bi和演算法

『壹』 什麼是BI，當前國內外BI的現狀，BI的應用狀況

商業智能(BI, Business Intelligence)是一種通過收集、管理和分析等方法，將數據轉化為知識，進而為企業提供經營決策支持的應用，是大數據抽象概念下的一種具體實用工具。雖然商業智能本身對數據量並無要求，但顯而易見的是，大數據環境會促進商業智能的加速發展，這是因為：第一，海量數據的分析過程和結果更具有靈活性、可靠性和價值性；第二，海量數據的存在提高了企業的商業智能意識，引導企業主動尋求商業智能的幫助。一些大型企業往往擁有幾十個甚至數百個信息系統，其所包含的大量數據反映了企業的日常經營情況，若能加以分析和利用，將為企業創造巨大的價值。
國內有很多國產的資料庫廠商均有自己的BI，但自助和互通性稍微差一點，也有專門做BI的公司，用友 永洪 奧威，金蝶，東南融通等等，國外在國內有名的有Oracle ，IBM， Microsoft,SAP,SAS,Informatica,tableau,QlikView,Driven BI SKR。絕大多數的國外廠商可能在服務方面比國內的差很多，大部分的都是由一些代理商服務。從技術以及深度挖掘能力來看還是國外的技術能力強一些。Driven BI SPK是不需要建模建數據倉庫，完全自助性的產品，學會操作後只要懂得你想要數據的邏輯演算法就可以分析。這個還是不錯的

『貳』 大數據、BI、AI，三者之間的關系是什麼

BI目前實現的是收集數據，提供反饋，輔助決策的能力，以數據為基礎的，面向數據管理和分析，屬被動角色。而AI則輔以大數據，演算法等得到更有價值的信息，實現收集+預測的能力，更多的是主動角色。

雖然AI的應用范圍非常廣，但結合BI現仍是處理結構化的數據。而此處二者的交集在於機器學習和數據挖掘，但又略有不同。AI的機器學習強調演算法，BI的數據挖掘還包括對數據的管理，演算法選擇上也較為簡單，沒有神經網路和深度學習等復雜AI演算法。

未來,AI與BI的區別在於BI負責梳理生產關系，AI是先進生產力。那麼AI+BI模式通過將AI嵌入BI，構建基於AI的BI平台，利用AI的智能讓BI系統能夠解決更復雜的業務場景，產出更精準的分析結果，從而使決策更為科學和准確。

對於結構化的數據，BI系統可應用機器學習演算法，得到更精確的分析結果。例如上文提到的總結用戶畫像，分析人群行為數據，得到千人千面，實現精準營銷的結果。還有金融領域的風險監測，AI+BI的模式可以分析出金融風險和其他指標、行為之間的內在聯系，預測更為准確。

對於非結構化的數據，BI可以應用圖像處理、語音工程和文本分析等AI技術，智能化地處理復雜業務場景。如語音轉文字，錄入數據及產出想要的報表等。

業務場景除了在 IT 信息化基礎比較扎實的行業，也會在深度場景化的細分領域，且這些領域不具備通用性。也可理解為解決方案不具備復用性。這個時候通過AI完成一些演算法匹配，根據匹配的結果來驅動業務執行。

『叄』 BI常用演算法

凡是從沒戀愛過的人都將戀愛，
是一種靜止的表演。
夜戴著羊毛似的鬍子趾高氣揚地來臨，
人生一世
在地下等待著不可能飛來的鳥兒，
？他想融入你的幽靈的世界哈哈

『肆』 AI（人工智慧）和BI（商業智能）各有哪些優缺點

BI目前實現的是收集數據，提供反饋，輔助決策的能力，以數據為基礎的，面向數據管理和分析，屬被動角色。而AI則輔以大數據，演算法等得到更有價值的信息，實現收集+預測的能力，更多的是主動角色。

雖然AI的應用范圍非常廣，但結合BI現仍是處理結構化的數據。而此處二者的交集在於機器學習和數據挖掘，但又略有不同。AI的機器學習強調演算法，BI的數據挖掘還包括對數據的管理，演算法選擇上也較為簡單，沒有神經網路和深度學習等復雜AI演算法。

未來,AI與BI的區別在於BI負責梳理生產關系，AI是先進生產力。那麼AI+BI模式通過將AI嵌入BI，構建基於AI的BI平台，利用AI的智能讓BI系統能夠解決更復雜的業務場景，產出更精準的分析結果，從而使決策更為科學和准確。

對於結構化的數據，BI系統可應用機器學習演算法，得到更精確的分析結果。例如上文提到的總結用戶畫像，分析人群行為數據，得到千人千面，實現精準營銷的結果。還有金融領域的風險監測，AI+BI的模式可以分析出金融風險和其他指標、行為之間的內在聯系，預測更為准確。

對於非結構化的數據，BI可以應用圖像處理、語音工程和文本分析等AI技術，智能化地處理復雜業務場景。如語音轉文字，錄入數據及產出想要的報表等。

業務場景除了在 IT 信息化基礎比較扎實的行業，也會在深度場景化的細分領域，且這些領域不具備通用性。也可理解為解決方案不具備復用性。這個時候通過AI完成一些演算法匹配，根據匹配的結果來驅動業務執行。

『伍』 什麼是AI,叫人工智慧,和BI,商業智能有什麼區別

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並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。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。
人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

最明顯的研究成果就是機器人。
而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，快速准確地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。

『陸』 BI主要掌握什麼

其實BI中有很多道理或原理在內，而上面的這些都只是數據的呈現方式。
請大蝦能夠介紹一下BI原理相關的名詞，至少弄懂這些名詞再看這些表象的東西不會一頭霧水。
如果有高手也請給大家介紹一個學習的方向。
最起碼搞明白BI,ETL,ODS,DW,DM,OLAP,OLTP這些名詞的含義以及之間的關系；google一搜就明白了！
你想學哪一套啊？BI的話還是要有關系資料庫基礎的。如果你有這基礎的話可以從微軟的那套開始。我是從研究ETL入門的。
維度和量度是olap cube中的概念，具體的話可以如下理解
維度就相當於坐標繫上就坐標軸，比如時間，部門；
度量就是能在報表裡面反應出來的數據，比如銷售額；
那麼OLAP要這些維度和量度干什麼呢？其實簡單點來說對於不同的業務需求使用不同的維度，比如說要展現2009年第一季度公司的銷售額，那麼我們就需要從時間維度上分析銷售額這個量度；如果要展現某個部門的銷售額，則從部門這個維度上來分析銷售額。當然，也有業務會是這樣：展現2009年第一季度部門A的銷售額，那就需要從兩個維度上一起來分析了。
聯機叢書很好很強大~如果你完整的安裝所有的SQL SERVER組件，一切盡在其中~
ODS---ODS（Operational Data Store）是數據倉庫體系結構中的一個可選部分，ODS具備數據倉庫的部分特徵和OLTP系統的部分特徵，它是「面向主題的、集成的、當前或接近當前的、不斷變化的」數據。  
DW---數據倉庫，英文名稱為Data Warehouse，可簡寫為DW  
DM---數據挖掘（Data Minning）  
OLAP---聯機分析處理，英文名稱為On-Line Analysis Processing，簡寫為OLAP  
OLTP---On-Line Transaction Processing聯機事務處理系統(OLTP)
簡單介紹一下 SQL Server BI 吧（我就懂這個）。
SQL Server企業版中附帶了三個服務：SQL Server Integration Service, SQL Server Analysis Service，SQL Server Reporting Service。這三種服務都是為 BI 服務的，既可以單獨使用，又可以配合使用。
三個服務一般都圍繞一個數據倉庫（Dateware House,簡稱DW）進行工作。
一般的數據倉庫實質就是一個普通的關系資料庫，只是針對 BI 的特性進行了特殊的設計。一般都是由事實表與維度表組成。例如，一個普通的電子商務網站中，每一次的購買行為形成一條事實數據，而事實數據所關聯的產品（大類別、小類別、價格等等）、客戶（聯系方式、地理位置等）等就是維度。這種由事實表與維度表組成的資料庫，能夠大為方便將來的查詢與分析，並且性能較高（當然，仍然取決於設計）。
SQL Server Integration Service，主要用來從原始資料庫（SQL Server/Oracle/MySql/XML/Excel等都可以）中增量提取數據，經過清理、整合、計算後，載入到數據倉庫中。Integration 項目可以運行在 SQL Server 代理中作為一個作業定期執行。
SQL Server Analysis Service，主要用來對數據倉庫中的數據進行既定的分析。進行 Analysis 開發主要是建立多維數據模型，模型建立後其元數據可以存儲到 SQL Server Analysis Service 中或者其他地方。
SQL Server Reporting Service，鏈接上數據源後可以生成報表（表格/矩陣/圖表）。可以使用 Analysis Service 作為數據源，也可以直接使用任意資料庫作為數據源。
其實這三個服務的應用很靈活，我只是描述了我應用的一個方式。

跟所有其它技術一樣，摸不著頭腦的時候，覺得很麻煩，不知從哪入手。而只要循序漸進的學習，要入門也很簡單，一旦學會了，你就發現用這個開發統計系統，真是太簡單了！而且生成的報表樣式非常靈活，報表還能導出為多種常用格式（Excel,PDF,XML，Word，Tiff等等）。
BI需要的技術：
1.資料庫：Oracle, DB2, SQL SERVER,最好也懂點Sybase, My SQL
包括，SQL，PLSQL，備份，恢復，調優
2.ETL: Informatica, Datastage, 手工ETL
3.報表：Cognos, BO, BIEE, Hyperion.....
4.操作系統, UNIX或者Linux，AIX, Solaris之類，SHELL腳本
5.外語，英語等，全會更好
6.HTML, JAVA, JS, CSS 多多益善
7.熟悉了解一些ERP系統，SAP，Sieble，Salesforce

當然了，要想深入，還是需要大量的學習和琢磨的。可以用一下億信BI之類的BI工具會很有幫助。

『柒』 大數據工程師告訴你大數據和BI的區別

【導讀】在進行大數據分析的時候，分析師需要從海量的收集數據中，通過不同的演算法直接分析不同渠道、格式的數據，從中找到相關數據，然後再做進一步分析，得出較為准確的結論。近年來大數據行業頗受歡迎，報考人數也是越來越多，所以我們更需要全面了解，今天我們就來了解一下大數據和BI的區別。

1、從思維方式角度

大數據對於傳統BI，既有繼承，也有發展，從」道」的角度講，BI與大數據區別在於前者更傾向於決策，對事實描述更多是基於群體共性，幫助決策者掌握宏觀統計趨勢，適合經營運營指標支撐類問題，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。

2、從工具的角度

傳統BI使用的是ETL、數據倉庫、OLAP、可視化報表技術，屬於應用和展示層技術，目前都處於淘汰的邊緣，因為它解決不了海量數據(包括結構化與非結構化)的處理問題。而大數據應用的是一個完整的技術體系，包括用Hadoop、流處理等技術解決海量的結構化、非結構化數據的ETL問題，用Hadoop、MPP等技術計算海量數據的計算問題，用redis、HBASE等方式解決高效讀的問題，用Impala等技術實現在線分析等問題。因此是個全新的行業。

3、從數據來源角度

大數據應用的數據來源，不僅僅包括非結構化的數據，還有各種系統數據，資料庫數據。其中非結構化數據主要是集中在互聯網以及一些社交網站上的數據以及一些機器設備的數據，這些都構成了大數據應用的數據來源。對於大數據的分析工具來說，現階段也是對於非結構化的數據分析的比較多。

BI系統則是在數據集成方面的技術越來越成熟，對於數據的提取，一個各種數據挖掘的要求來說，數據集成平台會幫助企業實現數據的流通和交互使用，在企業內部實施BI應用就是為了可以更好的對數據進行分享和使用。

4、從發展方向角度

BI的發展要從傳統的商務智能模式開始轉換，對於企業來說，BI不僅僅是一個IT項目，更是一種管理和思維的方式，從技術的部署到業務的流程規劃，BI迎來新的發展。對於大數據來說，現階段更多的大數據關注在非結構化數據，不同的數據分析工具的出現和行內的應用范圍不斷的加大，對於大數據應用來說，怎麼與應用的行業進行一個深層次的結合才是最重要的。

關於大數據和BI的區別，就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助，想要了解更多的大數據工程師技能、方法、課程等等，歡迎大家前來了解咨詢。

『捌』 大數據與BI都有哪些區別

1、從思維方式角度
大數據對於傳統BI，既有繼承，也有發展，從」道」的角度講，BI與大數據區別在於前者更傾向於決策，對事實描述更多是基於群體共性，幫助決策者掌握宏觀統計趨勢，適合經營運營指標支撐類問題，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。
2、從工具的角度
傳統BI使用的是ETL、數據倉庫、OLAP、可視化報表技術，屬於應用和展示層技術，目前都處於淘汰的邊緣，因為它解決不了海量數據(包括結構化與非結構化)的處理問題。而大數據應用的是一個完整的技術體系，包括用Hadoop、流處理等技術解決海量的結構化、非結構化數據的ETL問題，用Hadoop、MPP等技術計算海量數據的計算問題，用redis、HBASE等方式解決高效讀的問題，用Impala等技術實現在線分析等問題。因此是個全新的行業。
3、從數據來源角度
大數據應用的數據來源，不僅僅包括非結構化的數據，還有各種系統數據，資料庫數據。其中非結構化數據主要是集中在互聯網以及一些社交網站上的數據以及一些機器設備的數據，這些都構成了大數據應用的數據來源。對於大數據的分析工具來說，現階段也是對於非結構化的數據分析的比較多。
BI系統則是在數據集成方面的技術越來越成熟，對於數據的提取，一個各種數據挖掘的要求來說，數據集成平台會幫助企業實現數據的流通和交互使用，在企業內部實施BI應用就是為了可以更好的對數據進行分享和使用。
4、從發展方向角度
BI的發展要從傳統的商務智能模式開始轉換，對於企業來說，BI不僅僅是一個IT項目，更是一種管理和思維的方式，從技術的部署到業務的流程規劃，BI迎來新的發展。對於大數據來說，現階段更多的大數據關注在非結構化數據，不同的數據分析工具的出現和行內的應用范圍不斷的加大，對於大數據應用來說，怎麼與應用的行業進行一個深層次的結合才是最重要的。

『玖』 什麼是AI和BI,商業智能有什麼區別

BI目前實現的是收集數據，提供反饋，輔助決策的能力，以數據為基礎的，面向數據管理和分析，屬被動角色。而AI則輔以大數據，演算法等得到更有價值的信息，實現收集+預測的能力，更多的是主動角色。

雖然AI的應用范圍非常廣，但結合BI現仍是處理結構化的數據。而此處二者的交集在於機器學習和數據挖掘，但又略有不同。AI的機器學習強調演算法，BI的數據挖掘還包括對數據的管理，演算法選擇上也較為簡單，沒有神經網路和深度學習等復雜AI演算法。

未來,AI與BI的區別在於BI負責梳理生產關系，AI是先進生產力。那麼AI+BI模式通過將AI嵌入BI，構建基於AI的BI平台，利用AI的智能讓BI系統能夠解決更復雜的業務場景，產出更精準的分析結果，從而使決策更為科學和准確。

對於結構化的數據，BI系統可應用機器學習演算法，得到更精確的分析結果。例如上文提到的總結用戶畫像，分析人群行為數據，得到千人千面，實現精準營銷的結果。還有金融領域的風險監測，AI+BI的模式可以分析出金融風險和其他指標、行為之間的內在聯系，預測更為准確。

對於非結構化的數據，BI可以應用圖像處理、語音工程和文本分析等AI技術，智能化地處理復雜業務場景。如語音轉文字，錄入數據及產出想要的報表等。

業務場景除了在 IT 信息化基礎比較扎實的行業，也會在深度場景化的細分領域，且這些領域不具備通用性。也可理解為解決方案不具備復用性。這個時候通過AI完成一些演算法匹配，根據匹配的結果來驅動業務執行。