四点因素决定你的商业智能成功之路

现在的游戏叫数据，在知识经济与信息时代，每个人都面临如何有效地吸收、理解和利用信息的挑战。那些能够有效利用工具从数据中提炼信息、发现知识的人，最终往往成为各行各业的强者！”—《魔鬼经济学》蒂芬.列维特多年前导师曾给我讲，慎谈智能，当时不是很理解，现在看来深以为然，不过在如今的大数据时代，机器智能好像有点谱了。

这篇文章我就来谈谈商业智能（Business Intelligence, BI）的智能问题，商业智能最早由加特纳集团（Gartner Group）于1996年提出，发展至今已过20年，各大型企业、机构花巨资建设的BI系统真的智能了吗？

显然不是，当今的大数据时代，甚至有很多质疑传统BI的声音，花巨资建设的系统沦为豪华报表，耗费了大量的人力物力和时间，却难以有效满足决策支持和操作型业务支持等。为什么会这样子？大数据时代的商业“智能”之路怎么走？传统BI能否扩展强化为堪比AI的真智能？

下面关于BI的智能化之路提几点浅见，供大家探讨。

1．传统的商业智能离智能还很远。

首先，我们要认识到现阶段的商业智能，还仅仅是提供基本的商业情报信息决策支持，我们看维基百科的商业智能定义：”a set of techniques and tools for the acquisition and transformation of raw data into meaningful and useful information for business analysis purposes”，利用一系列技术和工具把原始数据转化为有价值的信息，为商业分析服务，这个定义本身就离智能相差很远。传统BI一般是成套技术解决方案，对企业日常经营过程中产生的大量数据进行采集、ETL处理和数据仓库存储，通过OLAP分析，挖掘技术等将集中的数据进行分析，转化为有用的信息和知识，从而为精益化管理和商业决策提供科学的数据支持，可见传统BI的核心是进行决策支持，这种支持远没有智能化。

我们再看看什么叫智能，智能简称智慧和能力，至少包括三个方面的能力：理解、分析、解决问题的能力，归纳、演绎推理能力，自适应生存和发展能力。

机器和系统要智能，至少具备初步的自动控制、分析推断和自适应更新能力。所以从这个意义上讲，前二十年要说商业智能有多智能那都是忽悠。应该说，进入大数据时代之后，商业智能才有望摸到点智能的门，当然要解决一系列关键技术问题，换个角度讲，传统BI如果不能在“智能”上做足文章进行凤凰涅磐，很可能是消亡的命运。

2．操作型BI与大数据集体智慧。

为什么BI的智能化要重视业务操作端（专业的说法叫操作型BI-Operational BI），一般来讲BI是为各级领导决策服务的，传统BI的业务操作端功能很弱，甚至没有，这种情况跟大数据的理念是相悖的，因为没有群体的深度参与就难以产生智能，同时这也是导致很多BI项目最终失败的根本原因。

集体智慧简单来讲，可以理解为一种集体决策能力，它至少等同或优于群组中的任何一个成员（Hiltz & Turoff，1978），集体智慧在计算机领域的实现来讲，可以被看作一种创造性生产力，一种分布式计算过程，一种有关连结的智慧等等。其核心特征：一是集体（多种来源，集体智慧由个体行为以显性或隐性的方式汇聚而成），二是关联（个体联系，形成共同的认知、行为状态或趋势）。Kaggle,GitHub,知乎，百科等平台就是集体智慧的体现，而互联网是整个地球人类集体智慧的体现。

在大数据时代，一个组织、企业要实现管理的智能化和决策进化，还是原来那种靠领导拍脑袋进行决策，是很危险的，特别是面对复杂关联和相互扩散影响等问题，有兴趣的朋友可以了解华为的运作机制，应该说对这方面把握的很好，轮值CEO、全球化办公云、各种内外部社区交流等都是集体智慧的体现。大数据条件下的BI不只是数据抽取、存储和展现，而是要通过BI过程精细化掌握企业各方面情况，能找出相关业务环节的瓶颈并分析问题，并给出问题的解决方案。

BI固然是为决策支持服务，但要满足精细化管理和预测性决策支持目标，一线业务操作端的智能化支持不容小觑，BI需要为普通的业务人员服务，从数据采集、数据反馈和数据迭代等多个层面进行支持，提供实时性预判性的指导，OBI的服务围绕企业的业务一线，如智能客服、精准营销、库存优化、流程优化等活动。

如果说大数据决策支持中心是企业的大脑的话，那么这些一线操作业务涉及的相关数据就是企业的神经末梢，负责各种实时数据的采集、预判和反馈，通过全面地数据采集、流动和增强，来提升企业的决策能力，就好比蜂群的集体智慧，从单个部门或人员数据中找预测规律比较难，整个生态种群的全面数据采集和分析就容易多了。所以说，BI要智能化，要同样重视业务操作端，业务操作端的集体智慧决定了数据质量、数据范围和企业内外部数据的精细化服务能力，而这些恰恰是智能的基础。

3．大数据融合与智能学习扩展。

本体意味着世界本身已经存在了一个完美的知识体系，我们学习成长过程就是从本体中摸索、推测和构建自我知识体系的过程。计算机要产生智能同理，现阶段的机器学习只是碎片化的片段知识构建，机器要智能化必须能部分实现这个认知过程。窃以为融合事物本体知识和跨模态数据处理能力的大数据机器学习（深度学习）是机器智能诞生的可行方法（最近深度学习结合知识库、存储记忆和注意力机制等研究也说明了这一点）。

本体论对机器来讲是一种解决关联和推理的技术手段，而跨模态数据融合是解决全样本问题的关键。从这个角度来讲，大数据和商业智能其实不矛盾，只是各有侧重罢了：传统商业智能还是以结构化数据为主，ETL、数据仓库、OLAP多是处理结构化数据，结构化数据本质还是数据孤岛，虽然形式上的数据仓库做了数据集中，但并没有完成深层的数据关联和融合，所以谈不上智能；而大数据处理没有结构化数据限制，结构化、半结构化、非结构化数据都能统一纳入处理，这就需要跨模态、全样本数据融合处理的支持，另外本体库、知识库要解决计算机对数据的深层关联和认识推理等关键问题。

如何整合多源异构数据资源、实现本体构建和深度学习、推理、预测,为管理决策和业务操作端提供更加完整、可靠和智能的服务，是未来BI智能化要突破的关键技术瓶颈。所以，大数据条件下，传统BI的技术架构已经不能满足这个需求，不管是多模态处理、多模式计算还是深度、实时学习和分析等方面，基于ETL、数据仓库、OLAP和一般可视化等技术的传统BI都有较大局限。

但是不是就意味着传统BI就完全没有用了呢，也不尽然，从技术角度讲，传统BI的功能都可以被对应的大数据组件所替代，但考虑到成本和技术、数据积累等问题，能进行深度扩展的系统就不用完全重建。我在前文的《企业大数据应用三段论》有提到过，大数据分基础描述性分析和高级智能分析阶段：传统BI应该算是一种基础分析手段，特别是在企业信息化和数据获取能力较弱的条件下，可以用BI来进行数据分析应用的普及（只是传统BI那种高成本架构就完全没必要了，特别是没用较强扩展能力的产品）；基于机器学习和深度学习的预测性数据挖掘可以理解为高级分析，基础分析做不好，高级分析就无从谈起，当然两者的架构是有较大差异的。

大数据和BI可否融合起来呢？答案是肯定的，SAP、ORACLE、IBM等BI产品逐步在支持各种开源大数据技术系统。

个人认为，大数据和BI应该是一个融合和集成的关系，传统商业智能分析历史，真正的智能要能预测（预见）未来，不管是BI系统还是大数据系统，都是围绕数据分析展开，一个是偏单模态数据基础分析，基于ETL、数据仓库、数据集市、OLAP等技术；一个是多模态（多源异构）数据高级预测分析，基于数据融合、自动特征工程、列式存储、深度学习、可视化关联分析等技术。

数据规模的大小不是关键，关键在于数据融合和智能学习的强化，所以说，大数据时代的商业智能要真正实现智能化，不一定是对BI系统进行推倒重来，只需针对大数据处理特点对传统BI技术架构进行并行扩展，解决跨模态数据融合，离线和在线，实时和历史，存量和增量，基础分析与智能学习等核心问题。总之大数据时代，第一解决全样本数据融合问题，第二解决智能学习问题，借助于人工智能、机器学习、深度学习等技术，商业智能才有望实现智能进化。

4．以业务（问题）为中心与自助式探索分析。

以人为中心还是以技术为中心，这是传统BI衰落的关键原因，如Tableau, Qlikview等新型BI产品的冲击在倒逼传统BI产品缓慢改进。将来除了基础设施之外，一切重量级的系统或产品很可能存在应用陷阱，天下武功唯快不破，大数据时代更是在强化这一点。Tableau等能在一个动态的，互动的可视化UI界面去探索数据的多面性，实时地回答用户的问题，方便用户理解数据的关联和因果，新型BI不再是领导层的专属，而是鼓励全面参与的数据分析，傻瓜化的探索方式、参与第一、以人和问题为中心，这种集体智慧式的BI分析才符合大数据应用的目标，毕竟智能需要靠人的深度互动和参与，系统只是辅助，不管数据层面还是学习层面都不能忽视这一点。

正如约翰.怀尔德杜克所说：“面对那些我们坚信存在或不存在的事物时，探索性分析代表了一种态度，一种方法手段的灵活性，更代表了人们寻求真相的强烈愿望”。这里重点强调下可视化，大数据可视化不是万能的，但蹩脚的可视化技术是万万不能的：

（1）友好的可视化界面让人人成为数据分析师成为可能，何为友好，如何考虑大众的信息化能力，不只是炫目的展示，而是能激发人的参与激情，能引导人的快速学习，能启发人的深层理解，这是决定大数据和BI是否具有灵活性和预见性的关键；

（2）传统BI的衰落，就是因为大数据时代，我们的产品注意力转移到了前端，怎么自动化快速解决实际问题，怎么方便上手使用是第一位的，算法技术再牛交互做得不好也是失败的产品；

（3）业务人员能独立完成问题的分析，初步找到答案，由技术驱动转为业务驱动，才能强化BI系统的智能化建设，为全员提高数据分析技能的同时，为操作型BI和群体智慧的进化打下基础。强调前端可视化并不意味着就能轻视后端技术，反而需要强大的后端技术进行支撑，不然很可能沦为华而不实的炫目图表。通过自行拖拽式操作，如何快速融合多源异构数据，并有各种跨模态机器学习模型进行支撑？可视化数据的各项属性指标如何快速让用户理解其概念、层级、意义及其联系？

各种分析场景下的问题识别与知识发现、跨域关联挖掘、多维度关联探索等，都是BI需要考虑的环节。总之，高效的可视化探索，对后端大数据技术的要求其实是提高了。

5．敏捷、开放、迭代与闭环前述智能的自适应能力

操作型BI的实时响应能力、大数据融合与跨模态处理能力、可视化的快速变换响应能力，无不需要敏捷技术的支持。

我在前文《说说敏捷大数据》有提到过敏捷，但还不成体系，后续会发文来深入探讨这一领域。总之，大数据时代，数据规模增大的同时，我们的决策也在面对前所未有的变化：企业在变、客户在变、技术在变、服务在变、基础设施在变、商业模式也在变…而且变化趋势在加剧。另外，面对可供选择的庞大技术栈、工具集和产品服务越来越多，如何构建具备扩展性、兼容性、动态性、容错性和决策进化的大数据系统是未来信息化、智能化面临的关键问题。

需要重点关注如下几个方面：

（1）大数据和数据科学的迭代性本质，意味着预测的不确定性、探索性，很多的分析场景都是在不断的业务探索中找出来的，这需要BI的业务和技术能具备开放性和迭代能力，才能响应各种变化需求，大数据应用就是在与时间赛跑，业务层面+技术层面的全面敏捷势在必行；

（2）大数据时代的BI要能解决增量问题，如增加新的数据、提出新的问题、发现新的模式，相应地需要进行多源异构数据融合支持、自助式探索分析支持和交互式反馈验证支持等，在反馈闭环中进行各种关键模型的智能进化。

（3）开源技术和购买产品的互补选型，去IOE有其发展必然性，特别是DT技术泛型跟传统IT产品技术的不连续甚至是断裂问题，完全基于三方产品的生态系统要智能化，相当困难。所以说，前些年大公司专属BI的没落，也是时代发展的必然，传统IT工业重量级产品的基因里少有敏捷、开放、迭代等关键词，要智能也就更难了，IBM沃森与大型医院的合作失败，号称50亿美元的医疗AI项目打水漂，有兴趣的朋友可以关注一下相关技术。

6．小结

大数据时代的商业“智能”之路不好走，对传统重量级BI产品来讲，是一条涅盘之路，要突破的问题很多，产品太重量级，太贵，技术扩展性和敏捷性都不好，不利于快速学习掌握，要实施好很困难等；对新兴大数据技术来讲，是一条融合和兼容并包之路，大数据离开企业结构化数据库就少了半壁江山，大数据强大的前端可视化交互分析能力，大数据技术交互式，实时性，开放性，迭代性，容错性等数据科学基因，都是传统BI要学习的地方，当然传统BI的积淀对大数据应用来讲也会起到事半功倍的效果。总之，整合BI和大数据系统并非易事，两种技术泛型的磨合和还需要时间，耐心和创新，同时这个大浪淘沙的过程也是以互联网和传统企业为代表的两类IT巨头们的技术对决，搞大数据的小伙伴们可不要站错队：）不过可以肯定的是，留给传统BI产品的时间不多了。