DMER站长博客分析师资源站

DMER数据分析

 找回密码
 立即注册

扫一扫,访问微社区

QQ登录

只需一步,快速开始

查看: 174|回复: 0

[讨论] 宏图远见浅谈商业智能概念界定和发展演进

[复制链接]

7

主题

7

帖子

115

积分

数据分析员

Rank: 2

积分
115
发表于 2017-10-27 18:13:27 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
  商业智能的起源可以追溯到20世纪60年代到80年代中叶流行的决策支持系统”(Decision support systemsDSS)。这一系统通过应用计算机模型来辅助制定决策和编制规划。伴随着DSS的应用,到80年代晚期,数据仓库、高级管理信息系统,联机分析处理(Online analytical ProcessingOLAP)和商业智能(Business IntelligenceBI)的概念开始逐步兴起。1989Howard Dresner首次提出了商业智能的概念,并将其视为一类由数据仓库(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,以辅助企业制定决策为目的的技术和应用。他的这一说法在20世纪90年代末期得到了广泛地传播。
2.png
  综合国内外权威机构对商业智能的定义,商业智能是一种综合各类数据,应用大数据、云计算、ETLOLAP、机器学习和可视化等技术,为组织提供数字化的决策支持,发掘组织潜在增长空间的解决方案。商业智能产业则是指与商业智能解决方案相关的产品和服务所组成的业态的总称。
  为了进一步明确商业智能的概念边界,需要对易混淆的名词进行澄清。首先,商业智能绝不仅仅等价于数据可视化工具。虽然近年来业界对非常注重商业智能产品的可视化能力,但可视化在本质上只是商业智能产品用于前端展示的功能模块。商业智能还需要涵盖ETL、数据分析和预测等功能。此外,商业智能与大数据在概念层次上存在重叠,但彼此间并没有严格的包含-被包含关系。从概念的本质来看,大数据侧重于分析技术的多样化和高效,而商业智能侧重于应用大数据技术来提供更完备的解决方案,其中既包含了数据收集、分析和展示等过程;从具体产品来看,很多大数据企业往往将商业智能解决方案作为自己的主营业务之一。
  2.商业智能产业的历史演进
  商业智能产业的演进经历了三个阶段:传统的商业智能阶段,大数据时代的商业智能阶段和现代的商业智能阶段。
  前两个阶段间的转变,主要体现为所分析数据的多元化。大数据时代的商业智能系统,不仅涉及传统阶段的结构化数据,还拓展涵盖了半结构化数据、非结构化数据和流数据,从而提供了更全面的分析结果。后两个阶段间的转变则主要体现为在开发思路上对客户真实需求的回归。现代的商业智能更加强调敏捷分析,以及探索式分析和实时分析技术,它通过提供高度弹性的交互操作界面和自服务数据准备,将分析和洞察的权利从传统的IT部门移交给一线的业务人员。
  2.1传统的商业智能
  传统的商业智能是应用ETL(Extract-Transform-Load)、数据仓库(Data WarehouseDW)和联机分析处理(Online Analysis ProcessingOLAP)等技术,在搜集、整理并存储企业内部各业务单元数据(通常为结构化数据)的基础上,进行分析和可视化展现(通常为各类定制化的报表)的解决方案。
  ETL技术为收集和整理各业务单元数据,并将其存入数据仓库提供了良好的解决方案。通过数据抽取、数据清洗、数据转换和数据加载四个过程,ETL可以将零散分布于组织各业务单元的数据汇聚在数据仓库中。
  大数据时代通常具有显著的3V特性,即数据容量大(Volume),数据类型繁多(Variety),以及数据分析和处理的速度快(Velocity)。大数据时代的商业智能与传统商业智能的区别主要体现在数据类型的多样化分析技术的多样化两个方面。通过应用先进的分析技术,大数据时代的商业智能解决方案可以涵盖更广阔的信息源,提供更多元化分析结论,分析的质和量都有显著提升。
  从所涉及的数据类型来看,这一时期的商业智能不仅分析了结构化数据,还拓展涵盖了半结构化数据、非结构化数据和流数据。结构化数据被组织成二维表形式,通常受到较严格限制(如数据类型、字符数和可选项等)并被用于关系型数据库系统。非结构化数据是缺乏预定义数据模型或没有被组织成预定义形式的数据类型,它通常无法被程序快速识别和应用,涉及文本和多媒体等资源(如图像、视频、网页和电子邮件等)。半结构化数据介于结构化数据和非结构化数据之间,它是通过对非结构化数据进行一定程度的加工和组织,形成可以在一定程度上被程序分析和处理的数据,如应用标签进行信息组织的XML文件等。流数据指代一组顺序、大量、快速、连续到达的数据序列,一般情况下可被视为随时间延续而无限增长的动态数据集合,如传感器数据、监控数据和金融交易数据等。
从分析技术来看,传统商业智能中的数据库和数据仓库技术主要用于结构化数据的分析,而在大数据时代的商业智能情景下,以Hadoop生态系统为代表的大数据技术可用于处理非结构化和半结构化数据,而以StormSpark平台为代表的实时分析技术可用于处理流数据。通过将这三大类数据分析技术相结合,形成了大数据时代的商业智能分析体系和整体解决方案
  2.3现代的商业智能
  现代的商业智能解决方案,是对大数据时代商业智能解决方案的延伸,两者的差异主要体现在提供服务的思路上。传统商业智能和大数据时代的商业智能解决方案通常都很倚重IT部门,由IT部门通过集中管控来构建项目框架、设计模式并实施。这个相对集中而僵化的体系,导致了业务部门在提出新的分析需求时,IT部门很难给出及时的反馈,缺乏敏捷性和灵活性。实践中发现,如果把IT部门从数据分析的具体事务中分离出来,构建现代的商业智能,将数据分析的权利交给一线的业务人员,整个流程就会变得更加敏捷,企业也更容易通过持续的反馈,来满足自身对商业智能项目的需求。

回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|关于我们|小黑屋|手机版|Archiver|帮助|DMER 数据分析 ( 蜀ICP备13007024号-2  

GMT+8, 2018-6-23 04:43 , Processed in 0.398656 second(s), 35 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表