很多企業(yè)認為只要買一個前端商業(yè)智能BI分析工具就可以解決企業(yè)級的商業(yè)智能BI所有問題，這個看法實際上也不可行的?？赡茉谧铋_始分析場景相對簡單，對接數據的復雜度不是很高的情況下這類商業(yè)智能BI分析工具沒有問題。但是在企業(yè)的商業(yè)智能BI項目建設有一個特點，是一個螺旋式上升的建設過程。因為對接的業(yè)務系統(tǒng)可能會越來越多，分析的深度和廣度會越來越多，數據的復雜度也會越來越有挑戰(zhàn)性，這個時候沒有一個很好的數據倉庫架構支撐，光靠前端BI分析工具基本上是無法搞定的。

一、首先簡要糾正一下對于BI這些問題的理解

1、?BI 就是報表可視化，就是一堆可視化圖表，BI 就是前端可視化。

商業(yè)智能BI是一套完整的有數據倉庫、數據分析、數據報表等組成的數據技術類的解決方案，在一個 BI 項目中，20% 的時間做前端分析報表，80% 的時間都在底層數據倉庫的設計、ETL 的開發(fā)、取數開發(fā)等工作。

所以可視化報表只是商業(yè)智能 BI 的最終呈現(xiàn)，但不是 商業(yè)智能BI 的全部。

?

2、?BI 就是一個拖拉拽的分析工具產品

拖拉拽的可視化分析工具準確來講只能解決 商業(yè)智能BI 的一部分，即可視化分析。但其實 商業(yè)智能BI 所包括的技術范圍還是比較廣的，涉及到從底層數據取數到前端展現(xiàn)分析的各個方面。

單純拖拉拽的商業(yè)智能BI可視化分析工具嚴格來講只能定位于個人和部門級，和企業(yè)級的商業(yè)智能BI 有很大的不同，所以單純的上一個商業(yè)智能BI分析工具發(fā)揮不了商業(yè)智能BI的真正作用，也替代不了商業(yè)智能BI的位置。

二、報表工具是怎么來的？

在技術領域、信息化領域、商業(yè)智能BI 行業(yè)，一直沒有出這個圈。做過 JAVA ( AWT、SWING、JSP、Hibernate、Spring、ibatis )、.NET ( ASP、http://ASP.NET、C#.NET )、Object-C 、JS 等等技術開發(fā)，業(yè)務軟件系統(tǒng)平臺開發(fā)。

早期前端技術很弱，AJAX 的實現(xiàn)也都需要手寫，要實現(xiàn)一個表單內數據的點擊編輯和修改需要自己用 JS DOM 操作。做報表基本上就是 JSP、ASP 腳本語言在前端嵌套 HTML 做循環(huán)輸出，報表樣式很原生很丑陋，稍微復雜一點的表格報表樣式都需要用 JS 來調整。

那個時候用過的報表像 Crystal Report 水晶報表、潤乾報表等等，在前端腳本語言中有標簽直接可以引用，報表生成代替了大量的手寫代碼。早期的前后端技術是不分家的，http://ASP.NET 還稍微好一些，前端逐步有一些集成控件可以直接使用，JAVA 是真沒有。上面說到的這個階段大概在什么時候呢，2005年前后，2007年已經使用的很廣泛了，老的 CSDN 上應該還能找到很多原始的報表標簽帖子。

?

像老一批報表還有像金峰報表 Jreport、思達報表 StyleReport 等等在國內也有一定的市場。早在 2010 年之前，有些報表廠商的收入規(guī)模就已經突破了一個億，說明基礎報表這個市場還是非常不錯的。

那個時候的報表定位是什么，就是純粹的 Report 報表，通過程序從后臺數據庫中查詢返回的數據聚合 List 再到前端腳本頁面上綁定一下就生成了各種報表，實際上就是用在各個業(yè)務軟件系統(tǒng)之中的報表展示，還遠遠沒有到 商業(yè)智能BI分析這個層面。

并且還有大量的軟件開發(fā)廠商實際上已經具備了很強的報表能力，不過這些報表能力并沒有單獨拿出來作為報表產品在市面上運營而已。

逐步的，隨著前端技術、前端框架的完善，從傳統(tǒng)表格技術開始到了各類柱狀圖、條形圖、餅狀圖的可視化展示，到了這個階段，報表和商業(yè)智能BI的邊界越來越模糊。為什么？商業(yè)智能BI的報表展現(xiàn)能力也就和傳統(tǒng)報表效果大致相當，還沒有出現(xiàn)那種自助分析、自助拖拉拽就可以實現(xiàn)快速多維分析的能力。

講這么多主要想說的是我們所看到的很多商業(yè)智能BI項目都是拿報表思維去實現(xiàn)的，就是 SQL 到數據集到前端展現(xiàn)。而真正的商業(yè)智能BI思維應該是什么呢？ 多維思維、模型思維，這一點決定了一個 商業(yè)智能BI 項目的最終走向。

?

三、BI 和數據倉庫 Data Warehouse 有什么區(qū)別和聯(lián)系？

經常會碰到有人問商業(yè)智能BI和數據倉庫有什么區(qū)別，實際上這個問題的背后能反映出來一些朋友對商業(yè)智能BI的理解還是有些不準確和偏差，這個問題實際上從概念上把BI和數據倉庫人為的割裂了。這種情況其實也比較正常，因為大家對商業(yè)智能BI的第一印象就是各種炫酷的可視化圖表、報表，再加上市面上有很多輕量的前端可視化商業(yè)智能BI分析工具，就造成大家對BI的認知就停留在可視化這部分了。

準確的來說，商業(yè)智能BI不僅僅包含前端可視化分析、報表展現(xiàn)的能力，更包含了底層數據倉庫的建設過程。Gartner 在上世紀九十年代就已經提到了商業(yè)智能 Business Intelligence，它更多的認為：BI是一種數據類的技術解決方案，將許多來自不同企業(yè)業(yè)務系統(tǒng)的數據提取有分析價值的數據進行清洗、轉換和加載，就是抽取Extraction、轉換 Transformation、加載Loading 的ETL過程，最終合并到一個數據倉庫中，按照一定的建模方式例如Inmon 的3NF 建模、Kimball 的維度建?；蛘邇烧叨加械幕旌鲜郊軜嬆Ｐ?，最終在這個基礎上再利用合適的分析展現(xiàn)工具來形成各種可視化的分析報表為企業(yè)的管理決策層提供數據決策支撐。

所以，可以從這里能夠看到數據倉庫Data Warehouse 的位置是介于可視化報表和底層業(yè)務系統(tǒng)數據源之間的這一層，在整個商業(yè)智能BI項目解決方案中起到的是一個承上啟下的作用。如果把商業(yè)智能BI比作是一個人的話，上半身特別是臉這個部分就是顏值，下半身腳踏實地吸取大地的精華，中間這部分的腰腹核心、核心力量就是數據倉庫。

那大家也會問到，市面上不是有很多直接鏈接數據源就可以拖拉拽分析的商業(yè)智能BI工具產品嗎，不也一樣可以做商業(yè)智能BI分析報表嗎？這種獨立的、單獨的面向前端的商業(yè)智能BI分析工具，他們更多的定位是部門級和個人級的商業(yè)智能BI 分析工具，對于深層次的需要復雜數據處理、集成、建模等很多場景是無法解決的。最好的方式就是底層構建一套完整的數據倉庫，把很多分析模型標準化，再利用這些前端商業(yè)智能BI分析工具結合起來，這樣才能真正的把前端商業(yè)智能BI分析能力給釋放出來。

就像去中藥店抓藥一樣，之所以抓藥很快，是因為在抓藥前，別人已經把各種原生的中藥材（原始數據源的數據）分門別類清理干凈放好了，這樣想怎么搭配藥材（維度指標組合的可視化）就很快了。

這樣的企業(yè)在國內有很多，也是因為對商業(yè)智能BI理解的深度不夠導致了在商業(yè)智能BI項目建設上一些方向性的錯誤，最后s導致商業(yè)智能BI項目很難繼續(xù)推進。

所以在企業(yè)中，我們需要明確我們的商業(yè)智能BI建設是面向企業(yè)級的還是個人和部門的分析工作。如果是個人數據分析師，使用這類前端商業(yè)智能BI分析工具就足夠了。如果是需要構建一個企業(yè)級的商業(yè)智能BI項目，就不能只關注前端可視化分析能力這個層面，更應該關注到底層數據架構的構建，也就是數據倉庫這個層面。

?