Friedman说，Gartner公司发现与商业智能（BI）相关的数据整合面临的挑战阻碍了商业智能（BI）和分析计划的成功，也是让项目彻底失败的一大原因。

“由于企业想要利用的数据变得越来越复杂, 来自更多种类的数据源和现在的“大数据”混合在一起，要付出大量的时间和精力为商业智能（BI）应用匹配、清洗和准备数据,”他说。“这是一个可恨的难题,特别是有时在你需要解释数据时要先进行回复，要加入老的、遗留的系统数据时。”

另一个复杂因素是,由于业务用户需要更快地访问商业智能（BI）数据，在数据整合技术的领域里情况正在改变。

ETL还是商业智能（BI）数据整合最好的选择?
传统上用于商业智能（BI）数据整合的主要技术是提取、转换和加载(ETL)软件，以批处理的方式将数据从源系统中提出。Friedman说,新数据整合技术比ETL工具能提供更低的延迟性。例如, 变更数据获取软件和其他实时数据整合工具让你能实时或近乎实时地将新的或改变的信息注入到数据仓库和商业智能（BI）系统中，它尤其适用于像欺诈检测之类的任务。“它的数据流是以颗粒形式而不是在ETL使用时大块的批处理,”他说。

另一种选择: 数据整合和交付上联合和虚拟化的方法，根本不必将数据从源系统是取出，而只是为商业智能（BI）用户创建多个源的数据统一的视图。利用数据虚拟化工具, 不用在任何地方都进行整合数据,” Friedman说。“你实时访问它并把它们放在一起，使它看起来好像是在一个数据库中使用它的应用程序”。

尽管有新一波数据整合和交付工具的出现, Friedman认为视ETL软件为过时的或不再有价值是一个错误观点。“ETL仍然有它的作用”他说。“我们认为ETL式的处理总是有用的，因为并非所有的数据都可以或应该被实时交付。”

事实上, Friedman警告说,数据整合供应商正在推动“时髦的”商业智能（BI）数据整合实时选项，而许多企业仍然可以用批处理方法得到他们所需要的。“实时(整合)需要成本，而且它需要企业改变一直在做的事情,所以需要有一个强有力的业务案例,”他表示。

“ETL仍然有它的作用，它是数据整合的起重机,” 位于美国科罗拉多州博尔德的咨询公司智能解决方案公司的总裁Claudia Imhoff表示同意。不过, 她指出, 更新的竞争者可以更快更灵活地部署，更适合于为运行商业智能（BI）应用程序的业务用户提供及时的数据。

实时并不总是正确的,但更多的是现实的
不过他也承认,实时数据整合对于商业智能（BI）经常没有必要,也是不可取的，南非开普敦9sight咨询公司的创始人Barry Devlin指出，商业智能（BI）和分析应用程序越来越多地朝着这个方向迈进。“我认为在它是否有奏效方面这是一个非常有趣的时间,”他说。

Devlin引用美国保险行业作为实验性用例的一个例子，在那里汽车的实时数据（制动和速度数据, 驾驶时间和其他信息）通过移动电话网络传送给保险公司的业务用户, 让保险公司可以修改保险费甚至在现场提供折扣。

正如Friedman所指出的,越来越多的注意力放在了捕捉和分析大数据上,包括Web服务器日志,社交媒体数据和其他形式的非结构化信息,在许多企业中对商业智能（BI）数据整合流程又增加了一层复杂性。

Forrester研究公司刚离开的一位分析师 James Kobielus说，当他还在那里工作时, 在商业智能（BI）和分析上，非结构化数据“对于你所做的事情和结构化数据一样重要。”即使企业仍计划或刚刚开始实施大数据分析程序，也应该向前看,确保他们准备好了数据整合带来的挑战，已经在IBM找到了一份工作的Kobielus补充说。“你需要准备好了,”他说,“从社交媒体这样的大数据输入，并开始预算和增补人员。”