过去商业智能软件(BI)主要应用在一些高端的企业。目前，随着一些实用派软件企业的加入，这种现状也在逐渐发生改变。一些软件公司，根据企业的实际需求，把一些实用的管理模型直接集成到BI中去，这扩大了BI软件的内涵，提高了BI的实用功能。目前，各BI基础平台厂商在产品方面都有新动作，其目的是使基于其平台的BI系统实施过程简单化。具体体现为：提供针对性的BI集成开发环境;提供丰富的展示及逻辑控件;提供面向应用的支持。
目前主流的商业智能工具包括 Style Intelligence、Smartbi商业智能软件、BO等。一些国内的软件工具平台也慢慢走进企业视野，如Smartbi。从国内商业智能应用的领域来看，电信、金融、保险是国内商业智能系统需求较大的三大领域，其中电信、金融、保险分别占国内商业智能软件收入规模的36%、32%、14%，三者合计市场份额超过 80%，代表了商业智能系统应用的主要领域。今天就来讲一下商务智能常见的具体应用。
1、客户消费行为分析

客户是一个公司生存的命脉，每个公司都会有自己的一套CRM，但是大部分的公司只是利用这个系统进行一个信息保存记录的操作，白白浪费了大量的客户信息价值。
利用商业智能BI，企业可以根据客户历年来的大量消费记录以及客户的档案资料，对客户进行分类，多维分析每类客户的消费周期、消费能力、消费习惯、需求倾向、信誉度，然后综合分析结果确定能给企业带来最大利润的是哪类客户、投入最大回报最小的又是哪类客户，然后针对不同类型的客户给予不同的服务及优惠。
2、市场营销建模分析

在没有商业智能系统之前，市场营销策略的制定只能在市场数据分析的基础上直接实行，风险性较大。

利用商业智能BI的数据仓库技术，市场营销人员可以创建模型仿真，其仿真结果将提示所制定的市场营销策略是否适合，企业可以据此调整和优化其市场营销策略，规避风险，增加收益。
3、经济活动收支分析

企业运营经常需要举办一些经济活动，为了降低成本，提高收入，企业可以利用商业智能BI对各种类型的经济活动进行成本核算，比较可能的业务收入与各种费用之前的收支差额，分析经济活动的曲线，得到相应的改进措施，从而降低成本、减少开支、提高收入。
4、行为分析和预防

骗费、欠费在商业交易中屡禁不止，现在利用商业智能联机分析（OLAP）和数据挖掘技术，可以总结出各种骗费、欠费行为的内在规律，然后在数据仓库的基础上监理一套欺骗行为和欠费行为规则库，就可以及时预警各种骗费、欠费，尽量减少企业损失。

​商业智能描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。想要学好商业智能必须从业务、技术、分析思路三个角度出发丰富自己的知识体系。BI本身是商业智能分析，会涉及到数据技术知识和业务知识，业务每个企业各有不同，相通的是一些分析思维和一些商业常识。今天Smartbi就来与你聊一聊商业智能BI需要掌握的知识有哪些？
这里列一些涉及到的学习的内容

1、学习数据库知识，掌握基础技能SQL。因为BI的出发点是数据，他希望能够从数据分析中得到有用的信息，数据库是工具，也是基础
2、技术层面

技术层面主要是针对数据分析师、业务分析师或BI工程师等岗位，需要掌握的一些基础技能。这里推荐一份数据分析知识图谱可以参考，包含了Python数据分析全方位的技能体系，比如数据获取、SQL数据库、Python、统计学、数据分析核心模块、可视化、报告撰写等等都有详细拆解。

2.1、技术选择：数据仓库/ETL/前端开发等等

2.2、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、Power BI、还有国内的Smartbi。
3、学习业务知识

业务层面其实很难帮到你，因为每一个行业都不一样，但不变的是，你得首先知道企业为什么要做商业智能，目的是什么？（一般是通过数据可视化、数据异常分析、业务建模分析发现更多增长机会）其次，你得了解各条业务线的KPI以及达成KPI的方式和影响KPI的因素。从结果出发找到我能为这些业务线去发现什么样的问题，并通过优化业务流程和集中决策来帮助业务线解决问题，节省资金，提高投资回报率。
4.统计学知识，为什么呢，因为数据拿出来之后，你能做的第一件事，是将数据展示出来，如何展示，如何合理的展示，如何有效的展示，这是BI的核心其他的，什么数据挖掘算法，数学能力，业务分析能力等等都是plus，如果有，那你的商业智能产品一定有更高的价值。

商业分析中应用统计学的好处在于，你可以不知道两者的因果而只分析两者的联系，并且在环境没有太多改变的情况下，分析结果都是适用的。
5.实操数据分析工作，项目过程中认真参与.

商业智能BI需要掌握哪些知识？Smartbi表示，商业智能是利用计算机对数据大量快速处理的特点，对众多商业数据做图与表的展现分析，并通过统计学的方法对数据进行智能学习和挖掘，辅助商业决策。商业智能的优势就在于它对海量数据的处理，以及可规则化逻辑化（这点部分继承了数学的DNA），这些杂乱的数据让人去处理和挖掘有用信息，基本是不可能的。

　　科技产业发展迅速，时不我待。稍微忽略技术更新就惨遭淘汰的命运。每一个企业发展十年以上，就得考虑巨大的技术转型。“移动”的时代让BI商业智能解决方案早早面临挑战进而转型移动BI，智能与移动技术从来就不分家，相辅相成。

　　2016年第四季度财务业绩显示，顶级云提供商市值大幅增长。亚马逊AWS和微软收入分别增长47％和93％，有一点是清楚的--云端正在以惊人的速度增长。

　　但是云的快速扩张造成了技能差距，对于商业智能BI也一样，不跟上移动技术的时代趋势，无法满足用户快速变化的使用习惯，也将被时代淘汰。

　　移动BI是指通过使用移动终端设备，使得用户能够随时随地获取所需的业务数据及分析展现，完成独立的分析与决策应用，实现决策分析无处不在的实时动态管理。

　　移动BI可以随时随地访问企业BI应用，实时钻取，主题分析；可以实时访问企业数据；信息定制推送服务；及时提醒，监控与预警服务。还可以根据用户不同行业不同领域的用户需求，进行个性化开发，满足不同角色需求。

　　一直专注于BI系统研发的奥威软件于2006就推出最适合中国企业市场的BI商业智能解决方案经过几年对市场需求与移动服务的探索，实现了全方位的移动BI应用，支持ios/android系统，任意终端设备访问，任意调节屏幕大小，还可与云之家、微信、钉钉或其他APP集成。应用专业性强，操作也极为简单。

　　再先进的技术都要考虑便捷的应用细节，细节里的匠心营造智慧。快速反应的是现在企业极其重视的能力之一，需要用快速的方式传递运营管理数据。 Power-BI打造新一代移动BI，让分析更智能更轻松，随时随地尽在掌握！

            
开篇介绍
我发现一个问题，当和一些不熟悉我们这个领域的朋友们来说，解释大数据的概念比起解释商业智能 BI 要容易的多。举个例子，我们问“你知道什么是商业智能 BI”吗？通常情况会一脸茫然的回答到：“不知道！”。但是当我们问：“你知道什么是大数据吗？”，通常情况下大部分人都会很直接的回答：“大数据，我知道啊！”.....“就是数据很大”（我问过我同学、朋友、家人，答案几乎一致，但是他们完全没有相关任何从业经验）。通常的还有数据分析、数据挖掘，这些名词本身就和大数据一样自带解释功能。对于一般非本行业的朋友们来说，看到这些词通过字面意思通常就能理解个大概，所以取一个好名字就显得有多么的重要。






站在一个比较专业的角度来看，这些解释肯定不太严谨或者本身的理解就是错误的，比如前面所提到“大数据就是数据大”的情况。但我个人认为这些并不是什么太大的问题，因为能理解个大概总比解释了半天还不能理解要好。那我现在要说的就是如何向身边的朋友或者客户解释什么是商业智能 BI。
不要试图用一句话解释什么是 BI
在看下面的文章之前，先停下来想一下，假设是由你来介绍，你会用什么样的方式向一个朋友或者你的客户来解释什么是商业智能（Business Intelligence） 呢？
比如：
BI 就是把数据转换为信息。
BI 就是报表。
....
我要说的是，不要尝试用一句话解释商业智能 BI 是什么，因为它本身就是一个专业词汇，背后涉及到方方面面的概念和知识体系。就如同跟一个不懂遗传学的人解释什么是“孟德尔遗传规律”一样，即使可能用一句话高度概括了，但我相信很多人听了仍然不懂。所以，当你向你朋友解释不了什么是商业智能 BI 的时候，这是非常正常的。不是我们知识不够我们讲的不好，而是因为它本身太专业，它包括了 ETL、数据仓库、OLAP、数据分析、数据挖掘等专业技术，以及整套将数据变为信息、信息升华为价值的整个过程。
当每个人都认为自己解释的是正确的，但同时在别人的眼里都是不正确的或者不是很完美的时候，就不要试图用一句话来解释了。
什么是商业智能 BI？
我们先来看看官方的解释。
1) 来自Wikipedia 的定义：Business intelligence(BI) can be described as "a set of techniques and tools for the acquisition and transformation of raw data into meaningful and useful information forbusiness analysispurposes". （https://en.wikipedia.org/wiki/Business_intelligence）
2) 来自百度百科：BI 是Business Intelligence的英文缩写，中文解释为商务智能，用来帮助企业更好地利用数据提高决策质量的技术集合，是从大量的数据中钻取信息与知识的过程。简单讲就是业务、数据、数据价值应用的过程。（Business Intelligence）
对于一些完全没有接触过 BI 的朋友们来说是不是很难理解？ 什么叫高质量决策的技术集合？什么叫钻取数据？业务、数据、数据价值应用又是什么？
如何快速的理解商业智能 BI？
跟人们解释一样东西，还是从他们最熟悉的东西开始。我们从到一个餐厅点单开始说起，同时便于大家对比和理解，我在这里不提商业智能 BI，只提一个最简单的场景，从做一张报表开始。
点单和提出报表需求
在图片左边，我们现在去一个餐厅点单，需要点一个菜叫做“小鸡炖蘑菇”。同时在图片右边，我们需要做一张有关销售方面的报表。






餐厅点单的时候，顾客提出了具体的要求（假设可以这样随便提出要求），比如对于食材必须是深山散养的童子鸡，以及对于其它材料的要求，蘑菇的切法等等。这就对应于我们现在要一张有关“产品销售分析”的报表一样，需要弄清楚这张报表应该如何展现，具体需要哪些方面的数据展现在报表上面。无论是点单还是报表需求询问，这都是一个“提出需求的过程”。客户要什么东西，这些东西怎么做，这些就是需求。






备菜的过程与准备报表数据
备菜的过程说简单点就是要上这盘菜，要炒这盘菜，首先我们得把原材料准备好，比如鸡肉、香菇。同样的，我们要去准备一张报表，需求拿到了，那我们就要去准备好这些数据，比如销售相关的、产品相关的数据。备好的菜是放在一个叫操作台的地方，大厨就直接可以炒菜了。同样的，备好的数据放在一个叫“数据仓库 Data Warehouse”的地方，报表开发人员可以从里面直接找到数据制作报表。






原材料的清洗和数据的清洗
下锅炒菜的时候不能直接把一只鸡放在操作台上扔进锅里炒，在原材料变成炒菜的材料之前要把鸡割颈拔毛开膛破肚去屁股尖切成块；蘑菇去根，洗净，顶部开十字口等等，这是一个择菜、洗菜、把源材料变成一个真正可用可下锅的一个过程。这个过程就是 ETL —— Extract 抽取，把鸡拿出来；Transformation 转换，把鸡变成鸡块，完成清洗和转换工作；Loading 加载，把洗净的鸡块放到操作台上以供随时炒菜。






数据的准备过程和菜品原材料的清洗过程是一样的道理，数据是存放在一些数据表中，但是并不是所有的数据都需要抽取出来，只有有用的数据才会被抽取（Extract）；涉及到一些数据需要去重、合并计算、格式转换（比如 15/10/22 转换成 2015-10-22）等都属于 Transformation 阶段；Loading，最后把数据统一加载到数据仓库 Data Warehouse，数据仓库中有一组表。






对于菜品的源材料清洗过程很容易理解，这里为了让大家理解对于数据 ETL 的过程，举了下面这个例子。第（1）张表是我们的原始数据，我们的清洗规则是拿到从0034到0036,0036到0048之间的时间间隔，因此需要通过程序来计算和整理这些数据，可能先转变成第（2）张表的数据，最后再计算转变成第（3）张表的结果。而第（3）张表的结果就是报表最后要的结果，比如展示 ID = 1001， 1002， 1003 ... 等各自的时间间隔。






原材料的采购和源数据的加载
我们再继续想一想，这些鸡和蘑菇是从哪里来的？菜场。可能是一个菜场，也可能是多个菜场的多个摊位采购的，采购之后先原封不动的放到厨房。






源数据的采集和加载也是同样的道理，数据可能是来自外部系统，也可能来自内部的不同业务系统，比如 CRM 系统、ERP 系统，也有可能来自业务人员的 EXCEL 表格， 这些统称为 Data Source 数据源。
这些数据通过 ETL 工具原封不动的抽取到一个叫做 ODS 或者 STAGING 的数据库（或者数据库中的一些表）先存放起来，就类似于把菜买回来先放到厨房，先放起来。后面才有数据的清洗、整理，完毕之后才放到数据仓库，在之后就是制作报表的过程。
这里还要解释一下，ETL 工具和 ETL 的概念区别。ETL 描述的是将数据从一个源头抽取出来，中间完成了数据的清洗和整理，把干净的数据放入到目标数据库或表这样的一个过程。这个过程是可以通过一些工具来实现的，这些帮助实现 ETL 过程的工具统称为 ETL 工具，比如 DataStage、Kettle、Informatica、微软 BI 的 SSIS 等。






回顾整个过程
其实到这里，这些流程已经是比较清楚了，现在只需要反转一下。






其中有几个点我再来解释一下：
第一，菜并不是客户点了单之后我们才到市场去采购的，而是在点菜之前就准备好了的。同样的，报表并不是客户提出了需求我们才去找数据，可能这些数据早就准备好了，当报表需求提出的时候我们只需要从数据仓库中去取就可以了。如果菜品的源材料没有了，只是当时这个菜可能做不了，但并不代表以后这个菜就没有了，以后仍然可以采购。同样的，如果报表所要的数据没有了，就需要顺着这个流程反过来去找，找到数据的源头，然后抽取过来，加工放到仓库里。
第二，在 BI 项目中，通常数据是定时比如说每天晚上或者凌晨从各个数据源抽取到 STAGING/ODS，再到数据仓库，所有的历史数据根据不同的设计得到部分或者全部保留。
第三，从上图中 ODS/STAGING 到 DW 处我用 ETL 来匹配“择菜、洗菜、切菜”的过程。其实从各个数据源抽取数据到 ODS/STAGING，也属于 ETL，只不过在这个 ETL 过程中数据都是原封不动的搬过来，发生了很少的或者没有发生 TRANSFORMATION 转换操作。
一个简单的 BI 项目架构
这篇文章不会把 BI 描述的过于复杂，就如同描述一栋住宅一样。这个住宅你可以规划的非常复杂，把一切都描述的尽善尽美。你也可以把住宅画的很简单，也能让大家明白这就是一个住宅，有门有窗有房顶。同样的道理，对于 BI 来说，不同的人有不同的解释和定义，但我们一样可以描述的很简单。
商业智能 BI 就是一个把数据变为信息的过程 —— 将企业中的各个部分、各个业务系统中的数据统一的按照一定规则的抽取、清洗，最后加载到一个统一而集中的数据库中。在这个数据库之上，可以做报表展现、也可以做数据分析，最后这些展现和分析的结果将能成为一些决策的重要数据支持，这就是描述商业智能 BI 的一个最简单的价值。简单概括这个过程所体现的三个大的部分就是：Data Source 数据源，Data Warehouse 数据仓库的数据准备，Reporting 报表系统提供报表展现和数据分析。






关于报表展现和数据分析
我这里再来放一些图表，来自不同的报表工具，这些报表都是以展现或者分析的目的而制作的，通过数据报表来发现和找到企业在生产、内部管理、市场、客户管理等各个方面的问题，或者作为日常会议决策过程的数据支持。
























最后我要说的是，这并不是 BI 的全部，BI 所涉及到的内容和部分比想象中的更复杂。但是作为一个之前并不了解 BI 的朋友们来说，相信通过这篇文章会让你对 BI 的认识更加清晰一些，尽管到最后你还是不能用一句话来表达它的全部。如果看完了之后，更加觉得疑惑或者有更多的问题想要抛出来，可以稍微压抑一下自己的冲动，只需要把做饭的过程和我所描述的报表制作过程理解了就可以了。如果连做饭的过程都不知道，我只能说你日子过的太舒服了，请不要到这里和我们抢饭碗。
如果想了解的更加深入，我会在我的专栏（天善智能社区 BIWORK）更新更多这样的文章，比如商业智能 BI、大数据、数据分析和数据挖掘它们之间的关系，BI 体系的技术与产品划分等内容。
如需转载，须经天善智能联合创始人吕品本人同意授权。