BI: Business Intelligence.
為商業提供一切智慧化操作，判斷與管理的手段，都可以歸攏到 BI 範疇。即便是 AI （Artificial Intelligence）只要其能提供上述功能，依舊可以成為 BI 的一部分。
什麼是智慧化的商業操作，判斷與管理？
“啤酒與尿布”的故事，在這個行業廣為人知了。年輕的爸爸在購買尿布的同時，會捎帶上一打啤酒，因此沃爾瑪超市有意將兩者放在同一貨架上，提高了兩者的銷售量。
如果說這版本你沒有切身體驗，那麼請你開啟亞馬遜 app 或者網站，你輸入 data warehouse, 是不是會看到一連串的帶有 data warehouse 標題的書，選擇第一本點進去，你將看到如下的畫面：
這就是最典型的一個應用案例。所有促使這一切生成的技術都可以歸納到 BI 中來。
BI 一個概念級的企業部門，要落實到具體工作，還是講究其實現技術。
上面亞馬遜購書案例，體現的是一個 BI 應用概念，即推薦。那麼怎麼實現這個應用，我們還是需要具體講解其實現的技術細節。每個細節上將會安排特定的工程師來實現，每個工程師分配到了題中涉及到的這些職務。
(圖摘自 Google, 版權原著所有）
亞馬遜購書是個時尚的事兒，也給亞馬遜提供了豐富的使用者“軌跡”資料。通過記錄這些使用者行為資料，亞馬遜整了一個資料倉儲，將你我他的購書記錄放在了一張表裡，通過 SQL 技術，將購買組合當做特殊購買行為儲存了下來。當網友購買我們買過的書時，通過先前儲存的“特殊購買行為”向這些網友提供推薦的書。
整個圖中所有負責技術實現的人，都可以叫做資料人(Data Engineer)；更精確的從 ETL 往右開始稱為 BI 人；更細化些， 實現 ETL 的稱為 ETL 工程師， Data Warehouse 的模型設計者稱為資料模型工程師（Data Modeler ), 負責視覺化設計的叫做 BI Reporter.
早期的 BI 實現僅靠資料倉儲。
實現資料倉儲，得提到 2 個人物，Inmon 和 Kimball. 兩人提出的資料倉儲理論基本奠定了我們這個時代對數倉的理解。
(圖來自 Google，版權原作者所有）
kimball 的資料倉儲理論，傾向於大而統一的 Data Warehouse, 而 Inmon 則偏向專題性的 Data Mart, 主張將 Data Mart 中資料迴流給應用，促成業務進行。前面的推薦系統則是 Data Mart 的原型應用。
現代的 BI 實現就豐富多了：小資料的玩法，大資料的玩法，統計報表，即席查詢，分散式計算，流式計算，推薦系統，知識圖譜，NLP，語音互動，模式識別。所以又新增了資料探勘，資料科學家以及資料分析師，負責大資料技術實現的就叫大資料工程師了。
之所以切分了現代的 BI，主要也是資料爆發帶來的分散式應用增多。
基於當前的 BI 技術在大資料背景煥發了第二春，實現架構也越發複雜。我這裡選擇常用的 **Lamba Architecture **來主講。
2010 年前後，大資料開始隨著 Hadoop 進入人們的視野。這時資料倉儲技術還方興未艾，暫時還沒有替換掉這種技術架構的打算，因為前期的投入和本身的價值繼續發揮著預熱。但新的資料需求不得不採取新的計算架構，所以很多公司採用了傳統資料倉儲技術以及以 Hadoop 為基礎的分散式架構並存的策略。大致如下：
（圖來自網路，版權原作者所有）
粉紅色的部分屬於新興的資料處理技術（以 Hadoop, Spark, Hive, Kafka，Machine Learning 等為主），綠色部分還是常規的資料應用。
到了後現代 BI 架構中，隨著 Hadoop 等技術越發成熟，慢慢替換掉了原來傳統的資料倉儲技術，全部使用了分散式儲存和計算，就形成了 Lambda Architecture. 即部分資料沿用了 Batch 處理，而另一部分資料用實時(Storm,Flink)和準實時（Spark）來處理，以完成對資料時效性的要求。
（圖摘自 Google, 版權原作者所有）
可見，資料的搬運工還是 ETL， 我覺得這是一門長期熱門的職位， 若能架構整個資料應用，那就更好，這就是炙手可熱的 Data Architect (資料架構師).
人工智慧
適當延展下，BI 中還會用到 AI 技術。亞馬遜購書一例中就是如此。下面出給 Gantner 2018 在人工智慧技術方向的成熟度曲線：
像 Machine Learning, NLP, Intelligence Application 都可以用來服務 BI. 所以 BI 的外延越來越難以清晰劃分，越來越多職位都統稱為 Data Engineer, Data Scientist 了.
一點個人看法，不喜勿噴，歡迎探討。