1、 前言 当前的时代是信息爆炸的时代， 数据已经成为新的生产要素， 其价值愈发凸显。 作为数据的生产者和消费者， 企业需要思考的是如何利用生产运营过程中产生的数据反哺生产运营。 数据驱动决策的需求正在不断地推动 企业寻找信息化建设与数字化转型的新方式， 而商业智能便提供了一个绝佳的思路。 商业智能问世已有二十余年， 受到广大企业的青睐与追捧， 硕果累累。 虽然不少企业没有特别强调商业智能这 一概念， 但是商业智能的广泛应用已成既定事实。 商业智能市场规模增长迅速， 国内市场增速更是大于全球 市场。 Gartner 在 Market Share: Analytics and Business In
2、telligence, Worldwide, 2018 报告中指 出， 分析和商业智能软件市场在 2018 年增长了 11.7， 达到 216 亿美元。 现代 BI 平台继续以 23.3的速度 增长， 增速最快， 其次是数据科学平台， 增长 19.0。 帆软数据应用研究院发布的 2019 年中国大数据 BI 行 业预测报告 显示， 国内 BI 市场在 2018 年增速达到 25.8%， 高于全球市场增速。 企业数字化转型进程已经 迈入商业智能阶段。 尽管商业智能已被企业广泛应用， 概念上的普及却 “相形见绌” ， 国内民众对商业智能的认知仍是千人千面。 一方面， 商业智能起源于国外， 信息化基
3、础的差异让商业智能的引入过程发生了 “变异” 。 另一方面， 我国缺乏 类似 Gartner 的研究机构来持续教育与引导国内市场。 市场需要教育和孵化， 相较欧美， 我国还任重道远。 因此， 帆软数据应用研究院结合文献材料、 企业调研以及我国的市场环境， 形成本白皮书。 本白皮书旨在明晰商业智能的概念、 价值、 功能技术、 工具等内容， 并基于我国的市场环境、 企业需求， 对商业 智能工具的概念进行重新梳理， 同时在此基础上引入生态学思维， 构建商业智能生态系统模型， 以期统一商 业智能的大众认知， 规范国内的市场行为， 指导我国企业的商业智能建设与数字化转型。 前言 目录 contents
4、商业智能的概念 1.1 由来与发展 1.2 企业从业人员的认知 1.3 国内用户对商业智能的诉求 1.4 商业智能与商业智能工具 商业智能的价值 2.1 支撑管理决策 2.2 提升管理水平 2.3 提高业务运营效率 2.4 改进优化业务 01/ 02/ 02 10 商业智能的功能与技术 3.1 功能架构 3.2 商业智能的主要技术 3.3 功能需求与技术趋势 商业智能工具 商业智能生态系统 总结与展望 参考文献 03/ 04/ 05/ 06/ 14 22 18 26 27 3 商业智能的 概念 01 商业智能（BI）白皮书 2 01/ 商业智能的概念 商业智能 （Business Intell
5、igence， 以下简称 BI） ， 也被称为商业智慧或商务智能。 早在 1958 年， IBM 的研究员 Hans Peter Luhn 就将 “智能” 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。 ” 这期间出现的领导信息系统 （EIS， Executive Information System） 和决策支 持系统 （DSS， Decision Support System） 等技术应用， 可以看作是 BI 的前身 1。 但是由于技术、 企业环境 现状等因素的限制， BI 经历了一段漫长的探索期。 1996 年， 知名咨询机构 Gartner
6、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。 由此看出 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。 2013年，Gartner集团对BI的概念进行了更新与扩展，在 “Business Intelligence”一词中加入“Analytics”，合 并成
7、“Analytics and Business Intelligence” （ABI， 分析与商业智能） ， 并且纳入应用、 基础设施、 工 具、 实践等多项内容， 将其定义为 “An umbrella term that includes the applications, infrastructure and tools, and best practices that enable access to and analysis of information to improve and optimize decisions and performance” 2。 如果说最初的BI 还不够
8、智能， 其中的 “Intelligence” 翻译为 “情 报” 可能更为恰当， 那么 “Analytics and Business Intelligence” 则是融合了计算机、 统计学等相关知识， 随 着技术的发展， 未来 Intelligence 将成为真正的 “智能” 。 除去 Gartner 等研究机构， 国内外的学者在一些文献和书籍中， 也对 BI 进行了类似的定义。 表 1 对 Gartner 和部分文献书籍中的 BI 定义进行了整理。 1.1 由来与发展 3 时间来源定义 国外国内 帮助你把一些数据转化成具有商业价值的， 而且可以获取的信息和知识， 同时在最恰当 的时候， 通
9、过某种方式把信息传递给需要的人。 从专业的角度来说， 商业智能就是利用数据仓库、 数据分析和挖掘技术， 以抽取、 转换、 查询、 分析和预测为主的技术手段， 帮助企业完成决策分析的一套解决方案。 表 1商业智能的主流定义 由表1看出， 国内外对BI的定义存在较多类似之处， 学界的共识即核心观点均是从数据中获取知识， 辅助决策。 具体地， 我们将 BI 的定义拆分为四个方面来理解： 输入： 数据 （内部、 外部； 结构、 半结构、 非结构） 、 事实、 关系； 方法： 数据存储、 ETL、 数据分析、 多维分析、 预测等技术； 产物： 有价值的知识、 信息； 目的： 辅助科学决策、 发掘商业价值
10、。 Gartner Gartner Negash&Gray3 Muriithi,G.M.&J. E.Kotz4 SteveWilliams5 余长慧， 潘和平 6 郑洪源， 周良 7 王飞， 刘国峰 8 1996 2008 2013 2013 2016 2002 2005 2014 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。 BIisadatadrivenprocessthatcombinesdatastorageandgatheringwith knowledgemanagementtoprov
11、ideinputintothebusinessdecisionmaking process. Anumbrellatermthatincludestheapplications,infrastructureandtools,and bestpracticesthatenableaccesstoandanalysisofinformationtoimproveand optimizedecisionsandperformance Aconceptualframeworkfordeliveringcosteffectivebusinessintelligence solutionsasaservi
12、ce. Anumbrellatermthatencompassesprovisionofrelevantreports,scorecards, dashboards,e-mailalerts,prestructureduser-specifiedqueries,adhocquery capabilities,multi-dimensionalanalyses,statisticalanalyses,forecasts,models, and/orsimulationstobusinessusersforuseinincreasingrevenues,reducing costs,orboth.
13、 商业智能是从大量的数据和信息中发掘有用的知识， 并用于决策以增加商业利润， 是一 个从数据到信息到知识的处理过程。 商业智能是构筑在企业业务系统基础之上， 以知识获取和共享为目的的解决方案。 它通 过对企业内外数据的整合、 分析， 提取出有价值的信息， 帮助用户在加强管理、 促进营 销和企业发展方面做出及时、 正确、 科学的决策 ,并分析、 发现和把握新的商机。 商业智能（BI）白皮书 4 图 1企业从业人员的整体认知图 2IT 部门和业务部门从业人员的认知 基于以上疑问， 我们对 770 多家企业的 1400 多名从业人员 （多为企业 CIO 和业务管理人员） 进行了调研。 通 过对调研数
14、据的整理、 清洗和分析， 制作了图 1 和图 2 所示的词云图， 并由词云图得出以下结论： 整体上来看， 国内企业人员对 BI 的认知处于宏观目标层面， 对 BI 功能的认知集中在数据分析与数据可 视化上； 国内企业中 BI 的主要表现形式仍然是报表系统； 工作内容和工作性质的区别使得 IT 部门和业务部门的从业人员对 BI 的认知存在不同之处， IT 部门更 重视技术， 业务部门则更重视 BI 带来的业务价值， 不同业务部门的理解存在差异。 1.2 企业从业人员的认知 虽然 BI 问世已有二十余年， 学术界和 Gartner 等商业咨询机构也都对 BI 的概念做出了较为清晰的解释， BI 却
15、并没有想象中的 “如雷贯耳” ， 有些企业从业人员甚至没有听说过 BI。 造成这一现象的原因可能是以下几点。 首先， 企业界和学界存在一定的边界； 其次， 有些小型企业用不上 BI， 有些企业虽然拥有报表系统、 数据仓库 等 BI 技术， 但是并没有特意提及 “BI” 一词； 另外， 技术门槛使得最开始的 BI 只和少部分 IT人员有关； 最后， 除去互联网企业和各行业龙头企业， 我国也是在近几年才真正掀起 BI 热潮。 因此企业从业人员对 BI 存有困 惑也在情理之中。 那么我国企业从业人员对 BI 的理解如何？ 是否与专业定义存在区别？ 有没有偏离 BI 原有 的含义？ 拆分后， BI 的
16、概念更加清晰且易于理解： BI 是一种解决方案， 它以辅助决策为目的， 通过相关的数据技术方 法来处理企业各类数据， 产出可量化的、 可持续的数据价值， 这些价值表现在帮助企业实现业务监测、 业务洞 察、 业务优化、 决策优化甚至数据盈利。 此外， 表 1中的相关定义还呈现出一个明显的趋势： 无论是国内还是国外， 随着时间的推移， BI 概念发展得 越来越广泛， 涵盖的内容越来越多。 从最初的技术应用到处理过程， 再到一整套的解决方案， BI体系日益庞大。 这一趋势也对应了信息技术和企业数据的发展过程， BI 在输入和方法层面逐渐吸纳扩充了较多的内容。 （a） IT 部门从业人员认知（b） 业
17、务部门从业人员认知 数据来源： 帆软数据应用研究院， 2019 5 与研究机构和书籍文献中的定义相比， 我国企业从业人员对 BI 的理解侧重于数据的分析和展示， BI 更多地 被等同于数据分析与数据可视化。 因此在大多数企业中， BI 更多地是指分析和前端展示工具， 而不是一个完 整的体系。 这一理解偏差带来的结果就是 BI 正逐渐走向狭义， 即狭义的 BI 就是指 BI 工具， 而 BI 工具即指数据分析 与展示工具。 国内企业的理解认知正确与否我们无法断言， 毕竟这些认知来源于企业的反复实践， 但是长此 以往势必会带来不少问题。 一方面， 企业容易忽略 BI 数据底层的基础， 一味地追求数
18、据分析与展示， 不能系 统地看待 BI。 另一方面， 我国的信息化环境与欧美发达国家不同， 企业规模大小不一， 信息化水平参差不齐， 市场上缺乏类似 Gartner 的研究机构引导， 并且Gartner 的结论不一定适用于我国的企业， 如果不形成统一 的 BI 认知， 将不利于中国 BI 行业的健康发展。 1.3 国内用户对商业智能的诉求 我们调研发现， 当前国内企业应用 BI 产品， 最期待获得的数据价值， 一是数据整合， 二是数据展示效率， 三 是辅助管理决策。 72.8% 的受访企业最想获得的数据价值是整合多系统数据， 打通多系统的数据， 解决掉数 据壁垒问题， 实现信息透明。 69.1
19、% 的企业想要提高报表的输出效率， 期望能够更快更准更省事。 53.7% 的企 业则希望通过数据分析， 辅助企业决策， 实现科学化、 数据化的决策。 商业智能（BI）白皮书 47.8% 50.0% 51.4% 53.7% 69.1%72.8% 图 3企业期望获得的数据价值 整合多系统数据， 打通数据壁垒 驱动产品服务， 引导创新改良 提高制表效率， 更快更准更省事 数据结合管理， 优化管理方式 辅助管理预测， 提高决策成功率 其他 提高生产效率，降低 人力成本 业务监管分析， 促进业务增值 数据来源： 帆软数据应用研究院， 2019 6 在数据展示方式的选择上， 几乎所有的企业都会使用传统的数
20、据报表来展示信息， 有 84.3% 的企业会选择 使用酷炫的图形图表来制作报表。 Gartner 在 Survey Analysis: Traditional Approaches Dominate Data and Analytics Initiatives 报告中也提到 “报表能力” 和 “仪表板能力” 是 BI 平台最关键的部分。 图 4国内企业的数据展现方式 对于 BI 功能， 企业比较看重报表能力、 移动端、 填报录入、 管理驾驶舱这几项。 超过半数的企业非常重视常 规报表制作与展示和移动端 BI 功能。 接近一半的企业， 期待用数据填报来解决企业内部数据采集和录入的 问题， 数据填
21、报也是解决数据分散在 Excel、 Word 中的有效办法。 对于机器学习、 自然语言识别、 人工智能 这些未来 BI 的功能， 企业并不感冒， 仅有一成的企业表示关注。 这些功能更多地是停留在概念层面， 目前仍 处于炒作期， 实际的使用场景还不多。 0 0.2 0.40.60.81 96.4% 84.3% 数据报表图形图表数据来源： 帆软数据应用研究院， 2019 53.8% 53.1% 49.6% 48.2% 43.3% 36.8% 34.3% 13.5% 24.4% 10.1% 00.10.20.30.40.50.6 常规报表制作与展示 移动 BI/ 移动端数据展示 数据填报 / 录入
22、管理驾驶舱 大屏数据可视化 / 展示 数据挖掘 自助数据准备 机器学习与分析 自然语言识别 / 语义分析 数据来源： 帆软数据应用研究院， 2019 图 5国内企业选型 BI 时的功能考虑 7 商业智能（BI）白皮书 从部门层级来看， 企业更多地希望 BI 能服务领导层与业务管理层。 调研数据显示， 超过 80% 的企业希望通 过 BI 解决领导层与业务管理层的数据分析需求。 其他层级尤其是 IT 的需求相对较低。 这也表明国内企业对 BI 的主要期待在于寻求管理层的决策支撑， BI 结合业务才能体现真正的价值。 100%80%60%40%20%0% 领导层 业务管理层 业务执行层 IT 层
23、81.7% 88.6% 56.72% 35.08% 数据来源： 帆软数据应用研究院， 2019 图 6国内企业各部门层级的数据分析需求 1.4 商业智能与商业智能工具 基于前文所述， 我国企业亟需形成对 BI 的统一认知， 并将 BI与 BI 工具进行区分， 从而共建稳定的市场环境， 促进我国 BI 产业发展。 在文献研究和企业调研的基础上， 结合我国的市场环境， 我们对 BI 作出如下定义。 商业智能 （BI） 是利用数据仓库、 数据可视化与分析技术， 将指定的数据转化为信息和知识的解决方案， 其价 值体现在满足企业不同人群对数据查询、 分析和探索的需求， 实现对业务的监测和洞察， 从而支撑
24、管理决策、 提升管理水平、 提高业务运营效率、 改进优化业务。 企业部署应用到实际生产环境中的 BI， 通常被称为数据 决策系统、 报表分析系统、 数据分析项目等， 我们在此统称为 BI 系统。 BI 系统一般符合三层技术架构， 即数 据底层、 数据分析层、 数据展示层， 后文将详细介绍。 8 数据 数据 API 数据资源 行业应用 基础架构分析工具 数据可视化 BI 工具 数据挖掘 图 7数据领域生态图谱简图 结合国内外 BI 工具的能力现状、 企业需求和应用情况， 以及 BI 工具在数据领域生态图谱中所处的位置， 我 们对 BI 工具做出如下定义： 商业智能 （BI） 工具即狭义的商业智能
25、， 是指以数据可视化和分析技术为主， 具备 一定的数据连接和处理能力的软件工具，使用者能通过可视化的界面快速制作多种类型的数据报表、图形图表， 满足企业不同人群在一定的安全要求和权限设置下， 实现在 PC 端、 移动端、 会议大屏等终端上对数据的查询、 分析和探索。 在数据领域生态图谱中， 我们认为 BI 工具作为大数据领域下一个细分领域， 与数据可视化工具、 数据挖掘工 具同处于分析工具子领域中。 因此 BI 工具与数据可视化工具、 数据挖掘工具存在交集， 如一些 BI 工具已经 具备数据挖掘功能。 但是三者之间的区别也很明显。 数据可视化工具， 专攻于让数据更炫更精美的展示， 有较 高的技
26、术门槛， 如 Echarts， 它是一个纯 java 的数据可视化库。 数据挖掘工具， 则是专攻于从大型数据集中 发现并识别模式， 如 R 语言、 weka 等。 9 商业智能 的价值 02 商业智能（BI）白皮书 10 02/ 商业智能的价值 BI 的价值在于满足企业不同人群对数据查询、 分析和探索的需求， 帮助企业实现业务监测、 业务洞察、 业务优 化、 决策优化甚至数据盈利。 实现业务监测、 洞察、 优化以及决策优化的前提是数据统一准确， BI 系统的上线 会极大的推动企业数据标准的统一， 解决数据孤岛等问题， 否则 BI 也就丧失了业务监测、 洞察的能力， 无法 为企业运营和管理赋能。
27、 具体地， BI 价值体现在支撑管理决策、 提升管理水平、 提高业务运营效率和改进优 化业务四个方面。 2.1 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。 某时装企业的 BOSS 交互屏系统， 通过对已有的业务系统数据信息进行高效地分析， 并将分析结果展示在领 导办公室的显示屏上， 让领导能直观、 便捷地查看各个管理部门的财务数据指标， 合理调度配置资源。 该企业 旗下 500 多个店铺的库存和财务数据， 领导都能在交互屏和移动端上直接查看。 据业务部门反馈， 上线 BI 后， 领导再也没有通过电话的方式向其索要财
28、务数据。 同时， 业务部门每次汇报可直接参照办公室交互屏， 边汇 报边操作， 集中精力进行业务分析， 减少了在查看报表、 核对数据上的时间浪费。 某化工集团通过 BI 系统对全国各地的耕地面积和施肥量进行了分析。 化肥的使用量与有效耕地面积和作物 种类有直接关系， 所以及时了解各地的耕地面积变化和作物类型， 对于评估市场容量、 制定市场政策有重要 作用。 该集团的数据中心实现了与外部大数据平台的对接， 能够及时了解全国各地耕地面积和施肥量需求变化， 为管理层制定地区布局和销售策略提供了有力的依据。 某电气企业， 利用 BI 对销售渠道的维护与拓展进行了梳理和分析， 按照时间维度和区域维度对拓展
29、计划达成 率进行统计和对比， 将渠道进行分类， 统计不同渠道的销售额贡献情况， 再与投入的资源做对比， 从而辅助决 策后续各渠道的资源投入占比， 实现无效渠道的快速准确定位， 避免浪费。 11 2.2 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。 某医院的高层领导每年会给各科室分配年度收入任务，该医院在BI系统上设计了年度科室总收入TOP10报表， 高层领导发现积极优秀的科室后， 及时进行表彰， 并开展经验交流分享， 帮助其他科室提高进步。 中层领导在 BI 系统上根据自身科室
30、的收入构成， 来进一步分析需要提高哪部分的收入， 或者如果发现部分收入异常， 如 何调整。 这样一来， 医院的各级人员都有很明确的目标引导， 整个医院的管理水平有了很大改善。 某连锁超市利用 BI 系统将 KPI 体系和赛马体系结合运营管理， 在强化管理的同时又能调动业务部门的积极 性和创造性。 KPI 体系主要是上下级的任务分配， 用惩罚施加压力。 赛马体系则是同级之间的相互竞争， 用奖 励引导积极性。 并且个人绩效奖惩和团队绩效奖惩并重， 最终激发出业务部门的强大活力和创造力。 2.3 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
31、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。 某行业的一家领军企业， 其 OA 软件已经上线了 13 年， 但在办事效率上并没有感受到明显的提升， 员工在软 件原因和人的原因中摇摆不定， 争论不休， 然而工作效率并没有任何起色。 信息中心主动承担需求， 开发流程 绩效分析报表， 每天通过微信和短信推送流程执行排名， 并将此排名和人事部门绩效相结合。 工具端和制度 端双管齐下后， 该企业的办事效率提高了 80%。 很多企业每月都有经营会议， 使用 PPT 来复盘
32、、 分析工作的完成情况。 但是在执行操作时， 往往会出现表面意 义大于实际内涵的情况。 花费大量时间和精力制作的 PPT 并不能保证数据的完全准确， 而且无法进入数据 仓库产生再利用价值。 某家化工企业利用 BI 工具进行了创新， 让 IT 部门对月度经营分析报表进行信息化， 并 在每个会议室配备一个 iPad。 此后的月度经营会议只需要报告者打开 iPad， 基于数字演讲， 开会时间直接 从月中提前到了月初。 还有某服装企业， 利用 BI 系统将数据打通， 生成实时报表， 仅月报一项就减少了 20 个 人的工作量。 商业智能（BI）白皮书 12 2.4 改进优化业务 提高业务运营效率更多的是
33、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。 某电商公司为品牌商和零售商提供服务。 作为服务商， 核心竞争力就在于提供优质的服务， 但是服务质量的评 判成了一大难题。 以前， 该公司更多的是通过直观感受和个人经验， 人为判断的结果可想而知。 现在， 该公司 上线了 BI 系统， 搭建了投诉分析模块， 对每个部门制定了投诉指标。 通过投诉分析模块， 可以实时查看到当前 各部门、 各人员的被投诉数据和排名。 有了量化后， 下一步就是进行改善。 在 BI 系统上对被投诉原因进行分析 并采
34、取处理措施后， 经过近 1 年的努力， 将月均投诉从 33 次减少到月均 7 次的水平， 降幅达 79%， 而且月均 投诉次数仍在持续下降中。 可以说 BI 对公司整个业务的改进优化起到了决定性的作用。 某集团年产值近 600 亿， 每年花在辅料采购上的费用高达 30 多亿。 该集团的辅料采购依赖于一个经验丰富 的采购员， IT 部门将他的采购经验固化为一些分析报表， 并嵌入到采购系统中作为参考， 经过一年的统计， 在 销售额不断增长的情况下， 采购费用反而下降了 5.1亿， 整个采购业务得到了极大的优化。 某连锁零售企业， 利用 BI 有效地改善了生鲜业务运营过程中的库存盘点与出清， 销售预
35、测、 产品定价等问题， 实现了数字化生鲜运营。 最终精简了 30% 的非生鲜 SKU， 生鲜折价损失额下降 20%， 线上订单数月环比增长 高达 65%， 生鲜业务的价值大幅提升。 13 商业智能的 功能与技术 03 商业智能（BI）白皮书 14 3.1 功能架构 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 8 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
36、通过数据展示呈现报表和可视化图表等数据见解。 报表、 可视化图表 查询、 OLAP分析、 数据挖掘、 可视化分析 数据仓库 ETL 数据源 1 数据源 2 数据源 3 数据展示数据分析数据底层 图 8商业智能系统的功能架构 3.2 商业智能的主要技术 对照 BI 的功能架构， BI 的主要技术也可以分为展示类、 分析类和支撑类三个层级， 如图 9 所示。 ETL OLAP 数据仓库 元数据管理 大数据 数据挖掘 数据可视化 展示类技术 分析类技术 支撑类技术 图 9商业智能的主要技术 15 最核心的是展示类的数据可视化技术， 抛开企业数据量级的不同和深度分析的需求， 数据可视化技术能够满 足最
37、基本的 BI目标， 即将数据转化为信息并辅助决策； 数据可视化的具体形式又分为报表和可视化图表两大 类， 其中报表是我国大多数企业目前的主要数据展示形式。 数据可视化旨在借助于图形化手段， 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。 例如柱形图、 折线图和饼图等一些基础的图表 就可以直观地展示出数据。 当数据较为复杂时， 可以通过复杂图表搭配多样的交互效果来将数据直观化。 其次是 OLAP、 数据挖掘等分析类技术，
38、 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。 最后是支撑类技术， 包括E
39、TL、 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 Making Support） 。 数据仓库的出现， 并不是要取代数据库。 大部分数据仓库还是用关系数据库管理系统来管理的， 数据库、 数据仓库相辅相成、 各有千秋。
40、 ETL 是 Extract-Transform-Load 的缩写， 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
41、息资产。 顾名思义， 大数据技术就是收集、 存储、 处理、 分析大数据的相关技术。 当前大部分企业已满足大数据的 5V 特征， 因此， BI引入大数据技术， 旨在从大数据中快速获取价值。 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。 商业智能（BI
42、）白皮书 16 3.3 功能需求与技术趋势 随着企业信息化水平的不断提高， 在辅助决策这一核心目标不变的条件下， BI 在展示类、 分析类和支撑类技 术层面上都会进一步扩张， 纳入更多的新兴技术。 面对未来更快的数据增长、 更多的数据类型， 以及更复杂的 数据应用场景， 如何提供更强力的支撑， 如何产出更精准的数据见解来辅助决策将是企业需要重点考虑的问 题。 目前大数据技术已经趋于成熟， 支撑类技术在一段时间内将减缓甚至停止扩张， 未来 BI 的功能和技术需 求将围绕精准决策发展。 （1） 国内外信息化水平和市场环境存在差异， BI 发展趋势需要因地制宜。 Gartner 在 2019 年的
43、Magic Quadrant for Analytics and Business Intelligence Platforms 报告中 对 2020 年BI 产品的发展趋势进行了预测， 其中， 引入增强分析、 自然语言处理和语音生成等AI技术将是主流。 需要注意的是， 与欧美发达国家相比， 我国信息化水平整体较为落后， 尤其是非互联网行业。 现阶段 AI 技术 还不够智能， 成熟度仍有待提升， 在 BI 中贸然引入 AI 反而可能会带来消极影响， 我国的 BI更需要贴合中国 的市场环境和中国企业的实际需求。 我们针对国内 BI 市场的调研数据表明， 我国企业对 AI+BI 模式暂无明 显需求
44、， 目前 AI 与 BI 仅存在极小的重合部分， 仍是泡沫。 表 2 中整理了国内外研究机构对 BI 发展趋势的不同预测。 国外国内 到 2020 年， 增强分析将成为新用户购买 BI 产品、 数据科 学和机器学习平台、 以及嵌入式分析的主要驱动力。 到 2020 年， 有 50% 的分析查询会通过搜索、 自然语言处 理或语音生成， 或者自动生成。 到 2020 年， 为用户提供对内部和外部数据策划目录的访 问权限的组织将从分析投资中获得两倍的业务价值。 到 2020 年， 业务部门的数据和分析专家数量的增速将是 IT 部门专家的 3 倍， 这会迫使企业重新考虑其组织模式和 技能。 到 202
45、1 年， 自然语言处理和会话分析这两个功能， 会在新 用户、 特别是一线工作人员中， 将分析和商业智能产品的 使用率从 35% 提升到 50% 以上。 易用性、 稳定型、 功能、 大数据分析能力是当前我国企 业选型 BI 时的主要考虑因素。 报表制作、 移动端、 填报录入、 管理驾驶舱是当前我国 企业选型 BI 时重点关注的功能。 我国企业 2 年内最需要的 BI 功能中， 图像处理、 语音 工程和文本分析等功能排在最后。 我国企业未来 35 的将会应用的 BI 功能中， 图像处理、 语音工程和文本分析等功能依然排在最后， 占比均不足 20%。 我国企业的 BI 建设在未来 5 年内将仍然以数
46、据管理和 数据分析为主； 预计在 2025 年左右， 我国的 BI 将迈入 智能化阶段。 表 2国内外 BI 功能需求与发展趋势预测 数据来源： Gartner/ 帆软数据应用研究院， 2019 17 （2） 根据国内外的不同趋势预测， 结合国内市场环境， 我们得出以下结论： BI 未来最主要的趋势是与 AI 技术融合， 但是目前在中国仍是泡沫； 我国企业的 BI 建设在未来 5 年内将仍然以数据管理和数据分析为主； 预计在 2025 年左右， 我国的 BI 将开始迈入智能化阶段。 当然， 随着 AI 技术和 BI 系统的不断成熟， AI 在 BI 中的应用将会越来越多， 二者重合的部分也越来
47、越多， 但 是因为它们存在本质上的区别， 因此不会完全重合。 201920252030 数据挖掘 预测分析 自然语言生成 增强数据发现 . 嵌入式分析 图分析 会话分析 . 图 10国内企业 BI 与 AI 技术融合的发展趋势 商业智能（BI）白皮书 18 商业智能 工具 04 19 04/ 商业智能工具 BI 工具是以数据可视化和分析技术为主， 具备一定的数据连接和处理能力的软件工具， 使用者能通过可视化 的界面快速制作多种类型的数据报表、 图形图表， 可以满足企业不同人群在一定的安全要求和权限设置下， 实 现在 PC 端、 移动端、 会议大屏等终端上数据的查询、 分析和探索。 按照技术发展
48、和对用户需求的响应， 当前 BI 工具可以分为报表式 BI、 传统式 BI 和自助式 BI 三类。 1. 报表式 BI 报表式 BI 工具主要面向 IT人员， 适用于各类固定样式的报表设计， 通常用来呈现业务指标体系， 支持的数 据量相对不大。 国内的报表式 BI 于1999 年左右开始起步， 在 2013 年趋于成熟。 由于国内企业对于格式的纠 结和坚持， 当前我国非常多的企业对表格式报表仍然情有独钟， 解决中国式复杂报表经常成为企业选型的重 点需求。 报表式 BI 大多都采用类 Excel 的设计模式， 虽然主要面向的对象是 IT 部门， 但是业务人员也能快速学习和 掌握， 并在既定的数据
49、权限范围内， 制作一些基本的数据报表和驾驶舱报表。 例如 FineReport 自主研发的 HTML5 图表， 可以满足不同人群的视觉展示需求， 也可以进行一些简单的即席分析操作， 如图表类型的切换、 排序、 过滤等。 2 传统式 BI 传统式 BI 同样面向 IT人员， 但是侧重于 OLAP 即席分析与数据可视化分析。 传统式 BI 以 Cognos 等国外 产品为代表， 其优势是在大数据量上的性能和稳定性， 劣势也十分明显数据分析的能力和灵活性差。 据 Forester 报告显示， 在拥有传统式 BI 的企业或机构中， 83以上的数据分析需求无法得到满足， 这表明很 多企业重金打造的 BI 系统几乎成了摆设， 收效甚微。 此外， 项目耗资不菲、 实施周期极长、 项目风险大、 对人 才要求高等特征， 也不利于传统 BI 的推广和普及。 3. 自助式 BI 由于传统式 BI 的缺陷屡遭诟病， 以及业务人员数据分析需求的增长， 自助式 BI 开始快速成长起来。 自助式 BI 面向业务人员， 追求业务与 IT 的高效配合， 让 IT人员回归技术本位， 做好数据底层支撑； 让业务人员回归 价值本位， 通过简单易用的前端分析工具
sgpjbg002
工作日 8:30 - 17:30
会员动态：
报告分类
新质生产力
ChatGPT
新能源汽车
大模型
Sora
机器人
微短剧
芯片
薪酬
白皮书
低空经济
数据要素
创新药
人工智能
AI产业
信息科技
互联网
消费经济
汽车交通
电商零售
传媒娱乐
医药健康
投资金融
能源环境
地产建筑
传统产业
英文报告
其它
扫码登录
手机快捷登录
账号登录
