商业智能的介绍
前言
本来是写商业智能数据分析。但是写着写着，商业智能的部分占了很大一部分就干脆作为单独的一篇。
商业智能（Business Intelligence，简称：BI），又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。
商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具
简而言之，帮企业做决策的工具。是传统行业报告的进阶。这个商业智能更加科学和全面，可以分析出许多信息，帮助决策者分析。并且还具有实时性。
使用到的技术
说得天花乱坠，那么商业智能是啥？
从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。
- 数据仓库（Data Warehouse）和数据集市（Data Mart）产品。包括数据转换、管理和存取等方面的预配置软件，通常还包括一些业务模型，如财务分析模型。
- 当今的数据处理大致可以分成两大类：联机事务处理OLTP（On-Line Transaction Processing）、联机分析处理OLAP（On-Line Analytical Processing）。
- OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。
- OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。
- 数据挖掘（Data Mining）软件。使用诸如神经网络、规则归纳等技术，用来发现数据之间的关系，做出基于数据的推断。
- 数据仓库就是将报表存入数据库中，用的技术栈是SQL、spark；
- 在线分析处理就是把数据呈现处理，用的技术栈是后端技术栈、前端技术栈；
- 数据挖掘就是找数据间的关系，用的技术栈是Python（人工智能的库）。
实施商业智能系统是一项复杂的系统工程。大致实施步骤为：
需求分析：收集企业需求，想通过什么数据得出什么结论；
数据仓库建模：对企业需求分析，建立企业数据仓库的逻辑模型和物理模型；
数据抽取：将数据从业务系统抽取到数据仓库。在抽取过程必须对数据进行转换、清洗，以适应分析的需要；
建立商业智能分析报表：就是数据可视化
用户培训和数据模拟测试：给用户使用；
系统改进和完善：迭代升级
这个就是软件工程中的可行性研究、需求分析、设计、编码、测试、集成和维护。感觉好有意思。大学里教的东西真的就像内功，万金油，哪都能用。
商业智能的发展现状
经过几年的积累，大部分中大型的企事业单位已经建立了比较完善的CRM、ERP、OA等基础信息化系统。
这些系统的统一特点都是：通过业务人员或者用户的操作，最终对数据库进行增加、修改、删除等操作。上述系统可统一称为OLTP(Online Transaction Process，在线事务处理），指的就是系统运行了一段时间以后，必然帮助企事业单位收集大量的历史数据。
但是，在数据库中分散、独立存在的大量数据对于业务人员来说，只是一些无法看懂的天书。业务人员所需要的是信息，是他们能够看懂、理解并从中受益的抽象信息。此时，如何把数据转化为信息，使得业务人员（包括管理者）能够充分掌握、利用这些信息，并且辅助决策，就是商业智能主要解决的问题。
如何把数据库中存在的数据转变为业务人员需要的信息?大部分的答案是报表系统。
报表系统已经可以称作是BI了，它是BI的低端实现。
国外的企业，大部分已经进入了中端BI，叫做数据分析。有一些企业已经开始进入高端BI，叫做数据挖掘。而中国的企业，大部分还停留在报表阶段。
根据微观经济学的理论。经济学研究的对象包含资源稀缺性和选择这两个主要方面。资源稀缺性就不赘言了。每个经济个体进行经济活动的时候就需要做出选择。
在古代的时候，商人通常是根据账单和市场信息来进行选择；到了现代也同样如此。
- 在计算机时代，商人通过电子表如Excel统计账单和行业报告，然后处理账单和分析行业报告，最后让决策者决策；
- 到互联网时代，商人通过网上的OA平台进行表单的收集和处理，最后让决策者决策（外部的靠人脉和行业报告）。
- 大数据时代，商人通过数据挖掘（用人工智能分析数据，找数据的相关性）的信息结合报表统计信息和行业报告来做出决策。
说到底就是一个处理报表的系统平台。
这上面那段文字所说的初级BI、中级BI、高级BI。在我看来就是在线事务网站、在线分析网站、数据挖掘网站；
用到的技术栈分别是
- 初级BI（在线事务网站）：后端、数据库。将线下报表的事移植到线上。LAMP的架构可以满足。
- 中级BI（在线分析网站）：增加前端。将数据进行可视化展示。需要用几个可视化库，如echarts、mapbox；
- 高级BI（数据挖掘）：用Python使用人工智能库实现（如Numpy、paddlepaddle）。可以分析各个数据之间的相关性，挖掘表层分析不到的内容。
明白这些定位后，也好知道自己怎么准备技术栈。
结语
顺了一遍商业智能中自己不清楚，概念模糊的部分。
之前一直迷迷糊糊。感觉好像是，又好像不是。什么数据模型、数据挖掘、人工智能、用户画像、用户行为分析。五花八门。找不到一个参照物。现在捋了一下，好多了。
- 如果我做数据可视化，那么就属于数据分析的范畴。
- 如果我用人工智能去分析各个数据之间的相关性，那么就是数据挖掘范畴。
数据挖掘属于数据分析，但是高于数据分析。
其实在我看来只有用到人工智能的才算商业智能。没用人工智能的顶多算是大数据分析（商业分析）。
商业分析其实自古以来都是一模一样的。
- 古代用纸记账，然后通过账房先生算账，老板根据哪些商品，人买的多就多进一些货。
- 现代在Excel上记账，然后用Excel做成表格，老板看这些表格，决定决策。
- 再后来就是实现线上记账，后端处理这些数据，前端程序这些数据，老板看这些数据做决策。
直到人工智能的成熟，让两个完全不相关的东西都能联系起来，提供除统计外的信息，能帮助老板做更多的分析。
看到这里，我发觉自己大概就停留在商业分析这了。我现在大部分技术栈都是弄商业分析的。人工智能那块没涉及。以后学到商业分析的天花板的时候再涉足数据挖掘。
不过商业分析也不简单。商业分析来的数据占了绝大多数的信息。也是行业报告的主要信息。我以后做好商业分析就不错了。
我目前已经舍弃了两个方向的深入，一个是后端，一个是数据挖掘。目前暂保留的两个方向，一个是数据库，一个是前端可视化。（我感觉慢慢全栈了，但全栈要学得东西太多了，很容易学得七上八下，干啥啥不行）
更新地址：GitHub