作者：陈炜
　　【摘要】网络时代信息量剧增，企业为获得快速精准的决策参考，纷纷使用商务智能工具分析处理商务数据，然而商务智能工具难以处理海量数据，于是诞生了大数据概念。本文结合商务智能和大数据产生背景，详细分析了商务智能和大数据的含义、特征和技术特点，介绍大数据系统的Hadoop平台和大数据系统的关键技术，并对商务智能与大数据的区别与联系进行了总结。
　　【关键词】商务智能 大数据 Hadoop 云计算
　　【中图分类号】G712 【文献标识码】A 【文章编号】2095-3089（2017）48-0235-02
　　随着网络技术和信息技术的不断发展和普及应用，各行各业以及个人生活都通过网络进行数据化，日积月累就产生了大量的数据。为了高效利用这些数据，辅助企业或个人的决策，人们先后研究了商务智能技术和大数据技术，并且在社会上得到广泛应用。下面针对大数据和商务智能进行分析与对比。
　　一、商务智能
　　1.商务智能概念
　　信息时代，CRM、ERP、OA等基础信息化系统被各行各业广泛使用，这些系统都是通过业务人员或者用户的操作，实现对数据库进行增加、修改、删除等，称为在线事务处理OLTP （Online Transaction Process）。系统运行了一段时间以后，必然会帮助企事业单位收集到大量的历史数据，使用人工的方法和传统的软件来处理分析这些数据显然效率很低，于是人们需要找到一种实现数据的快速分析处理，并转化为信息的方法，使得业务人员和管理者能够充分掌握、利用这些信息来提高企业运营性能和决策质量，在这个背景下产生了商务智能（business intelligence， BI）的概念。BI概念随着通俗化描述而被人们广泛了解，越来越多的企业提出对BI的需求。
　　商务智能是指由数据仓库、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、帮助企业提高运营性能而采用的一系列方法、技术和软件。从技术层面上讲，商务智能采用的技术是ETL（抽取、转换和装载）、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。
　　2.商务智能的数据处理关键流程分析
　　商务智能的关键，是对企业相关的各种数据进行ETL过程处理，即提取出有用的数据并进行清理，以保证数据的正确性，然后进行格式转换，以企业预定的数据仓库模型加载到企业级的数据仓库里。这里的数据是指企业业务系统的订单、库存、交易账目、客户和供应商资料，以及来自企业所处行业、竞争对手以及来自其他外部环境中的各种数据，通常是结构化数据。
　　为了将数据转化为知识，系统从数据仓库中取出数据，需要利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对这些数据进行分析和处理，得出处理的结果即知识，然后利用可视化工具将这些知识以图表的形式呈现给管理者，为管理者的决策过程提供支持。
　　二、大数据
　　1.大数据概念
　　现在的人们似乎都习惯了将自己的生活和工作通过网络进行数据化，方便分享、记录和回忆，因此互联网上产生的数据量正在呈指数级增长，如何管理和使用這些数据，逐渐成为人们关注的问题。很多企业为了提高运营性能，纷纷使用商务智能进行数据分析统计，但是随着数据的爆炸性增长，海量数据（尤其是非结构化数据）分析处理超出了传统商务智能的处理能力，于是企业界又希望有一个能处理分析海量数据的工具，这时大数据的概念应运而生。
　　著名未来学家阿尔文·托夫勒早在1980年的《第三次浪潮》一书中，将大数据热情地赞颂为“第三次浪潮的华彩乐章”。最早提出“大数据时代已经到来”的机构是全球知名咨询公司麦肯锡。2011年，麦肯锡在题为《海量数据，创新、竞争和提高生成率的下一个新领域》的研究报告中指出，数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产要素，而人们对于海量数据的应用将预示着新一波生产率增长和消费者盈余浪潮的到来。
　　大数据目前已逐渐成为社会基础设施的一部分。
　　在以云计算、物联网为代表的技术创新条件下，原本很难收集和使用的商品和服务交易数据开始容易被收集利用起来了，通过各行各业对大数据应用的不断创新，大数据应用必将为企业和普通消费者创造更多的价值。
　　大数据在国内外尚没有统一的定义，不同厂商和不同用户站的角度不同，对大数据的理解也不一样。大数据（Big data）研究机构Gartner给出了这样的定义：大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。也就是说，大数据（big data）指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。
　　2.大数据的特征和技术特点分析
　　信息社会产生的数据来源很多，比如搜索、新闻、博客等等，这些海量的类型复杂的数据统称大数据，可以分为结构化数据和非结构化数据。结构化数据是可以用二维表结构的逻辑表来表现的数据。不方便用数据库二维逻辑表来表现的数据即称为非结构化数据，包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。一般认为，大数据主要具有四个方面的典型特征（4V），即规模性（Volume）、多样性（Varity）、高速性（Velocity）和价值性（Value），此外还有数据的真实性（Veracity）。
　　（1）规模性（Volume）：数据量大，TB，PB，乃至EB等数据量的数据需要分析处理；（2）多样性（Variety）：数据有很多种类，非结构化数据越来越多，需要进行清洗，整理，筛选等操作，变为结构数据；（3）高速性（Velocity）：要求快速响应，由于市场数据变化快，在性能上也有更高要求，所以及时快速的响应变化，快速分析处理数据；（4）价值性（value）：价值密度低，当数据量达到一定规模，可以通过全量的数据达到更真实全面的反馈。