1.2.2　中级·业务分析：分析辅助决策，决策创造价值

敏捷业务分析的典型工具是各类敏捷BI（Business Intelligence，商业智能）工具，本书中常以商业智能或者BI代指敏捷业务分析。

商业智能强调以业务为中心，业务分析面向决策，追求持续改进。BI的关键是Intelligence，即智力、智慧、智能，在敏捷业务分析中，业务分析师的经验和业务知识是最重要的催化剂，这是与报表展现的关键差别。报表展现以展现结果为目的，敏捷业务分析以探索问题、辅助决策为目的。

1989年，Howard Dresner（后来成为Garner公司的分析师）明确提出了BI的概念，指“使用基于事实的支持系统支撑商业决策的概念与方法”（Concepts and methods to improve business decision making by using fact-based support systems）。从20世纪90年代开始，随着数据仓库技术（Data Warehouse）和联机分析处理（OLAP）的快速发展，BI也随之从概念转向实际应用。其中，笔者看来，代表性的里程碑是“数据仓库之父”William H.（Bill） Inmon[3]基于业务出发构建的数据仓库与辅助决策分析的理论体系，以及“2019年度图灵奖”获得者Pat Hanrahan[4]打造的可视化分析工具Tableau，如图1-4所示。

图1-4　数据仓库与敏捷分析工具推动了BI的蓬勃发展

在上述发展过程中，信息技术越来越向数据的应用、辅助业务决策倾斜，商业智能关注的焦点不是“如何获得、存储更多数据”，而是“大数据分析如何辅助决策”。而影响“数据辅助决策”的主要矛盾是，“拥有数据的IT分析师不了解业务逻辑，与负责业务决策的业务经理难以精通数据分析方法”之间的矛盾。这也是当下阻碍大部分公司发挥“数据资产”价值的关键要素。

随着科技的快速发展，特别是分析技术平民化，从新兴的互联网公司到传统的医药公司，越来越多的企业正在将数据分析工作从信息部门转向业务部门，甚至在业务部门中成立专门的数据分析团队。而敏捷的可视化数据分析，是业务分析的关键表达形式。

归根结底，商业智能（BI）是以业务用户为主体的，强调辅助决策的业务分析。

随着企业中各个业务板块的数字化程度日益提高，业务人员的敏捷分析能力日渐成熟，就会推动企业在更大范围进行数字化转型，甚至调整商业模式。事实上，十年前令我们惊讶的“行业跨界挑战”如今已经司空见惯，互联网企业无一例外地借助数字化赋能，重塑了一个又一个传统行业。这就是数字化的至高境界——“智能商业”。