因为要加入一个BI项目，所以最近在研究BI相关的知识体系，由于这个方面的知识都是比较零散，开始都很多概念，不知道从何入手，网上找的资料也不多，特别是实战案例方面更少，这里还是先把理论知识理解下吧，分享给大家，一起学习。下次再把实战的一一分享出来。
一、什么是商业智能BI
BI（Business Intelligence）即商业智能，它是一套完整的解决方案，把企业的运营数据转化为信息或知识，辅助企业做出明智的业务经营决策的工具。将无序、零散、孤立的数据转换成整合的、规律的、有价值的数据资产，将其以直观、形象的方式展现给合适的人。使得企业用户能够利用商业智能系统进行有效的分析、报告、监控，数据资产得到利用。
强调：在恰当的时间通过恰当的手段把恰当的信息传递给恰当的人。
扩展诠释，包括如下几点：
1、是技术：BI是一系列技术的合集，包括ETL技术、数据仓库技术、OLAP技术、数据挖掘技术等。这些技术基础，是我们实现整个系统的基石，它们也衍生了我们形形色色的各种技术岗位分工。
2、是工具：BI是与工具相关的，我们需要借助各种工具，来实现建设目标，这些工具包括ETL工具：SSIS、Datastage、Kettle；OLAP工具：SSAS、Hyperion Essbase；前端展现工具：Cognos、BIEE等等。
3、是努力过程：BI是一个努力的过程，这个过程，是企业将数据资产利用起来，发挥数据的价值的一个过程；是企业从高管至关键用户至普通用户及IT，和咨询、实施方多种角色合力推进的一个过程。这个过程中一般分为需求阶段、设计阶段、开发阶段等等阶段。
4、是讲方法：在BI的过程中，是讲求方法的，我们用一整套最佳实践的方法贯穿全过程，来确保系统的成功落地。
5、是要结果：结果可以是报表、分析、仪表盘等等一系列的应用交付。
6、最终目的：用尽方法，一切为了辅助企业更好、更及时、更准确的做出决策。
二、业务系统与商业智能系统的区别
这两种系统，有很多种角度可以进行阐述。在这里，我列举几个方面进行说明：
1、从数据资产利用角度，企业运行ERP之后，将积累大量的数据资产，数据资产要加以利用，就必须以另外一种系统形态来发挥数据价值，就需要商业智能系统来达成这一目的。
2、从系统集成角色，企业建设若干系统之后，需要打破信息孤岛状况，实现统一的数据资源平台，便需要对各个系统进行数据集成。
3、从分工及性能角度来说，随着企业业务数据量的增大，基于事务处理的系统结构，无法支撑数据统计分析类型的需求，E.F.CODD在1993年便提出OLAP概念，区别于OLTP事务处理系统，便是一个例证。
4、从面向对象角度来说，业务系统以业务处理为主，企业的中高层用户未必适合使用，定位于面向企业从上至下各层次角色的BI系统，重点面向中高层，从而一定程度上较好的解决他们的管理需求。
所以，商业智能系统又一种说法是信息化最后一公里。
三、初学者如何学习BI
主要是偏向技术路线：
1、基础-SQL：掌握基础技能-SQL，做BI相关工作，可以不熟悉编程，但是SQL技能缺失，就相当吃亏。
2、技术选择：在BI技术上做出选择，BI技术分类很多，结合自己的工作、自己的性格、自己的喜好、确定一个主攻方向。比如：前端应用开发；有精力的话，可以再加上一个铺攻方向，比如ETL。
3、工具选择：同一个技术类的工具，选择两款或以上，进行对比，了解其共性功能和个性特点，加深认识。比如：学习前端工具，可以选择Cognos和BIEE；学习ETL工具，可以选择SSIS和Datastage。
4、基础概念和技术：深入理解基础概念，比如：维度、度量、星形模型、雪花模型、OLAP、旋转、切片、钻取等术语。在这基础上，掌握一些关键技术，比如缓慢变化维、增量数据处理等。
5、行业业务知识：关注行业业务知识，业务是BI的魂。学习和工作实践中，尽量抓住与甲方相关业务负责人、咨询顾问、需求分析师交流的机会，尽可能多掌握些业务方面的知识。在单纯的技术期过后，升迁或换工作，很可能就会需要一定相关业务行业经验。
6、项目管理知识：学习项目管理知识和商业智能项目实施方法论。了解需求调研过程是如何进行的，数据源调研和质量分析有些什么具体任务，系统设计又分哪些阶段步骤，需求变更又如何处理。这些可以一定程度上提高项目实施成功率。
7、利用各种资源：寻找和使用各种资源进行学习，这些资源包括数据、联机帮助文档、论坛、社区、邮件组、专业人士博客、学习视频等等。
8、专业认证：根据实际情况适当依据自己所从事的技术分类或是工具，通过专业认证考试，也是可以为简历加分的。
9、语言水平：提升英语能力。
10、个人兴趣：喜欢BI，深入研究，收获成就感。从事的工作是自己感兴趣的方面，这对于做好一个事情，一份工作是相当有利的。
四、BI基础-数据仓库理论
介绍学习商业智能，经常会涉及到架构设计理论知识，这里说下数据仓库理论两大流派：Ralph Kimball和Bill Inmon。
在国内，通常所说的数据仓库的四个特性角度（面向主题、集成、相对稳定、反映历史变化、用于支持决策）的定义便是Inmon提出的，他被称为数据仓库之父。而实践大师Kimball的工具箱系列著作，亦被奉为是数据仓库建设的经典书籍。
1、基础理论：
Kimball支持数据仓库总线结构，提倡维度建模，以星形模型或是雪花模型等方式构建维度数据仓库。架构体系中，数据集市与维度数据仓库是紧密结合的，数据集市是数据仓库中一个逻辑上的主题域。各种前端工具将可以直接访问使用维度数据仓库。
Inmon提倡以三范式构建集中式的企业数据仓库（EDW），作为整个系统核心；在其之上再建设若干面向主题的、遵循维度模型设计的数据集市；前端工具通常访问数据集市，而不直接访问EDW。
2、数据仓库建设方式
Kimball建议从底向上。先建设满足部门级分析需求的若干数据集市，再通过总线架构将它们集成，形成一个“联合数据仓库”。
Inmon强调自顶向下。先将来自各个源业务系统数据集成至企业级的数据仓库，再基于其搭建面向部门应用需求的数据集市。
3、如何选择
Kimball方法对团队技术水平要求不太高，更易于实现，从小型的主题域数据集市建设起，但在逐步建设过程中，联合维度数据仓库的一致性较难控制，适用于战术层级的规划，或是有迫切的目标需要实现。
Inmon的方式，规范性较好，数据集成和数据一致性方面能得到处理，适用于较为大型的企业级、战略级的规划。但对团队的要求较高，且实现周期较长、成本昂贵。
五、BI项目角色划分
一般一个BI项目实施至少需要以下角色：
1、行业BI顾问（兼项目经理）：熟悉客户所在行业，能与用户进行业务沟通并引导客户发掘需求。有BI项目管理管理经验。
2、UI设计开发：有比较丰富的BI工具界面开发经验，能发现不合理的界面需求，并及时引导客户修改。
3、数据库开发：有ETL及数据仓库开发经验。
所以，BI需要数据库技术和业务知识结合才能产生价值。
基于个人是一直从事IT技术相关的，所以就以数据开发的角色来深入BI的学习。
六、BI需要的技术
1、数据库：Oracle,DB2,SQLSERVER,Sybase,MySQL;包括:SQL，PLSQL，备份，恢复，调优；
2、ETL: kettle, Informatica, Datastage, 手工ETL；
3、报表：Cognos, BO, BIEE, Hyperion, superset, metabase等；
4、操作系统, UNIX或者Linux，AIX, Solaris之类，SHELL脚本；
5、熟悉了解一些ERP系统，SAP，Sieble；
6、熟悉了解一些BI软件：PowerBI、Wyn Enterprise、FineBI等。