“AI+BI 時代，數(shù)據(jù)分析何去何從？” 隨著大模型的興起，AI 與 BI 的融合為數(shù)據(jù)分析領(lǐng)域注入了新的活力。然而，這是否意味著傳統(tǒng)的數(shù)據(jù)分析已無足輕重？在新技術(shù)的浪潮下，我們該如何正確認識數(shù)據(jù)分析的本質(zhì)與價值？

自大模型誕生后，它強大的問答功能被應用到了各行各業(yè)，所以很多廠商在BI的基礎(chǔ)上研發(fā)了ChatBI產(chǎn)品，新技術(shù)的加持，確實不得不承認AI與BI的結(jié)合給數(shù)據(jù)分析帶來了新的視角。很多人對于AI的認知，就是智能化，所以現(xiàn)在很多人都認為數(shù)據(jù)分析已經(jīng)變得簡單甚至已經(jīng)被替代了？有了AI+BI，數(shù)據(jù)分析就完結(jié)了。

這是一個誤區(qū)，一個很多人都說不清的誤區(qū)。

BI大家很清楚了，它最核心的價值，是幫助企業(yè)快速看清數(shù)據(jù)。在傳統(tǒng)模式下，業(yè)務部門常常為了獲取一份報表，耗費數(shù)天甚至數(shù)周時間，拉取數(shù)據(jù)、清洗數(shù)據(jù)，然后用excel制作可視化圖表。有了BI工具，通過儀表盤展現(xiàn)和自動化的統(tǒng)計功能，大幅減少了數(shù)據(jù)整理和展示的時間成本，這個工作相信大家已經(jīng)很清楚了，這里就不展開細述了。

但是我們確實也要看到BI的局限，數(shù)據(jù)展示可以告訴我們“發(fā)生了什么”，比如某地區(qū)銷售額下降了，或者產(chǎn)品的某個功能點擊量增加了。但它并不能回答“為什么”和“接下來該怎么辦”。當然，有的儀表盤甚至連發(fā)生了什么也未必說清楚。

我們再來看chatbi，你可以直接提問“某產(chǎn)品的退貨率是多少”、“上周的銷售額是多少”，大模型會迅速生成結(jié)果并將結(jié)果反饋給你，甚至也可以展示出一些圖表?？瓷先I似乎已經(jīng)幫我們完成了“分析”工作，但實質(zhì)上，這依然是基于現(xiàn)有數(shù)據(jù)的簡單反饋。

如何理解我說的這段話，我們可以來看個較為具體的例子。

如果一家互聯(lián)網(wǎng)公司希望優(yōu)化廣告投放策略，我們可以使用ChatBI提問：“哪個廣告的ROI最高？”，系統(tǒng)會快速返回數(shù)據(jù)，這里返回的數(shù)據(jù)是基于已經(jīng)進行加工好的數(shù)據(jù)指標或者數(shù)據(jù)結(jié)果?？此拼鸢钢苯佑智逦?，但為什么這個廣告效果好？高ROI是否是因為投放量??？等問題是分析的核心，如果有些數(shù)據(jù)已經(jīng)被計算，ChatBI可以快速幫你取到最后結(jié)果，但是這些問題到底應該看什么指標，進一步應該做哪塊的分析，這個ChatBI并不會告訴你，方向與思路需要你自行解決。

有的人會說，這個很簡單，讓ChatBI把這些指標都算好一次性給你不就可以了，這個和BI的儀表盤把所有數(shù)據(jù)展示出來沒有任何差異，如果所有的分析都有固定的套路，那么所有的企業(yè)在數(shù)據(jù)應用這件事上就不應該有差別，所有的數(shù)據(jù)分析師都應該是一個水平，但是從實際來看，這完全是無法實現(xiàn)的。

進一步說，AI在當前來看，雖然很多企業(yè)都在不斷更新技術(shù)，他們能實現(xiàn)的是減少AI的幻覺，但不是徹底解決幻覺，所以當失去專業(yè)人士的數(shù)據(jù)把控，數(shù)據(jù)結(jié)果的可靠性就是一個極大的問題。當然AI工具的輸出還特別依賴于數(shù)據(jù)輸入的質(zhì)量，如果企業(yè)的數(shù)據(jù)不完整、不準確，或者問題本身定義不清，AI的輸出結(jié)果很可能誤導決策。

誤導決策這件事，在有的場景下對于企業(yè)來說就是致命的，因為商用，所以應該慎之又慎。

數(shù)據(jù)分析的終極目標，是為業(yè)務決策提供依據(jù)。它不僅關(guān)心發(fā)生了什么，更重要的是要從數(shù)據(jù)中了解為什么會發(fā)生，未來會怎樣，以及我們應該怎么做。從產(chǎn)品的功能來看，BI和AI的核心價值在于提升效率，而數(shù)據(jù)分析的價值在于優(yōu)化決策。這兩者是互補關(guān)系，而非替代關(guān)系。

對于AI+BI的產(chǎn)品定位，我們應該明確他們屬于實現(xiàn)數(shù)據(jù)分析的一種工具，AI是更加快速、高效的工具，但是如果認為它能實現(xiàn)智能化，那么可以先反思下當前企業(yè)是否已經(jīng)有足夠豐富且高質(zhì)量的智能化決策數(shù)據(jù)進行輸入，模型的“思考”能力，是基于它的學習能力，所以我們是否擁有足夠多的數(shù)據(jù)供模型學習，這個是在中長期內(nèi)都很難解決的問題。

當然AI的使用是不是就不需要能力了，我覺得答案是否定的。

如何提問很重要，模型的回答是基于你的提問，那么如何提問就是一門“技術(shù)”，這個和我們?nèi)粘Ｕf的需求難提類似，如果問題問得不對，那么模型輸出的答案就毫無意義。比如，你問“哪個廣告點擊率高”，得到的答案只是數(shù)字，但如果你問“高點擊率的廣告是否帶來了轉(zhuǎn)化？”這就是一個比較復雜的分析問題了，如果模型回答你了，記住停下來好好思考是不是對的。

BI工具幫助我們更快地看清數(shù)據(jù)，AI工具讓我們更方便地獲取答案，但它們都無法代替真正的數(shù)據(jù)分析工作。這一點是所有企業(yè)都應該明確認識的。

數(shù)據(jù)分析嚴格來說是一種解決方案，因為很多時候并不能只針對某一個非常具體的點進行分析，企業(yè)對于數(shù)據(jù)應用的需求應該更加系統(tǒng)化、體系化，更加深入。

學習數(shù)據(jù)分析，不是為了操作工具，而是為了從數(shù)據(jù)中看到有用的信息，“有用”是多元的，是復雜的，工具可以讓我們更加高效、快速看見，但不能讓我們直接一針見血。