早在1958年，IBM的研究员Hans Peter Luhn便将“智能”定义为“对事物相互关系的一种理解能力，并依靠这种能力去指导決策，以达到预期的目标。”这期间出现的领导信息系统（EIS,Executive Information System）和决策支持系统（DSS,Decision Support System）等技术应用，可以看作是BI的前身。

BI并不是全新的事物，而是对一些现代技术的综合运用。BI为企业提供迅速分析数据的技术和方法,包括收集、管理和分析数据，将数据转化为有价值的信息，并分发到企业各处，让企业的决策有数可依，减少决策的盲目性，理性地驱动企业管理和运营。按照图1-1中的DIKW模型，数据转化为信息，升级为知识，升华成智慧的过程，便是数据价值的展现过程，其中要用到的种种技术和工具，就是BI。

早前，帆软数据应用研究院对1000多名BI从业人员进行了调研，结果显示，我国企业从业人员对BI的理解集中于数据的分析和展示，甚至被等同于数据分析与数据可视化。后续，帆软数据应用研究院联合知名媒体机构对众多企业CIO进行了多次访谈调研。

• BI已经被大众所熟知，绝大多数企业都知道BI甚至会关注BI，不少企业已经应用BI。

• 企业界对BI仍然有着众多不同的理解，但将BI解释为一整套解决方案的企业占比逐年增多，企业对BI的认知开始趋于统一。

• 企业对于BI有着明确的诉求路径，即整合数据解放IT(体现在数据的接入、集成和管理上），通过分析和可视化手段辅助企业管理和业务決策，最终实现企业的降本增效和各项业务能力的优化提升。

在2020年9月发布的《商业智能（BI）白皮书2.0》中，帆软数据应用研究院在文献研究和企业调研的基础上，结合我国的市场环境，对BI做出了新的定义。在本白皮书中，基于前文的描述和分析，我们继续沿用BI的这一最新定义。

BI是在打通企业数据孤岛，实现数据集成和统一管理的基础上，利用数据仓库、数据可视化与分析技术，将指定的数据转化为信息和知识的解决方案，其价值体现在满足企业不同人群对数据查询、分析和探索的需求，从而为管理和业务提供数据依据和决策支持。

1996年，Gartner集团正式将商业智能定义为：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、以帮助企业决策为目的的技术及其应用。从概念诞生到现在的几十年间，BI的价值和使命并未发生根本的变化，依然是将数据转化为有用的信息，让企业的决策有数可依，变化的只是BI所使用的技术，而BI的发展也就是体现在技术上。

目前，BI的核心技术主要包括数据存储、数据ETL、数据分析、数据挖掘，以及数据可视化分析。随着数据量的激增和应用场景的复杂化，BI在技术上也有所补充，例如Hadoop和Hive等大数据技术的出现就很好的弥补了BI处理大数据的能力。

回溯BI产品的发展历史，会发现有一条清晰的主线，就是不断的利用新技术降低数据分析门槛，从而让更多的人能够从大数据中受益，真正把数据转变成生产力去驱动业务。

BI起源于20世纪80年代，主要技术包括SQL（结构化查询语言）、OLAP（联机分析处理）和数据可视化。这些技术虽然提供了强大的数据分析能力，但对用户的技术要求极高。用户需要具备SQL编写、数据建模和深厚的业务理解能力，因此，这类BI产品的用户主要是IT/DT人员，用户渗透率比例不到1%。

在这一阶段，BI的使用门槛非常高。用户不仅需要掌握复杂的技术，还必须具备数据思维和业务理解能力。这意味着，只有那些既懂技术又懂业务的用户才能真正发挥BI的价值。比如，一名优秀的BI用户需要像DBA（数据库管理员）一样精通SQL，同时也需要像MBA一样具备深入的业务理解能力。这使得BI的普及非常困难，主要集中在少数专业技术人员手中。

1、自助式BI（即敏捷BI）：不要求SQL编写等技术能力，但对数据分析能力要求高，用户渗透率10%。

VizQL技术的出现，消除了用户写SQL的能力要求，从而让一部分懂OLAP数据建模，同时具备一定的数据思维和业务理解能力的分析师和业务部门的数据BP能够用自助式BI产品做自助分析，用户渗透率大幅提升到10%左右。

2、增强式BI：进一步降低了技术门槛，但仍要求用户具备一定的数据思维。

互联网的发展让原本停留在学术界的机器学习、深度学习等AI技术在工业界得到了广泛应用和快速发展。大家开始尝试用这些技术去进一步降低BI产品的使用门槛，核心理念是用AI技术去增强BI产品的能力。当时的AI技术一定程度上确实降低了用户的使用门槛，也催生了早期的检索式/对话式BI产品。但用户的渗透率并没有得到大幅提升，从10%上升至15%。其中很大一个阻塞就是用户依然需要具备一定的数据思维才能使用增强BI产品，这对很多业务人员来说是一个巨大的门槛。

3、智能BI：破除数据思维这个用户门槛，用户渗透率逼近100%。

以大语言模型（LargeLanguageModel，LLM）为代表的生成式AI技术，为进一步消除数据思维这一项能力要求带来了新的机会。在预训练的过程中，LLM内嵌了数据分析的知识，还可以通过SFT让LLM具备专业领域的数据分析知识。产品集成这些具备数据分析知识的LLM以后，用户只要具备一定的业务理解，就能从数据中得到他所关注的业务问题的答案。

BI产品终极目标是“让人人都是数据分析师”，奔着这个目标BI产品持续演进，会发展出不同的产品形态，以满足不同场景的数据需求。需要强调的是，这几类BI各有优劣，分别适用于不同的场景，不是绝对的相互替代的关系。尤其是报表、自助式BI和智能BI。

• 报表式BI满足企业管理层固定看数的需求；

• 自助式BI满足业务分析师自助分析的需求；

• 智能BI满足普通业务人员的即时查数与分析需求。

这三类BI将长期共存，供企业按需选择，直到信息化基础条件发生根本改变，建议企业根据自身数据应用成熟度来判断哪一类BI更适合自己，或者是否需要结合使用。以双模IT下的帆软BI体系为例：

总设计师说过：科学技术是第一生产力。恩格斯的观点：生产力是具有劳动能力的人和生产资料结合而成的改造自然的能力。我们通俗地讲，生产力就是单位时间内可以产出生产成果的量，也就是各企业关注的核心——效率。企业之所以存在，是因为它将多个个体组织起来，通过优化生产关系从而实现比个体独立生产更高的生产效率。效率是企业存在的根本，低于平均效率的企业和组织必然是会解体的，企业之间的竞争本质也就是效率的竞争。

因此，企业需要想尽一切办法来提高效率，企业引进优秀的人才，是要提高企业的效率；企业引进先进的设备，也是要提高企业的效率；企业进行组织变更，同样是为了提高企业的效率。同理，我们所说让数据成为生产力，也就是让企业通过数据来提高企业的效率。

回答这个问题，我们先看企业的成本在哪里，有的企业在意人力，有的企业在意原料，有的企业在意时间。人力、原料和时间都是成本，都不能轻易浪费。可哪里有真空的环境呢，浪费一些总是难免，对于所有企业而言优先要考虑的就是巨大的浪费。

巨大的浪费是怎样产生的？有一句俗话叫做“兵熊熊一个，将熊熊一窝”，其本质逻辑是在讲错误的决策永远是最大成本的浪费，因为将军不只是打仗更是那个做决策的人。一个错误的决策，会带来人力、原料以及时间上巨大的浪费。为何企业重视人才，因为人才可以基于他的知识和智慧来提高决策效率。所以，数据为何能够提高企业的效率？因为数据可以提高决策效率，可以减少错误的决策，避免巨大的浪费。

智者千虑也必有一失，数据决策不是万能的，但它的出现必然可以提升正确决策的比例。所有的决策都是综合各种信息而后做出的判断，孙子兵法中讲到：“夫未战而庙算胜者,得算多也；未战而庙算不胜者,得算少也。多算胜,少算不胜,而况于无算乎。”传统的中国智慧早已将这一逻辑讲的透彻了，缺少信息的支撑难以做出正确的决策。

数据可能不是决策所需要的全部信息，但数据必然可以提供大量的关键信息，有和没有数据对于决策而言有着巨大的差距，越是复杂的形势下越需要数据来支撑决策。

复杂的经营环境下，企业内的决策绝不仅是高层的特权，企业内上上下下每天都做着无数的决策。对于一个零售企业而言，采购部门要考虑哪个商品要补货、该进多少货；营销部门要考虑哪个商品要促销、该怎样促销；人事部门要考虑哪个部门存在人力缺口、怎样选择合适的人才。除非机械化作业，其他每一个要发挥个人主观能动性的岗位都要自主地做各种各样的决策来工作。差异在于有的决策简单，有的决策复杂，有的决策影响较小，有的决策影响很大。可只要是决策就可能会出错，每一个错误背后都存在着成本的浪费。

所以，企业内有多少决策？这是数不清的，这些决策也是变化的。让所有的决策都是正确的，减少从大到小的每一个损失，这是每一个企业的理想，如何做到？靠着每一个人的能力吗？这不现实，但我们让每一个决策背后都有数据，就可以让这一理想成为现实。