BI（Business Intelligence）即商務智能，它是一套完整的解決方案，用來將企業中現有的數據進行有效的整合，快速準確的提供報表并提出決策依據，幫助企業做出明智的業務經營決策。數據包括來自企業業務系統的訂單、庫存、交易賬目、客戶和供應商等各種數據。需要利用數據倉庫、聯機分析處理（OLAP）工具和數據挖掘等技術。商業智能本身是一個涵蓋性術語，包括應用、架構和工具，以及獲取和分析信息以提升和優化決策與性能。但隨著數據的激增以及業務的環境變換，傳統的BI已經無法滿足企業的增長需求，越來越多的企業BI平臺需要加入數據分析能力。
什么是AI?
人工智能(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。
典型應用如無人駕駛汽車、自動的語言識別和產生、發現概念和提取摘要（對檢測潛在風險并協助人類快速理解海量且實時變化的信息非常有用）。
AI和BI的最大區別在于AI能通過學習得出自己的結論，而BI則是呈現數據統計結果為人類得出結論提供支持。
在企業中通常會充斥著各式各樣的數據，這些數據包括來自客戶、企業內部、合作伙伴、競爭對手。通常，我們在工作中無法利用到這些大量數據，也不能將其轉換為易于操作的信息來為團隊帶來收益的增長和運營效率的提升。
商業智能（BI）工具的出現就是為了解決這類問題，它可以幫助企業把雜亂的數據轉換成對團隊組織有幫助的信息。
商業智能BI的三個層次--數據報表、數據分析、數據挖掘
數據報表：
經過幾年的積累，大部分中大型的企事業單位已經建立了比較完善的CRM、ERP、OA等基礎信息化系統。這些系統的統一特點都是:通過業務人員或者用戶的操作，最終對數據庫進行增加、修改、刪除等操作。
上述系統可統一稱為OLTP(Online Transaction Process，在線事務處理)，指的就是系統運行了一段時間以后，必然幫助企事業單位收集大量的歷史數據。但是，在數據庫中分散、獨立存在的大量數據對于業務人員來說，只是一些無法看懂的天書。業務人員所需要的是信息，是他們能夠看懂、理解并從中受益的抽象信息。此時，如何把數據轉化為信息，使得業務人員(包括管理者)能夠充分掌握、利用這些信息，并且輔助決策，就是商業智能主要解決的問題。
如何把數據庫中存在的數據轉變為業務人員需要的信息？大部分的答案是報表系統。簡單說，報表系統已經可以稱作是BI了，它是BI的低端實現。 現在的企業，大部分已經進入了中端BI，叫做數據分析。有一些企業已經開始進入高端BI，叫做數據挖掘。而我國的企業，目前大部分還停留在報表階段。
傳統的報表系統技術上已經相當成熟，大家熟悉的Excel、水晶報表、Reporting Service等都已經被廣泛使用。但是，隨著數據的增多，需求的提高，傳統報表系統面臨的挑戰也越來越多。
- 數據太多，信息太少
密密麻麻的表格堆砌了大量數據，到底有多少業務人員仔細看每一個數據？到底這些數據代表了什么信息、什么趨勢？級別越高的領導，越需要簡明的信息。如果我是老板，我可能只需要一句話：目前我們的情況是好、是中還是差？ - 難以交互分析、了解各種組合
定制好的報表過于死板。例如，我們可以在一張表中列出不同地區、不同產品的銷量，另一張表中列出不同地區、不同年齡段顧客的銷量。但是，這兩張表無法回答諸如“華北地區中青年顧客購買數碼相機類型產品的情況”等問題。業務問題經常需要多個角度的交互分析。 - 難以挖掘出潛在的規則
報表系統列出的往往是表面上的數據信息，但是海量數據深處潛在含有哪些規則呢？什么客戶對我們價值最大，產品之間相互關聯的程度如何？越是深層的規則，對于決策支持的價值越大，但是，也越難挖掘出來。 - 難以追溯歷史，數據形成孤島
業務系統很多，數據存在于不同地方。太舊的數據（例如一年前的數據）往往被業務系統備份出去，導致宏觀分析、長期歷史分析難度很大。 因此，隨著時代的發展，傳統報表系統已經不能滿足日益增長的業務需求了，企業期待著新的技術。
數據分析、數據挖掘：
數據分析和數據挖掘的時代正在來臨。值得注意的是，數據分析和數據挖掘系統的目的是帶給我們更多的決策支持價值，并不是取代數據報表。報表系統依然有其不可取代的優勢，并且將會長期與數據分析、挖掘系統一起并存下去。
數據挖掘看穿你的需求
廣義上說，任何從數據庫中挖掘信息的過程都叫做數據挖掘。從這點看來，數據挖掘就是BI。數據挖掘往往針對特定的數據、特定的問題，選擇一種或者多種挖掘算法，找到數據下面隱藏的規律，這些規律往往被用來預測、支持決策。
BI分析工具的種類
BI分析工具可以分成三大類，每一種都有其特定的BI風格和功能
一、報表。這種類型主要是傳統的BI風格，業務人員已經用了很多年了，他們用這種工具針對特定數據反復進行分析。例如：某老板需要檢查單品銷量；營銷經理需要比較各種營銷活動的效果。(以上已改)
前幾年，利用這類工具只能做一些靜態預先設定好的靜態報表，但是現在企業用戶可以利用各種類型工具增刪改查、比較、可視化的分析數據。這類BI工具的基本是數據集和記錄方式是提前定義好的，但是在執行分析的時候會隨著使用者的即時需求而變化。
這一類型的BI工具包括：
報表
儀表盤和記分卡
公司績效管理
電子表格
二、自服務BI和分析。這類型工具支持業務執行臨時查詢分析數據。這種分析可能只是一次性的，也可能分享給其他人反復執行。
這些工具的使用者有兩種角色：信息消費者和分析設計者，他們共享共同發布用自服務BI創建的應用。
引導查詢工具主要是針對預定義數據集和度量方式，而自服務BI工具支持商業用戶添加數據并在執行他們的分析師定義新的度量方式，無需IT技術人員參與。
其次，數據源需要能被BI工具識別和使用。盡管大多數數據源可以很容易被BI工具訪問，但也有很多具體的數據源是不能訪問的。第三，數據源必須能被業務人員理解，這通常需要業務人員經常與IT人員一起工作，理解待分析數據表結構和定義。最后，不管BI工具號稱的有多簡單，實際上都需要IT人員幫助培訓和支持才能有效使用，才能真正提高業務人員的工作效率，提高這些工具的投資回報率。
三、Ad hoc（即席查詢）報表和分析； 在線分析處理（也成為OLAP立方體）
即席查詢（Ad Hoc）是用戶根據自己的需求，靈活的選擇查詢條件，系統能夠根據用戶的選擇生成相應的統計報表。即席查詢與普通應用查詢最大的不同是普通的應用查詢是定制開發的，而即席查詢是由用戶自定義查詢條件的。
OLAP的優勢
首先必須說的是，OLAP的優勢是基于數據倉庫面向主題、集成的、保留歷史及不可變更的數據存儲，以及多維模型多視角多層次的數據組織形式，如果脫離的這兩點，OLAP將不復存在，也就沒有優勢可言。
數據展現方式
基于多維模型的數據組織讓數據的展示更加直觀，它就像是我們平常看待各種事物的方式，可以從多個角度多個層面去發現事物的不同特性，而OLAP正是將這種尋常的思維模型應用到了數據分析上。
查詢效率
多維模型的建立是基于對OLAP操作的優化基礎上的，比如基于各個維的索引、對于一些常用查詢所建的視圖等，這些優化使得對百萬千萬甚至上億數量級的運算變得得心應手。
分析的靈活性
我們知道多維數據模型可以從不同的角度和層面來觀察數據，同時可以用上面介紹的各類OLAP操作對數據進行聚合、細分和選取，這樣提高了分析的靈活性，可以從不同角度不同層面對數據進行細分和匯總，滿足不同分析的需求。 是不是覺得其實OLAP并沒有想象中的那么復雜，一旦多維數據模型建成后，在上面做OLAP其實是一件很cool的事情。
比如：數據挖掘、數據可視化 、高級的數據分析
一個簡單的關系：數據-->信息-->價值
BI就是通過處理數據幫助用戶獲取收益的過程。我們提供的是一種服務而多于提供產品。傳統的企業通過報表平臺（主要是報表，圖表）獲取企業的運營狀況信息，而放在當前的大數據環境下，顯然是不夠的。
如果還是以傳統的思想去處理數據，雖然暫時能滿足企業的需求但最終會落后于時代。
BI讓企業所有員工都能查看和分析自己的數據，以更好的提高業務能力和發現問題。
比如一線員工關注的每天的具體數據；中層，管理層關心的自己部門的KPI指標，運營情況； 決策層則需要有俯瞰整個企業的視角和掌握企業脈動的能力。他們更關心的整個企業運行的關鍵指標。
相比傳統報表平臺，BI有著更豐富更易實現的功能
從企業信息架構上來說
綜上所述，BI就是一種能讓企業更好駕馭數據的服務
經典的BI架構
舉例：
這是做好的一個例子，右邊可以設定按照哪些字段進行篩選
點擊圖形上的一個區域，會自動進行數據篩選，將選擇塊作為其他圖形的篩選條件，方便用戶查詢使用。
最后：
自建BI：周期長，使用門檻高，需要專業的人員支持，但可以處理大量數據，對于數據量龐大的企業來說，是比較合適的，但不太適合中小型企業。
為了一套系統，還得配備專業人員，需求提出來還得等實現，并不能做到隨時隨地隨用，滿足對市場快速反應的要求。
第三方平臺：云端系統，使用門檻比較低，但對數據量有些限制，適合中小型企業，數據量不是那么大的，具體問到多大，像數據觀可以滿足PB級別的數據需求，相當于1,048,576 GB。
用SaaS的好處是不用專業IT人員也行，業務人員可以根據實際業務情況進行數據分析，其實最了解業務的還是業務人員本身，脫離了業務的數據分析都是耍流氓。
傳統的BI工具和分析架構依然處于描述階段，而且目前的BI只能幫助用戶解決兩個問題“正在發生什么？”和“發生過什么？”，但未來BI需要能夠回答“將要發生什么？”因此，預測，指導和認知性的運算就是必須的。隨著人工智能技術的發展，這三種技術正在逐漸加強，他們可以將日常工作進行完全自動化，并通過不間斷的重復性任務對未來的發展方向進行準確的預測。 通過這些先進的分析方式，人們不僅可以將數據進行更快更準確的分析，也可以將決策交給機器學習來降低人為錯誤從而提升公司的利潤。同時，機器學習可以發現人們目前無法看到的潛在新機會和模式。
