百度百科上BI的定义是：商业智能（Business Intelligence，简称：BI），指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。BI产品则是将上述过程流程化的平台化产品，在降低数据获取、分析成本方面，契合中台的思想，因此也是作为数据中台解决方案的重要模块。
对于产品&业务：
产品迭代、运营活动需要各种数据分析支持，数据调取依赖数据开发排期长、响应慢，需求完成决策时效性可能已经过去，紧急需求求爷爷告奶奶
SQL取数门槛高，多数业务人员无SQL能力
数据可视化报表需要数据、接口、前端多工种支持，一个报表上线要一两周
对于开发：
需要有人专门对接非固定的SQL取数工作，重复、枯燥，干不了多久就离职了
每天都在各种取数据、做报表，忙成狗，还是不是来个紧急需求，或者需求排期久了被投诉
感觉每个报表前端都长得差不多，还要不断重复开发可视化报表，心累
BI产品解决的痛点问题
无SQL业务人员自助取数的问题，取数不求人
数据开发人力释放，可以有更多的资源投身数仓模型的建设，提高模型覆盖度
可视化看板自助配置，业务可以基于数据模型快速搭建看板，无需接口和前端开发
二、自研还是外采，这是一个普遍问题
1.行业现状
成熟的商业化的BI产品国内外都有很多，按照业务场景和主要卖点可以分为：传统型BI、用户行为分析、基于云服务的SAAS化BI产品
传统BI
Tableau、帆软BI、永洪BI、BDP、亿信华辰、观远数据
用户行为分析
从埋点采集到用户行为分析的全流程解决方案，从全埋点或无埋点切入，主要有神策数据、GrowingIO、诸葛IO等,还有部分垂直于游戏或广告投放领域的分析产品如TrackingIO
SAAS化BI产品
基于云服务之上的BI分析工具，核心产品是云上资源，BI产品作为增值产品或服务。如阿里云的QuickBI，华为云、腾讯云、百度云、移动云等，都有相应的搭售产品。
2.自研或外采
外采还是自主研发这是每个BI产品诞生时都要经历的灵魂拷问，首先要回答老板，外部已有那么多成熟的产品，我们要不要从0-1开始，自己做的价值是什么？这两种方案对比如下：
采购价格上，以阿里云Quick为例，一个300人的团队一年的费用大概在40W，帆软价格比较亲民，可以买断付费，基本功能在30W左右(外加每年服务费、跨版本升级费用、扩展功能费用等)
总结一下如何选择的要点
公司管理层，对数据团队人力投入的支持，比较新做一款BI产品需要较长周期和较多人力，短期内外采肯定是见效最快的
公司对外采的态度，有些公司有自研情结，只要能解决自己业务问题，都可以考虑自研，不爱买别人的
数据平台研发团队的人力现状，产品、研发的人力和能力能否Cover住BI产品的需求
公司规模主要是看数据用数据的人数，这是个参考值，一般1000人以下的团队外采性价比是最高的，当然如果管理层看的比较长远愿意投入，这个值就不作参考了。
三、BI产品0-1实践流程
第一步：需求分析
通过业务场景调研、沟通，了解目前公司数据流程现状，业务主要诉求及痛点问题，评估建设BI产品的必要性
第二步：实施方案评估
结合公司实际情况分析自研和外采的优劣势，输出总结，汇报老板，敲定最终方案
第三步：功能需求梳理
不管是外采还是自研，最终都需要解决痛点问题，结合第一步需求分析过程，形成对BI产品的功能清单，自研作为产品需求范围，外采作为厂商选择依据
第四步：组建专项团队(以自研为例)
BI产品的研发需要产品经理、前端开发、后端Java开发基本的人力配置，最好要有UI/UE，QA资源，这样产品易用性会更高。
第五步：产品持续迭代
一期可以从MVP版本开始，满足基本的分析需求，逐步扩展和迭代新的功能
四、BI产品核心功能架构
敏捷BI工具的标配流程是数据建模、拖拽分析、可视化呈现、系统管理等功能模块，随着基础看数据的需求满足后，业务会有更多增强分析、以及从人找数到数找人的预警、推送需求。同时，对于数据生产者，要持续降本增效，因此围绕数据血缘看板生命周期相关的数据治理流程，在自研产品中也要考虑进去
1.BI系统架构
数据源：从系统架构层级看，BI系统最底层是数据接入层，数据源是原材料，否则工具做的再好也是巧妇难为无米之炊，要支持接入常用关系型数据库，以及数据仓库的数据源。
数据模型：数据接入后，在数据模型层，做表之间的关联、字段逻辑处理、元数据信息维护，形成模型资产，把模型主题、层级分门别类管理好，方面业务快速找到目标数据源，同事需要做好模型权限、字段、行值权限管控，技术层面要把不同数据源集成到OLAP查询引擎，提升即席查询效率。
分析层：无SQL拖拽分析，业务基于数据模型，可以直接选择维度、度量、过滤条件后，直接进行数据查询，同时封装可视化图表组件，做结果的可视化展示。对于需要固化的分析结果，可以将图表保存至Dashboard，且可以对图表系列颜色、数据标签、筛选条件等进行设置
输出层：主要包括Dashboard输出、将看板以iframe方式嵌入其他平台、数据推送&预警，以及可视化大屏。将可视化能力直接在系统内应用或跨系统复用
2.产品功能框架
数据模型：主要提供数据源接入、数据源管理、数据建模能力
自助分析：支持拖拽式分析，同时可以作为通用能力，对接数仓数据源、指标平台指标等，随着版本迭代，图表类型要不断扩展，从基础的表格、折线图、饼图、柱状图，到复杂的地图、桑基图等，数据分析能力不断增强，预测、归因分析等
Dashboard：可视化报表创建、管理
可视化大屏：大屏模式，提供常用模板快速搭建大屏
系统管理：用户权限管理，某一用户有哪些资源(看板、数据集等)权限、看板/数据集管理(用户范围、使用情况、生命周期)
五、BI产品对比分析
目前很多成熟的BI产品，帆软是起步比较早的传统型BI产品，QuickBI则是基于阿里云的SAAS化产品，两个产品特点还是比较有代表性的。完整的竞品分析报告后期文章会输出，本文主要从两者的核心差一点仅做简述。
QuickBI
帆软BI
自助分析方面，从Dashboard创建的交互流程上看，QuickBI设计画布是以看板为目标，每个图表作为看板组件和元素，图表对应的数据源、样式设置是图表的一个参数，设计过程是看板布局绘制的过程，弱化了拖拽分析过程。
帆软BI则是创建看板画布后，图表的编辑跳出看板，在一个自助分析页面，自助分析页面拖拽式交互操作较强，用户可以在自助分析页面仅做分析，不做看板配置。
可视化效果上，QuickBI的画布组件功能更加灵活，可视化效果自定义程度更高。
六、BI产品发展趋势
数据分析能力：基础的BI产品满足业务取数的需求，仍有较多场景业务下载数据后利用excel或者python等分析工具进行二次分析，BI产品要结合分析场景，把更多分析过程融入到系统里，让业务在产品内完成分析过程
AI智能分析:从人工分析，向基于算法模型的智能归因分析、数据预测等能力扩展
数据推送：数据订阅或预警推送，从人找数到数找人
市场下沉：企业服务，随着大数据、数据化管理的逐步普及，中小企业对BI的需求会更加强烈