DataHunter和传统BI在数据处理上有哪些区别？

早在大数据之前，商业智能（BI）概念就已经得到了广泛的普及，经过多年发展，商业智能产品早已从传统BI发展到自助式BI，到底两者之间有何不同？本文，我们主要基于国内自助式BI产品的代表DataHunter，来探究一下其与传统BI在系统架构、大数据支持以及数据关联三方面的区别。

从产品理念上讲，传统BI侧重于输出数据报表，由业务人员提出分析需求，IT人员进行报表制作，通过生成大量的静态报表以供企业相关人员查看；而以DataHunter为代表的自助式BI更加侧重于数据分析，由于是自助式产品，所以无需IT部门的介入，业务人员可以自行进行完成整个数据分析流程。

产品架构

传统BI基本采用瀑布式开发模式，企业在部署前期，需要进行整体的架构设计，各个功能模块也都需要进行技术开发，所以传统BI的部署周期较长，交付时间基本在半年到一年左右。如企业需求发生变化，相关模块的调整周期也基本按月计算。

由于传统BI产品功能模块较多，操作复杂，特别是需要对数据进行ETL处理和数据建模，所以，通常传统BI是以IT部门为主导，整个分析流程也都需要IT人员参与并执行。

相比而言，DataHunter自助式BI产品采用B/S架构开发，系统灵活易用，即用户打开浏览器就可以进行数据处理、数据分析查看以及系统管理等。基于数据驱动的理念，DataHunter自助式BI产品无需预生成Cube，所以Data Analytics是以业务部门为主导，彻底将数据分析能力交还给业务人员。

简单、灵活、易用的产品特点，也使得DataHunter自助式BI产品在部署周期方面大大缩短。通常，其交付周期基本按照周、月计算，即便企业需求发生变化，相关模块的调整时间也基本按照天、周计算。

目前，DataHunter支持Chrome、Firefox、IE edge等多种常用浏览器。同时支持市面上几乎所有的主流操作系统，包括PC端和移动端，如Windows、MAC OS、Linux、Android、iOS等。此外，针对Linux的众多发行版，Data Analytics也都有很好的支持，如CentOS、 Ubuntu等。

大数据支持

传统BI采用的技术架构决定了其针对海量数据的计算能力相对不足。在传统的数据分析系统中，如需要处理大量的业务数据，通常会增加硬件计算能力，如大规模并行处理系统来实现，而昂贵的硬件无疑会带来更高的成本。

在数据源方面，尽管传统BI支持目前绝大部分的数据库软件，但在云时代下，传统BI并不支持云数据库、第三方应用数据源以及其他公共数据源，而对于像Hadoop等大数据平台的支持和接入，传统BI也基本很难满足。

DataHunter自助式BI产品是大数据时代的产物，天生就对海量数据处理有着很好的支持。DataHunter自助式BI产品基于内存分析引擎，对PB级的数据处理可以达到秒级响应，同时，内存分析技术也代表着未来BI产品的发展方向。在数据支持方面，其不仅支持目前市面上所有主流的数据库、数据文件，同时还接入第三方互联网数据、公共数据服务平台等。

数据关联

由于传统BI是采用验证式分析模式，所以在处理数据方面，需要保证很高的数据质量。这意味着，传统BI需要进行严格的ETL过程，确保数据绝对的干净并符合业务需求，同时，在数据抽取后，传统BI产品也无法对数据进行进一步的修改和编辑。

此外，由于传统BI的数据分析是建立在关系数据模型之上，所以在进行分析之前，IT人员需根据业务需求来进行复杂的建模，如遇到分析需求变化时，IT人员需重新建模或修改已有的分析模型，整体流程耗时较长，响应速度较慢，这种机制同时也导致了传统BI无法做到实时的数据分析。

不同于传统BI，在DataHunter自助式BI产品中，整个ETL过程都是在系统中自动进行，同时支持对上传后的数据表进行一系列的操作和编辑，包括自由更改表格文件名称、表格分组、字段类型等。

而且，DataHunter自助式BI产品具有智能化的数据关联功能，对上传后的数据处理尤为简单。用户只需要拖动工作表，即可自由关联相关数据表，支持包括全部联接、左侧联接、右侧联接以及内部联接四种方式。基于实时内存分析引擎，DataHunter支持用户在内存中对庞杂的业务数据进行实时的处理和分析。

结语：可以说，以DataHunter为代表的自助式BI产品，真正顺应了大数据时代的企业数据分析需求，基于以业务部门为主导的理念，简化IT支持，将分析能力真正交还给业务人员，加速企业完成数据驱动变革。