可以借助合适的查询和分析工具快速准确的提供可视化分析或报表，为企业提供决策支持。

　　商业智能 BI 一套完整的解决方案，其中有很多不同的功能模块，能够让企业实现多种多样的效果，例如商业智能 BI 可以根据企业业务数据的不同流程划分为三个层次：

　　第一层，可视化分析展现层 - 可视化分析展现层也就是商业智能 BI 的需求层，一方面代表了用户的需求，用户想看什么、要看什么、另一方面也代表了用户要分析什么，这些就在这一层进行展现。

　　第二层，数据模型层 - 数据模型层也就是常说的商业智能 BI 数据仓库，主要负责企业数据的分析模型，完成从业务计算规则向数据计算规则的转变。

　　第三层，数据源层 - 数据源层也就是商业智能 BI 的数据层，不同部门、业务线的业务信息系统，其底层数据库的数据通过ETL抽取到商业智能 BI 的数据仓库中，建模分析等等，最终支撑到前端的可视化分析展现。

　　商业智能 BI 在企业中主要承担承上启下的责任，围绕数据形成了一整套数据战略体系，同时也是企业信息化建设中重要的一部分，可以说是企业进行信息化建设或者数字化转型前必须进行布署规划的一环。

　　一般来说，企业的信息化建设具有通用性，所以可以把大部分的企业的 IT 信息化分为两个阶段：一个是业务信息化，一个是数据信息化。这样对比讲，一般的用户更容易理解一些。

　　业务信息化 - 企业使用的ERP、CRM、OA、自建的业务系统等，业务系统的建设都统称为业务信息化。业务信息化的主要作用是管理企业的业务流程，通过规范化、标准化、线上化，来提高业务运转效率、降低企业人力、时间、精力等成本，为商业智能 BI 的建设打下数据基础，是业务管理思路的体现，也是现代的企业管理方式。

　　数据信息化 - 像我们经常所听到的大数据、商业智能 BI 、数据分析、数据挖掘等我们都统称为数据信息化。数据信息化可以帮助企业全面的了解企业的经营管理，从经验驱动到数据驱动，降低情绪、心理等主观影响，形成以数据为基础的业务决策支撑，提高决策的准确性，这是企业更高层次的企业管理方式。

　　信息化建设具有连贯性，没有业务系统的建设，就不会有数据的沉淀，而没有数据的沉淀，就没有建设商业智能 BI 的基础。同时，商业智能 BI 的建设能够反向推动业务信息化的建设，提高数据的质量。

　　业务信息化的主要使用形式 - 表单式的、以业务用户录入为主、数据的增删改操作居多，是对业务过程数据、业务流程进行管理的软件系统，可以对业务流程进行规范化、标准化处理。

　　数据信息化的主要使用形式 - 例如商业智能 BI 主要是对业务结果数据进行整体信息呈现和局部深度分析，旨在打通ERP、OA、CRM等业务系统的数据，跨业务、跨系统整合数据。

　　业务信息化的主要使用对象 - 一线业务执行层，更多是从业务视角出发，录入数据、记录流程、查看业务信息。

　　数据信息化的主要使用对象 - 管理决策层，更多的是从管理视角通过商业智能 BI 可视化分析去定位问题、分析问题，最终形成业务决策。

　　第一，没有任何一个管理决策层、领导会没事打开财务系统看财务数据，打开 OA 系统看看合同信息，高层领导不会看这些明细数据细节，也不会进到各个系统里面去看。也就是说，业务信息化不是给这一层领导来使用的。

　　第二，管理决策层是不是一定是指的企业最高层的领导，不见得，可以是企业各个组织层次中带有管理决策属性的人员，这些管理决策人员都可以通过商业智能 BI 提供决策支持。

　　数据孤岛一般指的是只有一部分人能够访问的数据集，这本来也没什么，但问题是企业业务发展、管理决策等需要掌握大部分，或者说全部数据才能进行分析、挖掘，做出最后的决断。而数据孤岛直接导致其他人难以获取这部分数据，不仅会导致数据浪费，甚至有可能让企业无法处理异常数据，解决不了发现的问题，让企业发展陷入困境。

　　所以，我们在讲商业智能 BI ，讲数据孤岛的时候要明白，对数据孤岛问题感触最多的是企业管理人员，所以给业务部门讲数据孤岛可能达不到预想中的效果，只有对跨业务、跨部门、跨组织的这些中层管理、高层管理讲，他们才能意识到业务数据不能互通，不用全面统一进行分析，有多大的问题，也就是数据孤岛对企业发展的危害。

　　商业智能 BI 作为数据类技术解决方案，在面对数据孤岛问题时，就能通过数据仓库和数据可视化解决企业面临的“数据孤岛”“信息孤岛”问题，所以商业智能 BI 需要企业管理人员来进行规划，并主要为企业管理人员提供决策信息，辅助进行决策。

　　所以在介绍商业智能 BI 的时候，必须要搞清楚不同人员的需求。站在企业不同员工角度，有的人认为是有数据孤岛存在的，一定要解决。有的人是不认为有数据孤岛存在的，即使存在对他们也没有影响，所以不用解决，其根本原因是没有把握商业智能 BI 真正的服务对象。

　　商业智能 BI 是通过访问和连接业务系统数据源数据库的方式来进行取数的，不管是什么样类型的数据库，商业智能 BI 通过ETL连接数据库抽取业务系统原表数据到数据仓库中加工处理，最后支撑到前端的可视化分析报表展现。

　　一般不需要，基本上这么提问的都是经历过软件系统的接口对接，软件系统的接口对接是因为有的业务软件是 JAVA 开发的，有的是开发的，有的是 B/S 架构，有的是 C/S 架构。软件系统之间的接口是需要开发参与的，主要是串联不同软件的业务流程，这种接口是需要动代码的。 但商业智能 BI 在获取数据的接口不一样，是与业务系统软件自身无关的，是只需要访问和连接业务系统背后的数据库就可以的，直接从数据库取数，因此是不需要软件接口，或者没有软件接口访问这种概念的。

　　除非一种情况，这个业务系统是公有云，纯 SAAS 模式，这种情况下就只能通过软件对外开放的 API 接口取数了。

　　统的商业智能 BI 在遇到大数据量、非结构化数据处理的场景，底层的数据仓库就升级为大数据的数据仓库架构，这就是大数据下的商业智能 BI 分析；在大数据的数据仓库架构基础之上，往左边更加拓展了数据的采集能力，在中间除了原有大数据架构的数据仓库建模之外，更加加入了数据资产的概念、数据资产盘点、数据资产管理，靠右扩展了数据服务的能力，将数据中台中按照一定规则处理好的数据打包对外提供服务。因此，大数据架构下的数据采集、数据仓库建模、数据资产管理和数据服务就构成了数据中台的几大核心。

　　数据中台的底子是大数据架构，数据仓库是传统商业智能 BI 数据仓库的大数据升级，而商业智能 BI 就变成了数据中台之上的应用层，利用中台的数据服务获取数据做分析展现。

　　这就是商业智能 BI 、大数据、数据中台这三者的关系和在不同数据场景、服务场景下的演变过程，看明白了这个过程，应该就不会再轻易的混淆他们的概念。至于商业智能 BI 、大数据、数据中台应该选择哪个，其实说到底如何选择合适的技术路线、技术架构，最终还是取决于企业自身到底要解决什么，不能盲目选择。盲目选择的结果就是大投入，小产出没有达到预期的期望。我们还是应该聚焦到需求本身，需求为王。

　　很多企业把商业智能 BI 当做纯粹的报表工具使用，输出的形式变成了可视化图表，可图表展示的内容还是以前的部门业务信息，只展现了一线业务部门的基本情况，管理人员还是需要花费大量时间精力去了解企业整体的发展情况。

　　1.商业智能 BI 就是报表可视化，就是一堆可视化图表，商业智能 BI 就是前端可视化。

　　4.有了商业智能 BI 就不需要数据仓库建模，业务人员就可以自己做商业智能 BI 分析，就可以拖拉拽做商业智能 BI 分析。

　　5.商业智能 BI 就是业务驱动的，不需要 IT 人员支撑，敏捷商业智能 BI 不需要 IT 介入。

　　6.商业智能 BI 直连不香吗？直接连接数据源不就可以做分析，不需要数据仓库。

　　1、商业智能 BI 就是报表可视化，就是一堆可视化图表， BI 就是前端可视化。

　　商业智能 BI 是一套完整的有数据仓库、数据分析、数据报表等组成的数据技术类的解决方案，在一个 BI 项目中，20% 的时间做前端分析报表，80% 的时间都在底层数据仓库的设计、ETL 的开发、取数开发等工作。

　　所以可视化报表只是商业智能 BI 的最终呈现，但不是 商业智能 BI 的全部。

　　拖拉拽的可视化分析工具准确来讲只能解决 商业智能 BI 的一部分，即可视化分析。但其实 商业智能 BI 所包括的技术范围还是比较广的，涉及到从底层数据取数到前端展现分析的各个方面。

　　单纯拖拉拽的商业智能 BI 可视化分析工具严格来讲只能定位于个人和部门级，和企业级的商业智能 BI 有很大的不同，所以单纯的上一个商业智能 BI 分析工具发挥不了商业智能 BI 的真正作用，也替代不了商业智能 BI 的位置。

　　3、以前也总有人说商业智能 BI 就是业务驱动，商业智能 BI 就是 BI ，跟数据仓库没有关系。

　　这个问题很有深度，在以前我也这么认为过，总觉得有了商业智能 BI 就不需要数据仓库建模，业务人员就可以自己做 商业智能 BI 分析，就可以拖拉拽做 商业智能 BI 分析，不需要IT人员支撑，敏捷商业智能 BI 不需要 IT 介入，不需要建数据仓库。

　　但凡有任何商业智能 BI 的销售或者售前告诉用户，你们企业的 商业智能 BI 项目不需要构建数据仓库，直接通过 商业智能 BI 分析工具拖拉拽就可以搞定企业里面所有的分析，不需要IT人员支撑，业务人员完全可以自己搞定... 类似于敢这样承诺的，要么是对商业智能 BI 不懂，要么就是真忽悠。

　　在企业级的商业智能 BI 项目建设中，真正能做到完全靠业务人员简单拖拉拽一些就能随便实现数据可视化分析，至少在我个人从业的十几年工作经验中，95%以上的企业都做不到。我服务过的重点企业包括：SHP（ Security Health Plan )、微软（中国）、微软（美国）、VWFC（ 大众金融 ）等。

　　VWFC 做的算是非常不错的，少有的业务人员自己动手做很多报表，线上跑了几千张报表。为什么？ 因为底层数据仓库就搭建了很多年，底层数据架构相对比较规范。Business Driven 业务驱动，它的前提是什么？

　　1） 底层数据质量很规范，数据仓库架构很完整，不让业务人员碰底层数据，ETL、取数、指标计算等等统统都是 IT 部门来维护。

　　2） 业务人员通过培训要熟练掌握商业智能 BI 前端报表工具的使用，要很懂放出来的数据分析模型接口。

　　第 2）和第 3）条很多企业没有问题，第 1）条直接弄个前端 商业智能 BI 工具让业务人员解决，能解决掉吗？ 很显然业务人员是不具备这种能力的。

　　这就是一到培训的时候，商业智能 BI 工具使用起来很简单，但是一旦到实际的企业 商业智能 BI 项目开发就发现寸步难行。因为培训的时候，给出的数据表都是经过选择的，永远都是质量很高的、规范的只需要简单左表连右表例如销售订单表、订单明细表，自然很容易把可视化报表给实现出来。

　　但是在实际企业 商业智能 BI 项目分析中，分析指标的计算规则绝非简单几张表关联就可以解决的，不信的话可以挑战一下一个实际的指标计算逻辑：挑战一个 ETL 数据清洗的小案例 在数据库中就一张数据表，数据理解起来也很简单，但很多 商业智能 BI 开发人员做起来也需要废很大的精力，就更别谈业务人员自助 商业智能 BI 分析了。

　　讲这么多不是为了一味否定自助式 商业智能 BI 它的作用和能力，自助式 商业智能 BI 有它的使用场景，也确实帮助我们简化了很多的 BI 工作，但从专业角度出发，特别反感是部分商业智能 BI 厂商以一种不负责任的方式反复向市场强化类似于这样的概念：商业智能 BI 就是可视化报表、商业智能 BI 不需要数据仓库建模、传统数据仓库建模很落后、商业智能 BI 就是自助分析、商业智能 BI 自助分析很简单、业务用户简单几天培训就可以学会并且想怎么分析就怎么分析...

　　从市场宣传和销售的角度来说，简化产品的复杂度和上手难度的宣传是没有问题的，有问题的是以一种错误的讲解、不专业的讲解最终误导企业接受了这些不正确的概念，并以这些不正确的概念来评估与规划 商业智能 BI 项目的建设，没有充分预计到 商业智能 BI 项目建设过程中可能会遇到的挑战与风险，最后导致项目的不成功与失败、反复建设。

　　我们在北京就有一个客户之前花了一百多万上了一套所谓的 商业智能 BI 项目，项目上线了一年左右，到最后完全推不动，失败了。后续找到派可数据，我们给他们上了派可数据商业智能 BI 分析平台，这个项目我们连续做了好几期，客户还写了感谢信。之前为什么推不动、项目会失败：不重视数据仓库的规划。因为他们的业务是连续的、变动的，每年的需求都是需要动态调整的，数据持续增加，分析的深度和广度都是在不断变化，没有一个好的底层数据架构来支撑，光靠 SQL 取数、建数据集出报表的形式是不可能支撑一家企业未来 3-5 年甚至更长远的业务分析需求变化的。

　　除了这个案例之外，在我的手机上有很多之前上过 商业智能 BI 最终失败、没有做好，找过来聊天吐槽的记录，是真的产品不好吗？我也客观的帮助他们分析过：这些产品本身有的是 Gartner 魔力现象 Leader 象限的产品，你说产品行不行？ 有的产品是国内商业智能 BI 领域很多年的老品牌，你说产品行不行？ 客观来讲，这些产品从我个人角度来说，这些产品其实都很优秀，产品本身是没有太大问题的。

　　问题在于，这么多从零到一需要上 商业智能 BI 的企业不知道一个 商业智能 BI 项目中原来还有那么多坑，很多 商业智能 BI 厂商会不会去把这些点给企业客户讲清楚，一个 商业智能 BI 项目到底怎么干、中间有什么样的风险、以后还会遇到什么样的问题、应该怎么解决这些问题、有什么样的方法论和手段... 如果只是为了卖一套 商业智能 BI 产品或者工具，你觉得这些 商业智能 BI 销售会跟客户讲这些东西吗？ 不会的，至少不会讲的太深太全，因为这么一讲把 商业智能 BI 难度讲太复杂了，一旦没有讲好，反而降低了客户的信任。

　　有的时候不讲，是因为怕讲复杂了，让企业客户决策周期拉的太长了。有的时候不讲，是因为不懂。你不讲，客户不知道，客户也没有经验，后续商业智能 BI 项目建设就会出问题。

　　在一次大会上，某商业智能 BI 厂商一位高级售前技术专家在跟客户交流时说过的一句话：商业智能 BI 直连不香吗？直接连接数据源不就可以做分析，不需要数据仓库。无知者无畏，实在听不下去，就打断直接沟通了一下。通过沟通，可以判断这个所谓的技术专家基本上没有做过完整的 商业智能 BI 项目经验，从零到一搭建一个 商业智能 BI 项目的能力等于零。以这样的一种能力跟客户来引导一个 商业智能 BI 项目，这种 商业智能 BI 项目的质量能有保证吗，很难的。

　　这也就是我们派可数据、我个人做视频号《吕品聊数据》的原因，客观的讲讲 商业智能 BI 、客观的讲讲数据，普及一下我们认为正确的 商业智能 BI 知识和概念。告诉我们广大的 商业智能 BI 用户，商业智能 BI 到底应该怎么理解、怎么认知，商业智能 BI 到底有什么样的坑需要我们的企业注意。

　　我们不能说我们派可数据在 商业智能 BI 领域讲的知识和概念就一定是放之四海而皆准的，但是我们欢迎任何 商业智能 BI 厂商或者任何 BI 个人爱好者就 商业智能 BI 的一些知识和概念来向我们挑战，来看看派可数据所普及的一些 商业智能 BI 知识概念到底对不对。如果普及的对，说明这些问题大家确实都碰到了，这些知识和概念对于企业而言就是难得的经验。如果普及的不对，不对又是在什么地方，指出来大家一起看看，一起探讨一下，我们还可以为企业做些什么。

　　早期前端技术很弱，AJAX 的实现也都需要手写，要实现一个表单内数据的点击编辑和修改需要自己用 JS DOM 操作。做报表基本上就是 JSP、ASP 脚本语言在前端嵌套 HTML 做循环输出，报表样式很原生很丑陋，稍微复杂一点的表格报表样式都需要用 JS 来调整。

　　那个时候用过的报表像 Crystal Report 水晶报表、润乾报表等等，在前端脚本语言中有标签直接可以引用，报表生成代替了大量的手写代码。早期的前后端技术是不分家的，还稍微好一些，前端逐步有一些集成控件可以直接使用，JAVA 是真没有。上面说到的这个阶段大概在什么时候呢，2005年前后，2007年我觉得已经使用的很广泛了，老的 CSDN 上应该还能找到很多原始的报表标签帖子。

　　像老一批报表还有像金峰报表 Jreport、思达报表 StyleReport 等等在国内也有一定的市场。早在 2010 年之前，有些报表厂商的收入规模就已经突破了一个亿，说明基础报表这个市场还是非常不错的。

　　那个时候的报表定位是什么，就是纯粹的 Report 报表，通过程序从后台数据库中查询返回的数据聚合 List 再到前端脚本页面上绑定一下就生成了各种报表，实际上就是用在各个业务软件系统之中的报表展示，还远远没有到 商业智能 BI 分析这个层面。

　　并且还有大量的软件开发厂商实际上已经具备了很强的报表能力，不过这些报表能力并没有单独拿出来作为报表产品在市面上运营而已。

　　逐步的，随着前端技术、前端框架的完善，从传统表格技术开始到了各类柱状图、条形图、饼状图的可视化展示，到了这个阶段，报表和商业智能 BI 的边界越来越模糊。为什么？商业智能 BI 的报表展现能力也就和传统报表效果大致相当，还没有出现那种自助分析、自助拖拉拽就可以实现快速多维分析的能力。

　　讲这么多主要想说的是我们所看到的很多商业智能 BI 项目都是拿报表思维去实现的，就是 SQL 到数据集到前端展现。而真正的商业智能 BI 思维应该是什么呢？ 多维思维、模型思维，这一点决定了一个 商业智能 BI 项目的最终走向，后面会具体讲到这些点。

　　商业智能 BI 到底是什么？技术？产品？还是其它？我们把对于 BI 的理解再提升一个层次：商业智能 BI 是一家企业业务和管理思维的落地。这个怎么来理解呢？简单来说，就是在可视化报表上呈现的内容就是一家企业真正关注的内容，这里面有管理高层重点关注的企业经营性的分析指标，也有某具体部门的。

　　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s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。

　　十一、数据仓库的建模方法论 Kimball vs Inmon 以及混合架构

　　数据仓库建模时商业智能 BI 项目建设中的重中之重，Inmon 的三范式 3NF 建模和 Kimball 的维度建模都是 商业智能 BI 数据仓库建模的方法论，这两种商业智能 BI 建模的方式有什么区别和联系。

　　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。返回搜狐，查看更多