商业智能

1996年，知名咨询机构Gartner集团正式提出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并不全是新的技术，而是对一些现代技术的综合运用。BI技术提供使企业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，让企业决策有数可依，从而减少决策的盲目性，理性地驱动企业管理和运营

传统商业智能(Business Intelligence)是基于数据仓库、数据挖掘等大数据技术进行数据抽取、展示与分析，从而为企业实现商业价值提供支撑。艾瑞认为新型商业智能(Business+Artificial Intelligence)是在基于数据维度进行商业分析的层面之上，通过将人工智能核心技术(机器学习、计算机视觉、自然语言处理、智能语音交互、知识图谱)与大数据、机器人流程自动化(RPA)、运筹学等技术相结合，围绕商业活动中各典型关键环节进行洞察分析，并通过完整的解决方案级应用，推动产品创新与服务升级。

BI(Business Intelligence，商业智能或商务智能)源于企业对业务数据进行价值挖掘与展现的需求。1989年，BI概念由Howard Dresner定义而广泛传播，此时的BI定义为由数据仓库、查询报表、数据分析、数据挖掘和数据维护等部分功能组成，以帮助企业决策为目的的技术应⽤。

商业智能不仅是⼀种技术，更是⼀种企业集成数据解决⽅案。这包括ETL(ExtractTransform-Load，抽取-转换-加载)、数据仓库、DM(DataMining，数据挖掘)、OLAP、数据可视化等多种⼯具。1968年到1989年，传统BI的⼚商如Cognos、SAP、Oracle、Teradata、MicroStrategy等陆续成⽴。

2013年之前，传统BI产品⼀直是市场的主流，但这并不是⼀个很好的市场。根据IBM的统计数据，实施传统BI的项⽬失败率在60%-70%，大量的BI系统并没有得到有效的使用。传统BI产品，通常只能由技术⼈员在设计好的维度模型上建⽴数据仓库。这造成了两个问题，技术⼈员难以完全理解业务人员的需求，数据仓库不能满足不断变化的业务需要。

敏捷BI为了解决上述两个问题⽽出现。敏捷BI，又称自助式BI，是指由业务人员自助式建模，能够实现快速部署、数据源集成、高性能计算、探索式分析的BI可视化产品。由于业务人员自行建模，摆脱了数据无法体现业务需求，技术⼈员不懂业务需求的困境。让数据直接反映业务，成为敏捷BI的⼀大特点，典型的敏捷BI厂商有Tableau、永洪科技等。

商业智能初期阶段(2005-2013)：企业上线适应自身业务的应用系统，类似于ERP、CRM、OA、HIS等。市场仍主要被SAP、Oracle、IBM等老牌巨头占领。主要用户群体集中于大型企业，且相对封闭。

可视化数据分析阶段(2013-2016)可视化数据分析产品出现，企业项目中原有的商业智能初期产品逐步下线，此消彼长，可视化的数据分析产品集中进入市场，国内外厂商处于快速成长期。同时，随着IT基础设施逐步完善，更多企业用户拥抱商业智能。

浅层决策智能阶段(2016-2018)大数据、人工智能技术的发展支持商业智能进入数据挖掘的浅层决策智能阶段。云服务的普及推广支持商业智能解决方案的云端部署，吸引更多的中小企业用户。行业进入新型商业智能阶段。

多维决策智能阶段(2018-至今)伴随2018年人工智能技术的全面商业化落地，集合AI、大数据、云服务、RPA、运筹学等技术的新型商业智能开始为企业客户提供多维决策的智能服务。融合技术、打磨场景、优化解决方案的部署成本是现阶段商业智能企业的发展重点。

根据艾瑞《2019年中国商业智能研究报告》，商业智能的应用场景丰富。

商业智能应用场景之金融风控：智能技术成为金融机构提升风险管控能力的重要手段，例如以金融壹账通为代表的金融科技公司利用多种技术手段降低商业银行在信贷过程中面临的各类欺诈风险，帮助金融机构进一步降低不良贷款水平提升抗风险能力。

商业智能场景应用之物流管理：重塑物流行业资源规划系统，加速柔性供应链管理的实现，商业智能在物流管理的应用场景有一是物流网络预测管理，通过深度学习算法建模，对区域内物流网点、线路、运力、人力投入进行规划预测动态识别天气、运营条件、运输状态等变量变化情况，分析调整物流策略；二是风险控制预测。针对自然灾害、突发性事件等不可抗因素与材料短缺、运力不足等常规性风险进行识别规划；通过NLP技术检测分析供应链相关数据与供应商对话内容，为采购经理提供实时风险预警信息；三是智能路径规划，利用数字卫星、高清地图、交通流量检测等数据来源作为路径规划输入的初始变量；通过算法进行最优路径规划，动态调整运输线路与运输流程；四是分类与库存优化。计算机视觉、机器学习技术可以有效进行货物分类、检测物流商品损坏类型及程度，便捷管理库存、对易损物品进行预包装、基于缺货/货物堆积带来的成本情况设计补货方案。

商业智能场景应用之广告营销：机器学习分析供给需求两侧行为数据进行智能撮合，在广告拍卖请求数量基本不变的前提下，通过应用人工智能等技术，广告主利润比原来普遍提升了3-6倍

商业智能应用场景之零售电商：融合进零售电商的经营管理环节，提高获客与转化，应用在线上电商营销管理和线下门店经营优化

商业智能场景应用之交通出行：重塑交通各参与方融合关系，逐步实现全智慧交通出行；现阶段商业智能主要应用于交通信号灯管理、高精地图导航、机位调度、自动驾驶、公共交通系统优化、停车位动态规划管理等方向，未来将形成实体道路与虚体网络的统一融合，建设具备统一数据接口的城市“交通大脑”，实现“以人为本”的全智慧交通系统。

商业智能应用场景之辅助诊疗：加速药物发现，辅助临床诊断，优化就诊流程

商业智能场景应用之客户服务：解决传统客服行业核心痛点，提升前端后台服务效率，智能客服系统可根据行业知识和企业业务搭建专业知识库，通过构建开放式问答及交互式对话技能，对客户提出的咨询问题快速输出匹配答案。

根据《帆软商业智能BI白皮书1.0》，商业智能的价值有

支撑管理决策：企业数据驱动决策的需求促使了BI的诞生，因此支撑管理决策是BI最核心的目的，也是其最直接的价值。

提升管理水平：在支撑管理决策的基础上，BI还能够进一步帮助企业基于数据的透明和流程化，促进PDCA高效循环，并能形成一定的激励机制，提升管理水平。

提高业务运营效率：除了管理层面上的价值，BI在业务层面上也有出色的表现，最明显的一点是提高业务运营效率。业务运营过程中涉及的大量手工报表、人工统计、逐级取数等操作，都可以由BI来代替，既能减少人为干涉错误，提高数据的准确性，又可以提高效率，节省时间成本

改进优化业务：提高业务运营效率更多的是改善数据的准确性，减少相应的人力成本。而改进优化业务则是BI在业务层面上更重要的价值，能够从业务本身出发，完善整个业务体系，从而提升业务价值。

按照从数据到知识的处理过程，一般BI系统的功能架构如图所示，分为数据底层、数据分析和数据展示三个功能层级。其中数据底层负责管理数据，包括数据采集，数据ETL，数据仓库构建等；数据分析主要是利用查询、OLAP、数据挖掘，以及数据可视化等分析方法抽取数据仓库中的数据并进行分析，形成数据结论；最终通过数据展示呈现报表和可视化图表等数据见解。

根据《帆软商业智能BI白皮书1.0》商业智能的主要技术有:

数据可视化：借助于图形化手段，清晰有效地传达与沟通信息。其基本思想是将数据库中每一个数据项作为单个图元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。

OLAP、数据挖掘等分析类技术，能够基于现有数据提供更深入的洞察。数据挖掘技术需要一定数据量的支撑，而企业不一定要等到数据量足够大时才能应用BI，结合我国企业的信息化现状，数据挖掘目前并不是BI系统的关键技术需求。

联机分析处理(OLAP，Online Analytical Processing)主要关注多维数据库和多维分析。OLAP委员会对联机分析处理的定义为：使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维特性的信息进行快速、一致、交互的存取，从而获得对数据更深入了解的一类软件技术。

支撑类技术，包括ETL、数据仓库、元数据管理和大数据技术等，用于管理繁杂的、不断增长的企业数据，为整个BI系统体系提供持续的、强力的、稳定的支撑。

数据仓库(Data Warehouse)是一个面向主题的(Subject Oriented)、集成的(Integrated)、相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合，用于支持管理决策(Decision MakingSupport)。大部分数据仓库还是用关系数据库管理系统来管理的。

ETL(Extract-Transform-Load)，用来描述将数据从来源端经过抽取(Extract)、交互转换(Transform)、加载(Load)至目的端的过程。它是构建数据仓库的关键环节，数据仓库主要是为决策分析提供数据，所涉及的操作主要是数据的查询，所以ETL过程在很大程度上受企业对源数据的理解程度的影响，也就是说从业务的角度看数据集成非常重要。

大数据(Big Data)是指无法在一定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的海量、高增长率和多样化的信息资产。

元数据(Metadata)又称中介数据、中继数据，用于描述数据属性的信息，是描述数据的数据(data about data)。其使用价值主要在于在识别资源、评价资源、追踪资源在使用过程中的变化、实现简单高效地管理大量网络化数据、实现信息资源的有效发现、查找、一体化组织和对使用资源的有效管理。由于元数据也是数据，因此可以用类似数据的方法在数据库中进行存储和获取。

参考资料：

帆软：商业智能（BI）白皮书1.0(32页).pdf

艾瑞：2019年中国商业智能研究报告(48页).pdf

爱分析：中国BI商业智能行业报告(50页)（景略咨询）.pdf

爱分析：2021年中国BI商业智能应用实践白皮书（40页）.pdf

《甲子智库：大数据时代的商业智能（43页）.pdf》