大模型時代，現(xiàn)代BI的底層已經(jīng)被顛覆了？

文 | 智能相對論

作者 | 沈浪

“What gets measured, gets managed.”——這是著名管理學大師彼得·德魯克的觀點，意為「只有被量化的，才能被管理?！?/p>

盡管備受爭議，但是從某種程度來說，這一觀點基本貫穿了當今企業(yè)的數(shù)字化轉型進程。企業(yè)業(yè)務的數(shù)字化，本質上就是一個持續(xù)量化的過程。

以BI（商業(yè)智能）為例，作為現(xiàn)代企業(yè)的標配，可以將其簡單理解為基于現(xiàn)代企業(yè)經(jīng)營理論與信息應用技術系統(tǒng)對信息、數(shù)據(jù)進行挖掘、分析和處理，最終輔助商業(yè)決策的一個企業(yè)服務解決方案。

換句話說，BI核心還是「量化」。

那么，以「量化」的角度來看BI平臺的迭代，不難發(fā)現(xiàn)當前火爆的大模型技術對其影響主要還是聚焦在企業(yè)業(yè)務信息和數(shù)據(jù)的「量化」上。

大模型技術對「量化」緯度的深挖，從根本上改變了BI平臺的底層邏輯。

01 大模型進場，從指標的量化開始做起

今年1月，中國一汽聯(lián)合阿里云通義千問打造的大模型GPT-BI率先完成落地。

作為汽車行業(yè)的首個大模型BI應用，GPT-BI被打造出來的首要前提是來對汽車行業(yè)的大量指標進行解構，成為可量化的對象、緯度和度量。

其中，中國一汽將管理顆粒度從流程級細化到業(yè)務活動級，首創(chuàng)了“業(yè)務單元”概念。在1000余條業(yè)務流程的3萬多個業(yè)務單元中，讓每個業(yè)務單元都有明確的員工操作標準，從而保證員工能清晰知道什么時間、什么地方、使用什么工具和方法、做什么事情、達到什么質量和標準，一目了然。

當這些解構完成，中國一汽的指標體系實際上就基本有了雛形，緊接著就是用于訓練公司的數(shù)據(jù)大模型，完善指標設計、指標拆解、數(shù)據(jù)尋源、數(shù)據(jù)建模和數(shù)據(jù)分析等能力，從而打造出對應的指標模型。

類似的思路在業(yè)內其他廠商的BI產(chǎn)品中也能看到。去年，本土知名BI廠商思邁特發(fā)布了新一代一站式ABI平臺Smartbi Insight V11——在該平臺的迭代升級過程中，思邁特就確定了一個重要的關鍵點：以指標為中心。

對此，思邁特致力于搭建起一個邏輯清晰、自增長、可量化的指標體系，將宏觀的目標轉化為可執(zhí)行的任務和計劃，從而讓各部門使用者都能通過指標，去具體地判斷業(yè)務、工作該“怎么做”。

當然，更重要的是，只有通過這種對業(yè)務指標的解構，才能對底層數(shù)據(jù)進行準確的建模。然后，再通過模型本身提供的復雜指標計算能力解決大模型難以理解、處理的需求。最后，就可以利用大模型自身對部分常識的精確理解以及學習模型查詢語言的過程，輸出高質量的查詢語句，獲取數(shù)據(jù)，并通過BI工具呈現(xiàn)出來。

所以說，大模型進場之后，其實對BI的改造是從底層建模出發(fā)的，從根本上就改變了BI平臺對公司業(yè)務的理解模式。

這種理解，本質來說就是指標的進階量化。再比如，網(wǎng)易數(shù)帆打造可信的有數(shù)ChatBI，其核心點指明的「需求可理解，過程可驗證，用戶可干預，產(chǎn)品可運營」，也同樣是強調這種進階量化的認知。

02 大模型+BI，能做到什么程度？

有了進階量化的認知，大模型技術改造后的BI就能更全面地理解公司業(yè)務和需求，進而給到更精準的數(shù)據(jù)分析和反饋，輔助公司做好業(yè)務決策。

簡單舉個例子，以傳統(tǒng)的NL2SQL來說，其很難理解并解決類似“公司有多少本科以上員工”或“公司在北上廣深之外的業(yè)務收入”之類的問題。

因為“本科以上”或“北上廣深之外”這種屬于字符串類型的字段，是無法簡單地通過大于等于號等操作符進行篩選。反觀大模型為什么更強，就在于其可以做到這一點，其能理解“本科以上”代表本碩博學歷，“北上廣深之外”代表其他省市區(qū)域等常識。

在這種理解之下，當用戶生成查詢語句時，大模型加持下的BI就能完成信息過濾，輸出正確的答案。由此，就做到了現(xiàn)代BI所強調的理解業(yè)務需求的能力。

當然，這是常識性的理解。對于公司而言，我們需要大模型能進一步去理解業(yè)務指標所代表的專業(yè)知識，從而達到行業(yè)專家的理解能力，讓BI的業(yè)務認知提高到更高的層級，并做到更科學、準確的輔助決策。

中國一汽需要GPT-BI能達到什么效果？當公司需要了解“某車型的產(chǎn)量為什么不及預期”時，GPT-BI可以有邏輯地完成預期產(chǎn)量和實際產(chǎn)量的對比，并得出差值，進而分析顯性變量（如是否因為設備問題進行過停產(chǎn)或某型號的配件是否出現(xiàn)質量異常等），同時排查涉及的所有變量（如原材料供應波動、能源消耗及供應穩(wěn)定性等）。

最終，經(jīng)過全面且細節(jié)的信息排查，GPT-BI能找出關聯(lián)性最大的影響要素，從而幫助公司進行生產(chǎn)優(yōu)化和治理?！@是大模型BI要做到的，前提是理解業(yè)務指標，并完成端到端的數(shù)據(jù)鏈接。

在「智能相對論」的視角中，如何用大模型來梳理傳統(tǒng)行業(yè)錯綜復雜的指標體系或行業(yè)Know-How是現(xiàn)代BI的一個重要演進方向。只有做到了這些，整體的數(shù)據(jù)流程包括數(shù)據(jù)獲取、數(shù)據(jù)處理、數(shù)據(jù)反饋等工作才能加快。

像Smartbi對話式分析大模型版本之所以能有效幫助企業(yè)降本增效，創(chuàng)造業(yè)務價值，關鍵就在于其把行業(yè)Know-How和大模型結合起來，構建了一個參考的管理指標體系，供企業(yè)調整以幫助BI理解公司業(yè)務。

在應用過程，我們就能看到，基于充分的指標理解，Smartbi對話式分析大模型版本能迅速的調取用戶想要獲取的“關于公司去年的合同額、收入和同比情況”。

同時，有了一定的常識認知，Smartbi對話式分析大模型版本還能迅速理解“關于銷售分部的”概念，并給出相應的緯度數(shù)據(jù)。

此外，結合大模型的分析能力以及對各項指標的理解，Smartbi對話式分析大模型版本又進一步對表格中的數(shù)據(jù)進行了解釋分析，幫助用戶來理解企業(yè)經(jīng)營情況。

整體體驗下來，有了大模型的加持，BI產(chǎn)品的數(shù)據(jù)處理、分析和反饋能力都得到了強化，對用戶而言有著質一般的升級體驗。

除此之外，這種體驗不僅在數(shù)據(jù)應用上有所優(yōu)化，在數(shù)據(jù)生產(chǎn)上也是如此。過去，制作一張報表從立項到上線至少要60天，基于思邁特Smartbi的自助分析平臺，現(xiàn)在業(yè)務部門的數(shù)據(jù)人員可自行處理制作報表，即使通過傳統(tǒng)提需求的方式，也只要1—3天即可完成。

現(xiàn)代BI的演進基本闡述了一個道理：「量化」的增強，數(shù)據(jù)管理就變得更加高效且簡單了。思邁特思邁特CEO吳華夫認為，BI是一個不斷進化的過程，具體的從1958年BI的概念提出以來，底層數(shù)據(jù)準備從報表開發(fā)、Cube多維模型、寬表再到指標；上層數(shù)據(jù)分析從傳統(tǒng)的報表、大屏，到敏捷的自助可視化探索，再到智能的增強分析。

更準確的說，進化即量化。

03 現(xiàn)代BI的進化之路

人類的行為基本上是建立在理解世界的前提下的，也就是認知決定行為——當認知越清晰且深刻，那么行為也就越科學且精準。

對于BI產(chǎn)品而言，也是如此。BI概念的提出，本質就是基于大量的數(shù)據(jù)反饋完成對公司業(yè)務的認知，進而給出相應決策反饋的解決方案，只是數(shù)字化技術限制了關鍵的數(shù)據(jù)處理能力。

當大模型技術進場，強化了底層的數(shù)據(jù)處理能力，那么現(xiàn)代BI的進化是快速的。因此，BI也被認為是大模型在企業(yè)內部最快完成落地的模塊之一，不僅在于BI是現(xiàn)代企業(yè)發(fā)展的核心支撐，更在于其基本的演進邏輯是清晰的、科學的。

大模型對現(xiàn)代BI的演進令人期待，更何況現(xiàn)代企業(yè)的發(fā)展已經(jīng)離不開BI的支持。在這個趨勢下，也有越多越多的廠商開始往現(xiàn)代BI的方向發(fā)展。從目前的行業(yè)情況來看，存在三類玩家。

一類是像思邁特、帆軟這樣的垂直BI廠商。他們本就深耕BI領域，在特定的行業(yè)如金融、法律等積累了大量客戶資源和行業(yè)Know-How，服務經(jīng)驗足，產(chǎn)品覆蓋面廣，既有較好的數(shù)字化處理能力也比較注重BI領域的用戶體驗。

另一類是以阿里、網(wǎng)易等為代表的互聯(lián)網(wǎng)廠商。一方面，他們雖然入行時間短，但也有著主攻輕量化的BI產(chǎn)品，如阿里Quick BI、網(wǎng)易數(shù)帆等，能接入自家的辦公平臺和企業(yè)數(shù)字化解決方案來占領市場。另一方面，他們在大模型方面有著較強的技術能力，正在聯(lián)合傳統(tǒng)行業(yè)大客戶共創(chuàng)BI，如阿里與一汽聯(lián)合打造GPT-BI等，以全新的服務模式推動現(xiàn)代BI的發(fā)展。

最后一類是以用友、金蝶等為代表的傳統(tǒng)企業(yè)服務廠商。他們長期服務企業(yè)，有一套綜合性的企業(yè)資源計劃系統(tǒng)，也有一定的客戶資源和行業(yè)積累，隨著現(xiàn)代BI的進化，對企業(yè)客戶的價值越來越高，便開始跨界進入BI領域，打造BI產(chǎn)品并接入自家的服務系統(tǒng)，來強化企業(yè)服務能力。

以上三類是目前BI行業(yè)較為典型且備受矚目的玩家。不管是哪類玩家，他們都在用自己的模式和技術能力去共同推動現(xiàn)代BI的進化。當然，在這三類玩家之中也有共同點，那就是大模型技術的應用的必然的趨勢，從底層指標開啟的進階量化也是各自打造BI產(chǎn)品的重要方向。

現(xiàn)階段，中國的企業(yè)數(shù)字化轉型還在持續(xù)發(fā)展，依舊有不少的企業(yè)還在觀望?，F(xiàn)代BI的發(fā)展對于這一進程的推動，有著不可或缺的作用——數(shù)據(jù)對企業(yè)經(jīng)營發(fā)展的價值越來越高，現(xiàn)代BI“出線”的機會也將越來越多。

這是一場進化，也是一場迭代。

*本文圖片均來源于網(wǎng)絡

生成海報

免責聲明：此文內容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關。文章僅供讀者參考，并請自行核實相關內容。投訴郵箱：editor@fromgeek.com。

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產(chǎn)權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。