bi是什么意思详解（一）：
1、"BI" 通常是指商业智能（Business Intelligence）的缩写，是一种利用数据分析和数据挖掘等技术来支持企业决策的方法；
2、"bī"（鼻）是汉字笔画之一，也能够表示人或动物的鼻子这一身体部位；
3、"bǐ"（笔）是汉字笔画之一，也能够表示“笔”这个物体；
4、"bì"（避）是汉字笔画之一，也能够表示躲避、避免等含义；
在一些特定的场合，"bi" 还可能是某种专业术语、网络用语或俚语的简写，需要根据具体情景进行解释。
bi是什么意思详解（二）：
BI(Business Intelligence)即商业智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的供给报表并提出决策依据，帮忙企业做出明智的业务经营决策。
商业智能的概念最早在1996年提出。当时将商业智能定义为一类由数据仓库(或数据集市)、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮忙企业决策为目的技术及其应用。而这些数据可能来自企业的ERP、CRM、SCM等业务系统。
商业智能能够辅助的业务经营决策，既能够是操作层的，也能够是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理(OLAP)工具和数据挖掘等技术。商业智能的关键是从许多来自不一样的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取(Extraction)、转换(Transformation)和装载(Load)，即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用适宜的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理(这时信息变为辅助决策的知识)，***将知识呈现给管理者，为管理者的决策过程供给数据支持。
我们再来说一说我们的理解：我们认为，BI主要解决的是从数据到决策的这么一个过程。
首先，数据是起点，也是基础。ERP中已经积累了很多数据，可是，这些数据却是按照单据与流程的需要而存贮的，对于管理者来说，就显得有些杂乱无章，他们期望看到的数据是简单而直观的，所以，我们就需要将数据进行抽取、与清洗，将之转换为有价值的信息。这个过程就是ETL。
那么，信息如何转变为知识呢?知识管理的一个重要工作就是将某个特定人脑中的经验，变的可复制。在那里，这个过程就是建模的过程。将不一样分析主题的分析视角(维度)与分析资料(度量)固化下来，这样不管谁来用，都明白原先能够从这些角度来分析这么多的指标。
再看***一条路径，就是最终辅助决策。在那里，决策不是少数高管的专利。管理学中有一个著名的“木桶理论”，就是说，一个木桶很装多少水，并不取决于木桶最长的木板，而取决于最短的那根。而对于企业管理来说，不管董事长、总经理的决策水平多高，都是没有意义的，关键在于各级管理人员都能理解且执行到位。所以，经过一个数据分析平台的建立，让所有的管理者都看到统一的数据(当然是有权限控制的)，都能基于数据去决策与执行，这样，才能真正提升企业的整体决策水平。
所以，上述数据链条，实际就是BI的技术实现路径。总结下来就三点：ETL、建模与平台化展现。这三项技术，一个都不能少。
bi是什么意思详解（三）：
一、BI的定义
BI是Business Intelligence的英文缩写，中文解释为商务智能，用来帮忙企业更好地利用数据提高决策质量的技术集合，是从很多的数据中钻取信息与知识的过程。简单讲就是业务、数据、数据价值应用的过程。
这样不难看出，传统的交易系统完成的是Business到Data的过程，而BI要做的事情是在Data的基础上，让Data产生价值，这个产生价值的过程就是Business Intelligence analyse的过程。
如何实现Business Intelligence analyse的过程，从技术角度来说，是一个复杂的技术集合，它包含ETL、DW、OLAP、DM等多环节。
上图流程，简单的说就是把交易系统已经发生过的数据，经过ETL工具抽取到主题明确的数据仓库中，OLAP后生成Cube或报表，透过Portal展现给用户，用户利用这些经过分类（Classification）、聚集（Clustering）、描述和可视化（Description and Visualization）的数据，支持业务决策。
说明：
BI不能产生决策，而是利用BI过程处理后的数据来支持决策。哪么BI所谓的智能到底是什么呢？（理清这个概念，有助于对BI的应用。）BI最终展现给用户的信息就是报表或图视，但它不一样于传统的静态报表或图视，它颠覆了传统报表或图视的供给与阅读的方式，产生的数据集合就象玩具“魔方”一样，能够任意快速的旋转组合报表或图视，有力的保障了用户分析数据时操作的简单性、报表或图视直观性及思维的连惯性。
我想这是大家热衷于BI的根本原因。[本内容由 首页 / 整理]
二、BI的诞生
随着IT技术的提高，传统的业务交易系统有了长足的发展，已经实现了业务信息化，每一笔业务数据都记录在数据库中，星转斗移，累积了以TB为计量单位的业务数据记录。也许你会问：这么多数据，占用了很多存储设备，耗费存储成本，却又不经常访问，留着它有什么用处？能够给你肯定的回答，留着这些历史数据意义巨大，挖掘业务的规律、支持决策。
典型的案例有“尿片和啤酒”的故事， 尿片和啤酒本来是两样不相干的东西，可是，有人就发现，星期五在超市里购物的，购买尿片的年轻父亲中有30%～40%的人同时购买啤酒。原先，星期五年轻的父亲购买尿片时，还会为自我捎带买啤酒，因为，星期五是各家电视台转播橄榄球赛的时光，于是，超市老板们就把尿片和啤酒捆绑销售获得了巨大成功。
这个故事成了一个利用数据挖掘商业价值最大化的神话。 由此看来，十分不关联的两样东西，经过海量的信息数据处理，能够挖掘出它们之间潜在的关联，将这种关联商业化，就会得到意想不到的新业务或新的商业模式。
到底该怎样把这些占据很多存储空间的数据的价值挖掘出来，让这些数据从成本的消耗者变成利润的促进者呢？新的数据分析技术由此诞生了，完成了“数据”到“数据价值”转换的环节，同时给这项技术起了一个响亮而又神密的名称“BI”（Business Intelligence）
三、基本技术
BI(Business Intelligence) 是一种运用了数据仓库、在线分析和数据挖掘等技术来处理和分析数据的崭新技术，目的是为企业决策者供给决策支持。这似乎是BI的官方定义，也是广大BI玩家一成不变的宗旨，哪么BI技术涉及了哪些方面呢？从图（2）中，我们不难看出其核心技术中ETL、DW及OLAP。或者说是“数据处理技术”与“数据展现技术”更加容易理解。
为什么要在操作型数据库和 OLAP 之间加一层“数据仓库”呢？
说一千道一万都计算机资源与效能惹的祸，操作型数据库以快速响应业务为主要目标，而OLAP的时候要占用很多的硬件资源，在OLAP的时候，业务操作很难快速响应，无法保证业务的顺利进行，从业务、数据、数据的价值的逻辑来看，没有业务就谈不上OLAP；零星分散的数据一般存在有多个应用，对应多个业务操作型数据库，访问效能极其低下。综合上述资源与效能的问题，最高效的方法就是将数据先整合到数据仓库中，而 由OLAP应用统一从数据仓库里取数，以解决快速响应业务与OLAP的矛盾。
可是，多了这么一层，不管ROLAP还是MOLAP都无法查看实时数据，这并不影响BI的应用，90%的BI应用都不要求实时性，允许数据有滞后，这是决策支持系统的应用特点，这个滞后区间就是数据抽取工具工作及OLAP的时光。
四、数据处理
（1）ODS，（Operational Data Store）是数据仓库体系结构中的一个可选部分，ODS具备数据仓库的部分特征和OLTP系统的部分特征，它是“面向主题的、集成的、当前或接近当前的、不断变化的”数据。
一般在带有ODS的系统体系结构中，ODS都设计都有如下特点：
1） 在业务系统和数据仓库之间的数据过渡离层。
如果业务数据来源比较复杂，一般采用构造ODS的方法来实现收集当前需要处理的数据。如下述数据来源：
a、业务数据库种类繁多。业务交易系统使用了不一样种的数据库，如DB2、Informix、Oracle、SQL server、文本等。
b、不一样的应用系统、不一样的地理位置。
c、订阅数据源。
d、批量还原非传统数据库数据。
... ...等等。用于存放从业务系统直接抽取出来的数据，这些数据从数据结构、数据之间的逻辑关系上都与业务系统基本坚持一致。
2） 保存当前或接近当前的细节数据，以供查询或ETL检错使用。
3） 数据存储周期性。ODS中存储的数据都是临时的，每次ETL之前都要清空ODS中存储的数据。
（2）ETL，(Extract Transform Load)操作型业务数据库（DB）到数据仓库（DW）的过程称之为ETL，它实现数据的抽取，转换及装载工作。
抽取：将数据从各种原始的业务系统中读取出来。
转换：按照预先设计好的规则将抽取得数据进行转换、清洗，以及处理一些冗余、歧义的数据，使本来异构的数据格式能统一齐来。
装载：将转换完的数据按计划增量或全部的导入到数据仓库中。
在技术上主要涉及增量、转换、调度和监控等几个方面的处理。
此刻列举一个简单的实例，用来说明ETL。
如下表所示，是来自于四个地区的Item销售记录。四个地区依次是
不管使用什么方法或工具，使上述四表的数据结构变成下表所描述的结构，并填充数据，这个过程就是一个ETL的过程。
（3）DW， (Data Warehouse) 数据仓库的官方定义是一个面向主题的(Subject Oriented)、集成的(Integrate)、相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合，用于支持管理决策。
数据仓库的特点：
1）、面向主题。
2）、集成。
3）、非易失。
4）、时光轴。
数据库与数据仓库的区别如下所述：
（4）OLAP，（On-Line Analytical Processing）即联机分析处理，是 BI的一种全新的数据封装方式，直接产物是报表或Cube，是使分析人员、管理人员或执行人员能够从多角度对信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。
说到OLAP，不由的想起OLTP（联机事务处理系统），此刻来比较一下OLTP与OLAP的区别，如下所述：
太理论化的东西还是少说，来看看数据表中数据是如何在立方体中表示的。
单独察看一个Location的销售数据，使用惯用的2-D平面数据表，完全能够满足所有的需求，如下图所示：
但，要是想从更多的Location的角度去分析数据，能够在2-D的平面数据的基础上增加一个维，来表示Location的变化，如下图所示：
概念上讲，也能够以3-D的数据立方体的形式表示这些数据，如下图所示：
假定再增加一个维，用来表示制造商的变化，哪应当如何表示数据了呢？我们按照上头的思路，能够表示成如下图所示的数据结构，并称之为4-D立方体。
以此类推，能够把N-D数据立方体表示为(N-1)-D数据立方体的序列。这是OLAP的基本原理，至于其中使用了何种具体的算法，来计算与管理每个“子方体”的，资料太多，不能再那里啰嗦了...
说明：
数据立方本是对多维数据存储的一种比喻，这种数据的实际物理存储不一样于它的逻辑表示。它不限于3-D，而是N维的。
五、数据展现
数据查询是最简单的 BI 应用，输出报表是BI最直接的产物，根据数据连接，加工过程及用途，应用模式大致能够分为四种：格式报表；在线分析；数据可视化；数据挖掘。
1、格式报表：带格式的数据集合，如：交叉表等。
2、在线分析：多维数据集合，如：Cube等。
3、数据可视化：信息以尽可能多的形式展现出来，目的是使决策者经过图形这种直观的表现方式迅速获得信息中蕴藏的知识，如柱图，仪表盘等。
4、数据挖掘：从很多的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。分析方法：
· 分类 （Classification）
· 估值（Estimation）
· 预言（Prediction）
· 相关性分组或关联规则（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可视化（Description and Visualization）
数据挖掘号称能经过历史数据的分析，预测客户的行为，而事实上，客户自我可能都不明确自我下一步要作什么。所以，数据挖掘的结果，没有人们想象中神秘，它不可能是完全正确的。客户的行为是与社会环境相关连的，所以数据挖掘本身也受社会背景的影响。
六、常用的BI 厂商和产品
ETL：Informatica， SQL Server Analysis Server
DW：IBM DB2，Oracle，Sybase IQ，NCR Teradata 等等；
OLAP： Cognos，Business Objects，MicroStrategy，Hyperion，IBM
Data Mining：IBM，SAS，SPSS
此刻很多的数据库供给商都开始绑定BI的开发组件到自我的数据库产品中，他们都瞄准了这其中的肥肉，磨拳檫掌，各论长短。
七、BI在中国
中国拥有5000年的文化史，灿烂的文件让日常报表也十分具有凝聚力，交错纵横，里外相嵌，格式诡异、规则古怪、数据集中而文名于世，让无数报表工具折腰。BI概念是从欧美引进的，现有的工具也多是欧美国家供给，中国是世界上报表最复杂的国家，报表设计风格与这些国家有明显的差别，BI工具制作的报表倾向于仅用一张报表说明一个问题，而中国的报表倾向于将尽可能多的问题集中在一张报表中，这种思路直接导致了BI工具应用难度的提升。