bi和算法

‘壹’ 什么是BI，当前国内外BI的现状，BI的应用状况

商业智能(BI, Business Intelligence)是一种通过收集、管理和分析等方法，将数据转化为知识，进而为企业提供经营决策支持的应用，是大数据抽象概念下的一种具体实用工具。虽然商业智能本身对数据量并无要求，但显而易见的是，大数据环境会促进商业智能的加速发展，这是因为：第一，海量数据的分析过程和结果更具有灵活性、可靠性和价值性；第二，海量数据的存在提高了企业的商业智能意识，引导企业主动寻求商业智能的帮助。一些大型企业往往拥有几十个甚至数百个信息系统，其所包含的大量数据反映了企业的日常经营情况，若能加以分析和利用，将为企业创造巨大的价值。
国内有很多国产的数据库厂商均有自己的BI，但自助和互通性稍微差一点，也有专门做BI的公司，用友 永洪 奥威，金蝶，东南融通等等，国外在国内有名的有Oracle ，IBM， Microsoft,SAP,SAS,Informatica,tableau,QlikView,Driven BI SKR。绝大多数的国外厂商可能在服务方面比国内的差很多，大部分的都是由一些代理商服务。从技术以及深度挖掘能力来看还是国外的技术能力强一些。Driven BI SPK是不需要建模建数据仓库，完全自助性的产品，学会操作后只要懂得你想要数据的逻辑算法就可以分析。这个还是不错的

‘贰’ 大数据、BI、AI，三者之间的关系是什么

BI目前实现的是收集数据，提供反馈，辅助决策的能力，以数据为基础的，面向数据管理和分析，属被动角色。而AI则辅以大数据，算法等得到更有价值的信息，实现收集+预测的能力，更多的是主动角色。

虽然AI的应用范围非常广，但结合BI现仍是处理结构化的数据。而此处二者的交集在于机器学习和数据挖掘，但又略有不同。AI的机器学习强调算法，BI的数据挖掘还包括对数据的管理，算法选择上也较为简单，没有神经网络和深度学习等复杂AI算法。

未来,AI与BI的区别在于BI负责梳理生产关系，AI是先进生产力。那么AI+BI模式通过将AI嵌入BI，构建基于AI的BI平台，利用AI的智能让BI系统能够解决更复杂的业务场景，产出更精准的分析结果，从而使决策更为科学和准确。

对于结构化的数据，BI系统可应用机器学习算法，得到更精确的分析结果。例如上文提到的总结用户画像，分析人群行为数据，得到千人千面，实现精准营销的结果。还有金融领域的风险监测，AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系，预测更为准确。

对于非结构化的数据，BI可以应用图像处理、语音工程和文本分析等AI技术，智能化地处理复杂业务场景。如语音转文字，录入数据及产出想要的报表等。

业务场景除了在 IT 信息化基础比较扎实的行业，也会在深度场景化的细分领域，且这些领域不具备通用性。也可理解为解决方案不具备复用性。这个时候通过AI完成一些算法匹配，根据匹配的结果来驱动业务执行。

‘叁’ BI常用算法

凡是从没恋爱过的人都将恋爱，
是一种静止的表演。
夜戴着羊毛似的胡子趾高气扬地来临，
人生一世
在地下等待着不可能飞来的鸟儿，
？他想融入你的幽灵的世界哈哈

‘肆’ AI（人工智能）和BI（商业智能）各有哪些优缺点

BI目前实现的是收集数据，提供反馈，辅助决策的能力，以数据为基础的，面向数据管理和分析，属被动角色。而AI则辅以大数据，算法等得到更有价值的信息，实现收集+预测的能力，更多的是主动角色。

虽然AI的应用范围非常广，但结合BI现仍是处理结构化的数据。而此处二者的交集在于机器学习和数据挖掘，但又略有不同。AI的机器学习强调算法，BI的数据挖掘还包括对数据的管理，算法选择上也较为简单，没有神经网络和深度学习等复杂AI算法。

未来,AI与BI的区别在于BI负责梳理生产关系，AI是先进生产力。那么AI+BI模式通过将AI嵌入BI，构建基于AI的BI平台，利用AI的智能让BI系统能够解决更复杂的业务场景，产出更精准的分析结果，从而使决策更为科学和准确。

对于结构化的数据，BI系统可应用机器学习算法，得到更精确的分析结果。例如上文提到的总结用户画像，分析人群行为数据，得到千人千面，实现精准营销的结果。还有金融领域的风险监测，AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系，预测更为准确。

对于非结构化的数据，BI可以应用图像处理、语音工程和文本分析等AI技术，智能化地处理复杂业务场景。如语音转文字，录入数据及产出想要的报表等。

业务场景除了在 IT 信息化基础比较扎实的行业，也会在深度场景化的细分领域，且这些领域不具备通用性。也可理解为解决方案不具备复用性。这个时候通过AI完成一些算法匹配，根据匹配的结果来驱动业务执行。

‘伍’ 什么是AI,叫人工智能,和BI,商业智能有什么区别

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

最明显的研究成果就是机器人。
而BI（Business Intelligence）即商务智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确地提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

‘陆’ BI主要掌握什么

其实BI中有很多道理或原理在内，而上面的这些都只是数据的呈现方式。
请大虾能够介绍一下BI原理相关的名词，至少弄懂这些名词再看这些表象的东西不会一头雾水。
如果有高手也请给大家介绍一个学习的方向。
最起码搞明白BI,ETL,ODS,DW,DM,OLAP,OLTP这些名词的含义以及之间的关系；google一搜就明白了！
你想学哪一套啊？BI的话还是要有关系数据库基础的。如果你有这基础的话可以从微软的那套开始。我是从研究ETL入门的。
维度和量度是olap cube中的概念，具体的话可以如下理解
维度就相当于坐标系上就坐标轴，比如时间，部门；
度量就是能在报表里面反应出来的数据，比如销售额；
那么OLAP要这些维度和量度干什么呢？其实简单点来说对于不同的业务需求使用不同的维度，比如说要展现2009年第一季度公司的销售额，那么我们就需要从时间维度上分析销售额这个量度；如果要展现某个部门的销售额，则从部门这个维度上来分析销售额。当然，也有业务会是这样：展现2009年第一季度部门A的销售额，那就需要从两个维度上一起来分析了。
联机丛书很好很强大~如果你完整的安装所有的SQL SERVER组件，一切尽在其中~
ODS---ODS（Operational Data Store）是数据仓库体系结构中的一个可选部分，ODS具备数据仓库的部分特征和OLTP系统的部分特征，它是“面向主题的、集成的、当前或接近当前的、不断变化的”数据。  
DW---数据仓库，英文名称为Data Warehouse，可简写为DW  
DM---数据挖掘（Data Minning）  
OLAP---联机分析处理，英文名称为On-Line Analysis Processing，简写为OLAP  
OLTP---On-Line Transaction Processing联机事务处理系统(OLTP)
简单介绍一下 SQL Server BI 吧（我就懂这个）。
SQL Server企业版中附带了三个服务：SQL Server Integration Service, SQL Server Analysis Service，SQL Server Reporting Service。这三种服务都是为 BI 服务的，既可以单独使用，又可以配合使用。
三个服务一般都围绕一个数据仓库（Dateware House,简称DW）进行工作。
一般的数据仓库实质就是一个普通的关系数据库，只是针对 BI 的特性进行了特殊的设计。一般都是由事实表与维度表组成。例如，一个普通的电子商务网站中，每一次的购买行为形成一条事实数据，而事实数据所关联的产品（大类别、小类别、价格等等）、客户（联系方式、地理位置等）等就是维度。这种由事实表与维度表组成的数据库，能够大为方便将来的查询与分析，并且性能较高（当然，仍然取决于设计）。
SQL Server Integration Service，主要用来从原始数据库（SQL Server/Oracle/MySql/XML/Excel等都可以）中增量提取数据，经过清理、整合、计算后，加载到数据仓库中。Integration 项目可以运行在 SQL Server 代理中作为一个作业定期执行。
SQL Server Analysis Service，主要用来对数据仓库中的数据进行既定的分析。进行 Analysis 开发主要是建立多维数据模型，模型建立后其元数据可以存储到 SQL Server Analysis Service 中或者其他地方。
SQL Server Reporting Service，链接上数据源后可以生成报表（表格/矩阵/图表）。可以使用 Analysis Service 作为数据源，也可以直接使用任意数据库作为数据源。
其实这三个服务的应用很灵活，我只是描述了我应用的一个方式。

跟所有其它技术一样，摸不着头脑的时候，觉得很麻烦，不知从哪入手。而只要循序渐进的学习，要入门也很简单，一旦学会了，你就发现用这个开发统计系统，真是太简单了！而且生成的报表样式非常灵活，报表还能导出为多种常用格式（Excel,PDF,XML，Word，Tiff等等）。
BI需要的技术：
1.数据库：Oracle, DB2, SQL SERVER,最好也懂点Sybase, My SQL
包括，SQL，PLSQL，备份，恢复，调优
2.ETL: Informatica, Datastage, 手工ETL
3.报表：Cognos, BO, BIEE, Hyperion.....
4.操作系统, UNIX或者Linux，AIX, Solaris之类，SHELL脚本
5.外语，英语等，全会更好
6.HTML, JAVA, JS, CSS 多多益善
7.熟悉了解一些ERP系统，SAP，Sieble，Salesforce

当然了，要想深入，还是需要大量的学习和琢磨的。可以用一下亿信BI之类的BI工具会很有帮助。

‘柒’ 大数据工程师告诉你大数据和BI的区别

【导读】在进行大数据分析的时候，分析师需要从海量的收集数据中，通过不同的算法直接分析不同渠道、格式的数据，从中找到相关数据，然后再做进一步分析，得出较为准确的结论。近年来大数据行业颇受欢迎，报考人数也是越来越多，所以我们更需要全面了解，今天我们就来了解一下大数据和BI的区别。

1、从思维方式角度

大数据对于传统BI，既有继承，也有发展，从”道”的角度讲，BI与大数据区别在于前者更倾向于决策，对事实描述更多是基于群体共性，帮助决策者掌握宏观统计趋势，适合经营运营指标支撑类问题，大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。

2、从工具的角度

传统BI使用的是ETL、数据仓库、OLAP、可视化报表技术，属于应用和展示层技术，目前都处于淘汰的边缘，因为它解决不了海量数据(包括结构化与非结构化)的处理问题。而大数据应用的是一个完整的技术体系，包括用Hadoop、流处理等技术解决海量的结构化、非结构化数据的ETL问题，用Hadoop、MPP等技术计算海量数据的计算问题，用redis、HBASE等方式解决高效读的问题，用Impala等技术实现在线分析等问题。因此是个全新的行业。

3、从数据来源角度

大数据应用的数据来源，不仅仅包括非结构化的数据，还有各种系统数据，数据库数据。其中非结构化数据主要是集中在互联网以及一些社交网站上的数据以及一些机器设备的数据，这些都构成了大数据应用的数据来源。对于大数据的分析工具来说，现阶段也是对于非结构化的数据分析的比较多。

BI系统则是在数据集成方面的技术越来越成熟，对于数据的提取，一个各种数据挖掘的要求来说，数据集成平台会帮助企业实现数据的流通和交互使用，在企业内部实施BI应用就是为了可以更好的对数据进行分享和使用。

4、从发展方向角度

BI的发展要从传统的商务智能模式开始转换，对于企业来说，BI不仅仅是一个IT项目，更是一种管理和思维的方式，从技术的部署到业务的流程规划，BI迎来新的发展。对于大数据来说，现阶段更多的大数据关注在非结构化数据，不同的数据分析工具的出现和行内的应用范围不断的加大，对于大数据应用来说，怎么与应用的行业进行一个深层次的结合才是最重要的。

关于大数据和BI的区别，就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助，想要了解更多的大数据工程师技能、方法、课程等等，欢迎大家前来了解咨询。

‘捌’ 大数据与BI都有哪些区别

1、从思维方式角度
大数据对于传统BI，既有继承，也有发展，从”道”的角度讲，BI与大数据区别在于前者更倾向于决策，对事实描述更多是基于群体共性，帮助决策者掌握宏观统计趋势，适合经营运营指标支撑类问题，大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。
2、从工具的角度
传统BI使用的是ETL、数据仓库、OLAP、可视化报表技术，属于应用和展示层技术，目前都处于淘汰的边缘，因为它解决不了海量数据(包括结构化与非结构化)的处理问题。而大数据应用的是一个完整的技术体系，包括用Hadoop、流处理等技术解决海量的结构化、非结构化数据的ETL问题，用Hadoop、MPP等技术计算海量数据的计算问题，用redis、HBASE等方式解决高效读的问题，用Impala等技术实现在线分析等问题。因此是个全新的行业。
3、从数据来源角度
大数据应用的数据来源，不仅仅包括非结构化的数据，还有各种系统数据，数据库数据。其中非结构化数据主要是集中在互联网以及一些社交网站上的数据以及一些机器设备的数据，这些都构成了大数据应用的数据来源。对于大数据的分析工具来说，现阶段也是对于非结构化的数据分析的比较多。
BI系统则是在数据集成方面的技术越来越成熟，对于数据的提取，一个各种数据挖掘的要求来说，数据集成平台会帮助企业实现数据的流通和交互使用，在企业内部实施BI应用就是为了可以更好的对数据进行分享和使用。
4、从发展方向角度
BI的发展要从传统的商务智能模式开始转换，对于企业来说，BI不仅仅是一个IT项目，更是一种管理和思维的方式，从技术的部署到业务的流程规划，BI迎来新的发展。对于大数据来说，现阶段更多的大数据关注在非结构化数据，不同的数据分析工具的出现和行内的应用范围不断的加大，对于大数据应用来说，怎么与应用的行业进行一个深层次的结合才是最重要的。

‘玖’ 什么是AI和BI,商业智能有什么区别

BI目前实现的是收集数据，提供反馈，辅助决策的能力，以数据为基础的，面向数据管理和分析，属被动角色。而AI则辅以大数据，算法等得到更有价值的信息，实现收集+预测的能力，更多的是主动角色。

虽然AI的应用范围非常广，但结合BI现仍是处理结构化的数据。而此处二者的交集在于机器学习和数据挖掘，但又略有不同。AI的机器学习强调算法，BI的数据挖掘还包括对数据的管理，算法选择上也较为简单，没有神经网络和深度学习等复杂AI算法。

未来,AI与BI的区别在于BI负责梳理生产关系，AI是先进生产力。那么AI+BI模式通过将AI嵌入BI，构建基于AI的BI平台，利用AI的智能让BI系统能够解决更复杂的业务场景，产出更精准的分析结果，从而使决策更为科学和准确。

对于结构化的数据，BI系统可应用机器学习算法，得到更精确的分析结果。例如上文提到的总结用户画像，分析人群行为数据，得到千人千面，实现精准营销的结果。还有金融领域的风险监测，AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系，预测更为准确。

对于非结构化的数据，BI可以应用图像处理、语音工程和文本分析等AI技术，智能化地处理复杂业务场景。如语音转文字，录入数据及产出想要的报表等。

业务场景除了在 IT 信息化基础比较扎实的行业，也会在深度场景化的细分领域，且这些领域不具备通用性。也可理解为解决方案不具备复用性。这个时候通过AI完成一些算法匹配，根据匹配的结果来驱动业务执行。