這裡不再闡述商業智能的概念了，關於BI，就從過往的了解，搜索以及知乎的一些問答，大家困惑的點主要集中於大數據與BI的關係，BI的一些技術問題，以及BI行業和個人職業前景的發展。這裡歸納成8個問題點，每個問題都做了精心的解答，希望能給大家帶來幫助。
問題1：商業智能BI和大數據是什麼關係，如何選擇？
BI(BusinessIntelligence)即商業智能，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並提出決策依據，幫助企業做出明智的業務經營決策。
大數據(Big Data)是指在可承受的時間範圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。
兩者是不一樣的概念，BI相對於大數據更傾向於決策，適合支持經營指標支撐類的問題，大數據則內涵更廣，傾向於刻畫個體，更多的在於個性化的決策。
現今，大型網際網路企業採用hadoop一類的大數據架構——數據倉庫——自己研發的報表、OLAP分析等，或者前端選用成熟的商業智能報表和BI分析軟體，像FineBI之類的大數據BI都能對接大數據平臺。傳統企業，小型的公司沒有那麼多的業務分析的需求，大多尋求excel、業務系統的簡單報表功能或者專業的報表工具來解決問題；一般中大型企業數據量大時會構建數據倉庫，用BI在前端分析展現。當然很多傳統企業針對特定業務（比如用戶畫像、風控分析）採用大數據技術。
整體來講，選擇大數據還是BI依據需求來定，大數據組件大多開源，需要大量的人力開發。BI大多商用，需要一定資金和一定時間的項目實施。
問題2：什麼是大數據BI？什麼是自助式BI？和傳統BI有何區別？
大數據BI
大數據BI有這樣幾類特性：能對接hadoop一類的大數據平臺，做數據分析；能處理大數據量（億級以上），響應速度快，比較考驗的是BI的數據處理計算性能和資料庫性能。
傳統BI &自助式BI
傳統BI重在於數據平臺搭建，提供報表服務，以IT為主導；自助式BI重在於數據分析，以業務分析為主導。兩者的數據處理流程相通。
傳統BI：通常指企業內部大而全的統一報表或分析平臺，代表性的老牌BI工具廠商如 IBM的cognos，Oracle的OBIEE，SAP的BO等均包含豐富的功能模塊，比較適合於打造一體化的大而全的統一平臺。傳統BI一般面向IT研發人員，他們多集中在企業的技術部門，傳統BI的打造方式基本如下：
自助BI：面向的是不具備IT背景的業務分析人員，與傳統BI相比更靈活且易於使用，而且一定程度上擺脫對IT部門的大幅度依賴。不同於以往「IT主導的報表模式」，轉而向「業務主導的自助分析模式」發展。自助BI通常的應用場景：
問題3：BI的多維數據模型和OLAP是什麼，實用價值在哪？
試想一下分析業務數據時場景，經常會從不同的角度來審視業務的衡量指標。例如分析銷售數據，可能會綜合時間周期、產品類別、分銷渠道、地理分布、客戶群類等多種因素來考量。這些分析角度雖然可以通過報表來反映，但每一個分析的角度生成一張報表，各個分析角度的不同組合又生成不同的報表，每嘗試分析一次，就得抽一次數，這會使得IT人員的工作量相當大。
而OLAP的作用就是儘可能將所有的維度條件及聚合值都準備好，供使用者在分析時可以按照任意維度來分析。
以BI的實際應用來講，拿到數據，可能需要下鑽到比較粗的粒度觀察數據，比如從日期時間維度、從地域品類維度來分析數據，對應到BI的操作上，就是拖拽維度、過濾排序、維度切換，鑽取等操作，cube或者數據倉庫就要響應這種操作，這就使用到了下鑽、切邊、切塊、轉軸等功能。
問題4：商業智能BI在數據分析工作中的作用，是必要的嗎？
在數據分析過程中，BI也算是一個工具，能自助取數，用於快速分析，製作分析報表。很多網際網路、零售、金融企業會有自己的數據分析團隊會專業的分析人員，使用的工具可能從SPSS、SAS、R、Python不等，這些工具能對準備好的數據做數理統計分析，取數的工作大多還是要交給IT人員去做。像目前的自助式BI因為上手很簡單，對於多維度的數據可以從各方面來展示，而且能及時生成數據報告，可在平臺上管理報表和分析表單。所以是否有必要，因需求而異。
問題5：BI如何選型，需要考慮哪些點？
BI工具可分為傳統型BI以及自助型BI。傳統型BI，國外以SAP BO、cognos、Oracle BIEE等為主；自助型BI，比如國外的Tableau、Qlikview，國內的FineBI、永洪bi等等。
站在產品的企業的角度，可以從領先能力、產品能力、服務能力以及價格能力去著手衡量。可通過海比研究給出的一套《BI選型指標體系》來判斷。
1、領先能力=行業地位+領先性
比如公司在行業中的低位、市場佔有率、公司在該領域的專注性以及技術的領先性。商業智能目前的市場格局不算大，可擴展到報表領域去衡量。
2、產品能力=公司產品線+核心產品功能+解決方案
一般來講，公司的產品線越完整，相關產品的整合能力越強，越好。但是，最重要的還是產品的功能是否實能解決企業最關注的的問題，是否能覆蓋更多行業，BI解決的是行業通用性的問題，解決能力越強，產品越優秀。
3、服務能力=服務專業能力+維護能力
BI的實施很考察人員的專業性，過去由於國外IT巨頭的稱霸，很多產品的項目都承包給第三方實施，造成服務脫節。現在很多湧現的國內軟體公司一般都會有專業的實施團隊，本地化服務很佔優勢，所以這一點不妨考慮本土產品。
4、價值能力=成功案例+性價比
選型前可看看同行業的企業夥伴們用的是什麼類的BI工具，使用情況如何。包括從功能費用、項目實施費用綜合考慮來看的性價比。
問題6：如何實施BI？
實施BI的前提，最重要的是基礎數據的統一。比如貨品信息，客戶信息，公司內部信息。缺少的數據雖然可以臨時補，但是隨著公司業務的擴展，這種數據化運營的方式需要不斷精細，數據管理的規範任務要落實到業務員的考察，如果得到領導的支持會更容易推動。有了這些齊全的數據，BI的實施才有保障。
然後是業務的統一。比如銷售模式，採購模式，結算方法，質量管理的統一。比如銷售模式不統一，有的分公司先結算後配送，有的公司先配送後結算，業務形式不統一，口徑不統一，就會造成數據的時間差。
其次是業務部署。每個公司的業務部署不同，有的是集中部署有的是分銷部署，如果BI是放在總部實施，需要將各地分散的數據統一起來，建立數據倉庫，保持基礎數據的統一，但其中，如何提高速度，如何優化配合方式，這點需要研究。
BI人才儲備是否足夠，需要業務人員和信息人員的積極配合，這個效果才能夠比較良好的推動，而且還能夠持續的發展。為了讓技術和業務人員更好地貼合，要將技術和業務有效結合，最大效率的把報表和BI系統的功能發揮出來。
對於上BI，還有其他考慮，比如價格預算，比如是否用開源，比如後續開發和維護，這裡做個統一的解釋。
明確業務需求：強烈的業務需求，明晰的業務目標，能否抓住核心是一個項目成敗的關鍵。
「產品+定製+服務」的建設思路：是否要選擇開源的產品？如果你有很強的開發能力，可以考慮。但建議專業的事情還是交給專業的工具來做，傳統企業不比網際網路企業，網際網路企業是以數據來驅動的，與傳統企業的模式不一樣，再說，後續維護也是成本啊。業務項目建設如果不藉助比較成熟的產品工具，從技術代碼進行創新式的開發，不經過迭代以及檢驗很難規避風險，很難形成一個成熟的產品。如果覺得國外BI產品「龐大」，完全可以選擇FineBI這一類輕量化的工具。
最後，就是認清技術力量的現狀，不妨建議敏捷開發、迭代開發和重構，注重技術和管理的配合。
問題7：做BI人的前景在哪裡？
剛入門BI這一領域的人，未來的職業發展可以走技術、走管理、走開發。
1、走技術方向：（按照技術路線進行劃分）
ETL，這塊是BI永恆的重點之一，需求也是一直持續，只是相對來說，ETL會比較枯燥。在這一塊，掌握一兩款順應潮流的大工具，擁有相應年限的工作經歷，行業性要求不太高，可以找到一個不錯的崗位。DS、INFA、SSIS這些都是蠻有需求的。
數據倉庫，主要指的數據倉庫設計，架構設計等，一般來說LEVEL會比較高，薪水待遇也還行，屬於偏高端人才了，一般都會要有5年、7年或更多年限的經驗，對行業性經驗要求比較高。
前端應用，SAP BO、COGNOS、BIEE等工具的熟練應用，可以做甲方內部顧問也可以做乙方項目顧問。從前端切入去接觸到更多業務和需求，對提高自己的業務水平有好處。
數據挖掘數據分析方面，這塊個人認為是最有前景的，數據分析師的需求一直在增加，但和BI的背景不是非常貼合，要學數據統計學知識，R、Python語言等，學的東西很多。
2、走管理路線
管團隊管某塊業務，做項目總監，而後上升到CIO之類的，偏向管理屬性，對人的溝通交流尤其是與高層交流的水平較高，比較IT在企業大多屬於業務支撐部門，很多事情很難推動，同時還要思考如何提升IT在企業的地位，這個你只要觀察自己的部門領導怎麼做的，慢慢摸索了。
3、走開發
第三方軟體開發公司了，比如SAP之類的公司（有點難度），或者國內帆軟、永洪等其他BI公司的軟體開發了，難度是要有一定的程序開發基礎，但是對業務的理解也能帶來一些幫助。再或者是去一些創業公司帶團隊做BI產品，現在做前端可視化分析的公司有很多，雖然不完全類同於BI，但有很多共通之處。
問題8：如何系統的學習BI知識？
這裡給出一個學習框架
1、學習資料庫知識， 掌握基礎技能SQL
2、技術選擇：數據倉庫 / ETL / 前端開發等等
3、 選擇技術工具：
數據倉庫-Oracle、SAP HANA、Hadoop都是主流；
ETL- informatica 、kettle；
自助式BI工具-Taleau、帆軟FineBI、Power BI
4、學習業務知識
5、實操數據分析工作