作者：傅一平

BI(BusinessIntelligence)即商務智能，它是一套完整的解決方案，用來将企業中現有的數據進行有效的整合，快速準确的提供報表并提出決策依據，幫助企業做出明智的業務經營決策。

大數據(Big Data)，指在可承受的時間範圍内用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來适應海量、高增長率和多樣化的信息資産。

不管定義如何不同，大數據與傳統BI是社會發展到不同階段的産物，大數據對于傳統BI，既有繼承，也有發展，從"道"的角度講，BI與大數據區别在于前者更傾向于決策，對事實描述更多是基于群體共性，幫助決策者掌握宏觀統計趨勢，适合經營運營指标支撐類問題，大數據則内涵更廣，傾向于刻畫個體，更多的在于個性化的決策。

基于這個特點，大數據很容易在生産中形成基于個體的評估和閉環反饋網絡，BI則由于偏向宏觀而難以在生産中貫徹執行從而産生實際價值，因此，當前的大量的新數據應用領域，實際BI是沒有覆蓋的，比如RTB廣告、智能制造、個性醫療等等。

當然純粹從思想的角度講，兩者在概念上是可以實現統一的，都遵循數據-信息-知識-智慧這個脈絡，甚至在更高的層次，兩者也是可以統一的，比如這個定義：“世界上萬事萬物都在被數據化，形成一個與現實世界相關聯的數據世界，人類可以利用數據化的方式，應對和解決生存和發展問題。”

因此很多人說BI跟大數據沒區别，的确是這樣，沒必要擡高大數據，但由此認為兩者價值也差不多，那也有問題，它忽略了"術"的不同，由此造成應用的巨大差别。

舉個例子：神經網絡理論幾十年前就有，為啥直到現在才有深度學習突破性的進展，關鍵是其"術"的能力提高了，一定程度講，大規模數據并行處理讓這個理論煥發了新生。

理念是一回事，付諸實踐是另一回事，因此，我們還是要從“術”的角度來闡述大數據與傳統BI的區别，事實上，傳統BI，由于其術的限制，已經達到了一定瓶頸。

傳統BI廠家喊了多少年的"幫助企業做出明智的業務經營決策"，現在除了一堆報表系統，搞了一些決策樹等統計算法，還剩下什麼呢?傳統企業引入了那麼多的BI咨詢，寫了那麼多報告，真正發生過價值的有多少?BI已死也并非空穴來風。

如果搞BI的還在原有的地方轉圈圈，不去變革，除了空喊我也是大數據，沒有意義，因為數據價值最終還得看落地的能力。

大數據的4V特征大家都懂，大數據在量、維度、速度等方面相對于傳統BI的改變的确讓數據改造世界的能力發生了質的變化, 那麼，大數據的“術”于傳統BI到底有哪些變化?傳統企業需要做哪些改變呢?

1、超越BI，拓展新的業務邊界

大數據不是繡花枕頭，它的第一要務就是解決業務問題，大數據一定程度上講就是用全新的數據技術手段來拓展和優化業務，傳統企業需要聚集一撥人來研究這個問題。

如果對外，想清楚新的商業模式，如果對内，想清楚在哪個場景，可以用大數據的手段來提升效率。

當前大數據可以産生價值的地方，從行業的角度看，互聯網、制造業、公共服務、醫療保健、金融服務都有廣闊前景。

從領域的角度看，廣告、營銷、風控、供應鍊都是大數據發揮價值的地方，對于特定企業，比如電信運營商，大數據也可以在網絡優化等方面提供新的方法。

大數據應用場景是企業特别需要想清楚的地方，傳統BI失敗，一定程度講，是技術推動業務導緻的倒挂現象所緻，是高估傳統BI利用數據的能力所緻，比如大量領域用傳統BI産生不了生産力，當然也少不了忽悠。

大數據也面臨這個重大問題，但應該看到，随着大數據概念的普及，應用領域的大幅延伸，企業的管理和業務人員對于數據的認識有了很大的轉變，數據化的思維開始深入人心，對于大數據來說，是一個新的機會。

不業務，無大數據。

2、颠覆BI，打造大數據技術引擎

這是當前大數據領域最火的地方，很多企業紛紛在建設自己的大數據台，不外乎解決以下問題，以下僅舉例。

比如用Hadoop、流處理等技術解決海量的結構化、非結構化數據的ETL問題，用Hadoop、MPP等技術計算海量數據的計算問題，用redis、HBASE等方式解決高效讀的問題，用Impala等技術實現在線分析等問題。

本質是基于廉價的機器，采用去中心化，分布式的方式去解決海量結構，非結構化數據的存儲、處理和讀寫的問題。

要理解這個，其實去讀懂Google的三篇論文就可以了，分别是關于Google File System、Google Bigtable及Google MapReduce的。

但并不是每個企業都需要打造自己的大數據平台，量力而行吧，可以自研 ，比如BAT，也可以采購，比如傳統大企業，也可以租用，比如用阿裡雲和AWS。

在技術上，傳統BI的ETL、數據倉庫、OLAP、可視化報表技術，都處于淘汰的邊緣，因為它解決不了海量數據(包括結構化與非結構化)的處理問題，其所有的功能都可以被對應的大數據組件所替代，因此不再有發展前途，大多數企業即使沒有大數據業務的驅動，但大數據技術的成本優勢在那裡，不做大數據也倒逼你用大數據技術，是不?

當然傳統BI那套，也将長期存在，畢竟大數據的普及和應用是個漫長的過程，傳統企業對于大數據技術穩定性的擔憂也是個障礙，但企業至少要末雨綢缪了，趨勢不可擋啊，大數據技術會越來越成熟。

我記得自己的企業1年前還在用DB2，僅一年的時間，GBASE就把它替換了。我們總是低估了技術革命對于我們自身的影響程度。

3、重塑BI，升級人員的知識結構

有了業務，也有了技術，再來看看人吧，很多企業在熱火朝天的建設大數據平台，但建完之後，卻發現仍然是個報表系統，或者仍然是原來的BI，領導一看，會感歎，不就是換了個馬甲啊，大數據有啥用?

很多企業，它可以有很多的預算購買很貴的機器和軟件，但對于引入人才和培養人才卻有點力不從心，買了1個億的大數據硬件和軟件，卻希望原來的BI班底就能帶來大數據應用的繁榮，那也是差強人意的事情，新品裝舊酒，原來班底能搞定公司的報表系統就已經很好了。

為什麼傳統BI人員搞不定?

大數據需要有人專門研究和探索，傳統BI人員時間精力有限，此為其一，不是否定BI人員的能力，隻是表達不要奢望BI人員既做個合格的報表哥，又是個大數據創新達人，企業要能做些取舍。

大數據的數據處理，涉及太多新的技術，傳統BI隻要懂點SQL就可以活的很好了，但現在看看，不同的應用場景需要不同的大數據處理方法了，而且不再有人機交互那麼好的客戶端了，至少要懂流處理、HADOOP、列式或分布式鍵值數據庫吧，大數據對于BI人員的技能要求其實大幅提高了,此其二。

大數據更強調全量了，原來的BI挖掘人員，搞一些樣本在單機上運行個R就很歡樂，但現在不行了，針對5000萬用戶搞個三度交往圈試試?傳統方式在BI時代大都嘗試過了，隻有更新方法，才能帶來新的機會，比如，至少要求建模師會在SPARK上開發算法程序吧，對于用戶畫像、産品标簽化、推薦系統、排序算法都應有所理解，此其三。

人才是大數據的核心要素，沒有人的投入，不能奢望有啥産出，需要多點人才的引入和培養，少點大數據的心靈雞湯，大數據絕對不是大忽悠，如果有所懷疑，就問問你這個企業有多少人是在做大數據研究和實踐的。

因此，大數據相對于傳統BI，不是簡單的PLUS的關系，它涉及了思想、工具和人員深層次的變革，BI人員既不要一提大數據，就嗤之以鼻，認為它是新包裝的馬甲，其實就那麼回事;也不需妄自菲薄，以為搞大數據就那麼高大上，它的确是BI大多數思想的傳承，傳統BI對于數據的處理思想，都可以用于大數據。

順應大勢，更新自己，奮起直追，重裝上陣，是BI應有的态度。

End.

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!