Ⅰ 大數據BI需要重視sql語句嗎
現在不論什麼公司，數據基本都會存放在資料庫中（MySQL，SQLserver、Oracle等等），數據分析難免會從資料庫中提取數據，還是比較重要的。
Ⅱ oracle資料庫開發和做BI這兩個是一回事嗎
不是一回事。
Oracle Database 12c 是一個集成平台，它支持 SQL、XML 和過程化語言（例如，PL/SQL、Java 和 C/C++），不但使用簡單，而且還具有很高的性能和可擴展性。下面介紹了 Oracle 資料庫簡化應用開發的眾多特性，包括語言、開發工具、連接和相關技術。
BI工程師需要有一定的資料庫經驗，掌握SQL查詢優化方法，精通Oracle、SQL Server、MySQL等主流資料庫的應用設計、性能調優及存儲過程的開發。掌握BI相關工具，如ETL工具（如SSIS）、OLAP工具（如SSAS）和前端展示工具。熟悉ETL邏輯、OLAP設計和數據挖掘相關演算法。
Ⅲ SAP中的BI模塊 與 SQL Server中的BI有什麼區別呢
finebi很不錯，你上網路搜商業智能軟體就看到了。首先我試用體會最大的就是界面風格簡單明了，邏輯清晰，數據欄位自動轉義關聯，甚至還可以從已經綁定欄位的excel裡面選欄位。另外數據展現的很快，不用等，我這種沒耐心的最怕看到「載入中」……orz。
Ⅳ bi工程師,數據倉庫工程師,etl工程師有什麼區別
BI工程師、數據倉庫工程師、ETL工程師都屬於大數據工程技術人員，三種的主要區別如下：
一、工作內容不同
1、BI工程師：主要是報表開發，負責開發工作。
2、資料庫工程師：主要負責業務資料庫從設計、測試到部署交付的全生命周期管理。
3、ETL工程師：從事系統編程、資料庫編程與設計。
二、要求不同
1、BI工程師：要有一定的資料庫經驗，掌握SQL查詢優化方法，精通Oracle、SQLServer、MySQL等主流資料庫的應用設計、性能調優及存儲過程的開發。
2、資料庫工程師：理解數據備份/恢復與災難恢復；工具集的使用。
3、ETL工程師：要掌握各百種常用的編程語言。
三、特點不同
1、BI工程師：熟悉ETL邏輯、OLAP設計和數據挖掘相關演算法。
2、資料庫工程師：凡是關繫到資料庫質量、效率、成本、安全等方面的工作，及涉及到的技術、組件，都在資料庫工程師的技術范疇里。
3、ETL工程師：海量數據的ETL開發，抽取成各種數據需求。
Ⅳ oracle資料庫開發和做BI 這兩個是一回事嗎
資料庫開發是指從事針對資料庫方面的開發工作，主要是存儲過程等的開發，也有部分是混雜部分簡單程序的。但主要任務都是通過sql來實現的，高端點，會包括一些數據模型設計等工作。
bi是指數據分析，其實是資料庫開發的一類，但從深度上會更深入一些，技術上要額外考慮大數據處理，要對資料庫優化有一定理解，如果不懂sql優化的話，基本上很難完成大數據分析的任務的。
另外除資料庫技術以外，做BI還有有相關的業務理念，比如說通過這些數據，能獲得哪些信息？這是需要經驗和想法的事情。
總的來說，bi屬於資料庫開發中的一類，但有很高的專業性。
Ⅵ 本人對BI比較感興趣，目前也只是初步研究了SQL Server 2005中的分析服務，其他還都沒有學習，想問問各位大
做BI的，目前主要的資料庫有Oracle、DB2、MySQL。這3種用的比較多，相對而言，我推薦學習Oralce。
BI開發語音主要java多一些，做數據頁面展示用，可以結合網路電子商務開發。
Ⅶ 財務人員真的有必要學習 SQL 語言和 Power BI 嗎
先說結論吧，有必要學，但是不要學的太深。
題主說的那是財務分析師，這是一個新興職業，目前的需求不多，只有在大公司里才有，而且這種不屬於傳統類型，更多的是屬於戰略部門。
你隨便拉個大廠的財務出來，你問問她們會不會SQL，會不會BI工具，90%的回答肯定都是不會，因為這種財務做的事情大多數都偏傳統，涉及到的工具還是Excel，能把Excel玩的很厲害的也是極少數。
Excel需要熟練的技能有：基礎函數、進階函數、數據透視表、數據清洗。
記住，什麼是熟練，是不需要任何幫助文檔就能把東西給做出來，把上面這些操作搞定之後才有學SQL和BI工具的必要。
先說SQL，你不需要變成一個取數機器，你只需要學會查詢、連接等基本操作就行，select from和各個財務報表之間的關系搞清楚就行了，還有一個就是要學會連接資料庫，BI工具用的到。
Ⅷ 數據倉庫與SQL資料庫有什麼區別
首先，定義三個概念：資料庫軟體、資料庫、數據倉庫。
資料庫軟體：是一種軟體，可以看得見，可以操作。用來實現資料庫邏輯功能。屬於物理層。
資料庫：是一種邏輯概念，用來存放數據的倉庫。通過資料庫軟體來實現。資料庫由很多表組成，表是二維的，一張表裡可以有很多欄位。欄位一字排開，對應的數據就一行一行寫入表中。資料庫的美，在於能夠用二維表現多維關系。目前市面上流行的資料庫都是二維資料庫。如：Oracle、DB2、MySQL、Sybase、MS SQL Server等。
數據倉庫：是資料庫概念的升級。從邏輯上理解，資料庫和數據倉庫沒有區別，都是通過資料庫軟體實現的存放數據的地方，只不過從數據量來說，數據倉庫要比資料庫更龐大得多。數據倉庫主要用於數據挖掘和數據分析。
接下來，就是詳細說明了。在IT的架構體系中，資料庫是必須存在的。必須要有地方存放數據。比如現在的網購，淘寶，京東等等。物品的存貨數量，貨品的價格，用戶的賬戶余額之類的。這些數據都是存放在後台資料庫中。或者最簡單理解，我們現在微博，QQ等賬戶的用戶名和密碼。在後台資料庫必然有一張user表，欄位起碼有兩個，即用戶名和密碼，然後我們的數據就一行一行的存在表上面。當我們登錄的時候，我們填寫了用戶名和密碼，這些數據就會被傳回到後台去，去跟表上面的數據匹配，匹配成功了，你就能登錄了。匹配不成功就會報錯說密碼錯誤或者沒有此用戶名等。這個就是資料庫，資料庫在生產環境就是用來幹活的。凡是跟業務應用掛鉤的，我們都使用資料庫。
而數據倉庫則是BI下的其中一種技術。由於資料庫是跟業務應用掛鉤的，所以一個資料庫不可能裝下一家公司的所有數據。資料庫的表設計往往是針對某一個應用進行設計的。比如剛才那個登錄的功能，這張user表上就只有這兩個欄位，沒有別的欄位了。但是這張表符合應用，沒有問題。但是這張表不符合分析。比如我想知道在哪個時間段，用戶登錄的量最多？哪個用戶一年購物最多？諸如此類的指標。那就要重新設計資料庫的表結構了。對於數據分析和數據挖掘，我們引入數據倉庫概念。數據倉庫的表結構是依照分析需求，分析維度，分析指標進行設計的。數據倉庫的數據來源於那些後台持續不停運作的資料庫表。數據的搬運就牽涉到另一個技術叫ETL。這個過程就是數據從一個資料庫到了數據倉庫
Ⅸ 為什麼大數據不等於BI
第一、從數據來源角度
大數據應用的數據來源，不僅僅包括非結構化的數據，還有各種系統數據，資料庫數據。其中非結構化數據主要是集中在互聯網以及一些社交網站上的數據以及一些機器設備的數據，這些都構成了大數據應用的數據來源。對於大數據的分析工具來說，現階段也是對於非結構化的數據分析的比較多。
BI系統則是在數據集成方面的技術越來越成熟，對於數據的提取，一個各種數據挖掘的要求來說，數據集成平台會幫助企業實現數據的流通和交互使用，在企業內部實施BI應用就是為了可以更好的對數據進行分享和使用。
第二、從思維方式角度
大數據對於傳統BI，既有繼承，也有發展，從」道」的角度講，BI與大數據區別在於前者更傾向於決策，對事實描述更多是基於群體共性，幫助決策者掌握宏觀統計趨勢，適合經營運營指標支撐類問題，大數據則內涵更廣，傾向於刻畫個體，更多的在於個性化的決策。
第三、從發展方向角度
BI的發展要從傳統的商務智能模式開始轉換，對於企業來說，BI不僅僅是一個IT項目，更是一種管理和思維的方式，從技術的部署到業務的流程規劃，BI迎來新的發展。對於大數據來說，現階段更多的大數據關注在非結構化數據，不同的數據分析工具的出現和行內的應用范圍不斷的加大，對於大數據應用來說，怎麼與應用的行業進行一個深層次的結合才是最重要的。
第四、從工具的角度
傳統BI使用的是ETL、數據倉庫、OLAP、可視化報表技術，屬於應用和展示層技術，目前都處於淘汰的邊緣，因為它解決不了海量數據(包括結構化與非結構化)的處理問題。而大數據應用的是一個完整的技術體系，包括用Hadoop、流處理等技術解決海量的結構化、非結構化數據的ETL問題，用Hadoop、MPP等技術計算海量數據的計算問題，用redis、HBASE等方式解決高效讀的問題，用Impala等技術實現在線分析等問題。因此是個全新的行業。
第五、從人員的角度
傳統BI只要掌握核心的SQL技術就可以從事BI的工作，而大數據的數據處理，涉及太多新的技術，不同的應用場景需要不同的大數據處理方法了，而且不再有人機交互那麼好的客戶端了，至少要懂流處理、HADOOP、列式或分布式鍵值資料庫吧，還需要能在SPARK上開發演算法程序，對於用戶畫像、產品標簽化、推薦系統、排序演算法都應有所理解。
因此，大數據相對於傳統BI，不是簡單的PLUS的關系，它涉及了思想、工具和人員深層次的變革，BI工作人員應該盡快順應大勢，更新自己，奮起直追，重裝上陣。
Ⅹ 大數據工程師告訴你大數據和BI的區別
【導讀】在進行大數據分析的時候，分析師需要從海量的收集數據中，通過不同的演算法直接分析不同渠道、格式的數據，從中找到相關數據，然後再做進一步分析，得出較為准確的結論。近年來大數據行業頗受歡迎，報考人數也是越來越多，所以我們更需要全面了解，今天我們就來了解一下大數據和BI的區別。
1、從思維方式角度
大數據對於傳統BI，既有繼承，也有發展，從」道」的角度講，BI與大數據區別在於前者更傾向於決策，對事實描述更多是基於群體共性，幫助決策者掌握宏觀統計趨勢，適合經營運營指標支撐類問題，大數據則內涵更廣，傾向於刻畫個體，更多的在於個性化的決策。
2、從工具的角度
傳統BI使用的是ETL、數據倉庫、OLAP、可視化報表技術，屬於應用和展示層技術，目前都處於淘汰的邊緣，因為它解決不了海量數據(包括結構化與非結構化)的處理問題。而大數據應用的是一個完整的技術體系，包括用Hadoop、流處理等技術解決海量的結構化、非結構化數據的ETL問題，用Hadoop、MPP等技術計算海量數據的計算問題，用redis、HBASE等方式解決高效讀的問題，用Impala等技術實現在線分析等問題。因此是個全新的行業。
3、從數據來源角度
大數據應用的數據來源，不僅僅包括非結構化的數據，還有各種系統數據，資料庫數據。其中非結構化數據主要是集中在互聯網以及一些社交網站上的數據以及一些機器設備的數據，這些都構成了大數據應用的數據來源。對於大數據的分析工具來說，現階段也是對於非結構化的數據分析的比較多。
BI系統則是在數據集成方面的技術越來越成熟，對於數據的提取，一個各種數據挖掘的要求來說，數據集成平台會幫助企業實現數據的流通和交互使用，在企業內部實施BI應用就是為了可以更好的對數據進行分享和使用。
4、從發展方向角度
BI的發展要從傳統的商務智能模式開始轉換，對於企業來說，BI不僅僅是一個IT項目，更是一種管理和思維的方式，從技術的部署到業務的流程規劃，BI迎來新的發展。對於大數據來說，現階段更多的大數據關注在非結構化數據，不同的數據分析工具的出現和行內的應用范圍不斷的加大，對於大數據應用來說，怎麼與應用的行業進行一個深層次的結合才是最重要的。
關於大數據和BI的區別，就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助，想要了解更多的大數據工程師技能、方法、課程等等，歡迎大家前來了解咨詢。