BI，即Business Intelligence，中文稱為商業智慧。

1996年，Gartner集團正式將商業智慧定義為：一類由資料倉儲（或資料市集）、查詢報表、數據分析、資料挖掘、數據備份和恢復等部分組成的(de)(de)、以幫助企業(ye)決(jue)(jue)策為目的(de)(de)的(de)(de)技(ji)術及其應用。從概念誕(dan)生到現在的(de)(de)幾十年(nian)間，BI的(de)(de)價(jia)值(zhi)和使(shi)命並未發生根本的(de)(de)變化(hua)，依(yi)然是(shi)將數據轉化(hua)為有(you)用的(de)(de)信息，讓企業(ye)的(de)(de)決(jue)(jue)策有(you)數可依(yi)，變化(hua)的(de)(de)只是(shi)BI所使(shi)用的(de)(de)技(ji)術，而BI的(de)(de)發展也就是(shi)體現在技(ji)術上(shang)。

目前，BI的核心技術主要包括數據存儲、數據ETL、數據分析、數據挖掘，以及數據視覺化分析。隨著數據量的激增和應用場景的複雜化，BI在技術上也有所補充，例如Hadoop和Hive等大數據技術的出現就很好的彌補了BI處理大數據的能力。

在本文中，帆軟研究院將以2013年為節點分析BI產品發展歷程，深入探討智慧BI如何定義和發展路徑，以及帆軟在AI與BI結合方向的產品落地。

一、BI的過去、現在與未來

回溯 BI 產品的發展歷史，會發現有一條清晰的主線，就是不斷的利用新技術降低數據分析門檻，從而讓更多的人能夠從大數據中受益，真正把數據轉變成生產力去驅動業務。

2013年以前：

報表式 BI：用戶要具備 SQL 編寫、OLAP 建模等技術能力，用戶滲透率不到1%。

BI起源(yuan)於20世紀80年代，主(zhu)要(yao)(yao)技術(shu)包括(kuo)SQL（結構化查詢語言）、OLAP（聯機分析(xi)處理）和(he)數(shu)據可視化。這(zhe)些(xie)技術(shu)雖然提供了強(qiang)大的數(shu)據分析(xi)能(neng)力，但對用戶的技術(shu)要(yao)(yao)求極(ji)高。用戶需要(yao)(yao)具備SQL編(bian)寫、數(shu)據建模和(he)深(shen)厚(hou)的業務理解能(neng)力，因此，這(zhe)類 BI 產(chan)品的用戶主(zhu)要(yao)(yao)是IT/DT人員，用戶滲(shen)透率比(bi)例不到1%。

在這一階(jie)段，BI的(de)(de)使用門檻(jian)非(fei)常(chang)高。用戶(hu)不僅(jin)需(xu)要(yao)掌握複雜的(de)(de)技術，還必須(xu)具備數(shu)據思維和業務(wu)理(li)解能力。這意味著，只(zhi)有那些既(ji)懂(dong)技術又(you)懂(dong)業務(wu)的(de)(de)用戶(hu)才(cai)能真正發(fa)揮BI的(de)(de)價值。比(bi)如，一名優秀(xiu)的(de)(de)BI用戶(hu)需(xu)要(yao)像(xiang)DBA（數(shu)據庫管理(li)員(yuan)(yuan)）一樣精通SQL，同時(shi)也需(xu)要(yao)像(xiang)MBA一樣具備深入(ru)的(de)(de)業務(wu)理(li)解能力。這使得BI的(de)(de)普及非(fei)常(chang)困難，主(zhu)要(yao)集中(zhong)在少數(shu)專業技術人(ren)員(yuan)(yuan)手中(zhong)。

2013年以後：

自助式BI（即敏捷BI）：不要求 SQL 編寫等技術能力，但對數據分析能力要求高，用戶滲透率10%。

VizQL 技術(shu)的(de)出現，消除(chu)了用戶(hu)寫(xie) SQL 的(de)能(neng)力要求，從而讓一(yi)部(bu)分懂(dong) OLAP 數據建模(mo)，同(tong)時具備一(yi)定(ding)的(de)數據思(si)維和業(ye)務(wu)理解能(neng)力的(de)分析師和業(ye)務(wu)部(bu)門(men)的(de)數據 BP 能(neng)夠用自助式BI產品做(zuo)自助分析，用戶(hu)滲(shen)透(tou)率(lv)大幅提(ti)升到10%左右。

增強式BI：進一步降低了技術門檻，但仍要求用戶具備一定的數據思維。

互聯網的(de)發展讓原本停留在(zai)學術(shu)(shu)界的(de)機器(qi)學習、深度學習等(deng) AI 技(ji)(ji)術(shu)(shu)在(zai)工業界得到了廣(guang)泛應(ying)用(yong)和快速發展。大(da)(da)家開始嘗試用(yong)這(zhe)些技(ji)(ji)術(shu)(shu)去進(jin)一(yi)(yi)步降(jiang)低(di) BI 產(chan)品(pin)(pin)的(de)使(shi)用(yong)門檻，核心理(li)念是用(yong) AI 技(ji)(ji)術(shu)(shu)去增強 BI 產(chan)品(pin)(pin)的(de)能(neng)力。當時的(de) AI 技(ji)(ji)術(shu)(shu)一(yi)(yi)定程度上確實降(jiang)低(di)了用(yong)戶(hu)的(de)使(shi)用(yong)門檻，也催生了早期的(de)檢索(suo)式/對話式 BI 產(chan)品(pin)(pin)。但用(yong)戶(hu)的(de)滲透率(lv)並(bing)沒有(you)得到大(da)(da)幅(fu)提(ti)升，從10%上升至15%。其中(zhong)很大(da)(da)一(yi)(yi)個阻塞就是用(yong)戶(hu)依(yi)然需要具備一(yi)(yi)定的(de)數(shu)據思維才(cai)能(neng)使(shi)用(yong)增強 BI產(chan)品(pin)(pin)，這(zhe)對很多業務(wu)人員(yuan)來說是一(yi)(yi)個巨(ju)大(da)(da)的(de)門檻。

智慧BI：破除數據思維這個用戶門檻，用戶滲透率逼近100%。

以(yi)大語言(yan)模型（Large Language Model，LLM）為代表的(de)(de)生成式(shi) AI 技術，為進(jin)一步(bu)消除數(shu)據思維這(zhe)一項能力要求帶來了新的(de)(de)機會。在預訓練(lian)的(de)(de)過程(cheng)中(zhong)，LLM 內嵌了數(shu)據分(fen)析的(de)(de)知(zhi)(zhi)識(shi)，還可以(yi)通過 SFT 讓 LLM 具備(bei)專業(ye)(ye)領域的(de)(de)數(shu)據分(fen)析知(zhi)(zhi)識(shi)。產品集成這(zhe)些具備(bei)數(shu)據分(fen)析知(zhi)(zhi)識(shi)的(de)(de) LLM 以(yi)後，用戶只要具備(bei)一定(ding)的(de)(de)業(ye)(ye)務(wu)理(li)解，就能從數(shu)據中(zhong)得到(dao)他所關(guan)注的(de)(de)業(ye)(ye)務(wu)問題的(de)(de)答(da)案。

BI產品終極目標是“讓人人都是數據分析師”，奔著(zhu)這個目標(biao)BI產品(pin)持續演進(jin)，會發展出不同的(de)(de)(de)(de)產品(pin)形態，以滿足(zu)不同場景的(de)(de)(de)(de)數據需求。需要強調的(de)(de)(de)(de)是(shi)(shi)，這幾(ji)類Bl各有優(you)劣，分別適用於不同的(de)(de)(de)(de)場景，不是(shi)(shi)絕對的(de)(de)(de)(de)相互替代的(de)(de)(de)(de)關係。尤其(qi)是(shi)(shi)報表式(shi)、自助式(shi) Bl和智慧BI。

• 報表式 BI滿足企業管理層固定看數的需求；
• 自助式 BI滿足業務分析師自助分析的需求；
• 對話式 BI滿足普通業務人員的即時查數與分析需求。

這三類BI將長期共(gong)存(cun)，供企(qi)業按需(xu)選擇，直到資訊(xun)化基(ji)礎條件發生根本改變，建議企(qi)業根據(ju)(ju)自身(shen)數據(ju)(ju)應用成熟(shu)度來判斷哪(na)一類Bl哪(na)個更適合自己(ji)，或者是否需(xu)要結合使用。

二、智慧BI如何定義（Define）：AI和BI的融合，更多是AI For BI

1、What：什麼是AI和BI的融合

AI+BI模式=AI與BI相結合

從概念和理論上來說，AI+BI模式是有價值有前景的。

AI與(yu)BI的區(qu)別在於(wu)BI負(fu)責梳理(li)生(sheng)產關係，AI是先進新質生(sheng)產力。那麼AI+BI模式通過將AI嵌入BI，構(gou)建基於(wu)AI的BI平臺(tai)，利用(yong)AI的智能(neng)讓BI系統能(neng)夠解(jie)決更復雜的業(ye)務場景，產出(chu)更精準(zhun)的分析結果(guo)，從而使(shi)決策更為(wei)科學和準(zhun)確。

從具體場景上來說，AI+BI的模式能讓部分BI場景更深入，產出更有價值的知識。

• 對於結構化的數據，BI系統可以應用一些準確度更高的機器學習算法，得到更精確的分析結果。例如市場營銷，採用AI+BI模式就可以在用戶分群的基礎上，得到更精細的針對每個用戶的分析結果，從而給出更精準的個性化營銷方案。還有金融領域的風險監測，AI+BI的模式可以分析出金融風險和其他指標、行為之間的內在聯繫，預測更為準確。
• 對於非結構化的數據，BI可以應用圖像處理、語音工程和文本分析等AI技術，智慧化地處理BI系統的複雜業務場景。例如AI+BI模式能夠通過語音技術錄入數據，控制駕駛艙和數據大屏的製作等。還有智能客服系統，不需要手動收集客戶問題再分配人員解答，通過語義理解和自然語言處理等技術分析客戶問題，實現實時、自動回覆客戶。

2、Why：為何更多是AI For BI？

AI和BI存在本質區別，BI擁有自己的發展路線，而AI目前並不是BI的核心功能。

• AI與BI存在本質上的區別，BI的目的是將數據轉化為知識來輔助決策，AI則追求以更智慧的算法得到更精確的結果。BI的發展路線是以數據為基礎的，主要是數據的管理和分析。雖然AI技術的範圍非常廣，但當前BI系統中真正能用上的無非是一些處理文本、圖像等非結構化數據的AI技術。但是除了一些特定行業，大部分的企業很少會有文本處理和圖像處理的需求，絕大多數BI系統需要處理的仍然是結構化的數據。
• AI與BI的交叉只在於機器學習和數據挖掘，而且這種交叉也極小。AI的機器學習強調算法，BI的數據挖掘還包括對數據的管理，算法選擇上也較為簡單，沒有神經網絡和深度學習等複雜AI算法。

因此，AI並不(bu)是(shi)BI的(de)核心功(gong)能，AI+BI的(de)模式難成為BI市(shi)場的(de)主流，更多的(de)是(shi)AI For BI：

不是要用AI代替BI， 而是儘可能藉助AI的相關能力， 提升BI工具在各環節的效率、 降低BI工具的上手和使用門檻， 讓更多領導和業務人員把BI用起來， 幫助客戶最大化地用好BI工具的價值。

3、When：何時正式邁入AI For BI時代？

目前預計2025年左右，BI將開始邁入智慧化階段；到2030年，BI的智慧化也將進一步擴大。隨著AI技術和BI系統的不斷成熟，AI在BI中的應用將會越來越多，二者重合的部分也越來越多，但是因為它們存在本質上的區別，所以不會完全重合，而是以AI for BI的方式存在。

4、How：目前應該如何發展AI For BI產品？

Orentiation：目前是採用“對話”的方式來提問，主要發展方向是 降低消費門檻+提升製作效率

具體(ti)到「AI For BI」的(de)落地場景，大(da)體(ti)可(ke)以分成兩大(da)類：

• 對話式分析：直接以對話為核心入口，能夠實現實時性問數查數，AI輔助人工分析數據、數據資產檢索等，系統性地降低用戶的使用門檻；
• 對話搭建：嵌入到原有產品流程中，去提升搭建制作的效率，實現快速生成組件/儀表板生成製作，做出分析報告等。

AI For BI的核心價值是降低用戶的使用門檻，讓離業務最近、離技術最遠的一線業務人員也能在數據驅動下做更好、更快的決策。然而，近年來各 BI 廠商陸續推出的一系列「問答 BI」產品在實際落地過程中都會發現，真正能夠讓用戶用起來的場景少之又少。大致有兩方面原因導致大多數「問答 BI」產品淪為一個個“玩具”。一方面，是由於業務人員不具備數據思維，問不出有價值的數據分析問題。另一方面，是產品確實還不夠成熟。這兩(liang)方(fang)面挑(tiao)戰造成(cheng)目前大(da)多數AI For BI產(chan)品並不成(cheng)熟：

1. 結果缺乏可解釋性。人們需要基於可信的數據做業務決策，由於整個意圖解析和數據生成過程是一個黑盒，人們無法確定返回的數據就是他想問的數據。
2. 召回和精度方面的問題。也就是用戶問了10個問題，其中有多少個系統能夠給出正確的回答。之前的「問答BI」產品在技術上大都採用規則解析或規則解析+預訓練（小）模型的方法來實現文本到 SQL 的轉化，技術上的限制導致問答的召回和精度不夠理想。進一步的，由於預訓練（小）模型的跨場景泛化能力不足，就需要針對特定場景不斷的增加語料，並重新訓練模型來提高精度和召回，從而導致實施成本變得難以接受。

近年來(lai)，隨(sui)著各種「數(shu)(shu)據分析」類的(de)課程的(de)推廣和(he)普及，越來(lai)越多(duo)的(de)業務(wu)人員逐漸具備(bei)了數(shu)(shu)據思維，能夠從數(shu)(shu)據的(de)角(jiao)度(du)去分析業務(wu)問(wen)題。而大模型作為當下最大技(ji)術紅(hong)利(li)，其跨任務(wu)、跨場景(jing)的(de)泛(fan)化能力為我(wo)們實現一個成熟的(de)「 AI For BI」產品(pin)帶來(lai)了新的(de)機會。

Development：AI For BI的技術與產品發展路徑 

AI For BI，一個核心落地場景是「對話式BI」，其核心技術是 Text2SQL，就是要把自然語言轉化成具體的數據查詢語句。該技術從(cong)2000年(nian)左右在學術圈就(jiu)要有人開始研(yan)究，當時(shi)主要是(shi)(shi)(shi)從(cong)事數據(ju)庫的(de)(de)人員在做(zuo)，很多(duo)論文(wen)都是(shi)(shi)(shi)發在類(lei)似 VLDB 這樣(yang)的(de)(de)數據(ju)庫領域的(de)(de)會議上。那時(shi)候該技術並不(bu)是(shi)(shi)(shi)太強，主要是(shi)(shi)(shi)基於(wu)傳統(tong)的(de)(de)機器學習(xi)，先把用戶的(de)(de)查詢抽(chou)象成(cheng)幾個分(fen)類(lei)，定(ding)義(yi)出一些模(mo)板(ban)，然後用有監(jian)督學習(xi)去做(zuo)一個分(fen)類(lei)模(mo)型，再去填模(mo)板(ban)。由(you)於(wu)這種技術本身的(de)(de)侷限性，產(chan)品呈現出來的(de)(de)精(jing)度一直(zhi)很低，遠遠沒(mei)有達到產(chan)品化落地的(de)(de)要求(qiu)。

直(zhi)到2016年左右，正值互(hu)聯(lian)網發(fa)展成(cheng)熟，隨(sui)之帶來了(le)(le)一(yi)些(xie)新的(de)(de)(de)技(ji)術，包括：檢索(suo)、推薦(jian)、深度學習等(deng)。此(ci)時，美國有工程(cheng)師嘗(chang)試(shi)做了(le)(le)產品創新，把數(shu)據的(de)(de)(de)查詢變成(cheng)一(yi)個(ge)在(zai)有限空(kong)間內的(de)(de)(de)數(shu)據檢索(suo)問(wen)題(ti)，然(ran)後(hou)用(yong)檢索(suo)技(ji)術來解(jie)決 Text2SQL。同時他也做出(chu)了(le)(le)一(yi)些(xie)當(dang)時讓人很(hen)驚豔(yan)的(de)(de)(de)產品，在(zai)BI領域引(yin)起了(le)(le)不小的(de)(de)(de)關注。但是當(dang)時的(de)(de)(de)技(ji)術路(lu)徑本(ben)質上還是檢索(suo)，伴隨(sui)的(de)(de)(de)很(hen)嚴重的(de)(de)(de)問(wen)題(ti)是沒法真正去(qu)理解(jie)自然(ran)語言，還把一(yi)個(ge)句子分成(cheng)一(yi)個(ge)個(ge)的(de)(de)(de)詞去(qu)做匹配，並(bing)沒有去(qu)真正理解(jie)一(yi)句話中(zhong)的(de)(de)(de)主謂賓、定(ding)狀補。

但(dan)是這種產品形態引起了一(yi)些有(you)很強學(xue)術能力的(de)(de)(de)公司的(de)(de)(de)關(guan)注，比(bi)如 MicroSoft，他(ta)們開始(shi)用基於神(shen)經語(yu)言(yan)模(mo)型(xing)(xing)(xing)的(de)(de)(de) NLP 技術來實現(xian)「對(dui)話式 BI」。當(dang)時雖然(ran)(ran)已經開始(shi)用神(shen)經語(yu)言(yan)模(mo)型(xing)(xing)(xing)去(qu)理解語(yu)義，但(dan)模(mo)型(xing)(xing)(xing)的(de)(de)(de)尺寸(cun)和後續的(de)(de)(de)預(yu)訓練(lian)(lian)模(mo)型(xing)(xing)(xing)和現(xian)在的(de)(de)(de)大語(yu)言(yan)模(mo)型(xing)(xing)(xing)相(xiang)比(bi)有(you)巨大的(de)(de)(de)差距。模(mo)型(xing)(xing)(xing)的(de)(de)(de)能力也有(you)侷限性，所以當(dang)時的(de)(de)(de)產品現(xian)狀(zhuang)是精度低(di)、配(pei)置成(cheng)本高(gao)，意圖理解的(de)(de)(de)能力也很弱。後來隨著出現(xian)了預(yu)訓練(lian)(lian)模(mo)型(xing)(xing)(xing) bert，大家開始(shi)用端(duan)到端(duan)的(de)(de)(de)模(mo)型(xing)(xing)(xing)來解決(jue)侷限性和精度低(di)等(deng)問(wen)題(ti)，雖然(ran)(ran)很大程度上(shang)解決(jue)了配(pei)置成(cheng)本高(gao)的(de)(de)(de)問(wen)題(ti)，但(dan)也引入(ru)了需要積累訓練(lian)(lian)數據(ju)，並針對(dui)每(mei)個(ge)數據(ju)集去(qu)做訓練(lian)(lian)的(de)(de)(de)問(wen)題(ti)。總(zong)之，多年的(de)(de)(de)探(tan)索雖然(ran)(ran)有(you)一(yi)些進步(bu)，但(dan)整體(ti)上(shang)沒有(you)徹底解決(jue)這個(ge)問(wen)題(ti)。

直到(dao)大語(yu)言模型的(de)出現，算法的(de)改進(jin)和模型尺(chi)寸的(de)提(ti)升(sheng)帶(dai)來了大語(yu)言模型的(de)上下文學習、思(si)維鏈等一(yi)系(xi)列新(xin)的(de)能力，讓我們(men)有機會去(qu)解(jie)決(jue)一(yi)些原(yuan)來老的(de)技術很難解(jie)決(jue)的(de)問(wen)題。

三、Product Launch：帆軟在AI與BI結合方向的產品落地

1、Thinking：帆軟的探索和思考

帆軟近些年在(zai)對(dui)外(wai)(wai)並(bing)沒(mei)有過多(duo)宣傳AI+BI，但是內部(bu)一直都在(zai)緊密的(de)跟蹤 AI 相關的(de)技術。尤其(qi)在(zai)2019年前後，當看(kan)到(dao)(dao)許多(duo)廠商紛(fen)紛(fen)推(tui)出(chu)了「問(wen)答(da)式(shi) BI」功能後，帆軟也開始(shi)探(tan)索「問(wen)答(da)式(shi) BI」的(de)可行性，成立專項攻堅團隊，並(bing)聯合兩家(jia)外(wai)(wai)部(bu)合作商（漢雅、億問(wen)）做產(chan)(chan)品(pin)化(hua)嘗(chang)試，對(dui)內推(tui)出(chu) FineAI，對(dui)外(wai)(wai)嘗(chang)試推(tui)廣基於億問(wen)解決方案 OEM 的(de)問(wen)答(da)式(shi) BI 產(chan)(chan)品(pin)。從來自(zi)內部(bu)用戶的(de)反饋來看(kan)，當時的(de)模型精度暫時達不到(dao)(dao)產(chan)(chan)品(pin)化(hua)落地的(de)要求，來自(zi)市場的(de)反饋也印(yin)證(zheng)了這個結(jie)論。

帆(fan)軟也走訪調研(yan)了一(yi)圈國內外的(de)(de)(de)客戶，「問(wen)答式 BI」當(dang)時的(de)(de)(de)狀況是“理想很豐滿(man)，現(xian)實(shi)很骨(gu)感”。由於在技術上大都採用規則解析或規則解析+預(yu)訓練(lian)（小(xiao)）模(mo)型(xing)(xing)的(de)(de)(de)方(fang)法來實(shi)現(xian)文(wen)本到(dao) SQL 的(de)(de)(de)轉(zhuan)化，這種技術上的(de)(de)(de)限制導(dao)致問(wen)答的(de)(de)(de)召(zhao)回和精(jing)度不夠理想。進一(yi)步的(de)(de)(de)，預(yu)訓練(lian)（小(xiao)）模(mo)型(xing)(xing)的(de)(de)(de)跨場(chang)景泛化能(neng)力不足，就(jiu)需要針對特定場(chang)景不斷的(de)(de)(de)增加語料，並重新訓練(lian)模(mo)型(xing)(xing)來提高精(jing)度和召(zhao)回，從而導(dao)致實(shi)施成(cheng)本變得難以接(jie)受。這就(jiu)導(dao)致「問(wen)答式 BI」會面(mian)臨意圖識(shi)別、查詢結果的(de)(de)(de)精(jing)度和基於場(chang)景定製(zhi)化開發(fa)、部署的(de)(de)(de)成(cheng)本之間不可調和的(de)(de)(de)矛盾，並最(zui)終淪為一(yi)個擺設，實(shi)際用起來的(de)(de)(de)少(shao)之又(you)少(shao)。所以暫(zan)時終止了「問(wen)答式 BI」產(chan)品的(de)(de)(de)市場(chang)推(tui)廣(guang)，並持續跟蹤和研(yan)究這方(fang)面(mian)的(de)(de)(de)技術和產(chan)品。

在千模大戰和開源大模型成為趨勢的背景下，大模型本身並不是優勢，在一個場景裡面用好大模型才能建立優勢。大模型的核心能力是基於內嵌知識的生成能力，而“可控性差”在BI的應用場景下是一個致命弱點。當下用(yong)好大模型的(de)三個關(guan)鍵要素是(shi)：

• 清晰的場景設計；
• 豐富的數據準備；
• 可靠的基座模型。

回到 BI 場(chang)(chang)(chang)景，帆(fan)軟通過服務(wu)30000+客(ke)(ke)戶，覆蓋(gai)了廣泛、豐(feng)富的(de)客(ke)(ke)戶和(he)場(chang)(chang)(chang)景，這些場(chang)(chang)(chang)景的(de)積(ji)累為我們建(jian)立了巨(ju)大(da)的(de)優勢(shi)，讓我們能夠快速收斂場(chang)(chang)(chang)景、驗證(zheng)功能。從數據(ju)(ju)層面，有(you)句話(hua)叫 “garbage in，garbage out”，在目標任務(wu)上精調大(da)模型的(de)數據(ju)(ju)準(zhun)備在精不(bu)在多，關於模型的(de)選(xuan)擇，目前(qian)的(de)狀(zhuang)態是(shi)沒有(you)一個模型能在所有(you)任務(wu)上絕對碾(nian)壓其他模型。而關鍵是(shi)客(ke)(ke)戶需要針對基(ji)於場(chang)(chang)(chang)景定義的(de)目標任務(wu)要去評測和(he)挑(tiao)選(xuan)最合適(shi)的(de)模型，並把(ba)效果做到最好。

當新的技術能夠讓模型精度在通用場景下，達到產品化落地標準的時候，帆軟將利用這方面能力進一步降低用戶「自助式分析」的門檻。大模型作為當下最大技術紅利，其跨任務、跨場景的泛化能力，讓大家看到了實現一個成熟、能落地的「問答式 BI」產品的可行性。這是帆(fan)軟堅決(jue)投入「AI For BI」研發的(de)核心(xin)邏輯。

近些年來，帆軟對客戶進行嚴謹調研和小範圍實踐，結合「AI For BI」的兩大落地場景-提升製作效率&降低消費門檻，2023年在這(zhe)兩(liang)大類(lei)場景上(shang)都做了(le)探索：

在提升製作效率方面，帆軟研發了「AI 小助手」，具體包括公式生成、組件製作、數據編輯、看板美化和分析報告五個功能。

在降低消費門檻方面，帆軟(ruan)孵化了(le)現在的(de)(de)(de)(de)「對話式(shi) BI」產品 FineChatBI。兩個產品都找了(le)一些客戶(hu)進行驗證，也從客戶(hu)那裡得(de)到很(hen)多真實(shi)的(de)(de)(de)(de)反饋。從客戶(hu)價(jia)值的(de)(de)(de)(de)角度看，「AI 小助手」確(que)實(shi)能(neng)夠在某些場(chang)景下提(ti)升分析(xi)師的(de)(de)(de)(de)製作(zuo)效(xiao)率，但整體價(jia)值沒有通過降低數據消費門檻(jian)，讓更廣泛(fan)的(de)(de)(de)(de)業務用戶(hu)能(neng)夠用起來的(de)(de)(de)(de)價(jia)值大。

2、launching：帆軟的AI for BI產品落地

2024年帆軟會重點投入 FineChatBI，目標是讓更多的能夠直接發揮數據生產力價值的業務用戶用起來。

BI產品(pin)終極目標是“讓人人都是數(shu)(shu)據(ju)分析師”，奔(ben)著這個目標 BI 產品(pin)持續演(yan)進，並(bing)發展出不(bu)同的產品(pin)形態，以滿足不(bu)同場景的數(shu)(shu)據(ju)需求，具體包括：

• 報表式 BI，以複雜報表為核心能力，滿足企業管理層固定看數的需求；比如
• 自助式 BI，以數據編輯和拖拉拽搭建為核心能力，滿足業務分析師自助分析的需求；比如
• 對話式 BI，以語義理解與對話式交互為核心能力，滿足普通業務人員的即時查數與分析需求。

Market Positioning：FineChatBI 的產品定位是對話式業務分析工具

WHY：為什麼產品定位是對話式業務分析？

（1）對話式：以對話為主(zhu)要交互形式(shi)。

（2）業務分析：做(zuo)數(shu)據分(fen)析(xi)(xi)(xi)不是(shi)為了分(fen)析(xi)(xi)(xi)數(shu)據本身，而是(shi)為了分(fen)析(xi)(xi)(xi)業務(wu)。「讓人(ren)人(ren)都(dou)是(shi)數(shu)據分(fen)析(xi)(xi)(xi)師」這句口號的(de)(de)背後(hou)的(de)(de)真實目的(de)(de)是(shi)「人(ren)人(ren)都(dou)是(shi)合格的(de)(de)業務(wu)分(fen)析(xi)(xi)(xi)師」，也就是(shi)每個業務(wu)人(ren)員都(dou)是(shi)合格的(de)(de) BA（Bussiness Analyst）。而業務(wu)分(fen)析(xi)(xi)(xi)的(de)(de)基本套路是(shi)從(cong)業務(wu)視角(jiao)出(chu)發，結(jie)合自己的(de)(de)經驗(yan)和(he)認(ren)知形成一(yi)些定性(xing)(xing)的(de)(de)判斷（假設），然後(hou)通過(guo)實驗(yan)及實驗(yan)產生(sheng)的(de)(de)數(shu)據（定量）去驗(yan)證假設（檢驗(yan)）。這個過(guo)程叫 hypothesis testing，包括回顧性(xing)(xing)分(fen)析(xi)(xi)(xi)、前瞻性(xing)(xing)分(fen)析(xi)(xi)(xi)等方法。

 所以，業務(wu)人員要想做科學的、高(gao)質量(liang)的業務(wu)分析需要兩個前提（two premises）：

• 掌握上面這套方法，能夠基於自己的業務經驗，產生合理的假設並形成分析思路；
• 手上有容易取到的數據來驗證這些假設。前一代的「對話式 BI」本質上是一個對話式/檢索式取數工具，它的價值僅僅是讓業務人員更容易的取到數據。但是光能取到數據還遠遠不夠，如果業務人員沒有掌握上面提到的這套方法，也只能“忘數興嘆”，還是不會做業務分析，這是「自助分析」和老一代「對話式 BI」沒有在國內大範圍用起來的根本原因。

我們做新一代「對(dui)話式 BI」就是要同時解決以上(shang)兩個問題：

• 利用 Text2DSL 技術把取數這件事做到極致，技術上採用完全可控的方式取到可信的數據；
• 利用大模型 hypothesis testing 知識和分析思路生成能力補齊業務人員認知和能力上的差距。實現對話式的業務分析，讓業務人員能夠真正用起來。

HOW：如何將FineChatBI做成對話式業務分析？

從產品能力上，需要以可信查數為基礎能力，構建「思路拆解 → 數據查詢 → 異常檢測 → 歸因分析 → 趨勢預測 → 報告生成」整個(ge)(ge)分(fen)析(xi)閉環。同(tong)時把用戶(hu)場景進一步細分(fen)成對(dui)(dui)話(hua)式(shi)數(shu)據(ju)(ju)(ju)(ju)查(cha)詢(xun)、對(dui)(dui)話(hua)是數(shu)據(ju)(ju)(ju)(ju)分(fen)析(xi)和對(dui)(dui)話(hua)式(shi)資產檢(jian)索(suo)三大場景。對(dui)(dui)話(hua)式(shi)數(shu)據(ju)(ju)(ju)(ju)查(cha)詢(xun)能夠讓業(ye)務(wu)人(ren)員(yuan)(yuan)在(zai)日常工(gong)作中、業(ye)務(wu)經(jing)營會(hui)和出差途中快速查(cha)找某個(ge)(ge)業(ye)務(wu)指標。對(dui)(dui)話(hua)式(shi)數(shu)據(ju)(ju)(ju)(ju)分(fen)析(xi)能夠讓不具備數(shu)據(ju)(ju)(ju)(ju)思維(wei)的業(ye)務(wu)人(ren)員(yuan)(yuan)方便(bian)的從(cong)數(shu)據(ju)(ju)(ju)(ju)中得(de)到(dao)(dao)業(ye)務(wu)結論。對(dui)(dui)話(hua)式(shi)資產檢(jian)索(suo)能夠讓業(ye)務(wu)人(ren)員(yuan)(yuan)方便(bian)的找到(dao)(dao) BI 系統中已經(jing)存在(zai)看板、指標和組件。

目的是真的想讓(rang)業(ye)務用戶(hu)零門檻做數據分析(xi)：

• 對話式資產檢索：數據中心+問答BI
• 對話式數據查詢：主題模型+問答BI
• 對話式數據分析：思路拆解→數據查詢→異常檢測→波動歸因→趨勢預測→報告生成 

WHAT：FineChatBI有哪些功能和特點？

生成可控、結果可信、分析閉環、交互友好。

（1）基於 FineBI 能力底座的企業級 BI 能力

• 數據準備更簡單
• 多表分析更高效
• 計算邏輯更智能
• 權限配置更省心

（2）輸入聯想與模糊匹配

高質量的問答配置：

• 規則模型預讀問題
• 模糊字段觸發聯想
• 二次確認命中精準 

（3）意圖解析與調整

• 一鍵切換圖表類型
• 開放圖表生成規則
• 自由切換指標口徑
• 調整過程結果更準

（4）思路拆解與推薦問題

• 分析思路全透明
• 模糊語義好對齊
• 自動返回最優解
• 推薦問問次優解

（5）多輪問答

• 記錄上文連貫提問
• 替換維度問得出來
• 新增指標也能有數 

（6）歸因分析與報告

• 異常發現又準又快
• 智能解釋問題所在
• 自定義維度也支持
• 大模型幫你寫報告

（7）生成儀表板

• 一鍵生成儀表板
• 二次分析可編輯
• 團隊共享與協作
• 業務分析能閉環

終：對話之間，數據不再“高冷” 

“人人都是數據分析師”不再是一個空洞的口號。

BI產品終極目標是“讓人人都是數據分析師”，奔著(zhu)這個目標 BI 產品持續演進，並發展(zhan)出(chu)不(bu)同的產品形態，以滿(man)足(zu)不(bu)同場景的數據需求(qiu)，有報表式(shi) BI滿(man)足(zu)企業管理層固(gu)定看數的需求(qiu)；自(zi)助(zhu)式(shi) BI滿(man)足(zu)業務(wu)分(fen)析師(shi)自(zi)助(zhu)分(fen)析的需求(qiu)；對話式(shi) BI滿(man)足(zu)普通業務(wu)人員的即時查數與分(fen)析需求(qiu)。

帆軟基於數據分(fen)析能力和(he)分(fen)析複(fu)雜度將用戶場(chang)景分(fen)成四個象限：

• 低水平，簡單分析；
• 低水平，複雜分析；
• 高水平，簡單分析；
• 高水平，複雜分析。

「對話式 BI」會先滿足數據分析能力比較低的業務人員的簡單分析場景，然後隨著產品能力的提升，逐步滲透到更加複雜的分析場景，並滿足更高數據分析能力的業務人員的分析需求。

同時，帆軟一直以來認為AI要用得起來，未必只靠大模型，對客戶有價值才是最重要的，大模型技術在BI的實踐已經被過度神話，實際還有很長的路要走。帆軟的使命是“讓數據成為生產力”，「對話式 BI」會讓更多的業務人員能夠從大數據中受益(yi)，真(zhen)正(zheng)把數據轉變成生(sheng)產力去驅動業務。同(tong)時(shi)，帆軟也歡(huan)迎各位客戶(hu)一起參(can)加共創！

點(dian)選下方(fang)按鈕，免費試用FineBI，親自體驗如何(he)運用商業智慧工具(ju)來實現(xian)會員(yuan)管理，並(bing)挖掘資料的潛力吧！