當大模型技術突破臨界點,全球企業(yè)正經歷一場數據智能的范式革命。據 Gartner 預測,到2027年,中國80%的企業(yè)將使用多模型生成式人工智能策略來實現(xiàn)多樣化的模型功能、滿足本地部署要求并獲得成本效益。但與此同時,眾多企業(yè)仍面臨數據孤島、分析門檻高企等痛點,讓數據價值釋放舉步維艱。

AI正重構BI,還是在制造新的數據迷霧?

3月7日,瓴羊「數據薈」Meet up第4站,阿里云智能瓴羊高級技術專家劉少偉以《大模型驅動的智能BI分析》為主題,系統(tǒng)闡釋了“三位一體”企業(yè)級智能BI方法論。他指出:“所有的產品都值得用AI重做一遍,BI也不外如是。但企業(yè)級BI的智能化必須是BI工具、大模型與私域數據的三角共振”。現(xiàn)場,劉少偉不僅解構了智能BI的進化邏輯,更以瓴羊Quick BI的實踐為樣本,揭示了數據價值躍遷的可行路徑。

智能 BI 時代:從“工具”到“智能體”的躍遷

BI的演進本質是數據民主化的進程。一直以來,BI 技術的發(fā)展始終圍繞“降低使用門檻、提升分析效率”展開。劉少偉指出,“Gartner魔力象限報告歷年來的變化表明,BI產品經歷了傳統(tǒng)BI、敏捷BI、智能BI三個階段。”

在傳統(tǒng)BI時代(2010年代),Oracle BIE、IBM等工具主導市場,但“業(yè)務人員提需求,數據開發(fā)做報表”的流程導致開發(fā)周期長、靈活性差。即便到了2016年敏捷BI崛起,Tableau、Qlik通過可視化拖拽實現(xiàn)“自主分析”,但高階分析仍依賴專業(yè)分析師,業(yè)務人員止步于“看數”而非“用數”。

當業(yè)務決策需要實時響應市場變化時,傳統(tǒng)BI的靜態(tài)報表體系問題暴露——數據加工速度永遠追不上業(yè)務需求迭代的節(jié)奏。劉少偉表示,“到了2024年,大模型讓自然語言交互成為可能,智能BI的拐點終于到來”,用戶通過自然語言問答即可獲取數據并深度洞察。

當前,據Gartner 2024 年技術成熟度曲線顯示,與智能 BI 相關的 AI 技術(如生成式分析、自然語言查詢)正處于“期望膨脹期”。劉少偉強調:“隨著大語言模型的興起,生成式AI出現(xiàn)了井噴的現(xiàn)象,且市場上客戶對于生成式AI技術處于狂熱追捧階段,歷史正在從敏捷 BI 向智能 BI 跨越。”

其中,作為國內唯一連續(xù)五年入選 Gartner 魔力象限的 BI 產品,Quick BI 通過持續(xù)創(chuàng)新證明了智能 BI 的可行性。Gartner2024 年報告特別指出,其核心優(yōu)勢在于“智能化與開放性”,尤其是智能小 Q 支持的智能問答、智能搭建、智能洞察三大場景,已成為企業(yè)級決策的重要助手。

三位一體:大模型與 BI 的深度融合邏輯

面對普遍存在的“工具+大模型”拼湊式認知,劉少偉指出:“企業(yè)級智能BI不是工具與大模型的簡單疊加,而是BI工具、大語言模型、企業(yè)私域數據的深度融合”。

例如瓴羊的解法,便是構建“BI工具-大語言模型-企業(yè)私域數據”三位一體架構。BI工具作為基石,提供可視化、高性能分析引擎及安全管控能力;大語言模型通過自然語言交互與推理能力簡化分析流程;企業(yè)私域數據結合行業(yè)知識與內部知識庫,保障問數準確率與業(yè)務相關性。這種模式下,大模型不僅是工具,更是重構分析邏輯的底層思維。

此外,劉少偉提出,“傳統(tǒng) BI 的‘數據連接→建模→分析→協(xié)同→消費’鏈條被大模型全面革新。”例如在數據連接階段,智能探查與質量分析,能夠預判數據分布規(guī)律;建模階段,自動化 ETL、智能生成、優(yōu)化 SQL幫助告別手工編碼;分析階段,自然語言問答替代固定報表,多模態(tài)結果實時反饋。

技術發(fā)展下,可以預見的是,智能BI將實現(xiàn)從效率到深度的躍遷。劉少偉指出,“搭建助手、智能問數、洞察分析是智能BI的三大發(fā)展方向”。其中,搭建助手類可以幫助用戶自動化完成數據集構建、報表美化等重復性工作;智能問數類則相當于打破了原有的數據分析傳統(tǒng)的過程,取而代之的是一種更加輕量化的,以自然語言問答作為新的形態(tài)數據獲取和數據洞察新的形態(tài);洞察分析類不僅做到描述型分析,甚至可以向用戶提供更深度的洞察分析,比如做診斷、預測、決策,讓BI從“事后解釋”走向“事前預判”。

智能小 Q:重構數據分析的用戶體驗

作為三位一體架構的落地載體,Quick BI 智能小Q正在重塑數據分析的協(xié)作模式。劉少偉指出,“智能小Q目前核心提供兩大能力體系——智能搭建與智能問數。”其技術架構依托兩大底座:一是基于通義千問大模型強化訓練的領域專用模型,二是 Quick BI 原有的 OLAP 多維分析引擎。

智能搭建的價值在于,打破傳統(tǒng)BI的“手工勞動”困境。“一鍵生成報表、一鍵美化、一鍵批量配置等功能,讓業(yè)務人員從拖拽操作中解放出來”。而智能問數則重新定義了數據分析的門檻,用戶通過自然語言提問即可獲取結果,過程中系統(tǒng)自動關聯(lián)數據管理、知識庫推薦等輔助能力。

譬如某飲品客戶選取“經營分析表”作為測試場景,鎖定GMV、訂單量、會員活躍度等核心指標,并劃分時間、地域、渠道等多維度分析視角。最初未經調優(yōu)的智能小Q,110個測試用例的準確率僅為65%;但在導入企業(yè)知識庫并強化模型后,準確率躍升至92%。劉少偉指出,這一突破印證了“三位一體”模式——智能 BI 的可靠性不僅依賴工具與模型,更需高質量企業(yè)數據與行業(yè)知識庫的支撐。

為幫助客戶跨越“從可用到好用”的鴻溝,瓴羊同步推出“智能問數調優(yōu)手冊”,該手冊詳細闡述了如何進行數據管理和企業(yè)知識庫管理等方面的調優(yōu)操作,旨在幫助客戶提升智能問數的準確性和實用性。例如,在數據管理方面,手冊指導用戶如何選定數據表模型、如何對數據內容進行清洗等;在企業(yè)知識庫管理方面,則提供了如何定義邏輯、排除干擾信息、準確定義專業(yè)術語等行業(yè)黑話的方法。

劉少偉介紹道,智能小 Q還可深度對接DeepSeek、Qwen-Max、Kimi 等主流大模型,用戶可在“智慧問答”模塊中按需組合不同模型,實時獲取文本、圖表、趨勢預測等多維度分析結果。這一特性不僅打破了單一模型的局限性,更通過多模態(tài)響應降低了分析偏見,確保結果的客觀性與全面性。值得注意的是,智能小Q在官方智能體能力基礎上,用戶可按需自定義智能體,該智能體可以方便地復用Quick BI的多種基座能力,如權限管控、可視化交互、查詢引擎等,搭建出來的智能體能針對性地根據企業(yè)使用場景進行洞察分析。

另一項核心升級是支持多步計算,解決傳統(tǒng)BI難以處理的復雜分析需求。例如,用戶提問“銷售金額日環(huán)比超過 40% 的客戶有哪些”時,系統(tǒng)需先計算日環(huán)比數據,再篩選符合條件的客戶。為實現(xiàn)這一目標,智能小 Q 將拓展 Text2DSL 技術,并引入 Task 2Python 混合邏輯,通過中間結果傳遞完成多步運算。這種技術創(chuàng)新不僅提升了分析靈活性,更將復雜問題拆解為可執(zhí)行的流程,使原本需要多輪對話或人工干預的任務實現(xiàn)自動化處理。

正如《大數據之路2》書中所言,數據決策普惠是瓴羊一直堅持在做的事。

在智能 BI 的浪潮中,瓴羊 Quick BI 正以大模型為引擎,推動企業(yè)從“數據擁有者”向“智能決策者”進化。未來,隨著多模態(tài)交互、行業(yè)知識庫的深化,數據將真正成為企業(yè)的“數字血液”,流淌在每一個決策細胞中,而瓴羊將持續(xù)以技術創(chuàng)新為舟,助力企業(yè)通過智能BI加持智能決策,提升企業(yè)長遠競爭力。

（免責聲明：本網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，凡在本網站出現(xiàn)的信息，均僅供參考。本網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站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網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。 ）