什么是商业智能 (BI)？

商业智能分析师会将原始数据转化为有意义的洞察信息，从而推动组织内的战略决策。借助 BI 工具，业务用户可访问不同类型的数据，包括历史数据和当前数据、第三方数据和内部数据以及半结构化数据和非结构化数据，例如社交媒体。用户可分析这些信息以深入了解业务绩效并知晓后续操作。

CIO 杂志指出：“尽管商业智能不会告诉业务用户该做什么或者选择一条路线之后将会发生什么，而且商业智能也不仅仅关乎生成报告。相反，商业智能可为人们提供一种检查数据的方法，以使他们能够了解趋势和获得洞察。”¹

组织可利用从 BI 和数据分析中获得的洞察来改善业务决策、识别问题或情况、确定市场趋势并寻找新的收益或业务机遇。

商业智能 (BI) 属于描述性信息，它可基于当前业务数据基础来实现更明智的业务决策。因此，业务分析 (BA) 是 BI 的一个子集，它可提供规范性和前瞻性的分析。它是 BI 基础设施的总括，其中包括用于识别和存储决策所需数据的工具。

BI 可让组织获悉上个月获得了多少新客户，以及该月的订单规模是上升还是下降。与此相反，业务分析可根据这些数据来预测哪些策略最有利于组织。例如：如果我们增加广告支出来为新客户提供特别优惠，情况会怎样？

通常，BI 平台依赖数据仓库来获取它们的基准信息。数据仓库的优势在于它可将来自多个数据源的数据聚合到一个中央系统中，从而支持业务数据分析和报告。BI 会以报表、图表和地图的形式向用户呈现相关结果，而这些结果可能会通过仪表板来显示。

数据仓库可能会包含一个在线分析处理 (OLAP) 引擎，以支持多维查询。例如：“与去年相比，今年东部地区与西部地区的销售额各是多少？”

OLAP 可为数据发现提供强大的技术、从而推动 BI、复杂分析计算和预测分析。OLAP 的主要优点之一在于：其各种计算的一致性可改善产品质量、客户交互和业务流程。

如今，湖仓一体也被用于 BI。湖仓一体的好处在于它旨在解决数据仓库和数据湖的核心挑战，从而为组织提供更理想的数据管理解决方案。湖仓一体代表了数据管理解决方案的下一步发展方向。

在 BI 中采取的步骤通常遵循以下顺序：

• 数据源：确定要审查和分析的数据，例如来自数据仓库或数据湖、云、Hadoop、行业统计数据、供应链、CRM、库存、定价、销售、营销或社交媒体的数据。
  
  
• 数据收集：从各种来源收集和清理数据。此数据准备操作可能是在电子表格或自动提取、转换和加载 (ETL) 程序中手动收集信息。
  
  
• 分析：从相关数据中寻找趋势或意料之外的结果。此操作可能会使用数据挖掘、数据发现或数据建模工具。
  
  
• 可视化：创建使用 Tableau、Cognos Analytics、Microsoft Excel 或 SAP 等商业智能工具的数据可视化效果、图形和仪表板。理想情况下，此可视化效果包括向下钻取、穿透钻取、向上钻取等功能，以便用户调查不同的数据级别。
  
  
• 行动计划：根据对历史数据与关键绩效指标 (KPI) 的分析，制定可操作的洞察分析。具体行动可能包括提升流程效率、改变营销手段、修复供应链问题或调整客户体验问题。
  

某些较新的 BI 产品可能会使用 Hadoop 等技术来直接提取和加载原始数据，但数据仓库通常仍是首选的数据源。

“商业智能”一词由作家 Richard Millar Devens 于 1865 年首次使用，当时他引用了一个先于竞争对手收集市场情报的银行家的话语。1958 年，一位名叫 Hans Peter Luhn 的 IBM 计算机科学家探索了利用技术来收集 BI 的潜力。他的研究帮助确立了若干方法，从而使 IBM 打造出早期的某些分析平台。

在 20 世纪 60 年代和 70 年代，最早的数据管理系统和决策支持系统 (DSS) 问世，它们可存储和整理不断增加的数据。“很多历史学家认为，现代版本的 BI 是从 DSS 数据库演变而来的”，IT 教育网站 Dataversity 表示。“在此期间，人们开发了各种各样的工具，以便以更简单的方式来访问和组织数据。为与 DSS 结合使用而开发的部分工具包括 OLAP、执行信息系统和数据仓库。”²

到了 20 世纪 90 年代，BI 已日渐流行，但此技术依然十分复杂。它通常需要 IT 支持，而这往往会导致积压工作和报表推迟。即使没有 IT，BI 分析师和用户也需接受大量培训，才能成功查询和分析其数据。³

商业智能既是一种思维方式，同时也由硬件和软件所组成。通过采用基于一整套方法、流程、数字技术和数据分析的数据驱动式文化，组织可发现新的洞察，从而做出更明智的业务决策并获得新的优势。仅安装新的 BI 软件包并不能引发此类文化转变。

• 更清晰的报告：BI 允许组织用通俗易懂的语言提出问题，并获得它们能理解的答案。仪表板可对最重要的洞察信息进行优先排序，从而为数据专家和非技术团队成员节省时间。
  
  员工可根据业务数据透露的信息做出决策，而不是寄望于最佳猜测，且无论这些业务数据是与生产、供应链、客户还是市场趋势相关。这些数据可帮助解答组织面临的迫切问题：为什么此地区的销售额会下降？哪里有多余的库存？客户在社交媒体上说了些什么？
  
  
• 整合数据：BI 可提取并整合来自多个来源（内部和外部）的数据以进行全面分析，从而提供业务洞察。通过提供企业和市场的准确概况，BI 可为组织提供用于设计业务战略的若干方法。
  
  
• 实现新的效率提升：组织可根据基准来监控业务运营情况，并不断进行修正或改进，而这一切都离不开数据洞察的支持。分析可发现并帮助消除制造或供应链瓶颈。管理人员则可监控员工绩效，以帮助确定可执行组织变革的领域。通过监控上下游的活动并与合作伙伴和供应商沟通结果，还可提升供应链管理。
  
  
• 更深入的数据洞察：BI 可帮助组织变得更依赖数据来指引发展方向，从而不断提高业务绩效、获得竞争优势并发现新的客户和新的商机。组织可通过了解其业务和市场，并智能地分配资源来实现战略目标，从而提高投资回报率。新的数据洞察可揭示客户行为、偏好和市场趋势。这些洞察信息有助于营销人员更好地锁定潜在客户，或是根据不断变化的市场需求来定制产品。
  
  
• 更快的决策：由于会通过数字方式来监控和分析进度，因此可更快地做出更明智的决策，从而更快地在市场中进行调整。
  
  
• 提高客户满意度：当客户服务人员能访问客户数据和洞察信息时，他们便可提供所请求的信息并更快地解决问题。
  
  
• 提高员工满意度：自助访问重要的业务数据可优化工作流程，以便员工更快地完成工作，同时减少额外或重复的步骤。

• 矛盾的结论：自助服务 BI 有助于多个团队搜索其所需的洞察信息，但也可能会导致不同结论，从而产生更多摩擦，而不是统一的行动计划。如果在分析期间出现人为偏见，此情况则更为突出。
  
  
• 技能不足：由于数据源种类繁多，数据整合的需求便可能难以实现，且整合所需的功能可能会超出现有功能。此时，便需借助数据科学、工程和架构方面的专业知识来帮助确保分析能生成可反映现实情况的洞察。
  
  
• 前期成本：开发强大的现代 BI 系统的初始成本可能看似很高，但通过分析所节省的成本可抵消投资。

数据是成功组织的命脉所在。除传统数据角色（数据工程师、数据科学家、分析师和架构师）之外，整个组织的决策者还需能灵活、自助地访问由人工智能 (AI) 加速生成的数据驱动式洞察。从市场营销到人力资源，从财务到供应链再到其他环节，决策者均可利用这些洞察来改进整个企业的决策水平和工作效率。

当组织能够全面评估运营和流程、了解客户、评估市场和推动改进时，就会受益良多。它们需要使用恰当的工具来汇总任意来源的业务信息、对这些信息进行分析、发现模式并找到解决方案。为提供能使所有这些均成为可能的 BI 系统，组织应：

• 设定明确的业务目标：确定最具价值且可操作的信息有助于组织确定需收集或获取的数据，同时还可帮助选择提供该信息所需的 BI 系统功能。
  
  
• 全面的用户培训：向所有用户提供有关新工具的清晰且引人入胜的课程时，将文化转变为数据驱动型组织最易实现。敷衍了事的培训或自我引导式的黑客行为可能会挫伤团队的积极性，或产生不准确的结果。
  
  
• 监控数据质量和相关性：需开展持续的数据监控以帮助确保结果的一致性和可信度。随着市场条件的变化，可能需添加新的衡量标准或定制不同的报告格式来提升清晰度。输入数据集必须保证健全无偏倚，并根据明确的治理标准进行管理，从而确保其安全、私密、准确且可用。凡为决策和预测提供信息的 AI 模型均须可解释且透明。此外，BI 系统应连接到跨不同业务职能的各种数据系统，并可供非专业数据分析师使用。
  
  
• 确保决策者可访问数据：很多企业在此方面已处于落后状态。未充分捕获或分析基本数据；据 IDC 报告⁴估计，高达 68% 的业务数据并未得到充分利用。具备现代数据架构和强大 BI 采用能力的企业可享有竞争优势：通过采用实时决策实践和预测性分析，它们还能进一步实现发展。

商业智能可为几乎所有行业的多种职能实现增值。例如：

客户服务：通过统一的数据源来提供客户信息和产品详细信息，客户服务人员能够快速解答客户问题或开始解决客户疑虑。

金融和银行业：金融公司可通过查看综合的客户历史记录和市场状况来确定当前的组织健康状况和风险，并对未来的成功做出预测。可通过单一界面逐个审查数据，以确定实现改进或进一步投资的机会。

医疗保健：患者无需向工作人员或医务人员提出耗时的问题，即可快速获得众多紧迫医疗保健问题的答案。内部运营情况（包括库存）可按每分钟粒度更轻松地进行跟踪。

零售：零售商可通过比较不同商店、渠道和地区的绩效和基准来改善成本节余。此外，借助对理赔流程的可见性，保险公司可发现它们在哪些方面未达到服务目标，并利用这些信息来改善结果。

销售和营销：通过统一有关促销、定价、销售、客户行为和市场状况的数据，营销人员和销售团队能够更好地规划未来的促销和活动。详细的目标定位或细分有助于促进销售。

安全性和合规性：集中的数据和统一的仪表板可提高准确性，并帮助确定安全问题的根本原因。通过单一系统来收集报告数据，可简化对法规的遵从性。

统计分析：通过使用描述性分析，组织可查看统计数据以发现新趋势，并揭示这些趋势的发展原因。

供应链：一站式界面 (SPOG) 上的全球数据可加快货物流动并识别供应链效率低下问题和瓶颈。

商业智能的近期发展集中在自助服务 BI 应用程序上，而此类应用程序可让不懂技术的用户使用自动分析和报告功能。IT 团队仍负责管理企业数据（包括其准确性和安全性），但多个团队现在却可直接访问数据并负责完成自己的分析，而不是将此作业留在队列中等待 IT 来运行。

现代商业智能和分析系统不断进步的功能预计会集成机器学习算法和 AI，以简化复杂的任务。随着对自助服务的新近重视，这些功能还可提升企业分析数据并获得更深层次洞察的能力。基于 AI 的系统可自动从多个来源读取信息，同时抓取最相关的信息以指导决策。

例如，请考虑 IBM® Cognos Analytics 如何整合数据分析和可视化工具，以支持报表的地图创建。该系统使用 AI 来自动识别地理信息。随后，它可通过添加全球、个别社区或介于这两者之间的任意区域的地理空间测绘，来完善可视化效果。

现代 BI 解决方案运行于基于云的平台上，以将 BI 的覆盖范围扩展到全球。消费者洞察可从大数据中提取，从而生成从描述性信息到预测性信息的各类信息。如今，很多 BI 解决方案均包含实时处理功能，以便实现即时决策。

企业级 BI 系统的进一步发展包括自然语言查询，它对于非 SQL 专家的用户来说更易于使用。某些 BI 系统提供低代码或无代码开发功能，因此用户可创建自己的工具、应用程序和报告界面，以进一步加快解答速度和上市时间。