伴隨著技術(shù)的發(fā)展，智能BI或許會(huì)成為國內(nèi)BI廠商步入的下一個(gè)階段，未來，BI廠商或許也會(huì)在智能化的影響下走入新的競爭格局。具體怎么理解？國內(nèi)的BI廠商又是如何應(yīng)對(duì)的？一起來看看本文的解讀。

“今年8月份以后，有非常多企業(yè)客戶開始咨詢智能化的服務(wù)，也提出一起共創(chuàng)?！盋hatGPT火爆之后的半年，帆軟BI產(chǎn)品運(yùn)營負(fù)責(zé)人唐昕開始感受到了來自市場對(duì)智能BI的強(qiáng)烈需求。

商業(yè)智能BI是一套完整的由數(shù)據(jù)倉庫、查詢報(bào)表、數(shù)據(jù)分析等組成的數(shù)據(jù)類技術(shù)解決方案。越來越多的企業(yè)也意識(shí)到BI的重要性，據(jù)Gartner 2023年在中國區(qū)進(jìn)行的調(diào)研表示：62%的中國CIO將在2023年增加商業(yè)智能BI的投資。

從報(bào)表式BI到敏捷式BI，中國BI經(jīng)歷過第一波周期，走向低門檻、可視化，讓業(yè)務(wù)人員能夠快速托拉拽自定義用數(shù)，同時(shí)也將后端分析能力搬到臺(tái)前。

在光錐智能與多位BI廠商交談的過程中發(fā)現(xiàn)，幾乎所有業(yè)內(nèi)人士都認(rèn)為，智能BI是下一個(gè)階段。但從具體動(dòng)作來看，目前廠商的態(tài)度卻大概分為兩派：

• 一派是行動(dòng)派，在ChatGPT出現(xiàn)以后，迅速接入能力開始嘗試，如思邁特新版本中著重提到了智能對(duì)話能力，網(wǎng)易數(shù)帆也在押注ChatBI、百度GBI在內(nèi)的巨頭公司也開始向智能BI進(jìn)行探索和嘗試；
• 另一派則是冷靜派，仍然在保持觀望態(tài)度和內(nèi)部探索，并沒有迅速上線產(chǎn)品。

“沿著舊地圖，找不到新大陸。”思邁特軟件CEO吳華夫認(rèn)為發(fā)展智能BI不破不立；網(wǎng)易數(shù)帆大模型技術(shù)負(fù)責(zé)人、人工智能產(chǎn)品線總經(jīng)理胡光龍同樣認(rèn)為：“智能化將極大降低BI用戶使用門檻，真正做到人人用數(shù)的階段?！?/p>

但帆軟FineBI產(chǎn)品運(yùn)營總監(jiān)唐興強(qiáng)卻認(rèn)為：“智能化對(duì)BI的影響更多在提升效率的環(huán)節(jié)，核心還是要結(jié)合當(dāng)下場景進(jìn)一步分析?！?/p>

在如同冰與火的對(duì)立之下，中國BI行業(yè)也在爭議中，再次進(jìn)化。

一、智能BI長什么樣？

智能化席卷著千行百業(yè)，但究竟會(huì)帶來哪些具體的改變，任何一個(gè)行業(yè)都還沒有定論。

“大模型＋BI，從交互式體驗(yàn)，到編碼能力再到推理能力，要一層層疊加到業(yè)務(wù)里去”，網(wǎng)易數(shù)帆大數(shù)據(jù)產(chǎn)品線總經(jīng)理余利華向光錐智能分享道。

用交互式能力降低“用數(shù)”門檻，是智能化的第一階段。

從微軟PoweBI開始，對(duì)話式BI成了大模型＋BI的第一站。國內(nèi)BI廠商也在今年8月開始動(dòng)了起來。

思邁特在最新V11版本的產(chǎn)品中，加入了數(shù)據(jù)模型、指標(biāo)模型、自助分析、對(duì)話式分析等多種智能角色能力，另據(jù)光錐智能獨(dú)家獲悉，思邁特不久也將推出問答式BI；緊接著網(wǎng)易數(shù)帆發(fā)布了有數(shù)ChatBI產(chǎn)品，將基于大模型的自然語言理解能力與專業(yè)數(shù)據(jù)分析能力結(jié)合；10月份，押注AI應(yīng)用的百度也將觸角延伸至BI領(lǐng)域，推出其生成式商業(yè)智能產(chǎn)品“百度GBI”，可以通過自然語言交互，執(zhí)行數(shù)據(jù)查詢與分析任務(wù)，并且支持專業(yè)知識(shí)注入。

對(duì)話式BI，即用戶通過自然語言即可與BI系統(tǒng)進(jìn)行交互。當(dāng)對(duì)話式BI介入后，查找數(shù)據(jù)的流程被簡化為，自然語言詢問—自動(dòng)轉(zhuǎn)化為SQL語言—自動(dòng)搜索數(shù)據(jù)—轉(zhuǎn)化為自然語言—輸出結(jié)果。

這種交互方式最大的特點(diǎn)在于大幅度地降低了BI系統(tǒng)的使用門檻，讓業(yè)務(wù)人員無需掌握SQL等專業(yè)語言，也無需深入分析模型，即可獲得所需。

但隨著企業(yè)深度使用體驗(yàn)，對(duì)話式BI即問題也暴露無遺。例如，搜索過程中，出現(xiàn)了多次搜索數(shù)據(jù)結(jié)果不一樣；因統(tǒng)計(jì)口徑不一致，指向同一個(gè)指標(biāo)的數(shù)據(jù)無法合并同類項(xiàng)，導(dǎo)致了GMV無法與成交金額一起納入統(tǒng)計(jì)。

諸如此類問題，在實(shí)際應(yīng)用中層出不窮，也逐漸讓企業(yè)意識(shí)到：對(duì)話也只是一種形式，而非一種結(jié)果。單純的搜索并不能保證數(shù)據(jù)得出的合理性，要防止數(shù)據(jù)變成“無源之水”，還得增加分析的過程。

于是，用推理能力打破分析壁壘，開啟了智能化的第二階段。

智能分析簡單來說，就是BI系統(tǒng)能主動(dòng)識(shí)別問題，進(jìn)行根本原因分析，并給出解決方案建議。這背后需要BI系統(tǒng)積累大量的領(lǐng)域知識(shí)及復(fù)雜推理能力。以愛數(shù)為代表的部分廠商，正在發(fā)力知識(shí)圖譜和大模型，朝這個(gè)方向嘗試。

愛數(shù)產(chǎn)品副總裁李基亮告訴光錐智能，“只有通過知識(shí)的方式，才能在技術(shù)上做關(guān)聯(lián)分析?！?/p>

比如當(dāng)數(shù)據(jù)統(tǒng)計(jì)口徑不一致時(shí)，需要大模型的理解能力理解相近意思的數(shù)據(jù)，并進(jìn)行整理和歸類。舉個(gè)簡單的例子：統(tǒng)計(jì)公司本科以上的員工，這不是關(guān)鍵詞的篩選而是理解本科、碩士、博士三種具體的學(xué)位。

而在分析層，傳統(tǒng)的BI軟件能夠顯示數(shù)據(jù)異常的波動(dòng)，比如10月份銷量低迷，智能分析能夠通過回歸分析模型，對(duì)于每一步的數(shù)據(jù)搜索、分析過程清晰可見，結(jié)果歸因?qū)訉酉裸@，逐一拆解，再通過ChatBI展示影響因素是品牌、客戶還是渠道。

再向前展望一步，通過智能體重塑BI系統(tǒng)，或許是智能化的第三階段。

Agent概念最近大火，未來，也許可以達(dá)到萬物皆可Agent的狀態(tài)，BI+Agent也將成為其中一個(gè)細(xì)分方向。

以光錐智能觀察，Agent對(duì)BI行業(yè)的改造已經(jīng)開始，有從業(yè)者告訴我們：“BI目前是Agent化改造的第一梯隊(duì)”，究其原因在于BI系統(tǒng)里本身就含有大量需要自動(dòng)化的步驟和流程，這與初級(jí)階段的Agent十分適配，既能簡化流程，提升效率，還能提升調(diào)用大模型的基礎(chǔ)能力。

未來，更進(jìn)一步，當(dāng)Agent變得更聰明后，一切過程化將被Agent內(nèi)化為己有。到那時(shí)，無論是單智能體還是多智能體都將不在依賴于線性的程序和規(guī)劃，對(duì)BI行業(yè)帶來的結(jié)果可能是，系統(tǒng)的界限被打破，服務(wù)模型將被重構(gòu)。

Agent直接與用戶產(chǎn)生互動(dòng)，用戶通過語音或文字，描述業(yè)務(wù)問題，大模型理解問題場景，自動(dòng)識(shí)別相關(guān)數(shù)據(jù)源，進(jìn)行分析并輸出結(jié)果，完全無需搭建BI系統(tǒng)。

這種“BI+Agent”的新模式，也被業(yè)內(nèi)的一些人視為可能的終點(diǎn)狀態(tài)。

二、智能化，為時(shí)尚早么？

大模型蒙眼狂奔了一年，也讓行業(yè)看清了一個(gè)現(xiàn)實(shí)“智能化不是萬能解藥”，甚至現(xiàn)在很多行業(yè)數(shù)字化水平都尚淺，從根本上缺少智能化的基礎(chǔ)。

唐昕表示：“智能化對(duì)BI的影響更多在提升效率的環(huán)節(jié)，核心還是要結(jié)合當(dāng)下場景進(jìn)一步分析。”

這一思路和網(wǎng)易不謀而和，網(wǎng)易數(shù)帆大數(shù)據(jù)產(chǎn)品線總經(jīng)理余利華認(rèn)為：“如果BI僅僅疊加了大模型，但不能落地、沒有場景，就沒有價(jià)值?！?/p>

反觀當(dāng)下BI行業(yè)所面臨的痛點(diǎn)，并不僅僅是技術(shù)難題，簡單的講，并不是智能化缺乏落地場景，而是整個(gè)BI行業(yè)都面臨著場景落地的階段性難題。

不少客戶反饋，大模型生成的分析代碼質(zhì)量參差不齊，準(zhǔn)確率難以保證。帆軟表示，這就要求BI廠商對(duì)領(lǐng)域場景有足夠理解，進(jìn)行細(xì)致調(diào)教。否則用戶體驗(yàn)反彈，信任難以建立。

如何理解場景？唐昕舉了一個(gè)例子，BI軟件具體應(yīng)該形成什么樣的指標(biāo)，如何能讓業(yè)務(wù)用起來，如何分析產(chǎn)生數(shù)據(jù)價(jià)值，都需要深入行業(yè)梳理。

以制造業(yè)為例，在制造業(yè)里“不良率”是一個(gè)重要指標(biāo)，那么BI介入之后，首先，需要根據(jù)行業(yè)認(rèn)知，去確定“不良率”的特征標(biāo)準(zhǔn)，然后才可以把這一特征揪出來，放到指標(biāo)庫里，通過標(biāo)準(zhǔn)化產(chǎn)品實(shí)現(xiàn)復(fù)用。

在這一階段，BI性能越高就能行業(yè)通吃，這就需要把行業(yè)經(jīng)驗(yàn)吃透，沉淀出指標(biāo)來。畢竟，金融級(jí)的BI要求的是數(shù)據(jù)敏感，而制造業(yè)就不要敏感、需要穩(wěn)定，行業(yè)的經(jīng)驗(yàn)往往不能照搬遷移。

因此，對(duì)于所有BI企業(yè)而言，在進(jìn)入一個(gè)新行業(yè)之時(shí)，企業(yè)們又回到了相似的起跑線上。

從行業(yè)開拓的角度來看，BI企業(yè)開始步入新一輪探索階段，尋求其他更復(fù)雜更邊緣行業(yè)的落地機(jī)會(huì)。

BI發(fā)展多年以來，率先在金融、電商、零售等行業(yè)落地。例如，網(wǎng)易數(shù)帆基于金融機(jī)構(gòu)面臨的監(jiān)管加強(qiáng)、價(jià)值體現(xiàn)難、數(shù)據(jù)質(zhì)量不足、開發(fā)資源緊張等挑戰(zhàn)，對(duì)于金融機(jī)構(gòu)進(jìn)行數(shù)字化建設(shè)，包括數(shù)據(jù)生產(chǎn)力的提升，其內(nèi)涵涉及合規(guī)、增值（為管理、運(yùn)營人員等提供即開即用的數(shù)據(jù)）、可信（業(yè)務(wù)人員信得過數(shù)據(jù)及平臺(tái)，打破數(shù)據(jù)壁壘）、協(xié)同等。

在舒適區(qū)探索趨近于飽和之后，BI行業(yè)正在向外探索，例如農(nóng)業(yè)、制造業(yè)等數(shù)字化程度較低、專業(yè)性的行業(yè)，成為了下一個(gè)階段BI探索與爭奪的目標(biāo)。

而在解決這些痛點(diǎn)難題之后，智能化更多的作用集中在“輔助”和“增強(qiáng)”的環(huán)節(jié)。以愛數(shù)客戶為例，他們?cè)诖竽Ｐ偷戎С窒陆鉀Q了數(shù)據(jù)標(biāo)準(zhǔn)化、業(yè)務(wù)術(shù)語統(tǒng)一等問題，從而提升下游分析建模效率達(dá)30%以上。

不過，“智能化”也并非開掛。

盡管市場上已經(jīng)出現(xiàn)了各種智能BI的概念與嘗試，大到行業(yè)領(lǐng)導(dǎo)者，小到新晉創(chuàng)業(yè)團(tuán)隊(duì)。但產(chǎn)品落地后，用戶普遍反映智能化的效果并不盡如人意。原因在于，智能BI并不是簡單架接一個(gè)通用型大模型即可高效運(yùn)轉(zhuǎn)。

未來中國BI，智能化只是其中一個(gè)可能路徑。但必須要強(qiáng)調(diào)的是，目前無論是國外PowerBI還是國內(nèi)的諸多BI廠商的調(diào)研來看，客戶對(duì)于智能化的需求并不強(qiáng)，多半抱著獵奇的心態(tài)，感興趣但不會(huì)真的為其買單。

更為關(guān)鍵的是如何從客戶場景、行業(yè)痛點(diǎn)中汲取經(jīng)驗(yàn)教訓(xùn)。這是中國BI企業(yè)在新一輪應(yīng)用探索中必須面對(duì)的選擇。

三、要求數(shù)據(jù)能力更高，行業(yè)重新洗牌

智能化雖然不是開掛，但也確實(shí)激活了相對(duì)固定的行業(yè)格局。最為典型的特點(diǎn)便是今年以來，老選手們奮力創(chuàng)新，新選手們也在排隊(duì)入場。

不止百度這種大廠開始發(fā)力GBI(生成式商業(yè)智能產(chǎn)品），SaaS廠商開始下探PaaS層，數(shù)據(jù)庫企業(yè)也基于AP的分析能力對(duì)外向企業(yè)提供BI服務(wù)，一時(shí)間，BI成了數(shù)據(jù)產(chǎn)業(yè)鏈的交叉點(diǎn)，整個(gè)行業(yè)格局也面臨著重新洗牌。

智能化對(duì)數(shù)據(jù)能力要求的進(jìn)一步提升，讓更底層的數(shù)據(jù)廠商積累的能力，得以在大模型時(shí)代釋放。比如，針對(duì)大模型在產(chǎn)業(yè)中落地存在著數(shù)據(jù)層的關(guān)鍵難題——幻覺問題、不可解釋性、安全風(fēng)險(xiǎn)等等，愛數(shù)方面認(rèn)為，這并不是大模型的問題，而是數(shù)據(jù)問題。

數(shù)據(jù)廠商的基礎(chǔ)能力，也是BI智能化的下一階段所需要的核心能力。

比如，企業(yè)中常年存在的“數(shù)據(jù)孤島”問題，無法實(shí)現(xiàn)數(shù)據(jù)的有效連接和統(tǒng)一查詢利用。而且，多個(gè)系統(tǒng)中存在重復(fù)和冗余的數(shù)據(jù)，造成存儲(chǔ)和計(jì)算資源浪費(fèi)。同一數(shù)據(jù)在不同系統(tǒng)中存在不一致版本，數(shù)據(jù)質(zhì)量無法有效控制。

這會(huì)嚴(yán)重影響分析結(jié)果和準(zhǔn)確性，這不是上一個(gè)系統(tǒng)、換一個(gè)工具、買一些SaaS產(chǎn)品局部診脈就能解決的問題，企業(yè)需要系統(tǒng)性的、全局性的BI產(chǎn)品。

為了打通多種數(shù)據(jù)源，愛數(shù)在數(shù)據(jù)管道、數(shù)據(jù)湖倉一體方面進(jìn)行了探索，也將這樣的探索應(yīng)用在了RGA（檢索增強(qiáng)）技術(shù)中，在大語言模型推理生成答案時(shí)，額外檢索調(diào)用外部的領(lǐng)域知識(shí)網(wǎng)絡(luò)，利用綜合檢索結(jié)果進(jìn)行答案生成。

而智能化產(chǎn)生的新需求對(duì)底層的數(shù)據(jù)能力提出了挑戰(zhàn)，這正是全鏈條工具儲(chǔ)備的一個(gè)新牽引力。

李基亮舉了一個(gè)很現(xiàn)實(shí)的例子：“現(xiàn)在我們很多客戶都是幾百TB以上的數(shù)據(jù)，那平臺(tái)的搜索能力、對(duì)元數(shù)據(jù)的備份能力、對(duì)勒索病毒的抵抗能力，這些很基礎(chǔ)的平臺(tái)能力如果沒有，那建好了分析也是空中樓閣?！?/strong>