BI与数据仓库之间的关系是怎么样的
发布网友
共3个回答
热心网友
准确的来说，商业智能BI不仅仅包含前端可视化分析、报表展现的能力，更包含了底层数据仓库的建设过程。
Gartner 在上世纪九十年代就已经提到了商业智能 ，它更多的认为BI是一种数据类的技术解决方案，将许多来自不同企业业务系统的数据提取有分析价值的数据进行清洗、转换和加载，就是抽取、转换、加载 的ETL过程，最终合并到一个数据仓库中，按照一定的建模方式例如Inmon 的3NF 建模、Kimball 的维度建模或者两者都有的混合式架构模型，最终在这个基础上再利用合适的分析展现工具来形成各种可视化的分析报表为企业的管理决策层提供数据决策支撑。
所以，可以从这里能够看到数据仓库的位置是介于可视化报表和底层业务系统数据源之间的这一层，在整个BI项目解决方案中起到的是一个承上启下的作用。所以，BI在前端可视化分析层面要玩出各类精彩的动作，没有数据仓库这个核心力量的支撑是很难做到的。
那大家也会问到，市面上不是有很多直接链接数据源就可以拖拉拽分析的BI工具产品吗，不也一样可以做BI分析报表吗？这种的、单独的面向前端的BI分析工具，他们更多的定位是部门级和个人级的BI 分析工具，对于深层次的需要复杂数据处理、集成、建模等很多场景是无法解决的。最好的方式就是底层构建一套完整的数据仓库，把很多分析模型标准化，再利用这些前端BI分析工具结合起来，这样才能真正的把前端BI分析能力给释放出来。
很多企业认为只要买一个前端BI分析工具就可以解决企业级的BI所有问题，这个看法实际上也不可行的。可能在最开始分析场景相对简单，对接数据的复杂度不是很高的情况下这类BI分析工具没有问题。但是在企业的BI项目建设有一个特点，是一个螺旋式上升的建设过程。因为对接的业务系统可能会越来越多，分析的深度和广度会越来越多，数据的复杂度也会越来越有挑战性，这个时候没有一个很好的数据仓库架构支撑，光靠前端BI分析工具基本上是无法搞定的。
所以在企业中，我们需要明确我们的BI建设是面向企业级的还是个人和部门的分析工作。如果是个人数据分析师，使用这类前端BI分析工具就足够了。如果是需要构建一个企业级的BI项目，就不能只关注前端可视化分析能力这个层面，更应该关注到底层数据架构的构建，也就是数据仓库这个层面。
热心网友
传统的BI方案的数据仓库、ETL、OLAP分析、数据挖掘，前端报表展现的各个环节都是不同的产品，不同的专人负责。假设一个分析报告要改动，涉及到数据层。则要IT部门去改进数据层和业务层，需要耗费很长时间去梳理模型。于是，随着技术发展，市场上出现了敏捷型的BI产品，也就是狭义上的BI， 把数据建模和和OLAP分析都集成到应用里了， 不用事先建模，在做报表，拖拽数据字段的时候，就能随机看到分析结果，做到即时分析，且在分析过程中灵活调整分析维度和报表展现，需求变更可以在一天之内响应。在利用BI工具构建BI系统的时候并不一定需要数据仓库，在数据库的基础上搭建也行。但是对于中大型企业，考虑到日常事务多，数据量大，数据库往往要做更多的写优化，在这样的背景下通过构建数据仓库，将数据通过ETL过程抽取到数据仓库，在此基础上利用BI工具做数据分析与前段展现会更加高效。所以在很多BI项目中，BI工具承担的主要还是前段分析、展示的作用，也就是上面架构图中最右边的部分。在企业中，我们需要明确我们的BI建设是面向企业级的还是个人和部门的分析工作。如果是个人数据分析师，使用这类前端BI分析工具就足够了。如果是需要构建一个企业级的BI项目，就不能只关注前端可视化分析能力这个层面，更应该关注到底层数据架构的构建，也就是数据仓库这个层面，这也是派可数据一站式企业级BI可视化分析平台的强项。
热心网友
先来举个简单的例子：
一般每家都有存放杂物的的地方，古代一般称之为柴房。时间长了，柴房里就会堆满了有用或者没用的东西。某天你突然有了兴致，想把柴房整理一下，有用的留下没用的扔掉。于是免起袖子开干，没用的扔垃圾桶，有用的放到了隔壁的仓库。整理了一天，看着仓库里摆放的整整齐齐的物品，虽然满头大汗却感到很满足~~~
看了这个例子后，我相信你就对这二者的关系一目了然了。BI就是你整理的过程。而在这个过程里存放有用物品的仓库就可以理解为数据仓库了。
这样理解后，再看理论化的概念我相信就容易理解了。BI的是英文Business Intelligence 的简写，即商业智能，简单来说就是通过获取企业的相关数据（运营数据、用户数据等）并进行分析整理，把有用的数据放到数据仓库中，然后再以图表、仪表等易于理解的形式展现给企业用户，从而为他们的决策提供数据支持。
目前国内BI行业还算是生机勃勃，有焕发第二春的节奏啊，各种敏捷BI、传统BI或者二者相结合的BI厂商，比如 宇加BI（宇动源） 等。
怎么样，有木有理解呀~~~
