案例：BI工程師的困惑

從大學畢業至今，陸藝從事BI（Business Intelligence商業智能）工作已有多年。這些年，陸藝雖然換了不少公司，但BI工作卻是萬變不離其宗?；旧鲜菄@ETL（Extract抽取-Transform轉換-Load加載）、數據倉庫、數據挖掘等工具方法，為企業管理者提供可視化的報表用于展示和發現問題并提供輔助決策。

最近，伴隨著互聯網公司的快速崛起，關于數據中臺/數據平臺的新概念在許多場合被頻繁提及，甚至還出現了類似DI（Data Intelligence數據智能）這樣的新詞匯。

一直以來，陸藝對互聯網公司所創造出來的新詞匯都持謹慎開放的態度。前幾年“數據湖”的概念曾經風靡一時，相關的解決方案公司提出把數據比作大自然的水，將各個江川河流的水（各種類型的數據）未經加工源源不斷地匯聚到數據湖中，不需要預定義模型就能進行數據的分析工作。

聽上去很美好，但陸藝判斷“數據湖”的實現會有諸多困難。

例如，數據湖的數據如何實現實時性？這么多的原始數據放到數據湖里雖然容易，但提取和使用的難度又將如何解決？數據不經處理進入數據湖，如何進行數據的治理？數據的安全如何保證？……

陸藝擔心不僅沒有辦法建設出美麗的“數據湖泊”，還有可能變成了恐怖的“數據沼澤”。這幾年下來，在數據湖的實施方面取得成功的企業案例并不多，這也從側面證明了盲目追逐新概念會是多么的不靠譜。

當然，陸藝并不是一個兩耳不聞、盲目自大的人，雖然對于新詞匯新概念不怎么“感冒”，他卻愿意花費時間去學習和研究這些新概念背后的知識，然后再通過他的專業能力進行判斷甄別。這一次，他打算報名參加“數據中臺/數據平臺”的相關培訓，是騾子是馬拉出來溜溜就一清二楚了。

抱有和陸藝同樣觀點的人不在少數，在面對新概念、新詞匯的時候以一種客觀謹慎但開放的態度也是十分正確的。作為從IT時代到DT時代的重大跨越，我們十分有必要花費一定篇幅來闡述數據中臺/數據平臺的重要性。

數據是供應鏈的基石，正是因為有了數據，供應鏈才有可能插上智慧的翅膀。

為什么是有可能？因為單純來說，數據只是生產資料，它就好比水電煤或者說是石油，自己并不具備生產力，只有通過合理地使用數據才能產生出價值。如果說石油驅動了工業化時代的發展，那么大數據則驅動了信息化和智能化時代的發展。

我們生活的這個時代并不缺少數據，據IDC發布的《數據時代2025》報告顯示，到2025年全球每年產生的數據將增長到175ZB，這是一個什么概念呢？1ZB相當于1.1萬億GB，如果把175ZB全部存在DVD光盤中，那么疊加起來的長度可以繞地球222圈。

置身在如此浩瀚的數據海洋中，無論企業還是個人都容易迷失自己，甚至惶恐不知所措?？謶质且患檬?，因為它會帶來認知的改變。最為可怕的是不少企業對于數據的認知依舊停留在IT時代。

IT時代的信息化系統以提升效率和流程管控為核心，在初級供應鏈形態下發揮了重要的作用。但是IT時代的信息化系統往往以分模塊、打補丁的方式建立，各個模塊來自不同的供應商，為不同的部門所建立，在企業內部豎立起了一根根的煙囪，產生了大量的數據和信息孤島。

典型的例子是，企業上了很多系統，有ERP、生產管理、計劃管理、人力資源管理、設備管理等。這些系統產生了大量的數據，我們通過excel或者是數據BI工具，對這些數據進行了加工分析，通過看似簡單的導入導出來解決業務的問題。

這個場景想必對于大多數從事供應鏈管理工作的人員并不陌生。毫不夸張地說，從總監到基層，每一個供應鏈管理者都是Excel的重度使用者?？偙O以上的高層管理者則嚴重依賴BI人員的輔助。

作為上世紀末和本世紀第一個十年比較流行的概念，BI（商業智能）是基于企業各類業務系統如ERP，CRM，HR等，為了更好地分析此類業務系統中的數據而發展建立的一套技術體系。它是一個技術驅動的流程，用于分析數據和提供可操作的信息，幫助高管、經理和其他公司最終用戶做出明智的業務決策。

因此，DI（數據智能）和BI（商業智能）兩個概念經常被混淆。盡管他們有一定的相似之處，也都是以數據為基礎，但二者還是存在本質的區別。

首先是實現目標不同：BI用來將企業中現有的數據進行整合后提供報表并提出決策依據，它并不會幫助企業解決底層數據孤島的問題。而數據智能的目標則是通過構建企業的數據平臺（中臺），將業務數據進行統一和打通，在此基礎上形成的數據不僅可以輔助決策，還能夠直接觸發并驅動業務應用。

如果將企業比作一部汽車，BI商業智能是駕駛艙里的各類儀表盤，那么DI數據智能就是企業這部車子的引擎發動機，數據就是源源不斷注入的汽油。

其次是技術實現的不同：在討論BI商業智能時，我們討論的是ETL、數據倉庫、OLAP、數據挖掘，可視化報表等技術方法。而在討論數據智能時，我們討論的是大數據，云計算，物聯網，人工智能，分布式數據庫等。

兩者的技術處理流程雖然類似，但技術實現的手段卻有著極大的區別。

然后是智能化手段的不同：商業智能因為囿于所處時代技術限制，大多依賴于統計學算法使用各類經典的聚類，分類算法。而數據智能隨著機器學習和神經網絡的進一步發展，更全面地融合了各類智能算法，智能化的手段更加多樣化。

最后是數據基礎的不同：隨著大數據的興起，數據智能涉及的數據范圍將不再僅限于原來的業務系統或者交易系統，而有更多來自于企業外部的數據，如互聯網，社交網絡，第三方社會資源數據等。

同時數據的來源也將不僅限于業務處理和交易過程，更海量的實時數據，如來自于物聯網連接下的機器、設備等。數據的種類也將極大豐富和擴展，不再簡單的局限于結構化數據和非結構化的文本，視頻和音頻數據在智能化解構之后也將越來越多的參與數據智能應用。

毫無疑問，傳統的BI并未觸動和改動企業的底層及核心數據架構，因此BI工程師的工作好比在原始森林里采摘果實，他們工作的好壞很大程度上取決于BI工程師的個人水平。

但是DI則是采用現代化的種植手段，從育種、耕種、施肥、除蟲、采摘全過程進行管理，不僅產出的果實質量有保證，也減少了對數據工程師個人能力的依賴。這從根本上改變了我們對于數據的理解和認識。

由此可見，數據平臺（中臺）的建設是數據智能DI的源頭和根基。根基不牢，數據智能就成了無源之水了。

那么，數據中臺如何建設，它和業務中臺的關系是什么？限于篇幅，我們將在未來的文章中繼續探討。

注：本文部分內容參考文章《數據智能DI和商業智能BI有何不同？》，作者狄安