商業智能

1996年，知名咨詢機構Gartner集團正式提出BI的定義：一類由數據倉庫(或數據集市)、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的、以幫助企業決策為目的的技術及其應用。BI并不全是新的技術，而是對一些現代技術的綜合運用。BI技術提供使企業迅速分析數據的技術和方法，包括收集、管理和分析數據，將數據轉化為有價值的信息，并分發到企業各處，讓企業決策有數可依，從而減少決策的盲目性，理性地驅動企業管理和運營

傳統商業智能(Business Intelligence)是基于數據倉庫、數據挖掘等大數據技術進行數據抽取、展示與分析，從而為企業實現商業價值提供支撐。艾瑞認為新型商業智能(Business+Artificial Intelligence)是在基于數據維度進行商業分析的層面之上，通過將人工智能核心技術(機器學習、計算機視覺、自然語言處理、智能語音交互、知識圖譜)與大數據、機器人流程自動化(RPA)、運籌學等技術相結合，圍繞商業活動中各典型關鍵環節進行洞察分析，并通過完整的解決方案級應用，推動產品創新與服務升級。

BI(Business Intelligence，商業智能或商務智能)源于企業對業務數據進行價值挖掘與展現的需求。1989年，BI概念由Howard Dresner定義而廣泛傳播，此時的BI定義為由數據倉庫、查詢報表、數據分析、數據挖掘和數據維護等部分功能組成，以幫助企業決策為目的的技術應?。

商業智能不僅是?種技術，更是?種企業集成數據解決?案。這包括ETL(ExtractTransform-Load，抽取-轉換-加載)、數據倉庫、DM(DataMining，數據挖掘)、OLAP、數據可視化等多種?具。1968年到1989年，傳統BI的?商如Cognos、SAP、Oracle、Teradata、MicroStrategy等陸續成?。

2013年之前，傳統BI產品?直是市場的主流，但這并不是?個很好的市場。根據IBM的統計數據，實施傳統BI的項?失敗率在60%-70%，大量的BI系統并沒有得到有效的使用。傳統BI產品，通常只能由技術?員在設計好的維度模型上建?數據倉庫。這造成了兩個問題，技術?員難以完全理解業務人員的需求，數據倉庫不能滿足不斷變化的業務需要。

敏捷BI為了解決上述兩個問題?出現。敏捷BI，又稱自助式BI，是指由業務人員自助式建模，能夠實現快速部署、數據源集成、高性能計算、探索式分析的BI可視化產品。由于業務人員自行建模，擺脫了數據無法體現業務需求，技術?員不懂業務需求的困境。讓數據直接反映業務，成為敏捷BI的?大特點，典型的敏捷BI廠商有Tableau、永洪科技等。

商業智能初期階段(2005-2013)：企業上線適應自身業務的應用系統，類似于ERP、CRM、OA、HIS等。市場仍主要被SAP、Oracle、IBM等老牌巨頭占領。主要用戶群體集中于大型企業，且相對封閉。

可視化數據分析階段(2013-2016)可視化數據分析產品出現，企業項目中原有的商業智能初期產品逐步下線，此消彼長，可視化的數據分析產品集中進入市場，國內外廠商處于快速成長期。同時，隨著IT基礎設施逐步完善，更多企業用戶擁抱商業智能。

淺層決策智能階段(2016-2018)大數據、人工智能技術的發展支持商業智能進入數據挖掘的淺層決策智能階段。云服務的普及推廣支持商業智能解決方案的云端部署，吸引更多的中小企業用戶。行業進入新型商業智能階段。

多維決策智能階段(2018-至今)伴隨2018年人工智能技術的全面商業化落地，集合AI、大數據、云服務、RPA、運籌學等技術的新型商業智能開始為企業客戶提供多維決策的智能服務。融合技術、打磨場景、優化解決方案的部署成本是現階段商業智能企業的發展重點。

根據艾瑞《2019年中國商業智能研究報告》，商業智能的應用場景豐富。

商業智能應用場景之金融風控：智能技術成為金融機構提升風險管控能力的重要手段，例如以金融壹賬通為代表的金融科技公司利用多種技術手段降低商業銀行在信貸過程中面臨的各類欺詐風險，幫助金融機構進一步降低不良貸款水平提升抗風險能力。

商業智能場景應用之物流管理：重塑物流行業資源規劃系統，加速柔性供應鏈管理的實現，商業智能在物流管理的應用場景有一是物流網絡預測管理，通過深度學習算法建模，對區域內物流網點、線路、運力、人力投入進行規劃預測動態識別天氣、運營條件、運輸狀態等變量變化情況，分析調整物流策略；二是風險控制預測。針對自然災害、突發性事件等不可抗因素與材料短缺、運力不足等常規性風險進行識別規劃；通過NLP技術檢測分析供應鏈相關數據與供應商對話內容，為采購經理提供實時風險預警信息；三是智能路徑規劃，利用數字衛星、高清地圖、交通流量檢測等數據來源作為路徑規劃輸入的初始變量；通過算法進行最優路徑規劃，動態調整運輸線路與運輸流程；四是分類與庫存優化。計算機視覺、機器學習技術可以有效進行貨物分類、檢測物流商品損壞類型及程度，便捷管理庫存、對易損物品進行預包裝、基于缺貨/貨物堆積帶來的成本情況設計補貨方案。

商業智能場景應用之廣告營銷：機器學習分析供給需求兩側行為數據進行智能撮合，在廣告拍賣請求數量基本不變的前提下，通過應用人工智能等技術，廣告主利潤比原來普遍提升了3-6倍

商業智能應用場景之零售電商：融合進零售電商的經營管理環節，提高獲客與轉化，應用在線上電商營銷管理和線下門店經營優化

商業智能場景應用之交通出行：重塑交通各參與方融合關系，逐步實現全智慧交通出行；現階段商業智能主要應用于交通信號燈管理、高精地圖導航、機位調度、自動駕駛、公共交通系統優化、停車位動態規劃管理等方向，未來將形成實體道路與虛體網絡的統一融合，建設具備統一數據接口的城市“交通大腦”，實現“以人為本”的全智慧交通系統。

商業智能應用場景之輔助診療：加速藥物發現，輔助臨床診斷，優化就診流程

商業智能場景應用之客戶服務：解決傳統客服行業核心痛點，提升前端后臺服務效率，智能客服系統可根據行業知識和企業業務搭建專業知識庫，通過構建開放式問答及交互式對話技能，對客戶提出的咨詢問題快速輸出匹配答案。

根據《帆軟商業智能BI白皮書1.0》，商業智能的價值有

支撐管理決策：企業數據驅動決策的需求促使了BI的誕生，因此支撐管理決策是BI最核心的目的，也是其最直接的價值。

提升管理水平：在支撐管理決策的基礎上，BI還能夠進一步幫助企業基于數據的透明和流程化，促進PDCA高效循環，并能形成一定的激勵機制，提升管理水平。

提高業務運營效率：除了管理層面上的價值，BI在業務層面上也有出色的表現，最明顯的一點是提高業務運營效率。業務運營過程中涉及的大量手工報表、人工統計、逐級取數等操作，都可以由BI來代替，既能減少人為干涉錯誤，提高數據的準確性，又可以提高效率，節省時間成本

改進優化業務：提高業務運營效率更多的是改善數據的準確性，減少相應的人力成本。而改進優化業務則是BI在業務層面上更重要的價值，能夠從業務本身出發，完善整個業務體系，從而提升業務價值。

按照從數據到知識的處理過程，一般BI系統的功能架構如圖所示，分為數據底層、數據分析和數據展示三個功能層級。其中數據底層負責管理數據，包括數據采集，數據ETL，數據倉庫構建等；數據分析主要是利用查詢、OLAP、數據挖掘，以及數據可視化等分析方法抽取數據倉庫中的數據并進行分析，形成數據結論；最終通過數據展示呈現報表和可視化圖表等數據見解。

根據《帆軟商業智能BI白皮書1.0》商業智能的主要技術有:

數據可視化：借助于圖形化手段，清晰有效地傳達與溝通信息。其基本思想是將數據庫中每一個數據項作為單個圖元素表示，大量的數據集構成數據圖像，同時將數據的各個屬性值以多維數據的形式表示，可以從不同的維度觀察數據，從而對數據進行更深入的觀察和分析。

OLAP、數據挖掘等分析類技術，能夠基于現有數據提供更深入的洞察。數據挖掘技術需要一定數據量的支撐，而企業不一定要等到數據量足夠大時才能應用BI，結合我國企業的信息化現狀，數據挖掘目前并不是BI系統的關鍵技術需求。

聯機分析處理(OLAP，Online Analytical Processing)主要關注多維數據庫和多維分析。OLAP委員會對聯機分析處理的定義為：使分析人員、管理人員或執行人員能夠從多種角度對從原始數據中轉化出來的、能夠真正為用戶所理解的、并真實反映企業維特性的信息進行快速、一致、交互的存取，從而獲得對數據更深入了解的一類軟件技術。

支撐類技術，包括ETL、數據倉庫、元數據管理和大數據技術等，用于管理繁雜的、不斷增長的企業數據，為整個BI系統體系提供持續的、強力的、穩定的支撐。

數據倉庫(Data Warehouse)是一個面向主題的(Subject Oriented)、集成的(Integrated)、相對穩定的(Non-Volatile)、反映歷史變化(Time Variant)的數據集合，用于支持管理決策(Decision MakingSupport)。大部分數據倉庫還是用關系數據庫管理系統來管理的。

ETL(Extract-Transform-Load)，用來描述將數據從來源端經過抽取(Extract)、交互轉換(Transform)、加載(Load)至目的端的過程。它是構建數據倉庫的關鍵環節，數據倉庫主要是為決策分析提供數據，所涉及的操作主要是數據的查詢，所以ETL過程在很大程度上受企業對源數據的理解程度的影響，也就是說從業務的角度看數據集成非常重要。

大數據(Big Data)是指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

元數據(Metadata)又稱中介數據、中繼數據，用于描述數據屬性的信息，是描述數據的數據(data about data)。其使用價值主要在于在識別資源、評價資源、追蹤資源在使用過程中的變化、實現簡單高效地管理大量網絡化數據、實現信息資源的有效發現、查找、一體化組織和對使用資源的有效管理。由于元數據也是數據，因此可以用類似數據的方法在數據庫中進行存儲和獲取。

參考資料：

帆軟：商業智能（BI）白皮書1.0(32頁).pdf

艾瑞：2019年中國商業智能研究報告(48頁).pdf

愛分析：中國BI商業智能行業報告(50頁)（景略咨詢）.pdf

愛分析：2021年中國BI商業智能應用實踐白皮書（40頁）.pdf

《甲子智庫：大數據時代的商業智能（43頁）.pdf》