陈果出席观远数据智能决策峰会，分享企业BI效率提升建议

站在业务和IT不同的角度来回答“怎样更好地创造业务价值”这个问题，一定会有不同的答案。在融合了这两种角色的视角后，企业知识开源首席布道师陈果的答案是：数据归IT，分析归业务。即IT部门主要负责管理好数据、提供好工具，分析本质上是业务要做的事情。

为何会有这样的结论？陈果在「敏捷·创变——2024观远数据智能决策峰会暨产品发布会」上分享了他的思考。

敏捷BI仍为市场主流，AI赋能催生新型模式

BI全称“Business Intelligence”，现在翻译为“商业智能”，但最初叫做“企业洞察”，它阐述了BI的实质：助力业务人员通过数据分析洞察企业运行脉络，催生企业洞察。1992年，Teradata推出首个ETL数据库，标志着分析型数据库诞生。BI也随之诞生，并开始了其到目前为止三个阶段的发展。

阶段一：数据仓库/数据挖掘

BI发展的第一个阶段，是数仓和数据挖掘的时代。彼时人们将注意力集中在数仓建立的两种范式：先有数据集再有数据仓库的“自上而下”的范式，以及先有数据仓库再有数据集的“自下而上”的范式。企业关注的重点在分析报表上，分析的对象则聚焦在结构化数据的挖掘。

阶段二：大数据和敏捷BI

随着大数据出现，数据形态由单一走向多元化，结构化数据演变为结构化、半结构化乃至非结构化数据并存。BI发展进入第二阶段，但并非完全替代了第一阶段，第一阶段以报表为主的BI依然存在。此时，“高级分析”兴起，聚焦机器辅助洞察生成，过程中不仅涵盖对历史数据的描述，还具备未来预测。融合AI+BI的高级分析，实现了用户中心化分析，依据场景驱动数据获取与建模，根据分析意图实现数据可视化，这便是第二阶段的敏捷BI。

今天为止，敏捷BI还是市场的主流方向，“让业务用起来”也是敏捷BI的核心理念。

阶段三：人工智能BI

近年来，AI热潮迭起，BI也开始了第三个阶段——“人工智能BI”的发展探索。AI更深入地融入BI领域，催生新型模式，由过往的AI+BI的“高级分析”进化为AI×BI的“增强分析”。AI对BI更深度地赋能，但并未改变BI的初衷——洞察业务本质。

Gartner在两年前提出“增强分析（Augmented Analytics）”，其核心理念是在于，现今BI最大挑战非可视化展现方式，而在怎样获取高质量的数据。例如即便同为销售分析，在不同管理语境下对销售的定义都是不同的，需依据分析意图获取数据，如果没有现成数据就会涉及很多数据加工或模型重塑的工作。融合AI能力实现的智能数据准备、智能建模、自然语言交互和查询能够大幅提升BI数据准备的效率，即实现“增强分析”。

另一个与“增强分析”同样对未来BI发展产生巨大影响的是“生成式AI”，其对BI分析方法带来巨大变化，值得再行详述。

技术发展持续放飞业务部门的数据消费需求

时至今日，多数企业依旧尚处于BI发展的第一阶段，即以报表为主的阶段，亟盼跃升至“让业务用起来”的敏捷BI阶段。而在BI发展的三个阶段中，企业业务与IT的分工也历经多次变迁。

在第一阶段，业务与IT职责泾渭分明。业务方提出报表需求，IT负责数仓建设、报表开发、ETL开发等，形成经典的瀑布式协作。

在第二阶段，业务与IT分工发生变化。IT重心转向精细化的数据加工与建模，包括指标开发、数据科学、ETL/ELT混合等工作。业务侧则涉足分析模型与可视化开发。双方互动加深，IT提供数据模型，业务在敏捷BI上自主用数，整体效率提升。但这一阶段要求业务人员要对数据特性、数据模型的深度认知，企业在这其中不仅要提供敏捷的工具，还要推动内部数据分析组织模式的变化，提升业务数据分析水平，才能真正实现“敏捷”。

到第三个阶段，业务与IT融合度更趋紧密。AI在很大程度上解放了对业务人员在技术方面的要求，集中精力于业务创新，让数据更好地赋能业务增长。IT也不再单纯是支撑角色，能够将更多精力放在数据治理、AI模型构建及管理等工作上，与业务共同探索数据价值最大化的路径，实现业务效能质变。

基于BI的三个发展阶段，我们能看到商业智能的范式发展。在横向上，是覆盖的企业员工数越来越多。在纵向上，是分析工作越来越智能化。而这两个维度整体来看，从低自动化、少数人使用的企业报表，到触及广泛员工群体，支撑业务人员的自主用数的自助分析，再到越来越智能化，让更多员工可以快速用起来的增强分析，整个范式演变的核心，就是“让业务用起来”。

在此范式下，生成式AI对传统BI的提升还在发展中，方向依然是要让业务把BI用好。这个结论来自于过去一年我们对ChatBI的深入考察所带来的三个发现：

1、当下，AI热议正酣，尤其在近一年里，随着AI技术迭代，机器学习与深度学习进步，自然语言处理越来越智能化、自动化，ChatBI日益风靡。但遗憾的是，真正意义上可以解决复杂商业问题的ChatBI尚未问世，目前ChatBI仅在特定场景提高了BI效率。当下主流方向是用自然语言助手提升BI系统的交互式体验，包括采用Text2SQl使得达模型可以连接到数据库架构，但目前还无法解决现实商业世界中的细微问题。

2、2024年出现了一个新的BI发展方向，所谓复合AI系统，通过智能体来管理和调用不同AI组件和工具，每个组件完成一个微小的任务，提高分析的灵活性、可解释性。这是当前的一个技术发展方向，但目前也尚未成熟。

3、在非互联网企业中，数据中台的应用价值已被证伪，企业OLAP和OLTP需要不同的数据治理策略，并且提升BI的敏捷性，让业务部门把BI先用起来。

总结来看，目前市场主流还是AI+BI的敏捷BI，生成式AI的发展将给BI带来深远影响，其发展重点还是如观远数据所一直倡导的“让业务用起来”。

企业BI效率提升建议，从集中式到分布式

近期有幸协助了国内某大型消费品企业优化BI体系，针对其BI效率提升问题给到了一些建议，借此机会分享给更多企业参考。

该企业规模庞大，IT团队有数百人，企业IT设施完备，主流软硬件装备齐全，数据链条畅通无阻，标准数仓建设到位，BI平台功能完善，可视化开发游刃有余。然而，即便资源丰富，仍面临数据需求交付周期长的难题，短则三周，长可达月余，症结何在？

问题出现在“怎么用”上。企业上了很好的BI工具，但依然深陷传统模式——业务提需求，IT开发。IT部门内部组织了20多人的BI团队，并构成跨财务、HR、营销等四五个业务域的分析团队小组，成员精通SQL、擅长BI工具运用、熟稔数据模型构建及可视化开发，但这整个过程中却没有业务用户参与。同时，内部数据资产梳理缺失，导致业务提出的需求不知道是否已有数据，使交付周期充满不确定性。

所以，该企业的问题不是技术问题，而是能够提升BI效率的敏捷组织的问题。对此，我们提出了三点建议：

第一，BI组织架构重塑。缩减BI团队规模，将数据工程师和数据架构师保留在IT部门，聚焦数据管道建设与SQL优化，基于数仓按照业务域开发标准化数据产品，深化数据治理。

第二，业务导向的流程优化。迁移业务分析师等至各业务部门，配以多样化的BI工具训练，让业务分析师能够自助建模分析。同时，更重要的是业务部门建立“数据驱动”的业务流程改进机制，让数据真正发挥价值。数据部门也要蜕变为核心推手，引导业务流程革新，让“表哥”“表姐”们称为业务改进的洞察者，为业务创新产生真正的价值。

第三，全方位数据素养提升。有用数需求的业务也能分成两类，一类是业务分析师，一类是实际要看数据的人。企业要在分析师与终端用户角色上双管齐下，推进全公司数据素养提升。通过数据黑客松比赛等方式提升业务部门用数能力，并且落实全公司的数据治理体系，营造浓厚的数据氛围，构筑坚实基础设施，确保数据效用贯穿企业上下。

“让业务用起来”的三大要素

对上述公司的三条建议，可以成为更多企业构建敏捷组织的参考。但要实现以上三点，企业也面临着一些挑战。其一是业务部门用户需要具备较强的数据工程能力，其二是分布式分析模式下，对指标管理归属的定义。它们指向的是“如何让业务用起来”的问题，而解决这一问题有三个前提条件：

1、建立指标管理，集中管控和自主分析的平衡

“让业务用起来”需奠基于健全的指标分析体系之上，哪怕是ChatBI，如果数据质量差、指标治理混乱，效率也会很低。定义指标可以在数据层、数据平台的指标层乃至独立的指标层进行，企业定义指标不论在哪一层进行，指标策略都要支持企业的分析形态。如果企业的分析形态是鼓励业务人员用起来，对指标管理的要求则会更高，就会需要像观远Metrics这样独立的企业统一指标管理平台。

此外，机器学习、智能应用乃至报表或BI数据可视化等不同的场景，都会对企业的指标平台建设提出不同要求，企业需要根据自身集中式或分布式的数据分析模式，进行指标平台建设。

2、以用户为中心的可视化

第二是要建立以用户为中心的数据可视化审美能力。结合实际应用场景与目标（展示说服、确认理解、探索分析），甄选合适的可视化方式，以此激发表达效果和认知共鸣。现在网络上有很多开源的数据可视化模版，观远BI也提供了众多标准化的可视化模板，一些生成式AI也已经可以帮助人们来生成数据可视化的图像，但掌握如何站在用户的角度可视化展现数据的方法更为重要。

3、降低对业务部门的数据工程能力要求，利用AI能力

最后是如何利用AI能力“让业务用起来”。观远数据目前也发布了最新的融合生成式AI能力的问答式BI——观远ChatBI，降低业务使用数据的门槛。但目前整个行业应用AI的旅程才刚刚开始，从数据准备、业务洞察到用户体验，如何利用AI能力，提升整个数据分析连路上的某一个环节或全链路的效率，让业务人员更好地把BI用起来，是我们未来要持续探索的方向。

【免责声明】【广告】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。邮箱：news_center@staff.hexun.com