【摘要】理理大数据的脉络先看看商业智能大数据的生意到底是啥?说白了就是数据分析(analytics)的生意，原来的商业智能(business intelligences)也

理理大数据的脉络

先看看商业智能大数据的生意到底是啥?说白了就是数据分析(analytics)的生意，原来的商业智能(business intelligences)也是分析的生意，如果把原来的商业智能称为分析1.0，那大数据其实就是分析2.0。

先看看商业智能是怎么样一个生意。商业智能的场景是什么呢?到底能给客户带来什么使得其愿意为技术买单。简单来说就是帮助企业实现KPI管理，就是为需要管理的企业流程定义关键KPI指标，销售额多少、库存量多少、合同数量多少啊等等，商业智能系统可以把企业的过程数据(例如实际的订单)转换为相应KPI，要是手工来做这个KPI统计，企业不知道要花多少资源和时间才能完成。这个有个高大上的名字，叫做Performance Management，或者Corporate Performance Management(CPM)。这个需求场景几乎可以应用到所有企业，毫不费功夫复制到这个垂直行业，金融企业可以、电信企业可以、能源企业可以、零售企业可以，所有财富五百强的企业都要用，每个企业的运营人员都需要把握自己公司的关键流程。企业建设这样的系统的投资回报率无容质疑，市场需求是无疑的。这对于产品经理来讲是个精美的产品模式，单一的模型、普世的刚需、海量的市场。技术人员也开发了一套技术体系支撑这个商业需求。 首先是数据管理。数据要从各个独立的系统CRM、ERP等汇聚在一个池子，才能够进行全局指标的计算，这个池子就是数据仓库(data warehouse)，汇聚的工具是数据集成工具(data intergration)。这里首先要解决的一个技术难题就是数据量比原来单一系统的大，需要解决这个问题才能谈得上分析，Teradata 还有IBM DB2 DPF就用了分布式(简单起见先用这个词)的架构解决这个问题。其次是数据分析。技术人员发现，KPI的分析其实是个多维分析的问题，比如说在对销售情况进行分析时候，对所有的交易，从年份纬度看到底每年销售了多少，或者从区域纬度看各个省销售了多少，或者从产品纬度看哪个产品销量最大，就是对同一套原始数据从不同纬度进行统计分析。这个技术最大的难题就是数据量太大，分析速度跟不上，一个企业可能一年下来会有数十甚至百亿级别的交易，要对这些数据进行求和平均，极为耗时，有些甚至需要数小时，这样实用性不高。为了解决这个问题，就开发了一种预先计算的机制，把指标先计算好，需要看指标时候直接给指标。这些难题都解决完了，还有一个问题就是数据的可视化，把指标通过仪表盘的模式展现给用户。

到底这些人工智能平台能否成为跨行业的通用的分析平台仍然是个问号，似乎更多的是其互联网业务的补充，谷歌首先把机器学习用于其搜索引擎，以便提供更为智能化的准确结果，还有无人驾驶汽车，还有就是类似Siri这样的应答系统。这场军备竞赛似乎对目前企业领域难以有很大的影响。

无论如何，能够快速给用户带来价值的分析平台，将是今后的大焦点。