前不久在网上看到一个问题，商业智能BI和报表开发有什么本质区别，觉得很有意思，拿出来跟大家讨论一下。实际上现在的商业智能BI和报表的边界越来越模糊，都可以做可视化分析展现，也都可以实现中国式的二维报表，在前端展现能力上基本上已经差别不大。当然，也仍然有一些在用报表的思维做商业智能BI，这样的做法是无法响应未来日渐增长的业务分析需求的。我来讲讲他们之间本质的差别在哪里。

商业智能BI开发和报表开发的本质区别

商业智能BI开发和报表开发的本质区别就在于报表就是面向用户报表开发，用户提什么报表需求，就写SQL取数形成数据集来支撑前端报表呈现。而商业智能BI是面向模型开发，通过构建一个合理的分析模型，可以支撑到N多的可视化分析展现。

 梳理业务分析模型 – 派可数据商业智能BI可视化分析平台

商业智能BI开发和报表开发，这两种方式可能在最终的展现效果上给到用户看基本上都是一样的，但差别就在于分析页面的可扩展性和模型的可扩展性上，这背后实际上考虑的就是底层的数据架构、数据仓库架构的设计上。

报表开发与商业智能BI开发有一个非常大的不同，大部分报表的设计开发容易忽略业务分析本身，报表驱动的。当用户在报表上提出新的调整、业务计算口径的调整、分析维度的调整，基本上相关的数据集都需要重新调整。并且在这里面会存在指标的重复计算、重复引用、维度的重复计算，甚至没有统一的一致性维度。这样就导致业务需求变更的时候，会产生大量的重复性工作。

 分析模型确认和调整 – 派可数据商业智能BI可视化分析平台

而在商业智能BI项目建设中，前期根本就不会考虑最终的可视化展现效果，重点关注的第一用户要分析什么，第二从什么样的角度进行分析。商业智能BI项目中，分析什么指的就是分析指标，从什么样的角度进行分析就是维度，分析指标和维度就可以构成一个完整的分析模型。至于用户以后要怎么分析，实际上从成熟的分析模型中就可以找到相应的维度和指标。

商业智能BI分析

有的朋友也会问，如果商业智能BI项目中有些指标之前用户考虑不完善，不在分析模型中，有些维度的属性之前也不在后续需要增加进来，这种分析模型并不稳定啊。

 构建企业级数据仓库 – 派可数据商业智能BI可视化分析平台

实际上，没有百分之百完美的分析模型，分析模型也是会随着用户业务分析需求的扩展而扩展变化，重要的是一个合理的商业智能BI分析模型受到这种影响会比较小，少量快速的调整就可以支撑N多的分析，并且以往的分析成果也可以最大程度上不会受到影响。在商业智能BI里面有一套完整的建模方法论来支撑，核心的就是数据仓库建模、维度建模、一致性维度等概念。

一般报表的开发过程，包括有的商业智能BI开发过程，一开始的时候就去写SQL取数，形成大宽表把页面给呈现出来。如果用户要的不是这些效果，就又需要回头组织SQL取数脚本，这样基本上把注意力完全放在取数的过程，而没有真正关注到用户要的到底是什么，以后可能还会分析什么。

 Kimball方法论 – 派可数据商业智能BI可视化分析平台

那么在我们的商业智能BI建设中，我们一开始的时候就不会做任何的取数动作，而是和用户进行充分的需求沟通再来构建合理的、稳健的分析模型，通过原型设计和用户确认最终的可视化效果，没有问题之后再进行取数的开发。这个其实就是Kimball 方法论中的从原型到模型，从模型到数据的开发方法论。只要掌握了方法论并进行了融合，就可以灵活应对各种业务增长需求。