这里不再阐述商业智能的概念了，关于bi，就从过往的了解，搜索以及知乎的一些问答，大家困惑的点主要集中于大数据与bi的关系，bi的一些技术问题，以及bi行业和个人职业前景的发展。这里归纳成8个问题点，每个问题都做了精心的解答，希望能给大家带来帮助。
问题1：商业智能bi和大数据是什么关系，如何选择？
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(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。
两者是不一样的概念，bi相对于大数据更倾向于决策，适合支持经营指标支撑类的问题，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。
现今，大型互联网企业采用hadoop一类的大数据架构——数据仓库——自己研发的报表、olap分析等，或者前端选用成熟的商业智能报表和bi分析软件，像finebi之类的大数据bi都能对接大数据平台。传统企业，小型的公司没有那么多的业务分析的需求，大多寻求excel、业务系统的简单报表功能或者专业的报表工具来解决问题；一般中大型企业数据量大时会构建数据仓库，用bi在前端分析展现。当然很多传统企业针对特定业务（比如用户画像、风控分析）采用大数据技术。
整体来讲，选择大数据还是bi依据需求来定，大数据组件大多开源，需要大量的人力开发。bi大多商用，需要一定资金和一定时间的项目实施。
问题2：什么是大数据bi？什么是自助式bi？和传统bi有何区别？
大数据bi
大数据bi有这样几类特性：能对接hadoop一类的大数据平台，做数据分析；能处理大数据量（亿级以上），响应速度快，比较考验的是bi的数据处理计算性能和数据库性能。
传统bi &自助式bi
传统bi重在于数据平台搭建，提供报表服务，以it为主导；自助式bi重在于数据分析，以业务分析为主导。两者的数据处理流程相通。
传统bi：通常指企业内部大而全的统一报表或分析平台，代表性的老牌bi工具厂商如 ibm的cognos，oracle的obiee，sap的bo等均包含丰富的功能模块，比较适合于打造一体化的大而全的统一平台。传统bi一般面向it研发人员，他们多集中在企业的技术部门，传统bi的打造方式基本如下：
自助bi：面向的是不具备it背景的业务分析人员，与传统bi相比更灵活且易于使用，而且一定程度上摆脱对it部门的大幅度依赖。不同于以往“it主导的报表模式”，转而向“业务主导的自助分析模式”发展。自助bi通常的应用场景：
问题3：bi的多维数据模型和olap是什么，实用价值在哪？
试想一下分析业务数据时场景，经常会从不同的角度来审视业务的衡量指标。例如分析销售数据，可能会综合时间周期、产品类别、分销渠道、地理分布、客户群类等多种因素来考量。这些分析角度虽然可以通过报表来反映，但每一个分析的角度生成一张报表，各个分析角度的不同组合又生成不同的报表，每尝试分析一次，就得抽一次数，这会使得it人员的工作量相当大。
而olap的作用就是尽可能将所有的维度条件及聚合值都准备好，供使用者在分析时可以按照任意维度来分析。
以bi的实际应用来讲，拿到数据，可能需要下钻到比较粗的粒度观察数据，比如从日期时间维度、从地域品类维度来分析数据，对应到bi的操作上，就是拖拽维度、过滤排序、维度切换，钻取等操作，cube或者数据仓库就要响应这种操作，这就使用到了下钻、切边、切块、转轴等功能。
问题4：商业智能bi在数据分析工作中的作用，是必要的吗？
在数据分析过程中，bi也算是一个工具，能自助取数，用于快速分析，制作分析报表。很多互联网、零售、金融企业会有自己的数据分析团队会专业的分析人员，使用的工具可能从spss、sas、r、python不等，这些工具能对准备好的数据做数理统计分析，取数的工作大多还是要交给it人员去做。像目前的自助式bi因为上手很简单，对于多维度的数据可以从各方面来展示，而且能及时生成数据报告，可在平台上管理报表和分析表单。所以是否有必要，因需求而异。
问题5：bi如何选型，需要考虑哪些点？
bi工具可分为传统型bi以及自助型bi。传统型bi，国外以sap bo、cognos、oracle biee等为主；自助型bi，比如国外的tableau、qlikview，国内的finebi、永洪bi等等。
站在产品的企业的角度，可以从领先能力、产品能力、服务能力以及价格能力去着手衡量。可通过海比研究给出的一套《bi选型指标体系》来判断。
1、领先能力=行业地位+领先性
比如公司在行业中的低位、市场占有率、公司在该领域的专注性以及技术的领先性。商业智能目前的市场格局不算大，可扩展到报表领域去衡量。
2、产品能力=公司产品线+核心产品功能+解决方案
一般来讲，公司的产品线越完整，相关产品的整合能力越强，越好。但是，最重要的还是产品的功能是否实能解决企业最关注的的问题，是否能覆盖更多行业，bi解决的是行业通用性的问题，解决能力越强，产品越优秀。
3、服务能力=服务专业能力+维护能力
bi的实施很考察人员的专业性，过去由于国外it巨头的称霸，很多产品的项目都承包给第三方实施，造成服务脱节。现在很多涌现的国内软件公司一般都会有专业的实施团队，本地化服务很占优势，所以这一点不妨考虑本土产品。
4、价值能力=成功案例+性价比
选型前可看看同行业的企业伙伴们用的是什么类的bi工具，使用情况如何。包括从功能费用、项目实施费用综合考虑来看的性价比。
问题6：如何实施bi？
实施bi的前提，最重要的是基础数据的统一。比如货品信息，客户信息，公司内部信息。缺少的数据虽然可以临时补，但是随着公司业务的扩展，这种数据化运营的方式需要不断精细，数据管理的规范任务要落实到业务员的考察，如果得到领导的支持会更容易推动。有了这些齐全的数据，bi的实施才有保障。
然后是业务的统一。比如销售模式，采购模式，结算方法，质量管理的统一。比如销售模式不统一，有的分公司先结算后配送，有的公司先配送后结算，业务形式不统一，口径不统一，就会造成数据的时间差。
其次是业务部署。每个公司的业务部署不同，有的是集中部署有的是分销部署，如果bi是放在总部实施，需要将各地分散的数据统一起来，建立数据仓库，保持基础数据的统一，但其中，如何提高速度，如何优化配合方式，这点需要研究。
bi人才储备是否足够，需要业务人员和信息人员的积极配合，这个效果才能够比较良好的推动，而且还能够持续的发展。为了让技术和业务人员更好地贴合，要将技术和业务有效结合，最大效率的把报表和bi系统的功能发挥出来。
对于上bi，还有其他考虑，比如价格预算，比如是否用开源，比如后续开发和维护，这里做个统一的解释。
明确业务需求：强烈的业务需求，明晰的业务目标，能否抓住核心是一个项目成败的关键。
“产品+定制+服务”的建设思路：是否要选择开源的产品？如果你有很强的开发能力，可以考虑。但建议专业的事情还是交给专业的工具来做，传统企业不比互联网企业，互联网企业是以数据来驱动的，与传统企业的模式不一样，再说，后续维护也是成本啊。业务项目建设如果不借助比较成熟的产品工具，从技术代码进行创新式的开发，不经过迭代以及检验很难规避风险，很难形成一个成熟的产品。如果觉得国外bi产品“庞大”，完全可以选择finebi这一类轻量化的工具。
最后，就是认清技术力量的现状，不妨建议敏捷开发、迭代开发和重构，注重技术和管理的配合。
问题7：做bi人的前景在哪里？
刚入门bi这一领域的人，未来的职业发展可以走技术、走管理、走开发。
1、走技术方向：（按照技术路线进行划分）
etl，这块是bi永恒的重点之一，需求也是一直持续，只是相对来说，etl会比较枯燥。在这一块，掌握一两款顺应潮流的大工具，拥有相应年限的工作经历，行业性要求不太高，可以找到一个不错的岗位。ds、infa、ssis这些都是蛮有需求的。
数据仓库，主要指的数据仓库设计，架构设计等，一般来说level会比较高，薪水待遇也还行，属于偏高端人才了，一般都会要有5年、7年或更多年限的经验，对行业性经验要求比较高。
前端应用，sap bo、cognos、biee等工具的熟练应用，可以做甲方内部顾问也可以做乙方项目顾问。从前端切入去接触到更多业务和需求，对提高自己的业务水平有好处。
数据挖掘数据分析方面，这块个人认为是最有前景的，数据分析师的需求一直在增加，但和bi的背景不是非常贴合，要学数据统计学知识，r、python语言等，学的东西很多。
2、走管理路线
管团队管某块业务，做项目总监，而后上升到cio之类的，偏向管理属性，对人的沟通交流尤其是与高层交流的水平较高，比较it在企业大多属于业务支撑部门，很多事情很难推动，同时还要思考如何提升it在企业的地位，这个你只要观察自己的部门领导怎么做的，慢慢摸索了。
3、走开发
第三方软件开发公司了，比如sap之类的公司（有点难度），或者国内帆软、永洪等其他bi公司的软件开发了，难度是要有一定的程序开发基础，但是对业务的理解也能带来一些帮助。再或者是去一些创业公司带团队做bi产品，现在做前端可视化分析的公司有很多，虽然不完全类同于bi，但有很多共通之处。
问题8：如何系统的学习bi知识？
这里给出一个学习框架
1、学习数据库知识， 掌握基础技能sql
2、技术选择：数据仓库 / etl / 前端开发等等
3、 选择技术工具：
数据仓库-oracle、sap hana、hadoop都是主流；
etl- informatica 、kettle；
自助式bi工具-taleau、帆软finebi、power bi
4、学习业务知识
5、实操数据分析工作