商业智能和大数据

㈠ 大数据给智能化商业带来不同_大数据的商业模式

大数据给智能化商业带来不同

钱伯斯是IBM公司分析解决方案事业部副总裁。她表示，许多客户够买了大数据和预测分析的服务，但却希望其实现他们已经适应了的老的商业智能工具和数据库工具。

“通常情况下，客户做的往往就是依靠他们已经知道的东西。”钱伯斯在2012年Hadoop峰会上说。“他们希望利用他们现有的基础设施、使用现有的数据和工具。他们不想有任何的不同和改变。所以我告诉我的客户说，如果你不执行不同的操作的话，你不会得到任何不同的结果。”

新的方法，技术和工具需求

钱伯斯是完全正确的，如下从三个方面分析了原因：

1、基础设施。处理和存储大量、多结构化数据集的新方法不断涌现，正是因为传统的关系型技术不能够在单位时间内完成工作或者不具备成本效益。例如，Hadoop允许你在合理的时间内运行开放源码软件以非常低廉的价格存储和处理大数据规模。现在，尝试利用甲骨文的服务。可以节省300万美元的费用，以及6个月的时间。

2、数据。大数据是丰富现有的内部交易数据与其他不同来源的数据，这些来源是来自您的企业之外。这可能意味着这些数据是来自Twitter或Facebook这样的社交媒体、或来自国家气象局、教育部门的公共部门的数据、来自彭博、道琼斯的市场数据。如果你没有混搭数据，你可能不必要进行大数据分析。

3、工具。因为它们必须在新的，更大，更多样化的数据量并行计算基础设施之上，大多数最传统的商业智能工具不会削减。你需要的是现代化的数据可视化和分析平台，使用户能够轻松地处理大数据可视化。为了公平起见，极少数现有的商扰培答务智能供应商，如Tableau和正在努力让自己的产品更好地融入大数据。但是，总的来说，你在过去的十年左右已经使用的旧的报告工具无法为当前的大数据提供足够的可操作的见解。

风险的博弈

但据我所知，这种改变是很难的，所以有时IT部门是为了规避风险。但是，我们正处在一个十字路口。大数据绝不是昙花一现或轻微更好方式的商业智能。这是一个全新的模式，需要思维的重大转变。换句话说，“你已经在经历一些额外的风险了。”按照钱伯斯所说的那样，实现大数据的成功。

她说，这意味着“如果你想有更多的见解，你一定要注入您的应用程序，你的数据网新信息。”这意味着你必须投资新的基础设施技术等，诸如Hadoop和其他平台上，形中纳成一个新的大数据分析的基础。你需要采用新的最终用户工具，把所有的大数据转换成易于理解的见解。

好消息是，你不必将您的整个现有的基础设施和工具集推倒重来。事实上，我强烈反对那样做缓慧。你现在所使用的商业智能和数据仓库有可能是一个原因，因为他们已经在为您提供相应的业务价值。事实上，许多大数据技术确实能帮助你从现有的数据库和工具获得更多的价值。

当涉及到大的数据，从小事做起。确定一个特定的需要解决的业务问题，一个固定的业务才能带来实实在在的利益。与大数据行业的同行们交流学习。

㈡ 大数据 商业智能两者会有互相替代的可能吗

有的，大数据着重于数据，可在在云计算的基础上将数据整合与存储回；
而商业智能是在答大数据的基础上进行数据建模，数据挖掘用于展现数据的工具，可将数据有规律展示出来。
个人感觉商业智能更侧重行业领域的应用性，毕竟使用起来会结合企业的实际业务情况，要想用的好也需要业务人员具有相关的财务、销售等专业的背景。
大数据可以说是是商业智能的一种工具，大数据的很多技术都会渗透到商业智能，而商业智能由于在行业内更具推广性，可带动市场前进，推动大数据技术的发展，只能说两者相辅相成。相关具体的知识介绍，可以去论坛上看看，当然自己试试这方面的软件会更好理解，有免费的，比如FineBI。

㈢ 大数据 商业智能两者有什么关系

你好，这个很多的。商业智能不能等同于不是大数据。它是一套版完整的解决方案，用权来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。
大数据的侧重点在于数据海量处理，主要是对非结构化的数据进行处理。大数据是传统数据库、数据仓库、BI概念外延的扩展，手段的扩充，不存在取代的关系，也并不是互斥的关系。考虑实用性的话，传统商业智能指基于传统数据仓库进行分析以辅助决，可以说BI工具会更适合一般企业，这是未来趋势。在选择方面，很多国内厂商比如FineBI会更贴近国内企业的情况，可以了解一下。

㈣ 鍟嗕笟鏅鸿兘涓庡ぇ鏁版嵁涓撲笟璺熼噾铻嶄笓涓氬氨涓氬墠鏅閭ｄ釜鏇村ソ

鍟嗕笟鏅鸿兘涓庡ぇ鏁版嵁涓撲笟鐨勫氨涓氬墠鏅鏇村ソ銆
1銆佸晢涓氭櫤鑳戒笌澶ф暟鎹涓撲笟姣旈噾棰濅笓涓氱殑甯傚満鍟嗕笟鏅鸿兘鐨勯渶姹傚ぇ銆
2銆佸晢涓氭櫤鑳戒笌澶ф暟鎹涓撲笟姣旈噾棰濅笓涓氭嫢鏈夋洿骞挎硾鐨勮亴涓氬彂灞曠┖闂淬

㈤ 大数据

大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。(在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据的方法[2]）大数据的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）。
说起大数据，就要说到商业智能：
商业智能（Business Intelligence，简称：BI），又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

商业智能作为一个工具，是用来处理企业中现有数据，并将其转换成知识、分析和结论，辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术，包含了从数据仓库到分析型系统等。


商务智能的产生发展
商业智能的概念经由Howard Dresner(1989年)的通俗化而被人们广泛了解。当时将商业智能定义为一类由数据仓库（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技术及其应用。

商务智能是20世纪90年代末首先在国外企业界出现的一个术语，其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业，不仅为企业提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势，也有人称之为混沌世界中的智能。因此，越来越多的企业提出他们对BI的需求，把BI作为一种帮助企业达到经营目标的一种有效手段。

目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是作业层的，也可以是管理层和策略层的决策。

为了将数据转化为知识，需要利用数据仓库、线上分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。

把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。

企业导入BI的优点
1.随机查询动态报表

2.掌握指标管理

3.随时线上分析处理

4.视觉化之企业仪表版

5.协助预测规划

导入BI的目的
1.促进企业决策流程(Facilitate the Business Decision-Making Process)：BIS增进企业的资讯整合与资讯分析的能力，汇总公司内、外部的资料，整合成有效的决策资讯，让企业经理人大幅增进决策效率与改善决策品质。

2.降低整体营运成本(Power the Bottom Line)：BIS改善企业的资讯取得能力，大幅降低IT人员撰写程式、Poweruser制作报表的时间与人力成本，而弹性的模组设计介面，完全不需撰写程式的特色也让日后的维护成本大幅降低。

3.协同组织目标与行动(Achieve a Fully Coordinated Organization)：BIS加强企业的资讯传播能力，消除资讯需求者与IT人员之间的认知差距，并可让更多人获得更有意义的资讯。全面改善企业之体质，使组织内的每个人目标一致、齐心协力。

商业智能领域的技术应用
商业智能的技术体系主要有数据仓库（Data Warehouse，DW）、联机分析处理（OLAP）以及数据挖掘（Data Mining，DM）三部分组成。

数据仓库是商业智能的基础,许多基本报表可以由此生成,但它更大的用处是作为进一步分析的数据源。所谓数据仓库（DW）就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。多维分析和数据挖掘是最常听到的例子,数据仓库能供给它们所需要的、整齐一致的数据。

在线分析处理（OLAP）技术则帮助分析人员、管理人员从多种角度把从原始数据中转化出来、能够真正为用户所理解的、并真实反映数据维特性的信息，进行快速、一致、交互地访问，从而获得对数据的更深入了解的一类软件技术。

数据挖掘（DM）是一种决策支持过程，它主要基于AI、机器学习、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。

商业智能的应用范围
1.采购管理

2.财务管理

3.人力资源管理

4.客户服务

5.配销管理

6.生产管理

7.销售管理

8.行销管理

商业智能实施步骤

商业智能系统处理流程[1]
商业智能（BI）作为一个概念，描述与业务紧密结合，并且根据需要进行相关特性展示和数据处理的过程。

为了让数据“活”起来，往往需要利用数据仓库、数据挖掘、报表设计与展示、联机在线分析（OLAP）等技术。数据或者数据源包含的种类繁多，例如存储在关系型数据库中的，在外围数据文件中的，在业务流中实时产生存储在内存中的等等。而商业智能最终能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。

这些分析有财务管理、点击流分析（Clickstream）、供应链管理、关键绩效指标（Key Performance Indicators, KPI）、客户分析等。商业智能关注的是，从各种渠道（软件，系统，人，等等）发掘可执行的战略信息。商业智能用的工具有抽取（Extraction）、转换（Transformation）和加载（Load）软件（搜集数据，建立标准的数据结构，然后把这些数据存在另外的数据库中）、数据挖掘和在线分析（Online Analytical Processing，允许用户容易地从多个角度选取和察看数据）等 。



商业智能系统的功能
商业智能系统应具有的主要功能：

数据仓库：高效的数据存储和访问方式。提供结构化和非结构化的数据存储，容量大，运行稳定，维护成本低，支持元数据管理，支持多种结构，例如中心式数据仓库，分布式数据仓库等。存储介质能够支持近线式和二级存储器。能够很好的支持现阶段容灾和备份方案。

数据ETL：数据ETL支持多平台、多数据存储格式（多数据源，多格式数据文件，多维数据库等）的数据组织，要求能自动化根据描述或者规则进行数据查找和理解。减少海量、复杂数据与全局决策数据之间的差距。帮助形成支撑决策要求的参考内容。

数据统计输出（报表）：报表能快速的完成数据统计的设计和展示，其中包括了统计数据表样式和统计图展示，可以很好的输出给其他应用程序或者Html形式表现和保存。对于自定义设计部分要提供简单易用的设计方案，支持灵活的数据填报和针对非技术人员设计的解决方案。能自动化完成输出内容的发布。

分析功能：可以通过业务规则形成分析内容，并且展示样式丰富，具有一定的交互要求，例如预警或者趋势分析等。要支持多维度的联机在线分析（OLAP分析），实现维度变化、旋转、数据切片和数据钻取等。帮助决策做出正确的判断。

典型的商业智能系统
典型的商业智能系统有：

客户分析系统、菜篮分析系统、反洗钱系统、反诈骗系统、客户联络分析系统、市场细分系统、信用计分系统、产品收益系统、库存运作系统以及与商业风险相关的应用系统等。

[编辑]商业智能解决方案厂商
提供商业智能解决方案的著名IT厂商包括微软、IBM、Oracle、Microstrategy、Business Objects、Cognos、SAS等

㈥ 大数据 BI两者什么关系企业用BI吗

大数据与BI是两种不同的概念和工具，是社会发展到不同阶段的产物，大数据对于BI，既有传承，也有发展。

大数据是什么：

大数据(Big Data)是指在可承受的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来适应海量、高增长率和多样化的信息资产。大数据更偏重于发现，以及猜测并印证的循环逼近过程。

BI是什么：

BI(BusinessIntelligence)即商业智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

大数据和BI从思想角度上来看，都是遵循“数据→信息→知识→智慧”这个发展过程的，两者的区别在于下面几点：

01数据来源

大数据与BI的数据来源侧重点是不同的，BI的数据来源一般为企业内部信息化系统中的数据，大数据的数据来源不仅包含企业内部的信息化系统的数据，还包括各种外部系统、机器设备、数据库的数据。

大数据的数据来源更广泛，而且数据多来自于云端，可无限扩展。

02发展方向

BI在企业中的应用是一种管理和思维方式的转变，对企业内部数据进行分析，支撑企业运营与决策，从传统商业模式走向商业智能。

大数据除了解决企业业务问题，还包括与行业、产业的深度融合，不同行业所呈现的内容与分析维度各不相同，是用全新的数据技术手段来拓展和优化企业业务。

03技术标签

BI的技术标签：ETL、数据仓库、OLAP、可视化报表。

大数据的技术标签：Hadoop、MPP、MapRece、HDFS、流处理等。

随着时代变革与技术迭代，相应的，BI在技术上也经历了多次优化和变革，新型BI被赋予了更多“大数据”潜能，既满足海量实时数据分析，也满足决策型的业务分析。

以分析云为例，就是最典型的大数据与BI相结合的产物，也解决了大数据和BI之间如何取舍的问题。

大数据≠BI，大数据也不是BI的简单升级，大数据涉及了思想、工具和技术的深层次变革。无论企业当前如何选择，未来终将迎来数字化转型，走到数据驱动时代。

㈦ 大数据和BI商业智能有何区别有何相关

大数据 ≠BI商业智能，大数据也不是传统商业智能的简单升级。
1、大数据和BI两者的区别
BI(BusinessIntelligence)即商业智能，它是企业数据化管理的一整套的方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策，解决的是管理运营战略的问题。
大数据(Big

Data)是指在可承受的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来适应海量、高增长率和多样化的信息资产。大数据侧重于解决某一类问题的方法，比如全网用户画像，对网络、传感器等非结构化海量数据的分析。
不管定义如何不同，大数据与传统BI是社会发展到不同阶段的产物，大数据对于传统BI，既有继承，也有发展，从"道"的角度讲，BI与大数据区别在于前者更倾向于决策，对事实描述更多是基于群体共性，帮助决策者掌握宏观统计趋势，适合经营运营指标支撑类问题，大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。
当然纯粹从思想的角度讲，两者在概念上是可以实现统一的，都遵循数据-信息-知识-智慧这个脉络，甚至在更高的层次，两者也是可以统一的。
大数据不是空口说说，它的第一要务就是解决业务问题，大数据一定程度上就是用全新的数据技术手段来拓展和优化业务，传统企业需要聚集一拨人来研究这个问题，需要有人专门研究和探索。如果对外，想清楚新的商业模式，如果对内，想清楚在哪个场景，可以用大数据的手段提升效率。
当前大数据可以产生价值的地方，从行业的角度看，金融、银行、互联网、医疗、科研都有广阔的前景。从领域的角度看，广告、营销、风控、供应链都是大数据发挥价值的地方，对于特定企业，比如电信运营商，大数据也可以在网络优化等方面提供新方法。
并不是每个企业都需要打造自己的大数据平台，需要考虑到企业的信息化水平和各项成本，量力而行吧，可以自行研发 ，比如BAT;也可以选型采购，比如传统大企业；中小型企业也可以租用，比如用阿里云和AWS。
就事实来讲，BI的应用是远远大于大数据应用的，有其通用的道理。大数据相对于传统BI，也不仅仅是简单的PLUS的关系，它涉及了思想、工具和人员深层次的变革，BI人员既不要一提大数据，就嗤之以鼻，认为它是新包装的马甲，其实就那么回事;也不需妄自菲薄，以为搞大数据就那么高大上，它的确是BI大多数思想的传承。