很多企业认为只要购买一个前端商业智能BI分析工具就可以解决所有企业级商业智能BI问题。这种观点实际上并不可行。当最初的分析场景比较简单，连接数据的复杂度不是很高的时候，这类商业智能BI分析工具可能不成问题。然而企业商业智能BI项目的建设有一个特点，就是螺旋式的建设过程。因为可能有越来越多的业务系统被连接，分析的深度和广度会越来越大，数据的复杂性也会变得越来越具有挑战性。这个时候，没有良好的数据仓库架构支撑，单纯依靠前端BI分析工具基本上是无法应对的。
1、首先简单纠正一下我们对这些BI问题的理解。
（资料图）
1、BI就是报表可视化，就是一堆可视化图表。 BI就是前端可视化？
商业智能BI是由数据仓库、数据分析、数据报表等组成的一整套数据技术解决方案。在一个BI项目中，20%的时间花在前端分析报告上，80%的时间花在前端分析报告上。花费在底层数据仓库设计、ETL开发、数据检索开发等。
因此，可视化报表只是商业智能BI的最终呈现，但并不是商业智能BI的全部。
可视化展示——派克数据商业智能BI可视化分析平台
2、BI只是一个拖拽式的分析工具产品吗？
准确的说，拖拽可视化分析工具只能解决商业智能BI的一部分，即可视化分析。但实际上，商业智能BI的技术范围还是比较广的，涉及到从底层数据采集到前端展示分析的各个方面。
严格来说，简单的拖拽式商业智能BI可视化分析工具只能定位于个人和部门级别，与企业级商业智能BI有很大不同。因此，单纯的商业智能BI分析工具无法发挥商业智能BI的作用。 BI的真正作用无法取代商业智能BI的地位。
2.举报工具从哪里来？
在技术领域、信息领域、商业智能BI行业，我们从来没有离开过这个圈子。开发了JAVA（AWT、SWING、JSP、Hibernate、Spring、ibatis）、NET（ASP、http://ASP.NET、C#.NET）、Object-C、JS等技术，开发了业务软件系统平台。
早期前端技术非常薄弱，AJAX的实现也需要手写。要实现表单中的点击编辑和修改数据，需要自己使用JS DOM。制作报表基本上是JSP或者ASP脚本语言嵌套在HTML中在前端for循环输出。报告风格非常原始、丑陋。稍微复杂一点的表格报表样式需要用JS来调整。
当时使用的报表，如水晶报表、润千报表等，前端脚本语言中有标签可以直接引用，报表生成取代了大量的手写代码。早期的前端和后端技术并不是分开的。 http://ASP.NET 稍好一些。前端逐渐有了一些可以直接使用的集成控件，但是JAVA没有。上述阶段是什么时候发生的？ 2005年左右，2007年就已经广泛使用了。在老CSDN上应该还能找到很多原创的报告标签帖子。
报表分析-Paco数据商业智能BI可视化分析平台
老牌的报表如Jreport、Star Report StyleReport等在国内也有一定的市场。早在2010年，一些报表厂商的营收就已经过亿，说明基础报表的市场还是很好的。
当时的报告定位是什么？这是一份纯粹的报告。然后通过程序从后端数据库查询返回的数据聚合列表绑定到前端脚本页面，生成各种报表。事实上，它被用于各种商业软件中。系统中的报表展示远远达不到商业智能BI分析的水平。
并且有大量的软件开发商实际上拥有强大的报告功能，但这些报告功能并没有单独作为报告产品上市。
渐渐地，随着前端技术和前端框架的完善，传统的表格技术已经转向各种柱形图、条形图、饼图的可视化展示。现阶段，报表和商业智能BI之间的界限越来越模糊。为什么？商业智能BI的报表呈现能力与传统报表大致相当。目前还没有通过自助分析、自助拖拽实现快速多维度分析的能力。
讲了这么多我主要想说的是，我们看到的很多商业智能BI项目都是用报表思维来实现的，即将SQL翻译成数据集并展示在前端。而真正的商业智能BI思维应该是什么？多维思维和模型思维决定了商业智能BI项目的最终方向。
多维度分析——派克数据商业智能BI可视化分析平台
3、BI和数据仓库有什么区别和联系？
我们经常遇到人们问商业智能BI和数据仓库之间有什么区别。其实这个问题反映出一些朋友对商业智能BI的理解还是有些不准确和有偏差的。这个问题实际上从概念上区分了BI和数据仓库。数据仓库是人为碎片化的。这种情况其实很正常，因为大家对商业智能BI的第一印象就是各种炫酷的可视化图表和报表。此外，市面上还有很多轻量级的前端可视化商业智能BI分析工具。对BI的理解仅仅停留在可视化部分。
准确地说，商业智能BI不仅包括前端可视化分析和报表呈现能力，还包括底层数据仓库的构建过程。 Gartner 在20 世纪90 年代就已经提到过商业智能。它更多地认为BI是一种数据技术解决方案，可以从许多不同的企业业务系统中提取具有分析价值的数据并进行清洗。转换和加载，即Extraction、Transformation和Loading的ETL过程，最后按照一定的建模方法合并到数据仓库中，例如Inmon的3NF建模、Kimball的维度建模，或两者兼而有之。基于混合架构模型，最终采用适当的分析和呈现工具，形成各种可视化分析报告，为企业管理决策层提供数据决策支持。
商业智能BI - Parker Data商业智能BI可视化分析平台
因此，从这里可以看出，数据仓库的位置是可视化报表和底层业务系统数据源之间的一层。它在整个商业智能BI项目解决方案中起着承上启下的作用。如果把商业智能BI比作一个人，上半身尤其是脸是外表，下半身是脚踏实地、汲取大地精华，中半身是核心和核心力量。数据仓库。
那么大家也会问，市面上不是有很多商业智能BI工具可以直接链接数据源，进行拖拽分析吗？他们就不能也做商业智能BI分析报告吗？这种独立的、面向前端的商业智能BI分析工具更多定位为部门级、个人级的商业智能BI分析工具。适用于很多需要深层次的复杂数据处理、集成、建模等无法解决的场景。最好的办法就是在底层建立一个完整的数据仓库，标准化很多分析模型，然后结合这些前端商业智能BI分析工具。只有这样，才能真正释放前端商业智能BI分析能力。
数据仓库-派克数据商业智能BI可视化分析平台
就像去中药店取药一样，之所以这么快，是因为在取药之前，别人已经把各种土生土长的中药材整理好了（数据来自原始数据源），清理干净了并把它们收起来，这样他们就可以很快地思考如何搭配药物（指标组合的维度可视化）。
国内这样的公司还有很多，也正是因为对商业智能BI的理解深度不够，导致他们在商业智能BI项目的建设中犯了一些方向性的错误。最终导致商业智能BI项目难以继续推进。
因此，在企业中，我们需要明确我们的商业智能BI建设是针对企业层面的还是针对个人、部门的分析工作。如果你是个人数据分析师，使用这样的前端商业智能BI分析工具就足够了。如果需要构建企业级商业智能BI项目，不仅要关注前端可视化分析能力，还要关注底层数据架构，即数据仓库层面的建设。
移动BI_ERP数据分析_自助式敏捷BI分析_数据可视化分析系统-笔克数据
