商业智能

概述

商业智能（BI）包含企业用于数据分析和商业信息管理的各种策略、方法和技术，以为商业战略和业务运营提供决策参考。BI 技术的常见功能包括报表、联机分析处理、分析、仪表板开发、数据挖掘、流程挖掘、复杂事件处理、业务绩效管理、基准测试、文本挖掘、预测分析和规范分析。 BI 工具可以处理大量结构化且有时是非结构化的数据，以帮助组织识别、开发和创造新的战略商业机会。它们旨在简化对这些大数据的解读。人们认为，识别新机遇并基于深刻见解实施有效策略，可以潜在地为企业带来市场竞争优势和长期稳定性，并帮助其做出战略决策。 企业可以使用商业智能来支持从运营到战略的广泛商业决策。基本的运营决策包括产品定位或定价。战略商业决策则涉及最高层级的优先级、目标和方向。在所有情况下，当商业智能将公司运营所在市场的外部数据与来自内部公司来源（如财务和运营信息）的数据相结合时，人们认为其效果最佳。集成后的外部和内部数据可提供全面的视角，从而创造出任何单一数据源所无法独自产生的“智能”。 在众多用途中，商业智能工具赋能组织深入了解新市场，评估不同市场细分对产品和服务的需求及契合度，并衡量营销努力的影响。 BI 应用程序使用从数据仓库（DW）或数据集市收集的数据，并且 BI 和 DW 的概念组合为“BI/DW”或“BIDW”。数据仓库包含有利于决策支持的分析数据的副本。

历史

已知最早使用“商业智能”一词是在理查德·米勒·德文斯（Richard Millar Devens）的《商业逸事大百科全书》（1865）中。德文斯用该术语来描述银行家亨利·弗内斯爵士（Sir Henry Furnese）如何通过在其竞争对手之前接收并根据有关其环境的信息采取行动来获取利润：

在整个荷兰、佛兰德斯、法国和德国，他维持着一套完整且完善的商业智能网络。许多战斗的消息因此首先由他接收，而南穆尔的陷落增加了他的利润，这要归功于他较早收到了消息。 德文斯表示，收集信息并根据检索到的信息作出相应反应的能力是商业智能的核心。 当 IBM 研究员汉斯·彼得·鲁恩（Hans Peter Luhn）在 1958 年发表的一篇文章中使用“商业智能”一词时，他采用了韦氏词典对智能的定义：“领会所呈现事实之间相互关系的能力，从而引导行动走向期望的目标。” 在 1989 年，霍华德·德雷斯纳（Howard Dresner，后成为加德纳分析师）提出将商业智能作为统称，用来描述“使用基于事实的支持系统来改进商业决策的概念和方法”。直到 1990 年代末，这一用法才得到广泛普及。

定义

根据所罗门·内加什（Solomon Negash）和保罗·格雷（Paul Gray）的观点，商业智能（BI）可以定义为结合了以下内容的系统：

数据收集 数据存储 知识管理 以及分析，以评估复杂的企业和竞争信息，并将其呈献给规划人员和决策者，其目标是提高决策过程中输入信息的及时性和质量。” 根据 Forrester Research 的定义，商业智能是“一组方法、过程、架构和技术，可将原始数据转化为有意义且有用的信息，用于实现更有效的战略、战术和运营洞察与决策。”在此定义下，商业智能涵盖信息管理（数据集成、数据质量、数据仓库、主数据管理、文本和内容分析等）。因此，Forrester 将数据准备和数据使用视为商业智能架构栈中两个独立但紧密相连的部分。 商业智能的一些要素包括：

多维聚合与分配 反规范化、标记和标准化 带分析警报的实时报告 与非结构化数据源进行交互的方法 集团合并、预算编制和滚动预测 统计推断与概率模拟 关键绩效指标优化 版本控制与流程管理 未清项目管理 Forrester 将此与商业智能市场区分开来，后者“仅是 BI 架构栈的顶层，例如报表、分析和仪表板。”

与竞争情报的比较

尽管“商业智能”一词有时是“竞争情报”的同义词（因为它们都支持决策），但 BI 使用技术、流程和应用程序来分析大多内部的结构化数据和业务过程，而竞争情报则收集、分析和传播以公司竞争对手为主题焦点的信息。如果广义理解，竞争情报可以被视为商业智能的一个子集。

与业务分析的比较

商业智能和业务分析有时可互换使用，但存在其他定义。巴布森学院（Babson College）信息技术与管理教授托马斯·达芬坡（Thomas Davenport）认为，商业智能应该分为查询、报表、联机分析处理（OLAP）、“警报”工具以及业务分析。在此定义中，业务分析是 BI 中专注于统计、预测和优化而非报表功能的子集。

非结构化数据

业务运营可以生成大量的数据，形式包括电子邮件、备忘录、呼叫中心记录、新闻、用户群、聊天记录、报告、网页、演示文稿、图像文件、视频文件和营销材料。根据美林证券的数据，所有商业信息的 85% 以上都以这些形式存在；一家公司可能只会使用此类文档一次。由于其生产和存储方式，这些信息是非结构化的或半结构化的。 半结构化数据的管理是信息技术行业中一个尚未解决的问题。根据加德纳（2003）的预测，白领工人花费 30% 到 40% 的时间来搜索、查找和评估非结构化数据。BI 同时使用结构化和非结构化数据。前者易于搜索，而后者包含大量分析和决策所需的信息。由于正确搜索、查找和评估非结构化或半结构化数据的难度，组织可能无法利用这些庞大的信息库，而这些信息库可能会影响特定的决策、任务或项目。这最终可能导致信息匮乏的决策。 因此，在设计商业智能/DW 解决方案时，必须适应与半结构化和非结构化数据相关的问题，以及与结构化数据相关的问题。

半结构化和非结构化数据的局限性

开发包含半结构化数据的 BI 面临着若干挑战。根据 Inmon & Nesavich 的说法，其中一些是：

物理访问非结构化文本数据——非结构化数据以极多种格式存储。 术语——在研究人员和分析师当中，有必要制定标准化的术语。 数据量——如前所述，高达 85% 的所有数据都以半结构化数据的形式存在。再加上逐字分析和语义分析的需求。 非结构化文本数据的可搜索性——对某些数据（例如 apple）进行简单搜索会产生链接，其中包含对该精确搜索项的引用。（Inmon & Nesavich，2008）给出了一个例子：“对术语‘重罪’进行搜索。在简单搜索中，使用了术语‘重罪’，并且在任何提到‘重罪’的地方，都会命中一个非结构化文档。但是简单搜索是粗糙的。它无法找到对犯罪、纵火、谋杀、挪用公款、车辆过失杀人等行为的引用，尽管这些犯罪都属于重罪”。

元数据

为了解决数据的可搜索性和评估问题，有必要了解有关内容的一些信息。这可以通过使用元数据添加上下文来完成。许多系统已经捕获了一些元数据（例如文件名、作者、大小等），但更有用的是关于实际内容的元数据——例如摘要、主题、提及的人物或公司。旨在生成关于内容的元数据的两项技术是自动分类和信息提取。

商业智能与人工智能

商业智能包括将人工智能（AI）和机器学习（ML）技术集成到 BI 平台中，以支持更高级的分析，例如增强型分析，它超越了传统的报告和可视化工具，增强了数据解释和洞察发现。

生成式人工智能

生成式商业智能是生成式人工智能技术（如大语言模型）在商业智能中的应用。这种组合促进了数据分析，并使用户能够更直观地与数据交互，通过自然语言查询生成可操作的见解。例如，微软 Copilot 已集成到商业分析工具 Microsoft Power BI 中。

应用

商业智能可应用于以下商业目的：

绩效指标和基准测试向商业领袖通报实现商业目标的进展情况。（业务流程管理）。 分析将业务流程量化，以使企业能够做出最佳决策，并执行业务知识发现。分析可能不同程度地涉及数据挖掘、流程挖掘、统计分析、预测分析、预测建模、业务流程建模、数据沿袭、复杂事件处理和规范分析。例如在银行业，学术研究探讨了基于 BI 的分析在信用评估和客户流失管理中供管理层采纳的潜力。 报表、仪表板和数据可视化、高管信息系统和/或 OLAP BI 可以通过启用数据共享和电子数据交换，促进企业内部和外部的协作。 知识管理涉及商业智能以及一般商业知识的创建、分发、使用和管理。知识管理带来学习管理和合规性。

风险

在 2013 年的一份报告中，加德纳将商业智能供应商分类为独立的“纯粹型”供应商或整合的“巨型”供应商。在 2019 年，欧洲的 BI 市场因 GDPR（通用数据保护条例）的新立法而受到震动，该条例将数据收集和存储的责任推给数据使用者，并制定了严格的法律以确保数据合规。自从 2019 年 5 月实施 GDPR 以来，欧洲的增长一直在稳步增长。该立法促使公司从合规的角度重新审视自己的数据，同时也揭示了利用个性化和外部 BI 提供商来增加市场份额的未来机会。