传统的商业智能已经不能满足企业数据的数量、多样性和速度性的要求，现在是让新的人工智能工具来弥补不足的时候了。
　　人类每天都在产生海量的数据。不仅数据的总量在增加，数据的类型也在增加，而且存储和生成数据的应用程序也在增加。以往采用的商业智能工具无法处理大量数据，并且它们还发现难以处理来自新应用程序的数据;为了使原有的商业智能工具适合新的应用程序，通常需要进行大量的人工调整。因此，使用商业智能工具的企业可能会错过现在可用的数据驱动的见解。
　　探索人工智能和商业智能之间的六个主要区别
　　传统的商业智能已经不能满足企业数据的数量、种类和速度的要求，现在是让新的人工智能工具来弥补不足的时候了。但是，这种新一代工具与以前的工具有何不同?
　　(1)数据收集与整合
　　在未来五年，80%的数据将是非结构化的数据。这些数据无法在数据库中分类，因此很难标记、搜索和编辑。使用传统的商业智能工具，非结构化数据位于孤岛中，并且即使有的话也要对其进行缓慢的分析。数据科学家通常会花费大约80%的时间准备这些数据，然后才能对其进行分析。
　　使用现代的商业智能工具，准备工作将更快、更加自动化。无论企业需要分析哪种数据，这些新工具都可以在一个无缝的数据湖中对它们进行排序和分类，从而使孤岛成为过去。这些工具是自助服务，使数据科学家可以在数小时或数天之内开始接收可操作的情报，而无需参与IT运营。
　　(2)指标覆盖率
　　传统的关键绩效指标(人工设置和研究的关键绩效指标)仅覆盖组织中正在使用的指标的3%。实际上，对于现代企业而言，只有3%关键绩效指标的规模较小。
　　如果在面向用户的应用程序中出现问题，则很有可能会以企业当前未涵盖的指标来出错。只要企业监控的关键绩效指标不会下降，就无法检测到错误或中断，直到客户告知企业这些错误。相比之下，任何组织都不可能人工监控其所有关键绩效指标，因此采用人工智能可以解决这个问题。无论企业生成多少个指标，其数量级无关紧要。他们能够一次提取数百万个指标，并且在出现问题时仍可以提供即时反馈。
　　(3)阈值和基准
　　传统的人工警报实践要求数据科学家为关键绩效指标设置阈值。当关键绩效指标低于某个阈值或高于某一个阈值时，它会触发警报。不幸的是，即使在正常行为期间，指标也往往会出现不可预测的涨跌。即使企业将基线设置为高于和低于这些阈值，这也降低了在设置的阈值内仍可能发生异常行为的可能性。
　　这种做法也忽略了季节性，季节性是在每天、每周或每月的周期中某些指标的正常变化。在传统的商业智能程序中，所有的季节性看起来都是异常的，会导致大量的误报和漏报。
　　现代分析平台采用完全自主的方法进行基准划分。他们依靠机器学习算法来学习指标的正常行为并确定其基准，从而无需进行人工阈值处理。
　　(4)检测和警报
　　建立具有人工警报的传统商业智能系统自然是一个结果，那就是警报太多。警报疲劳是一个现实问题。在某些应用中，信息安全人员每天可能会遇到100多万次警报。这使得分析师很难区分紧急情况和数据中的噪音。
　　在人工智能驱动的报告中没有人工阈值。警报是“真实的”警报——在度量标准中是真正异常行为。即使只靠这种行为，这种行为也大大减少了误报。然而，人工智能的发展远不止于此。现代的商业智能工具使企业能够只对严重的偏差发出警报，从而使企业的响应团队只关注最重要的事情。
　　(5)根本原因分析
　　异常不会自行发生。使用传统的仪表板，企业可能看到在监视的3%指标中出现的一个异常。不幸的是，企业将无法看到其他地方出现的异常。反过来，这意味着企业需要更长的时间来了解异常发生的位置以及如何解