BI行业在2019年发生了爆炸式增长。以下是2020年最好，最值得注意的BI工具。请密切关注这些参与者。

去年在分析领域带来了许多变化。 几家大型BI公司被科技巨头收购。 一些草率的新创业公司应运而生。 在行业从"必须具备"变为"绝对必须具备"之后，商业智能继续进入行业。 似乎是时候对最值得关注的方案进行全面总结了。

以下是2020年7种最佳/最值得关注的商业智能工具

> Choose Your Bi Tool (original image from Wikipedia)

Knowi

> Knowi logo (from Knowi.com)

Knowi是商业智能雷达上的新名称，直到最近才开始成为Looker和Tableau之类的真正竞争对手。 Knowi平台将独特的方法应用于商业智能，主要关注三个尚未成为传统智能工具一部分的差异化因素。 这些是数据虚拟化，基于搜索的分析以及对NoSQL数据分析的本机支持。

• · 数据虚拟化：数据虚拟化已在数据集成界引起了越来越多的关注，但是Knowi是将技术引入商业智能的唯一平台。 数据虚拟化添加了逻辑数据层，该层允许应用程序检索和操作数据，而无需事先了解数据的结构。 在BI中，这意味着能够拥有数据的仪表板和分析功能，而无需首先使用ETL将所有内容迁移到单个数据仓库。
• · 基于搜索的分析：搜索驱动的分析是一种向您的数据提出问题的能力，就像您在Google中键入问题并获得实际可行的数据，图表或仪表板来响应您的查询一样。 基于搜索的分析有时也称为自然语言商业智能。 Knowi在此方面下了很大赌注，最近发布了此功能，并很快部署了该功能的Slack版本。
• · 本机NoSQL数据分析：大多数BI工具都需要特殊的连接器才能从MongoDB等源中获取数据，或者需要将其移动到结构化数据仓库中。 Knowi利用数据虚拟化的优势，无需ETL或连接器即可本地连接到大多数NoSQL数据源。

需要注意的另一项是Knowi支持White Label Embedded Analytics。 这意味着您可以使用自己的品牌（而不是Knowi品牌）将Knowi嵌入产品中。 现在有少数成长中的初创公司，其产品的一部分变相为Knowi。

Knowi还支持BI工具期望的所有标准功能：数据可视化，交互式仪表板，报告，查询和分析。

值得注意的原因：具有某些可能会对BI世界产生重大影响的前沿功能。

主要缺点：Knowi是一家初创公司，因此他们可能会缺少一些大型公司的服务。

Power BI

> Power BI logo (from powerbi.microsoft.com)

Power BI是微软在商业智能游戏中的强大武器。 如果您使用的是Microsoft和Azure生态系统，则可能已经以某种能力使用了Power BI。 Power BI的设计旨在为喜欢Microsoft Excel的人轻松过渡。 以下是其一些功能：

• · 简单的拖放界面。
• · 无代码平台。 允许用户在GUI界面中执行所有操作。
• · 可以在桌面或云中使用。
• · 顺利集成到任何以Microsoft / Windows为重点的工作流程中。
• · 捆绑到Office 365中

值得注意的原因：Azure处于增长阶段，这对整个Microsoft生态系统产生了提升，并有可能推动Power BI及其发展。

主要缺点：由于Power BI的预建连接器库有限，因此无法连接到很多数据源。 据报道在大型数据集上也存在性能问题。

Metabase 元数据库

> Metabase logo (from metabase.com)

在很多方面，元数据库与Looker完全相反，因为它是完全开源的并且完全免费。 元数据库的设计主要是考虑到更简单的用例，这就是为什么它相当轻巧的原因。 以下是一些突出的功能：

• · 交互式仪表板。
• · 使用类似SQL的查询语言。
• · 数据可视化图表具有视觉吸引力。
• · 工作环境整洁，易于浏览。
• · 不断增长的开源社区支持一致且免费的更新。

值得注意的原因：这是一个开放源代码选项，适用于业务用例。

主要缺点：您需要设置自己的服务器并通过安装Metabase对其进行维护。

Tableau

> Tableau logo (from Tableau.com)

Tableau是商业智能的守卫者。 如果您从事业务分析或数据科学已有一段时间，那么您就会知道该名称，并且可能至少使用过一次。 Tableau轻松成为BI工具的市场领导者。 以下是一些众所周知的功能：

• · 友好的低代码界面，可进行可视化和仪表板显示。
• · 一些业内最有吸引力的现成可视化。
• · 150多种预构建功能，用于运行常用数据分析操作。
• · 用户访问控制和可共享性。
• · 强大的移动体验……以防您要在手机上进行数据分析。
• · 生成报告。

值得注意的原因：它在2020年仍然是这座山的国王。

主要缺点：Tableau自2003年以来一直存在，并且在大多数情况下仍用作下载到本地计算机的程序。 该公司已经做了很多工作将其移植到云中，但是它在该领域中的表现却不如许多更新的商业智能工具那样出色。

Looker

> Looker logo (from looker.com)

近年来，Looker已成为BI领域的重要参与者。 与主要竞争对手Tableau相比，Looker往往更吸引精通技术的受众。 它着重于编写SQL查询，但也具有用于构建仪表板和可视化的所有标准功能。 Looker跨行业使用，广泛的行业中的用户。 以下是Looker的一些出色功能：

• · 基于Web的交互式仪表板。
• · 支持移动设备。
• · 可以在本地或云中安装
• · 内置的机器学习/数据建模语言称为LookML。
• · Git集成。
• · 对SQL查询的强大支持。
• · 专为数据探索而设计，使其成为数据工程师和数据科学家一样的好工具。

值得注意的原因：最近被Google以26亿美元的价格收购。

主要缺点：学习曲线陡峭。 Google收购后不确定的未来。

Google Data Studio

> Google Data Studio (from datastudio.google.com)

通常，Google Data Studio可以满足一些更简单的商业智能软件用例的需要。 Google Data Studio于2016年作为新的免费Google产品出现。 诚然，它可以连接的数据源数量相当有限。 有些用户通过将数据移植到Google表格，然后将Data Studio连接到该Google表格文件来解决此问题。 但是，好像与PowerBI一样，如果您所做的大部分事情已经在Google生态系统中，那么Google Data Studio才是合适的选择。 以下是一些功能：

• · 它是完全免费的。
• · 基于Web的数据可视化和交互式仪表板。
• · 轻松连接到任何基于Google的数据源，例如Google Analytics（分析），Google AdWords，YouTube和Google Search Console。
• · 干净的简约用户界面。
• · 易于使用。

值得注意的原因是：尽管它可以在很多用例中使用，但它通常不会被认可为商业智能工具，尤其是那些与网站数据分析有关的用例。

主要缺点：对数据源的严格限制

Sisense /潜望镜数据

> Sisense logo (from sisense.com)

去年，Sisense已与Periscope Data合并。 合并的两个商业智能工具提供了一个BI解决方案，该解决方案可以从多个来源收集和合并数据，同时管理收集，集成和可视化步骤本身。 以下是一些值得注意的功能：

• · Sisense / Periscope组合产品提供了端到端分析解决方案。
• · 智能平台可以在本地或云中使用。
• · 该工具支持移动设备。
• · 与众多数据源集成。

值得注意的原因是：SiSense Periscope组合产品改变了其进入市场和作为商业智能平台的价值主张。 看看他们在2020年如何定位自己将很有趣。

主要缺点：有些用户报告了漫长而昂贵的实施方案，然后才能够使产品正常工作。

非商业智能荣誉奖

ETL / ELT解决方案

对于大多数这些BI工具，您需要在数据仓库中清理和准备数据。 为此，您需要一个ETL解决方案。 在ETL中，您可以提取，转换数据并将其加载到数据仓库中。 在这里，我们列出了一些不错的选择。

值得一提的是这里有例外。 使用Knowi，因为它是基于Data Virtualization构建的，所以您实际上不需要数据仓库或ETL即可进行数据分析或构建仪表板。 但是，随着他们的数据管道日趋成熟，许多Knowi用户仍然将数据仓库和ETL合并在一起。 然后，他们可以使用Knowi单独或与其他数据源组合来合并和分析仓库数据。

SiSense + Periscope组合智能工具包含ETL。

Panoply

> Panoply logo (from Panoply.io)

对于ETL和ELT，Panoply是一个不错的选择。 Panoply本机集成了150多种数据源，包括Instagram，Facebook，Google Analytics，YouTube，ElasticSearch和MongoDB。 Panoply也可以与Python或R结合使用。

Xplenty

> Xplenty logo (from Xplenty.com)

Xplenty是另一个不错的ETL选项。 它完全基于云，并具有许多平台上的转换工具来清理和转换数据。 Xplenty似乎也非常重视数据安全性。

结论

> Unfortunately, when it comes to BI tools, there is no FLAWLESS VICTORY. The winner depends on the

在选择BI工具时，没有明确的致命性。 确定谁是您公司的赢家很大程度上取决于您的用例。 如果您的公司看到了数据仓库的价值，那么最好使用Xplenty或Panoply，然后再使用诸如Looker，Tableau或Knowi之类的BI工具。 如果您在Microsoft生态系统上投入了大量资金，那么PowerBI是一个显而易见的选择。 如果您正在寻找免费的东西，则Google Data Studio或Metabase可能是您使用案例的赢家。 而且，如果您有很多NoSQL数据或存储在不同数据源中的数据，并且希望在不先将所有数据移至同一数据仓库的情况下提取数据（并且您不介意与成长中的初创公司合作）， 一个不错的选择。