圖片來源 @視覺中國
文 | 自象限，作者｜程心，編輯｜周遊
今年 2 月份，ChatGPT 橫掃了整個科技圈，微軟打出 OpenAI 這張王牌之後，将所有 2C 的業務率先改了一遍。當所有人都盯着看它準備怎麽用 ChatGPT 改造 2B 業務時，微軟卻出乎意料的率先将 ChatGPT 接入了旗下本來 " 名不見經傳 " 的企業數字化工具：Power BI，在其中加入 Copilot 能力。
▲圖源：微軟 PowerBI 官網
幾乎同一時間，全世界最大的 SaaS 公司 Salesforce 旗下子公司 Tableau 将 Einstein GPT 與 Tableau 的現有功能相結合，在整個分析供應商的平台中注入生成式 AI，以達到用自然語言和視覺格式呈現有關個性化指标的見解，并将其提供給用戶。
大模型以尖刀的姿态紮進 2B 數字化，而生成式 AI＋BI 所打造的 " 對話式 BI"，則是它撕開的第一道口子。在這個數據作爲主要生産要素的時代，用戶隻需要通過日常對話的方式即可獲得數據價值，這極大降低了數據使用的門檻，解決了 " 用數 " 中最核心的難題。
國内公司聞風而動。今年 7 月、8 月開始，不少 BI 廠商開始推出 "ChatBI"、"BI Copilot"、"ABI 平台 " 等類似功能。8 月初，Smartbi 在最新 V11 版本的産品中，加入了數據模型、指标模型、自助分析、對話式分析等多種智能角色能力；緊接着網易數帆發布了有數 ChatBI 産品，将自然語言理解能力與專業數據分析能力結合；更早之前，國内數據庫廠商 Kyligence 發布了基于 ChatGPT 的 Kyligence Copilot，并已經對外開放測試。
顯然，盡管中國大模型慢了一步，但 BI 平台的智能化并不慢。
不過，大模型來了，問題也接踵而來：大模型究竟将對當下的 BI 廠商格局有哪些影響？如何改造 BI 産品，對 BI 廠商又提出了怎樣的需求？什麽才是企業真的用的上的智能化分析？
帶着這些問題，我們實測了目前 5 家主流的廠商産品，包括帆軟、思邁特、觀遠、永洪和網易數帆，從産品思路觀察目前中國式 BI 的發展階段，産品的差異性和共同點。
AI+BI，能碰撞出怎樣的火花？
想要搞明白這些問題，首先需要明确的是，大模型技術到底将對 BI（商業智能）有哪些方面的影響？
根據客戶的使用流程，當前的 BI 産品分爲上、中、下三層：下層是基礎的數據集市（數據采買服務）、數據連接（企業内部數據源連接，外部數據埋點）、數據準備（将不同的數據源寫進數據庫）；中層則包括數據讀寫、數據分析、頁面搭建、數據挖掘等工具平台側；最上層即離用戶最近的一層是數據展示（PC、移動端、大屏）、和對話式 BI、應用商店等。
▲圖爲自象限原創，轉載請注明出處
需要肯定的是，生成式 AI 的出現，對 BI 的影響一定是深遠的，滲透進每個技術環節，甚至将重構 BI 的産業鏈條，但這并不是一蹴而就的過程。思邁特 CTO 楊禮顯認爲，生成式 AI 與 BI 結合将分爲以下三個階段：
第一階段是 AIGC 的 NLQ 自然語言查詢類應用，讓大模型學會 SQL 語言，幫助技術人員寫 SQL 語句，調取數據庫的可用數據。進一步解決業務人員不懂技術、技術人員不懂業務的壁壘，替代低代碼、零代碼開發，以及根據數據分析智能生成報告等；
第二階段是利用大模型的推理能力，進行數據分析和深入洞察，并與業務客戶共建交互方式，降低數據的使用門檻。即前文所講的對話式 BI。這不僅是基于自然語言理解技術重塑人與數據之間的交互方式，更是讓大模型進一步理解人需求的過程。比如 " 找到公司内部本科以上學曆的工作人員 "，大模型可以通過理解 " 本科以上 "，更準确的找到目标群體；另外，還可以做歸因分析，比如毛利率下降了，究竟是什麽原因導緻，并且自動生成分析報告。這也是目前主流的研究方向；
第三階段大模型作爲 BI 的最底層，連接數據産業鏈，利用大模型能力直接做系統開發，并通過與行業大模型及業務的結合，直接幫客戶建立一個可信可用的數據系統和看闆，免去人搭建的過程；
以我們七月到八月參加了多場 BI 廠商新品發布會的結果來看，當下雖然發力點都在智能化，但底層邏輯各有不同。最大的區别在于大模型本身是否自研，模型自研能夠盡可能保證企業數據的安全性、可控性、一緻性，畢竟企業内部數據對安全性要求極高，但自研大模型對企業各方面的能力都充滿挑戰，目前僅思邁特和網易數帆滿足上述條件。
楊禮顯告訴我們：" 自然語言與 BI 的結合并不是 ChatGPT 興起才開始的，Smartbi 從 2017 年就開始預研該技術，在 V10 版本中就已經上線了對話式 BI 功能，也是國内最早一批上線的 BI 廠商 "。
網易集團副總裁、網易杭州研究院執行院長汪源也強調："ChatBI 的技術 demo 有很多，但關鍵是做到可信，而且是基于可私有化交付的大模型，做不到這兩點都是胡扯。"
除此之外，其他 BI 大多是接入了 ChatGPT 的 API 接口，或在 Azure 上購買 OpenAI 的服務，包括 Tableau 也是基于自身模型和 ChatGPT 的結合打造的，但本質都是通過外接，這很容易把産品做成 ChatUI（即有對話框的形式和完成基礎對話）而非 ChatBI（有數據分析的靈魂）。
再往下探索一步，我們發現即便是 ChatBI，所展現的方式也并不相同。
有些是輕度改造，在 BI 産品内部改變數據的呈現方式。比如微軟直接在 Power BI 中外接了 Copilot，此前将企業在 Office365 中的各類數據源進行整合分析，并通過拖放式畫布，将數據變成變成可視化的結果，如今内置了 Copilot（副駕駛），直接将整合分析的結果以對話的形式返還給用戶，隻是改變了呈現邏輯而非産品邏輯。國内 Kyligence 的思路也大抵如此。
相比之下，Tableau 和 Smartbi 在技術層面則做得更加深入。Tableau 本身便是通過 Slack 與各級員工進行交互，擁有天然的對話場景，在這樣的基礎上，" 對話 " 并不刻意，而是融入在用戶的使用習慣中。而在思邁特最新版本的 V11 中，通過指标的方式對數據進行建模，讓用戶更容易理解，并通過數據模型複雜的計算能力、LLM 理解用戶的意圖，提供所需的結果，提高數據使用效率。更重要的是，這種對話場景不僅存在于 BI 産品内部，Smartbi 更能和企業 IM 軟件釘釘、企業微信等集成，進行更高效的協同辦公。
▲圖源：思邁特對話式 BI 頁面
這也足以見得，BI 産品的數智化改造與産品本身的邏輯密不可分，正如燃油車本身的改造空間就比較小，所以智能車與新能源汽車常綁定在一起一般，通過産品實測，不僅能判斷過去更能管窺未來。
産品實測，誰是中國的 Power BI?
根據 Garter 對 BI 的定義，可以對一款商業智能 BI 工具是否具備競争力做出科學的判斷，主要有以下五個核心判斷标準：數據接口的開放程度、數據建模加工計算能力、數據可視化能力、易用性、嵌入式分析能力，我們同步将智能化能力進行了評測。
首先，通過我們對于行業各家廠商的調研，從産品邏輯、服務形式等方面進行體驗，發現目前國内的 BI 廠商共分爲三大類：
一是傳統的 BI 廠商：如帆軟、永洪以本地部署的傳統軟件交付形式爲主，産品滿足企業的一些基礎需求，但産品更類似于基礎軟件中的中間件，需要技術人員輔助進行專業性操作；
二是互聯網化的 BI 廠商：如思邁特 Smartbi、觀遠、Tableau 等，産品更偏向 SaaS 交付，主打輕量化、低門檻，既能滿足技術人員的需求同時也能讓業務人員用起來，覆蓋面廣，既兼具 BI 的數字化處理能力又注重用戶體驗；
三是純互聯網廠商：如網易數帆、阿裏 Quick BI、微軟 Power BI 等，此類廠商由于進入行業時間并不長，産品方面有一定優勢但往往做的比較輕量化，缺少數據分析能力和行業結合的壁壘。
其中傳統 BI 廠商的 " 互聯網化 " 程度不高，一站式平台搭建、分析、和低代碼 / 零代碼能力都屬于待補齊狀态，同時産品形态也比較偏 Web 時代，移動端部署的靈活性不強，服務能力也是薄弱環節。
▲圖源：帆軟 FineBI6.0 截圖
舉幾個例子，比如帆軟和永洪都建議我們以本地部署的形式買斷，後續按年更新，服務團隊一次性部署，後續運營僅負責産品 bug 修複等問題，按工單響應的方式提交，2 小時之内回複。
但以我們對企業需求的調查情況來看，在具體的使用過程中，經常存在各種疑難問題、操作流程不清晰，不能隻依賴企業内部人員的探索，還需要廠商強有力的服務團隊。如思邁特采用的是 " 專人專群 " 的服務模式，群内配置技術人員、銷售人員、運營人員，随時提問随時響應随時解答。
另外，Smartbi 提供的是一站式 ABI，能夠幫助企業在不同階段數字化轉型，帆軟更多是通過報表和 BI 來滿足業務數據的可視化的需求，缺乏指标管理體系、數據挖掘、數據門戶等能力。帆軟僅支持寫 SQL 來制作固定格式報表，隻能由專業技能的技術人員來開發。Smartbi 報表采用 Excel 設計器，用戶熟悉界面，上手快。通過數據模型進行數據準備，指标複用性、指标數據準确性大大提升，成本相對低。
而純互聯網的平台型廠商，在 BI 的垂直能力上和産品層面又顯的比較 " 薄 "，比如當我們問到網易數帆的工作人員，能否接入自己的 ERP、OA、CRM 等系統時，對方回答 "SaaS 版本并不支持外接系統，隻有本地部署可以打通。" 但事實上這是一個較爲基礎的功能，數據連接是 BI 的一個比較核心的環節。
▲圖源：網易有數 BI 截圖
" 從産品的設計思路來看，網易也好、阿裏也好，他們的目标客戶是那些并沒有大量曆史數據存儲的企業，尤其是一些新興的科技公司和中小企業，因爲價格便宜，網易 SaaS 版本使用者僅 980/ 年，能夠滿足基本需求就足夠了。" 一位業内人士向我們評價道。
目前，将 BI 能力和産品能力結合的最好的，屬于傳統 BI 廠商轉型的第二類，他們兼具了專業能力和低門檻、輕便型，同時能夠兼容更多的智能化能力。比如上述提到的，由于可嵌入進 IM 軟件，通過釘釘、企微、飛書向用戶推送報表，便自然而然的形成了對話框，以便于下一步，爲用戶打造對話式 BI 的産品。
仍以思邁特爲例，在産品方面，覆蓋了指标體系 + 數據模型 +ETL+ 報表 + 自助 + 挖掘 +NLA 一體化，産品線更全的同時場景更加完善，同時自主研發了各類特色功能，包括 Excel 設計器 + 分析報告，深度配合用戶的使用習慣。技術方面，對數據的挖掘能力，層層下鑽，通過已知數據發現和生成更多分析結果，同時源于大型标杆客戶案例的積累，可以提企業級數據文化能力。
不過，在這類廠商中，由于生長路徑不同，服務的客戶和長闆也有一定差異。比如思邁特由金融起家，銀行大客戶方案與交付服務能力更強，部分行業的方案更有行業 Know-how；而觀遠則從大型零售業起家，在零售方面積累了垂直的解決方案。
一手抓 " 硬實力 "，一手抓 " 軟實力 "，通過對産品全盤的分析來看，未來最有可能與 Power BI 同台競技的，或許會從第二類廠商中誕生。就目前的産品成熟度來看，Smartbi 已經連續多年入選 Gartner 中國增強數據分析代表廠商及自助分析代表廠商，同時，連續三年蟬聯 "IDC 中國 FinTech 50" 榜單。
或許是下一個 "The Chosen one"。
BI 進入下一個賽道
在我們此前對智能化的研究中總結了一個當下智能化變遷的基本邏輯：數字化程度越高的領域越容易進行智能化變革。這也是爲什麽無論是微軟還是 Salesforce，都将 BI 作爲 2B 智能化第一站的原因。
事實上，一直以來 BI 也是企業進行數字化改造的第一站。
1958 年 BI 概念被提出後至 2000 年後傳入中國，早期一直被國外廠商壟斷，但面對當時國内特色的數據環境，很多企業的數據還停留在紙上，國内 BI 廠商抓準了這個機會，從數據準備的環節開始到數據處理、數據分析、可視化分析，覆蓋了整個數據處理的全鏈條，逐步發展起來。 ( 包括數據采集、清洗、整合、存儲、計算、建模、訓練、展現、協作等 )
至今，從 BI 本身的技術發展路線而言，經曆了從傳統 BI 到敏捷 BI 一個大的技術躍遷，并經曆了以下 4 個階段，目前，BI 廠商的下一階段便是從自助可視化，到智能的增強分析。
從市場的角度來看，整個大環境要求企業不得不對數據有越來越強的把控能力，自主可控的數據環境是發展的大趨勢。從艱難的技術突破到高速發展期，再到現在必須落地到千行百業，遍地開花，這也推動着整個 BI 進入下一賽段。
在下一賽段，考驗的是 BI 廠商的綜合能力，不僅是技術能力，更要有行業 Know-how。比如提供指标平台是一種技術能力，但具體形成什麽樣的指标，才能讓業務用起來？産生數據價值？這才是最終決定結果的主要因素。
西貝餐飲集團 IT 資深高級總監賀贊賢分享過他們的案例：" 傳統的供應鏈數字化運營，是自下而上的需求驅動，存在效率低下、口徑不統一、分析不敏捷等問題。西貝亟需自上而下構建完善科學的指标體系，實現敏捷、靈活、統一的應用。因此借助 Smartbi 以指标爲核心的一站式 ABI 平台，整體規劃了 80 多個指标、6 個維度會員的指标系統。"
據我們了解到，西貝集團從餐飲探索到零售業務，銷售創新帶來了新的供應挑戰，零售業務沒有規律、難以捉摸導緻了供需經常錯配。比如銷售計劃制定不嚴謹、産能和需求不匹配、供應周期與需求周期匹配程度低等問題導緻商機丢失、毛利低下。
爲了解決這些業務難題，西貝集團開始和 Smartbi 一起優化供産銷協同标準和流程，通過大數據分析平台監控整個業務的運營情況。
舉個例子，計劃人員借助 Smartbi 構建的報表觀測銷售計劃達成率、庫存可銷天數等指标，不僅可以實時查看供銷匹配度，還能通過預警功能提前示警，及時協同銷售方及生産方，規避斷貨和呆滞風險。
目前，西貝集團内部有幾百張運營監控報表，通過各種指标來監控供應、成本和資産利用率等情況，保障供應的可靠性和敏捷性的同時驅動業務優化、提升銷售毛利。
從 1-100 是不少大型企業面臨的數據難題，同時從 0-1 的指标體系搭建也是核心難題。西藏藥業的探索曆程是典型代表，在進行數字化轉型之前，數據分散在多個業務系統中，不同系統間暫未打通，導緻數據無法彙集，從而無法從各個系統中取數，另外數據質量高低不一，數據口徑也不一緻。這樣的曆史遺留問題讓業務人員無法高效、自助用數。
爲了解決上述問題，西藏藥業與 Smartbi 一起打造了 " 指标分析體系＋指标管理＋指标可視化 " 的一站式解決方案。
具體而言，指标體系的打造源于将醫藥行業的常用指标和自身業務需求指标相結合，形成了更全面的指标内容和體系框架，另一方面，也借助 Smartbi 積累的數據能力，通過數據連接、數據準備等産品，将不同的數據進行分級，輔助業務人員更高效的用數。
這樣的行業積累在智能化時代更爲關鍵。一位做大模型中間件（數據管道）的從業者曾向我們表示：" 未來大模型的能力可能水平都差不多，重點就在行業的專有數據和能力上。"
顯然，BI 與行業的結合，不止于當下的數字化應用，未來，還有更廣闊的星辰大海。
