解读商业智能(BI)

2017-05-18
标签: 商业智能    BI   

  互联网时代企业数据呈现爆发式增长,全面考验着企业的数据处理和分析能力。面对大容量、多样性、高增长的数据很多企业往往无所适从,除了耗费大量管理和存储成本外并没有给企业带来真正的价值,大量的数据堆积给企业带来了巨大的挑战。然而数据已经渗透到了企业内外各个层面,因此想要从庞大的企业数据中“掘金”就必须有信息化应用强有力的支撑。

解读商业智能(BI)

  近年来大数据、云计算、移动应用、社交等新兴技术风靡全球,技术的创新以及环境的成熟给予了企业在信息化应用上更多元化的选择。随着中国制造企业信息化应用的不断深入,在寻求业务管理精益的同时,信息化对于决策的支撑、对于市场前沿的洞察力成为了越来越多企业深化应用的方向。根据Gartner数据,2013年全球商务智能(Business Intelligence, BI)与分析软件(包括BI平台,企业绩效管理CPM套件,分析应用和先进的分析方法)营收总计达到144亿美元,与2012年的133亿美元相比,增长8%。2013年中国区商务智能与分析软件总营收达到11亿7千580万元,较2012年增长13.5%。2014年以来,商务智能进入了一个基础性变革阶段,根据Gartner 2015年BI魔力象限研究报告显示,商业智能分析市场正处于全面过渡时期。大多数公司都在选择新一代数据挖掘工具或者交互式分析平台。尽管市场增幅放缓,但是多年来企业需求一直维持稳定。

  目前中国BI市场仍然存在很多不明朗的因素,技术层面也有很多混沌之处,细分市场的发展趋势也存在很大的差异,随着大数据、移动等应用的普及,以及海量的数据都加速了BI的变革。因此,企业在选择BI产品的时候亟需梳理出清晰的思路,找到满足需求的合适产品。

  BI的内涵

  来自维基百科的解释是:“商业智能,又称商业智慧或商务智能,指用现代数据仓库技术、在线分析技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。” BI并不是近年才有的新兴名词,早在1996年Gartner Group的霍华德·雷斯内尔(Howard Dresner)就已经提出,并定义其为一类由数据仓库(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应用。

  BI的价值

  经过多年信息化的推进,企业内部积累了各种来自不同业务部门的数据。这些庞杂的数据给企业带来了很大的困扰:

  企业数据爆发式井喷,数据存储的硬件成本造成IT负累;

  数据存储在不同的应用系统中,孤岛问题严重;

  异构系统加大了数据获取、管理、分析的难度;

  企业数据类型复杂多样,多为非结构化数据,管理和挖掘的难度大;

  传统老旧的数据展现形式无法适应现代化企业管理要求;

  企业战略性调整缺乏有力的数据支持。

  尽管不断增加的数据给企业的管理造成了不小的困扰,然而最核心的问题则是在于这些错综复杂的数据还不都能称之为信息,不能为企业所用。身处激烈竞争环境的企业面对海量的数据以及日益增加的数据管理成本,更希望能够发现数据的商业价值。BI软件的价值在于其通过技术手段从企业各个应用系统的庞杂数据中提取出有用的数据并进行科学的整理,以保证数据的正确性和一致性,并同过透过抽取(Extraction)、转换(Transformation)和装载(Load),的过程,合并到一个部门数据集市或企业的数据仓库中,在此基础上利用合适的BI工具, 针对不同需求进行多维数据分析和挖掘,并通过可视化手段将结果定期或实施展示给相关人员,最终为企业决策提供支持,达到协助企业创收增利、规避风险、提升效能和竞争力的目的。

  BI的关键技术及功能

  商业智能的关键技术主要包括:数据仓库(数据集市)、数据挖掘、ETL(数据的提取、转换与加载)、联机分析处理 (OLAP)、数据可视化技术等。

  数据仓库(数据集市)

  数据仓库(Data Warehouse)之父比尔·恩门(Bill Inmon)在1991年出版的“Building the Data Warehouse”(《建立数据仓库》)一书中所提出的定义:“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)。”数据仓库技术是为了有效的将数据集成到统一的环境中以提供决策型数据访问,因此在BI的实施过程中,大量来自企业各种管理系统的数据需要搜集和整理,需要数据仓库技术的支持。

  面向主题。数据仓库中的数据是按照一定的主题或者说决策支持的需求点进行组织的,一个主题通常与多个操作型信息系统相关;

  数据集成。数据仓库的数据有来自于分散的操作型数据,将所需数据从原来的数据中抽取出来,进行加工与集成,统一与综合之后进入数据仓库;

  相对稳定。数据仓库是不可更新的且随时间而变化的,稳定的数据以只读格式保存,且不随时间改变。

  数据挖掘

  数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的过程。作为一种决策支持过程,它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等,高度自动化地分析企业的数据,做出归纳性的推理,从中挖掘出潜在的模式,帮助决策者调整市场策略,减少风险,做出正确的决策。

  ETL

  透过抽取(Extraction)、转换(Transformation)和装载(Load)即ETL。作为BI/DW(Business Intelligence)的核心和灵魂,能够按照统一的规则集成并提高数据的价值,是负责完成数据从数据源向目标数据仓库转化的过程,是实施数据仓库的重要步骤,用户从数据源抽取出所需的数据,经过数据清洗,最终按照预先定义好的数据仓库模型,将数据加载到数据仓库中去。在企业实施BI的过程中,ETL面临的最大挑战是接收数据时其源数据的异构性和低质量。

  联机分析处理 (OLAP)

  联机分析处理(OLAP)系统是数据仓库系统最主要的应用,专门设计用于支持复杂的分析操作,侧重对决策人员和高层管理人员的决策支持,可以根据分析人员的要求快速、灵活地进行大数据量的复杂查询处理,并且以一种直观而易懂的形式将查询结果提供给决策人员,以便他们准确掌握企业(公司)的经营状况,了解对象的需求,制定正确的方案。

  数据可视化技术

  数据可视化主要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。在实际的商业智能应用中常常以图形、图像、虚拟现实等易为人们所辨识的方式展现原始数据间的复杂关系、潜在信息以及发展趋势,以便更好地利用所掌握的信息资源。数据可视化的工具主要是报表类(如JReport,Excel,水晶报表等)和BI分析工具(如BO,BIEE等)。

  BI功能

  BI软件的最大功能就是通过对数据的分析为决策支持提供帮助。Ganter曾经定义过BI应用的20个功能点,包含BI架构、元数据管理、基层Web服务、开发环境、可视化开发环境、数据迁移、业务规则、协同工作流、报表、仪表盘、查询发布、实时或基于时间的数据获取、高级分析和数据挖掘等。经过综合的分析e-works总结认为一个典型的BI产品应该具备的功能点主要包括以下几个方面:

  数据管理

  能从不同的异构系统中获取有价值的数据,并能轻松实现数据的查询、归集和输出,实现对企业数据的科学管理。

  数据分析

  充分利用OLAP,Legacy等数据分析技术实现对数据价值的呈现,为企业决策提供数据支撑。

  集成与开发

  系统在具备典型架构的基础上,具有灵活的系统开发和集成性能。在架构、元数据管理、数据迁移、规则流程等都能进行个性化的开发,并能实现同其他功能的高效集成。

  可视化的数据展示

  系统具备报表、仪表盘、实时数据展示等可视化功能,并根据个性化需求提升可视化展示的客户体验。

  其他个性化功能点

  针对不同企业不同的业务决策需求开发出的一些个性化功能点。

  BI与BA、绩效管理

  业务分析≠商业智能,BA(Business Analysis)即业务分析,核心功能是帮助企业了解现状并能预测未来。

  企业绩效管理(EPM,Enterprise Performance Management)主要针对一致的、可识别的KPI(关键绩效指标),对业务绩效进行衡量和分析,以支持业务绩效的分析与管理,以业务流程改进为核心,指导用户完善决策过程,使战略执行更加有效。EPM主要是连接战略到计划到执行的过程,监控财务和运营结果与目标的差异并提供分析,驱动企业范围的绩效改善。BI则是实现监控、发现、集成、分析、计算、报表、指导、模型、可视化、预测、预警、驱动行动等。因此,可以理解为BI是EPM的分析平台,两者在应用领域、功能划分、系统构造上都有明显的差异。

  商业智能(BI)技术发展趋势

  移动BI

  移动BI(Mobile Business Intelligence) 是指通过使用移动终端设备,使得用户能够随时随地获取所需的业务数据及分析展现,完成独立的分析与决策应用,实现决策分析无处不在的实时动态管理。随着移动应用的普及,企业对于管理软件可“移动”的需求增长迅速,用户逐渐希望通过智能手机等移动设备提交数据,并获取分析报告,实现无处不在、无时不在的实时动态管理,这将给传统BI带来巨大的飞跃。尽管BI厂商对于移动BI的呈现形式等方面技术还不够成熟,但是移动BI是不可回避的发展趋势。

  云计算BI

  云计算近年来可谓风生水起,但BI领域却鲜有见到云的痕迹,原因是多方面的。但是今年几大主流厂商都在云BI上有了或大或小的动向,这也充分说明BI市场已经开始接纳云,其中很大一部分原因在于经过长期探索,BI市场已经非常成熟,BI作为基础应用已经达到了临界点。云功能的强大、部署的便捷,必将带动以云为基础的商业智能在线服务成为全新的商业智能部署的主流方向。

  可视化数据和自助式BI

  早在2013年可视化BI就已初现端倪,BI巨头们面对市场的变化开始寻求新的途径建立更敏捷的业务分析,挖掘更多可信数据。与此同时提供更为友好的数据展现形式和优化的客户体验。对于市场用户而言单一而刻板的数据展示形式已经不能满足其要求。

  传统BI专注于从数据仓库和其它的数据库中将数据转换成信息,再将信息转换成智能,在功能上往往无法满足市场客户某些特殊或者说个性化的需求,因此自助式BI的服务概念应运而生,所谓自助其实是允许用户自行创建自定义的数据查询方式,创建方式简单无需考虑数据库等因素。可视化的数据分析手段和自助式BI都是优化客户体验、实现客户个性化需求的,将是未来一段时间的亮点,值得期待。

  社交化BI

  社交的热度还在持续的升温,也已经成为软件营销的重要阵地。社交化BI将企业数据、社交化网络和协作、社交媒体的监督与舆情分析结合在一个应用中,让传统的BI具有了更加友好的界面,商业智能的工具更具创新性。尽管其技术上并没有重大的革新,其价值也没有得到企业绝对的认同,但可以确信的是这种新的商业智能模式将协作能力带入核心体验中,呈现出了BI更多元化的发展空间。纵观目前市场现状,总体来说社交化BI仍处在一个探索期,但前景不容忽视。

  大数据融合

  在数据爆炸的时代,将数据转化为资源是企业梦寐以求的,大数据可以说是真正意义上的将信息转化为了资源。大数据时代下的商业智能开始融合大数据的应用,大量的BI厂商开始在其数据分析的产品中增加对大数据处理技术(如Hadoop)的支持或者内嵌基于对大数据处理技术的分析功能。

  数据即服务

  SaaS BI可以理解为数据即服务,这种新兴的BI实现方式逐渐被用户所接受。SaaS BI成为焦点很大一部分原因在于目前传统BI的工具价格不菲,建设的过程也相对复杂,中小企业特别是小企业往往及时存在需求也望而却步。反之,SaaS租用模式具备的低费用高效能的特点正好可以弥补这些条件的不足,因此得到不少小企业的青睐。但是SaaS BI的模式并不成熟,真正开始使用的企业并不多,受各方面因素影响短时间内客户群不会有太大的增长,但是这种颠覆性模式的价值是客观存在的,未来的发展前景看好。

  信息集成

  就商业智能的发展趋势而言,经过同各种技术、应用的融合之后,逐步演变为一种企业级、跨部门的基础信息系统,可以联结企业各个岗位,可以联结企业各类信息系统和信息资源,真正实现跨平台,从而实现信息的大集成。未来,商业智能与OA、CRM、ERP、SCM或是其它系统实现集成,系统间的结构化数据能通过BI的管理平台互相调用、可视化,全面提供决策支持、知识挖掘、商业智能等一体化服务,实现企业数字化、知识化、虚拟化,全面提升企业的决策能力和市场竞争力。


【了解更多BI商业智能大数据分析平台行业资讯,商业智能解决方案以及商业智能软件下载请访问速鸿官网http://www.suhongkeji.com/】

速鸿科技是一家专注于为企业提供 BI商业智能大数据分析智能分析智能软件以及 数据挖掘 等服务的大平台

咨询热线:020-37267822

粤ICP备15039093号