很多企業(yè)認(rèn)為只要買一個(gè)前端商業(yè)智能BI分析工具就可以解決企業(yè)級的商業(yè)智能BI所有問題，這個(gè)看法實(shí)際上也不可行的。可能在最開始分析場景相對簡單，對接數(shù)據(jù)的復(fù)雜度不是很高的情況下這類商業(yè)智能BI分析工具沒有問題。但是在企業(yè)的商業(yè)智能BI項(xiàng)目建設(shè)有一個(gè)特點(diǎn)，是一個(gè)螺旋式上升的建設(shè)過程。因?yàn)閷拥臉I(yè)務(wù)系統(tǒng)可能會(huì)越來越多，分析的深度和廣度會(huì)越來越多，數(shù)據(jù)的復(fù)雜度也會(huì)越來越有挑戰(zhàn)性，這個(gè)時(shí)候沒有一個(gè)很好的數(shù)據(jù)倉庫架構(gòu)支撐，光靠前端BI分析工具基本上是無法搞定的。

(資料圖片)

一、首先簡要糾正一下對于BI這些問題的理解

1、 BI 就是報(bào)表可視化，就是一堆可視化圖表，BI 就是前端可視化？

商業(yè)智能BI是一套完整的有數(shù)據(jù)倉庫、數(shù)據(jù)分析、數(shù)據(jù)報(bào)表等組成的數(shù)據(jù)技術(shù)類的解決方案，在一個(gè) BI 項(xiàng)目中，20% 的時(shí)間做前端分析報(bào)表，80% 的時(shí)間都在底層數(shù)據(jù)倉庫的設(shè)計(jì)、ETL 的開發(fā)、取數(shù)開發(fā)等工作。

所以可視化報(bào)表只是商業(yè)智能 BI 的最終呈現(xiàn)，但不是 商業(yè)智能BI 的全部。

可視化展示 – 派可數(shù)據(jù)商業(yè)智能BI可視化分析平臺(tái)

2、 BI 就是一個(gè)拖拉拽的分析工具產(chǎn)品？

拖拉拽的可視化分析工具準(zhǔn)確來講只能解決 商業(yè)智能BI 的一部分，即可視化分析。但其實(shí) 商業(yè)智能BI 所包括的技術(shù)范圍還是比較廣的，涉及到從底層數(shù)據(jù)取數(shù)到前端展現(xiàn)分析的各個(gè)方面。

單純拖拉拽的商業(yè)智能BI可視化分析工具嚴(yán)格來講只能定位于個(gè)人和部門級，和企業(yè)級的商業(yè)智能BI 有很大的不同，所以單純的上一個(gè)商業(yè)智能BI分析工具發(fā)揮不了商業(yè)智能BI的真正作用，也替代不了商業(yè)智能BI的位置。

二、報(bào)表工具是怎么來的？

在技術(shù)領(lǐng)域、信息化領(lǐng)域、商業(yè)智能BI 行業(yè)，一直沒有出這個(gè)圈。做過 JAVA ( AWT、SWING、JSP、Hibernate、Spring、ibatis )、.NET ( ASP、http://ASP.NET、C#.NET )、Object-C 、JS 等等技術(shù)開發(fā)，業(yè)務(wù)軟件系統(tǒng)平臺(tái)開發(fā)。

早期前端技術(shù)很弱，AJAX 的實(shí)現(xiàn)也都需要手寫，要實(shí)現(xiàn)一個(gè)表單內(nèi)數(shù)據(jù)的點(diǎn)擊編輯和修改需要自己用 JS DOM 操作。做報(bào)表基本上就是 JSP、ASP 腳本語言在前端嵌套 HTML 做循環(huán)輸出，報(bào)表樣式很原生很丑陋，稍微復(fù)雜一點(diǎn)的表格報(bào)表樣式都需要用 JS 來調(diào)整。

那個(gè)時(shí)候用過的報(bào)表像 Crystal Report 水晶報(bào)表、潤乾報(bào)表等等，在前端腳本語言中有標(biāo)簽直接可以引用，報(bào)表生成代替了大量的手寫代碼。早期的前后端技術(shù)是不分家的，http://ASP.NET 還稍微好一些，前端逐步有一些集成控件可以直接使用，JAVA 是真沒有。上面說到的這個(gè)階段大概在什么時(shí)候呢，2005年前后，2007年已經(jīng)使用的很廣泛了，老的 CSDN 上應(yīng)該還能找到很多原始的報(bào)表標(biāo)簽帖子。

報(bào)表分析 – 派可數(shù)據(jù)商業(yè)智能BI可視化分析平臺(tái)

像老一批報(bào)表還有像金峰報(bào)表 Jreport、思達(dá)報(bào)表 StyleReport 等等在國內(nèi)也有一定的市場。早在 2010 年之前，有些報(bào)表廠商的收入規(guī)模就已經(jīng)突破了一個(gè)億，說明基礎(chǔ)報(bào)表這個(gè)市場還是非常不錯(cuò)的。

那個(gè)時(shí)候的報(bào)表定位是什么，就是純粹的 Report 報(bào)表，通過程序從后臺(tái)數(shù)據(jù)庫中查詢返回的數(shù)據(jù)聚合 List 再到前端腳本頁面上綁定一下就生成了各種報(bào)表，實(shí)際上就是用在各個(gè)業(yè)務(wù)軟件系統(tǒng)之中的報(bào)表展示，還遠(yuǎn)遠(yuǎn)沒有到 商業(yè)智能BI分析這個(gè)層面。

并且還有大量的軟件開發(fā)廠商實(shí)際上已經(jīng)具備了很強(qiáng)的報(bào)表能力，不過這些報(bào)表能力并沒有單獨(dú)拿出來作為報(bào)表產(chǎn)品在市面上運(yùn)營而已。

逐步的，隨著前端技術(shù)、前端框架的完善，從傳統(tǒng)表格技術(shù)開始到了各類柱狀圖、條形圖、餅狀圖的可視化展示，到了這個(gè)階段，報(bào)表和商業(yè)智能BI的邊界越來越模糊。為什么？商業(yè)智能BI的報(bào)表展現(xiàn)能力也就和傳統(tǒng)報(bào)表效果大致相當(dāng)，還沒有出現(xiàn)那種自助分析、自助拖拉拽就可以實(shí)現(xiàn)快速多維分析的能力。

講這么多主要想說的是我們所看到的很多商業(yè)智能BI項(xiàng)目都是拿報(bào)表思維去實(shí)現(xiàn)的，就是 SQL 到數(shù)據(jù)集到前端展現(xiàn)。而真正的商業(yè)智能BI思維應(yīng)該是什么呢？ 多維思維、模型思維，這一點(diǎn)決定了一個(gè) 商業(yè)智能BI 項(xiàng)目的最終走向。

多維分析 – 派可數(shù)據(jù)商業(yè)智能BI可視化分析平臺(tái)

三、BI 和數(shù)據(jù)倉庫 Data Warehouse 有什么區(qū)別和聯(lián)系？

經(jīng)常會(huì)碰到有人問商業(yè)智能BI和數(shù)據(jù)倉庫有什么區(qū)別，實(shí)際上這個(gè)問題的背后能反映出來一些朋友對商業(yè)智能BI的理解還是有些不準(zhǔn)確和偏差，這個(gè)問題實(shí)際上從概念上把BI和數(shù)據(jù)倉庫人為的割裂了。這種情況其實(shí)也比較正常，因?yàn)榇蠹覍ι虡I(yè)智能BI的第一印象就是各種炫酷的可視化圖表、報(bào)表，再加上市面上有很多輕量的前端可視化商業(yè)智能BI分析工具，就造成大家對BI的認(rèn)知就停留在可視化這部分了。

準(zhǔn)確的來說，商業(yè)智能BI不僅僅包含前端可視化分析、報(bào)表展現(xiàn)的能力，更包含了底層數(shù)據(jù)倉庫的建設(shè)過程。Gartner 在上世紀(jì)九十年代就已經(jīng)提到了商業(yè)智能 Business Intelligence，它更多的認(rèn)為：BI是一種數(shù)據(jù)類的技術(shù)解決方案，將許多來自不同企業(yè)業(yè)務(wù)系統(tǒng)的數(shù)據(jù)提取有分析價(jià)值的數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換和加載，就是抽取Extraction、轉(zhuǎn)換 Transformation、加載Loading 的ETL過程，最終合并到一個(gè)數(shù)據(jù)倉庫中，按照一定的建模方式例如Inmon 的3NF 建模、Kimball 的維度建模或者兩者都有的混合式架構(gòu)模型，最終在這個(gè)基礎(chǔ)上再利用合適的分析展現(xiàn)工具來形成各種可視化的分析報(bào)表為企業(yè)的管理決策層提供數(shù)據(jù)決策支撐。

商業(yè)智能BI – 派可數(shù)據(jù)商業(yè)智能BI可視化分析平臺(tái)

所以，可以從這里能夠看到數(shù)據(jù)倉庫Data Warehouse 的位置是介于可視化報(bào)表和底層業(yè)務(wù)系統(tǒng)數(shù)據(jù)源之間的這一層，在整個(gè)商業(yè)智能BI項(xiàng)目解決方案中起到的是一個(gè)承上啟下的作用。如果把商業(yè)智能BI比作是一個(gè)人的話，上半身特別是臉這個(gè)部分就是顏值，下半身腳踏實(shí)地吸取大地的精華，中間這部分的腰腹核心、核心力量就是數(shù)據(jù)倉庫。

那大家也會(huì)問到，市面上不是有很多直接鏈接數(shù)據(jù)源就可以拖拉拽分析的商業(yè)智能BI工具產(chǎn)品嗎，不也一樣可以做商業(yè)智能BI分析報(bào)表嗎？這種獨(dú)立的、單獨(dú)的面向前端的商業(yè)智能BI分析工具，他們更多的定位是部門級和個(gè)人級的商業(yè)智能BI 分析工具，對于深層次的需要復(fù)雜數(shù)據(jù)處理、集成、建模等很多場景是無法解決的。最好的方式就是底層構(gòu)建一套完整的數(shù)據(jù)倉庫，把很多分析模型標(biāo)準(zhǔn)化，再利用這些前端商業(yè)智能BI分析工具結(jié)合起來，這樣才能真正的把前端商業(yè)智能BI分析能力給釋放出來。

數(shù)據(jù)倉庫 – 派可數(shù)據(jù)商業(yè)智能BI可視化分析平臺(tái)

就像去中藥店抓藥一樣，之所以抓藥很快，是因?yàn)樵谧ニ幥埃瑒e人已經(jīng)把各種原生的中藥材（原始數(shù)據(jù)源的數(shù)據(jù)）分門別類清理干凈放好了，這樣想怎么搭配藥材（維度指標(biāo)組合的可視化）就很快了。

這樣的企業(yè)在國內(nèi)有很多，也是因?yàn)閷ι虡I(yè)智能BI理解的深度不夠?qū)е铝嗽谏虡I(yè)智能BI項(xiàng)目建設(shè)上一些方向性的錯(cuò)誤，最后s導(dǎo)致商業(yè)智能BI項(xiàng)目很難繼續(xù)推進(jìn)。

所以在企業(yè)中，我們需要明確我們的商業(yè)智能BI建設(shè)是面向企業(yè)級的還是個(gè)人和部門的分析工作。如果是個(gè)人數(shù)據(jù)分析師，使用這類前端商業(yè)智能BI分析工具就足夠了。如果是需要構(gòu)建一個(gè)企業(yè)級的商業(yè)智能BI項(xiàng)目，就不能只關(guān)注前端可視化分析能力這個(gè)層面，更應(yīng)該關(guān)注到底層數(shù)據(jù)架構(gòu)的構(gòu)建，也就是數(shù)據(jù)倉庫這個(gè)層面。