對于BI、大數(shù)據(jù)和AI之間的關系，可以理解為，大數(shù)據(jù)是AI場景應用的重要基礎，而AI是大數(shù)據(jù)的應用的重要領域。

近年，隨著企業(yè)數(shù)字化轉(zhuǎn)型的不斷深入，以及對智能化場景應用需求的日趨迫切，使得企業(yè)對大數(shù)據(jù)、人工智能、BI等技術越來越關注。這使得企業(yè)在數(shù)據(jù)應用實踐中面臨一個問題，到底是選擇大數(shù)據(jù)還是BI？這是其實是兩者實際上時相互依賴，相互滲透遞進的。

什么是商業(yè)智能？

商業(yè)智能，英文是Business Intelligence，縮寫B(tài)I，是用來幫助企業(yè)更好地利用數(shù)據(jù)提高決策質(zhì)量的技術集合，是從大量的數(shù)據(jù)中鉆取信息與知識的過程。對于概念大家可能一知半解。如什么叫高質(zhì)量決策的技術集合？什么叫鉆取信息與知識？對于完全沒有基礎的人是很難理解？下面就從到一個餐廳點單開始說起。

餐廳點單的時候，顧客點了一份水煮魚片，這是一個需求。有了這個需求，餐廳就得照單備菜，這就需要我們把原材料準備好，比如草魚或青魚、配菜如豆芽和千張等，備好的菜統(tǒng)一放置到菜架，廚師就可以直接炒菜了。

對應BI，客戶點菜等同于企業(yè)提出一個業(yè)務需求，比如管理者要查看過去一周全國的銷售數(shù)據(jù)，備菜過程就相當于我們要準備一張報表，這張報表要按照需求準備相關數(shù)據(jù)，比如銷售總數(shù)據(jù)、子產(chǎn)品數(shù)據(jù)以及相關的銷售人員數(shù)據(jù)等。同樣的，這些備好數(shù)據(jù)從各種數(shù)據(jù)源抽取后放到“數(shù)據(jù)倉庫”，報表開發(fā)人員可以從里面直接找到數(shù)據(jù)制作報表。

當然，這只是一個簡單的流程，真正的過程還涉及很多步驟。比如下鍋炒菜之前，你不能直接把魚丟盡鍋里，你還得給魚開膛破腹，把內(nèi)臟取出并進行清洗，還要按照客戶的需求，將魚切成一片片的，這是一個把源材料變成一個真正可用可下鍋的一個過程。對BI而言，這個過程就是ETL——Extract抽取，把魚拿出來；Transformation轉(zhuǎn)換，把魚變成魚片，完成清洗和轉(zhuǎn)換工作；Loading加載，把洗凈的魚片放到菜架以供隨時下鍋。

數(shù)據(jù)的準備過程和菜品原材料的清洗過程是一樣的道理，數(shù)據(jù)是存放在一些數(shù)據(jù)表中，但是并不是所有的數(shù)據(jù)都需要抽取出來，只有需要用到的數(shù)據(jù)才會被抽取（Extract）；涉及到一些數(shù)據(jù)需要去重、合并計算、格式轉(zhuǎn)換等都屬于Transformation階段；Loading，最后把數(shù)據(jù)統(tǒng)一加載到數(shù)據(jù)倉庫Data Warehouse，數(shù)據(jù)倉庫中有一組表。

源數(shù)據(jù)的采集和加載也是同樣的道理，數(shù)據(jù)可能是來自外部系統(tǒng)，也可能來自內(nèi)部的不同業(yè)務系統(tǒng)，比如CRM、ERP，也有來自業(yè)務人員的EXCEL表格，這些統(tǒng)稱為Data Source數(shù)據(jù)源。

亦策觀數(shù)臺幾乎可以連接任何數(shù)據(jù)源，包括基于文件的源，特定于應用程序的源以及大數(shù)據(jù)源。無需事先對其進行完全建模或預先聚合數(shù)據(jù)。觀數(shù)臺自助數(shù)據(jù)準備工具，為復雜的場景提供強大的數(shù)據(jù)集成腳本。這些數(shù)據(jù)準備功能有助于公開數(shù)據(jù)區(qū)域和可能存在問題的業(yè)務，可以創(chuàng)建價值而無需外部工具或數(shù)據(jù)倉庫。

這些數(shù)據(jù)通過ETL工具原封不動的抽取到一個叫做ODS或者STAGING的數(shù)據(jù)庫先存放起來，就類似于把菜買回來先放到廚房，先放起來。后面才有數(shù)據(jù)的清洗、整理，完畢之后才放到數(shù)據(jù)倉庫，在之后就是制作報表的過程。

在亦策觀數(shù)臺中，ODS數(shù)據(jù)庫作為業(yè)務系統(tǒng)和數(shù)據(jù)倉庫之間的一個隔離層，用于存放從業(yè)務系統(tǒng)直接抽取出來的數(shù)據(jù)。一方面ODS數(shù)據(jù)庫使數(shù)據(jù)從粒度、組織方式等各個方面都保持與業(yè)務系統(tǒng)一致，原來由業(yè)務系統(tǒng)產(chǎn)生的報表、細節(jié)數(shù)據(jù)的查詢自然能夠從ODS中進行，降低對業(yè)務系統(tǒng)的查詢壓力。另一方面數(shù)據(jù)倉庫存儲的數(shù)據(jù)都是匯總過的數(shù)據(jù)，并不存儲每筆交易產(chǎn)生的細節(jié)數(shù)據(jù)，在某些特殊的應用中，可能需要對交易細節(jié)數(shù)據(jù)進行查詢，這時就需要把細節(jié)數(shù)據(jù)查詢的功能轉(zhuǎn)移到ODS來完成，ODS的數(shù)據(jù)模型按照面向主題的方式進行存儲，可以方便地支持多維分析等查詢功能。

大數(shù)據(jù)不是BI的簡單升級

隨著大數(shù)據(jù)、AI等技術快速發(fā)展，以及大數(shù)據(jù)應用在行業(yè)的落地，企業(yè)對BI和大數(shù)據(jù)的選擇陷入到一個“非此即彼”的思維。專業(yè)人士告訴你，不必如此。

雖然大數(shù)據(jù)與BI是兩種不同概念和工具，但卻是社會發(fā)展到不同階段的產(chǎn)物，大數(shù)據(jù)對于BI，既有傳承，也有發(fā)展。大數(shù)據(jù)和AI在落地應用的過程中需要一系列產(chǎn)品作為技術承載體，而BI就是一個比較理想的承載體。BI可以看成是技術與業(yè)務結(jié)合的橋梁。當前企業(yè)在進行人工智能改造過程中并不能馬上脫離原有的信息化體系，既如此，就必須借助于BI來完成智能化過渡。

從思想角度上來看，大數(shù)據(jù)和BI都是遵循“數(shù)據(jù)-信息-知識-智慧”的發(fā)展過程，兩者的區(qū)別在于以下幾點：

第一，數(shù)據(jù)來源。BI的數(shù)據(jù)來源一般為企業(yè)內(nèi)部信息化系統(tǒng)中的數(shù)據(jù)，大數(shù)據(jù)的數(shù)據(jù)來源不僅包含企業(yè)內(nèi)部的信息化系統(tǒng)的數(shù)據(jù)，還包括各種外部系統(tǒng)、機器設備、數(shù)據(jù)庫的數(shù)據(jù)。大數(shù)據(jù)的數(shù)據(jù)來源更廣泛，而且數(shù)據(jù)更多的來自于云端，可無限擴展。

第二，發(fā)展方向。對企業(yè)來說，BI是一種管理和思維方式的轉(zhuǎn)變，對企業(yè)內(nèi)部數(shù)據(jù)進行分析，支撐企業(yè)運營與決策，從傳統(tǒng)商業(yè)模式走向商業(yè)智能。大數(shù)據(jù)除了解決企業(yè)業(yè)務問題，還包括與行業(yè)、產(chǎn)業(yè)的深度融合，不同行業(yè)所呈現(xiàn)的內(nèi)容與分析維度各不相同，是用全新的數(shù)據(jù)技術手段來拓展和優(yōu)化企業(yè)業(yè)務。

第三，技術標簽。BI的技術標簽包括ETL、數(shù)據(jù)倉庫、OLAP、可視化報表。大數(shù)據(jù)的技術標簽則包括Hadoop、MPP、HDFS、MapReduce、流處理等。隨著時代的變革與技術的迭代，BI經(jīng)歷了多次優(yōu)化和變革，新型BI被賦予更多“大數(shù)據(jù)”潛能，既滿足海量實時數(shù)據(jù)分析，也滿足決策型的業(yè)務分析。

目前廠商推出一站式大數(shù)據(jù)分析平臺，基本上都是大數(shù)據(jù)與BI相結(jié)合的產(chǎn)物，既解決了大數(shù)據(jù)和BI之間如何取舍的問題，還融入了AI增強功能。比如亦策觀數(shù)臺就是新一代增強智能協(xié)同BI平臺，不僅全面支持中文自然語言查詢，還能讓用戶在所有可視化、圖表、圖形和其他對象中進行選擇，并可以使用全局搜索來表現(xiàn)數(shù)據(jù)、關聯(lián)和分析。

因此，對于BI、大數(shù)據(jù)和AI之間的關系，可以理解為，大數(shù)據(jù)是AI場景應用的重要基礎，而AI是大數(shù)據(jù)的應用的重要領域。大數(shù)據(jù)的重要價值體現(xiàn)：一是人工智能產(chǎn)品，為智能體提供的數(shù)據(jù)量越大，智能體運行的效果就會越好，因為智能體通常需要大量的數(shù)據(jù)進行“訓練”和“驗證”，從而保障運行的可靠性和穩(wěn)定性。二是人工智能需要大量的數(shù)據(jù)作為“思考”和“決策”的基礎，另一方面大數(shù)據(jù)也需要人工智能技術進行數(shù)據(jù)價值化操作，比如機器學習就是數(shù)據(jù)分析的常用方式。