什么是商业智能？

商业智能（BI）是指一组程序和技术，可通过数据访问、分析和开发切实可行的洞察，从而做出业务决策。通常，商业智能工具在用户友好的控制面板和可视化工具上呈现信息，这些控制面板和可视化工具以图表形式显示关键指标。商业智能工具允许决策者查看报告并从数据中获得特定的业务洞察，而无需要求分析师生成报告。传统上，商业智能侧重于对历史和当前业务活动提供描述性和诊断性报告。现代商业智能可以整合实时预测性分析、AI 辅助查询和场景规划等技术。

商业智能使您能够基于数据了解业务运营、人员配备、客户和更广泛的市场趋势。如果您可以收集数据，则可以利用 BI 对这些数据进行业务分析。

加速数据驱动型决策

BI 根据数据解决复杂的业务问题。BI 能够快速从业务数据中获得答案，从而让组织能够更快、更有信心地做出决策。如此一来。您的业务战略也就更具竞争优势。例如，如果能够通过近乎实时的供应链组件成本，得出产品的合计成本，那么公司就能够动态调整销售价格。

提高可访问性

BI 以易于理解的控制面板、视觉效果或来自多个数据来源和数据仓库的报告形式呈现，可让企业用户执行各种任务，列分析企业绩效、发现趋势并确定绩效不达标的领域。在现代商业智能工具普及之前，企业用户会要求分析师生成静态报告。然后，分析师会构建在传统关系数据库上运行的查询，并报告数据。

提高收入，降低成本

将正确的数据导入商业智能工具，并结合适当的查询，则可提高整个组织的收入并降低成本。例如，发现新产品线表现不佳可能意味着需要加大营销投入，重新构想产品，或将产品从市场上撤出。

改善客户情报

您可以检查客户行为数据点并分析相关模式，从而改善客户服务和产品供应。例如，您可以查询客户数据，以判断社交媒体文章是否会引来问询、销售或其他互动。

商业智能中采用的人工智能（AI）和机器学习（ML）使用各种高级算法和深度学习技术来分析大数据，并发现隐藏在数据中的模式。

相较于传统的 BI 技术，ML 使数据科学家和业务分析师能够对数据进行更高级的分析。这样一来，可以帮助加快做出业务决策，并发现进一步的洞察。

BI 中结合 AI 的好处

BI 中结合 AI 的好处包括：

●      增强的 BI 功能：AI 可更准确地识别数据内的关系、细微差别、异常值和隐藏趋势

●      更明智的决策：AI 驱动的 BI 的预测功能使用户能够更轻松地识别趋势并做出更明智的决策

●      主动决策：AI 可以快速突出当前数据中包含的趋势，使分析师能够尽早发现这些趋势并做出实时的主动决策

●      智能自适应 BI：自学 AI 能够整合新信息以获得更优质的洞察，因此可以提高 BI 性能

●      更优质的洞察：支持 AI 的 BI 解决方案可帮助用户更好地识别隐藏趋势，并提供传统 BI 工具不易发现的新洞察

BI 中的自然语言处理

现代 BI 解决方案中的一项关键 ML 技术是自然语言处理（NLP）。借助这种技术，AI 驱动的 BI 可以整合来自情绪的洞察以及来自呼叫中心的文档、电子邮件和转录的信息。自然语言查询（NLQ）是 NLP 的一种特定应用。借助 NLQ，BI 用户可以使用自由文本探索数据，而无需分析师创建自定义控制面板或报告。

商业智能管道分为四个阶段。

1.数据摄取

业务数据来源多样，包括 SaaS 应用程序、数据库、文件、电子邮件和流式数据。摄取这些数据是 BI 管道的第一阶段。数据可以分批摄取，也可以按时间或大小分块，还可以流形式使用。

原始数据可以按原样导入，无需处理立即存储。这就是所谓的提取、加载、转换（ELT）管道。另一种选择是先转换原始数据，然后再存储。这种选择则称为提取、转换、加载（ETL），其中涉及在存储之前，进行数据准备、重组和清理。

2.数据存储和建模

BI 解决方案的底层数据存储技术取决于您是选择 ELT 还是 ETL，以及您是否将结构化和非结构化数据存储在一起。例如，摄取并转换为标准化格式的数据可以存储在数据仓库中。数据仓库（例如 Amazon Redshift）包含多个数据库。尽管现代数据仓库也支持 ETL，但通过 ELT 管道摄取的数据通常存储在数据湖中。数据湖仓则是数据仓库和数据湖的结合，进而形成了一体化存储解决方案。

数据建模有助于提高商业智能系统的性能。例如，使用星型架构对数据进行建模可以减少查询时间，而使用雪花型架构对数据进行建模则可以减少存储空间，具体取决于工作负载和基础设施。

数据目录为整个组织的信息编制索引，因此用户可以找到现有的相关数据并将其包含在查询中。

3.分析和查询

数据仓库支持原生 SQL 查询，但数据湖和湖仓则通常需要单独的查询引擎。例如，您可以将 Amazon S3 存储与 Amazon Athena 查询服务配对。

除了 SQL 查询外，您还需要 BI 软件来执行高级查询和报告。一种常见的模式是预先构建的报告，其中将包含固定信息。例如，您可能会收到某个部门的每周销售报告。这些报告通常是业务分析师预先配置的。其他高级分析技术（例如数据挖掘）则会使用统计数据、数据科学和机器学习等领域的方法。

现代自助式 BI 解决方案允许企业用户查看报告，而无需等待分析师执行数据分析。分析师可以根据用户组设置控制面板，以显示相应的业务信息。在其他解决方案中，企业用户可以在软件中创建查询来访问报告，而无需分析师的任何干预。现代 BI 解决方案采用了由机器学习提供支持的自然语言查询（NLQ），无需任何特定的技术技能即可分析数据。

4.可视化与交付

BI 管道的第四阶段是向最终用户显示查询。通常，您可以访问可配置的控制面板、记分卡和报表，并将其打印出来。在某些情况下，现有软件中已嵌入 BI 工具，因此可以在应用程序内显示报告，例如在工具提示或侧面板中。

您可以将 BI 配置为输出警报、电子邮件、通知和其他推送操作，以进行报告。触发事件时、按计划发生时、数据超过阈值时，或是完成大型分析时，即会发生这些基于推送的事件

BI 可以分析历史数据，确定异常原因、预测未来事件，并根据预测提出建议操作，具体取决于解决方案。

商业智能包含四种主要类型，并且通常一个解决方案便已融合所有类型：

描述性 BI

BI 报告和控制面板通常提供针对历史绩效（包括当前业绩）的业务洞察。描述性 BI 向用户显示发生了什么，并且可包括控制面板组件，例如关键绩效指标（KPI）和摘要表。

诊断性 BI

诊断性 BI 在描述性 BI 的基础上增加了一层，可分析数据异常的根本原因。诊断性 BI 解决方案包括用于深入分析数据的工具。

预测性 BI

能够预测企业未来的发展趋势非常重要。预测性 BI 回归、分类和时间序列预测，以及用于预测未来结构的 ML 建模。

规范性 BI

规范性 BI 可帮助您决定如何处理所得预测。这种类型的 BI 涉及场景建模和优化建议等技术。

从数据摄取到可视化工具，AWS 提供了一系列服务，可帮助您创建和完善商业智能管道。以下是一些可以帮助您开启 BI 之旅的服务：

Amazon Redshift 是云数据仓库在分析和代理式人工智能方面提供卓越的性价比。Redshift 支持在 Amazon SageMaker 的智能湖仓中对统一数据进行 SQL 分析。零 ETL 数据集成无需复杂的数据管道即可轻松连接来自流式处理服务、操作数据库和第三方企业应用程序的数据，从而实现近乎实时的分析。

Amazon QuickSight 在 Quick 中提供人工智能驱动的 BI 功能，将分散的数据转化为适用于所有人的战略洞察，使您能够更快速地做出决策，实现更好的业务成果。Amazon QuickSight 让您可以对场景使用自然语言执行高级数据分析，通过分步指导回答“假设”问题。

Amazon SageMaker Canvas 让您可以使用直观的介面构建极其准确的机器学习模型，进而将 ML 添加到 BI 管道中，无需任何代码。利用 SageMaker Canvas，您可以转换 PB 级数据，且无需编码即可构建、评估和部署生产就绪型机器学习（ML）模型。

AWS Glue 可协助您发现、准备和集成所有数据。您可以发现并连接到 100 多个不同的数据来源，在集中式数据目录中管理您的数据，并以可视化方式创建、运行和监控数据管道，进而将数据加载到数据湖、数据仓库和湖仓中。

立即创建免费账户，开始在 AWS 上使用威胁情报。