商業智能

概述

商業智能（BI）包含企業用於資料分析和商業資訊管理的策略、方法與技術，藉此為商業策略與營運提供依據。商業智能技術的常見功能包含報表、線上分析處理、分析、儀表板開發、資料探勘、程序探勘、複雜事件處理、企業效能管理、標竿管理、文字探勘、預測性分析以及處方性分析。 BI 工具可以處理大量結構化與部分非結構化資料，以協助組織識別、開發並創造新的策略性商業機會。其旨在讓人們能夠輕鬆解讀這些大數據。識別新機會並根據洞察實施有效策略，被認為有可能為企業帶來市場競爭優勢和長期穩定性，並協助其做出策略決策。 企業可以利用商業智能來支援從營運到策略等廣泛的商業決策。基本的營運決策包含產品定位或定價。策略性商業決策則涉及最高層級的優先事項、目標與方向。在所有情況下，當商業智能將公司營運所在市場的資料（外部資料）與內部公司來源（例如財務與營運資訊）的資料結合時，被認為是最有效的。整合後的外部與內部資料能提供全面的視圖，創造出單一資料來源本身無法達成的「智能」。 在其眾多用途中，商業智能工具賦能組織深入了解新市場、評估不同市場區隔的產品與服務需求及適配性，並衡量行銷活動的影響。 BI 應用程式使用從資料倉儲（DW）或資料市集收集的資料，而 BI 與 DW 的概念則結合為「BI/DW」或「BIDW」。資料倉儲包含有助於決策支援的分析資料複本。

歷史

已知最早使用商業智能一詞的紀錄見於理查·米勒·德文斯（Richard Millar Devens）的《商業與商業趣事百科全書》（Cyclopædia of Commercial and Business Anecdotes）(1865)。德文斯用這個詞來描述銀行家亨利·弗納斯爵士（Sir Henry Furnese）如何在競爭對手之前接收並根據其環境周遭的資訊採取行動，藉此獲取利潤：

在整個荷蘭、佛蘭德斯、法國和德國，他維持著一套完整且完美的商業智能脈絡。因此，多場戰役的消息最先由他接收，而那慕爾的陷落也為他的利潤錦上添花，這都要歸功於他提早接收到消息。 德文斯表示，收集資訊並根據檢索到的資訊做出相應反應的能力，是商業智能的核心。 當 IBM 的研究員漢斯·彼得·盧恩（Hans Peter Luhn）在 1958 年發表的一篇文章中使用商業智能一詞時，他採用了韋伯斯特大辭典對智能的定義：「理解所呈現事實相互關係的能力，從而引導行動朝向期望的目標。」 在 1989 年，霍華德·德雷斯納（Howard Dresner，後來成為顧能分析師）提出商業智能作為一個統稱，用來描述「透過使用基於事實的支援系統來改善商業決策的概念和方法。」直到 1990 年代末期，這種用法才得以普及。

定義

根據所羅門·內加什（Solomon Negash）與保羅·格雷（Paul Gray）的定義，商業智能（BI）可被定義為結合以下項目的系統：

資料收集 資料儲存 知識管理 以及分析，以評估複雜的企業與競爭資訊，並呈獻給規畫者與決策者，其目標在於提升決策過程中輸入資訊的時效性與品質。」 根據顧能公司（Forrester Research）的定義，商業智能是「一套將原始資料轉化為有意義且有用資訊的方法、流程、架構與技術，用於實現更有效的策略、戰術與營運洞察及決策。」在此定義下，商業智能涵蓋資訊管理（資料整合、資料品質、資料倉儲、主資料管理、文字與內容分析等）。因此，顧能將資料準備和資料使用稱為商業智能架構堆疊中兩個獨立但緊密相連的部分。 商業智能的一些元素包含：

多維度聚合與配置 反正規化、標記與標準化 具備分析警報的即時報表 與非結構化資料來源介接的方法 群組合併、預算編製與滾動式預測 統計推斷與機率模擬 關鍵績效指標優化 版本控制與流程管理 未結項目管理 顧能將此與商業智能市場區隔開來，後者「僅僅是 BI 架構堆疊的最上層，例如報表、分析與儀表板。」

與競爭情報相較

雖然商業智能這個詞有時是競爭情報的同義詞（因為兩者都支援決策），但 BI 使用技術、流程與應用程式來分析大多內部的結構化資料與商業流程，而競爭情報則是收集、分析並傳播以公司競爭對手為主題核心的資訊。如果從廣義上理解，競爭情報可以被視為商業智能的一個子集。

與商業分析相較

商業智能與商業分析有時會交替使用，但存在著不同的定義。巴布森學院資訊科技與管理教授湯瑪斯·達文波特（Thomas Davenport）主張，商業智能應劃分為查詢、報表、線上分析處理（OLAP）、「警報」工具以及商業分析。在此定義下，商業分析是 BI 中專注於統計、預測與優化，而非報表功能的子集。

非結構化資料

商業營運可能會產生大量的資料，形式包含電子郵件、備忘錄、客服中心筆記、新聞、使用者群組、聊天紀錄、報表、網頁、簡報、影像檔、影片檔以及行銷素材。根據美林證券（Merrill Lynch）指出，所有商業資訊中有多於 85% 的比例以這些形式存在；一家公司可能只會使用此類文件單獨一次。由於其產生與儲存的方式，這些資訊不是非結構化就是半結構化。 半結構化資料的管理是資訊科技產業中尚未解決的問題。根據顧能（2003）的預測，白領勞工花費 30 至 40% 的時間在搜尋、尋找並評估非結構化資料。BI 同時使用結構化與非結構化資料。前者易於搜尋，而後者包含大量分析與決策所需的資訊。由於妥善搜尋、尋找並評估非結構化或半結構化資料的困難度，組織可能不會利用這些龐大的資訊儲備，而這些資訊本可以影響特定的決策、任務或專案。這最終可能導致資訊不足的決策。 因此，在設計商業智能／DW 解決方案時，必須容納與半結構化和非結構化資料相關的特定問題，以及與結構化資料相關的問題。

半結構化與非結構化資料的限制

開發包含半結構化資料的 BI 存在著幾項挑戰。根據英蒙與內薩維奇（Inmon & Nesavich）所述，其中一些挑戰包含：

實際存取非結構化文字資料 – 非結構化資料以極其多樣化的格式儲存。 術語 – 在研究人員與分析師之間，有必要發展標準化的術語。 資料量 – 如前所述，高達 85% 的所有資料都以半結構化資料形式存在。再加上逐字與語意分析的需求。 非結構化文字資料的可搜尋性 – 針對某些資料進行簡單搜尋（例如：蘋果），會產生指向該精確搜尋詞彙參照的連結。（Inmon & Nesavich, 2008）舉了一個例子：「針對『重罪』一詞進行搜尋。在簡單搜尋中，使用了『重罪』一詞，且只要有參照重罪的地方，就會對非結構化文件產生一次命中。但簡單搜尋是粗糙的。它不會找到對犯罪、縱火、謀殺、侵占、車輛過失致死等案的參照，儘管這些犯罪都屬於重罪類型。」

後設資料

為了解決資料的可搜尋性與評估問題，必須了解內容的某些資訊。這可以透過使用後設資料（Metadata）增加背景資訊來達成。許多系統已經擷取了部分後設資料（例如檔名、作者、大小等），但更有用的會是關於實際內容的後設資料 – 例如摘要、主題、人物或提及的公司。為內容產生後設資料的兩項技術為自動分類與資訊萃取。

商業智能與人工智慧

商業智能包含將人工智慧（AI）與機器學習（ML）技術整合到 BI 平臺中，以支援更先進的分析，例如擴增分析，這能超越傳統報表與視覺化工具，增強資料解讀與洞察發現。

生成式 AI

生成式商業智能是生成式 AI 技術（例如大型語言模型）在商業智能中的應用。這種結合促進了資料分析，並使使用者能夠透過自然語言查詢與資料進行更直覺的互動，藉此產生可執行的洞察。例如，微軟 Copilot 已整合至商業分析工具微軟 Power BI 中。

應用

商業智能可應用於以下商業目的：

效能指標與標竿管理可讓商業領導者了解邁向商業目標的進展。（企業流程管理）。 分析將企業流程量化，以做出最佳決策，並執行商業知識發掘。分析可能不同程度地涉及資料探勘、程序探勘、統計分析、預測性分析、預測建模、商業流程建模、資料溯源、複雜事件處理以及處方性分析。例如在銀行業中，學術研究已探討 BI 架構分析在信用評估與客戶流失管理中的管理採用潛力。 報表、儀表板與資料視覺化、高階主管資訊系統與／或 OLAP BI 可透過啟用資料共享和電子資料交換，促進企業內部與外部的協作。 知識管理關注於商業智能以及廣義商業知識的創建、分發、使用與管理。知識管理進一步帶來學習管理與法規遵循。

風險

在 2013 年的一份報告中，顧能將商業智能供應商分類為獨立的「純粹型」（pure-play）供應商或整合型的「超級供應商」。在 2019 年，歐洲的 BI 市場因 GDPR（通用資料保護規則）的新法規而受到震動，該法規將資料收集與儲存的責任歸咎於資料使用者，並制定了嚴格的法律以確保資料合規。自 2019 年 5 月實施 GDPR 以來，歐洲的成長穩定增加。該法規重新聚焦了公司從合規角度審視自身資料的視野，同時也揭示了利用個人化和外部 BI 提供商來增加市佔率的未來機會。