在这个数据作为主要生产要素的时代，智能化的发展尤为重要。BI的发展又是怎么样子的呢！下边的文章可以来看看，或许你会收获更多知识。

今年2月份，ChatGPT横扫了整个科技圈，微软打出OpenAI这张王牌之后，将所有2C的业务率先改了一遍。当所有人都盯着看它准备怎么用ChatGPT改造2B业务时，微软却出乎意料的率先将ChatGPT接入了旗下本来“名不见经传”的企业数字化工具：Power BI，在其中加入Copilot能力。

几乎同一时间，全世界最大的SaaS公司Salesforce旗下子公司Tableau将Einstein GPT 与 Tableau 的现有功能相结合，在整个分析供应商的平台中注入生成式 AI，以达到用自然语言和视觉格式呈现有关个性化指标的见解，并将其提供给用户。

大模型以尖刀的姿态扎进2B数字化，而生成式AI＋BI所打造的“对话式BI”，则是它撕开的第一道口子。在这个数据作为主要生产要素的时代，用户只需要通过日常对话的方式即可获得数据价值，这极大降低了数据使用的门槛，解决了“用数”中最核心的难题。

国内公司闻风而动。今年7月、8月开始，不少BI厂商开始推出“ChatBI”、“BI Copilot”、“ABI平台”等类似功能。8月初，Smartbi 在最新V11版本的产品中，加入了数据模型、指标模型、自助分析、对话式分析等多种智能角色能力；紧接着网易数帆发布了有数ChatBI产品，将自然语言理解能力与专业数据分析能力结合；更早之前，国内数据库厂商Kyligence发布了基于ChatGPT的Kyligence Copilot，并已经对外开放测试。

显然，尽管中国大模型慢了一步，但BI平台的智能化并不慢。

不过，大模型来了，问题也接踵而来：大模型究竟将对当下的BI厂商格局有哪些影响？如何改造BI产品，对BI厂商又提出了怎样的需求？什么才是企业真的用的上的智能化分析？

带着这些问题，我们实测了目前5家主流的厂商产品，包括帆软、思迈特、观远、永洪和网易数帆，从产品思路观察目前中国式BI的发展阶段，产品的差异性和共同点。

一、AI＋BI，能碰撞出怎样的火花？

想要搞明白这些问题，首先需要明确的是，大模型技术到底将对BI（商业智能）有哪些方面的影响？

根据客户的使用流程，当前的BI产品分为上、中、下三层：下层是基础的数据集市（数据采买服务）、数据连接（企业内部数据源连接，外部数据埋点）、数据准备（将不同的数据源写进数据库）；中层则包括数据读写、数据分析、页面搭建、数据挖掘等工具平台侧；最上层即离用户最近的一层是数据展示（PC、移动端、大屏）、和对话式BI、应用商店等。

▲ 图为自象限原创，转载请注明出处

需要肯定的是，生成式AI的出现，对BI的影响一定是深远的，渗透进每个技术环节，甚至将重构BI的产业链条，但这并不是一蹴而就的过程。思迈特CTO杨礼显认为，生成式AI与BI结合将分为以下三个阶段：

第一阶段是AIGC的NLQ自然语言查询类应用，让大模型学会SQL语言，帮助技术人员写SQL语句，调取数据库的可用数据。进一步解决业务人员不懂技术、技术人员不懂业务的壁垒，替代低代码、零代码开发，以及根据数据分析智能生成报告等；

第二阶段是利用大模型的推理能力，进行数据分析和深入洞察，并与业务客户共建交互方式，降低数据的使用门槛。即前文所讲的对话式BI。

这不仅是基于自然语言理解技术重塑人与数据之间的交互方式，更是让大模型进一步理解人需求的过程。比如“找到公司内部本科以上学历的工作人员”，大模型可以通过理解“本科以上”，更准确的找到目标群体；另外，还可以做归因分析，比如毛利率下降了，究竟是什么原因导致，并且自动生成分析报告。这也是目前主流的研究方向；

第三阶段大模型作为BI的最底层，连接数据产业链，利用大模型能力直接做系统开发，并通过与行业大模型及业务的结合，直接帮客户建立一个可信可用的数据系统和看板，免去人搭建的过程；

以我们七月到八月参加了多场BI厂商新品发布会的结果来看，当下虽然发力点都在智能化，但底层逻辑各有不同。最大的区别在于大模型本身是否自研，模型自研能够尽可能保证企业数据的安全性、可控性、一致性，毕竟企业内部数据对安全性要求极高，但自研大模型对企业各方面的能力都充满挑战，目前仅思迈特和网易数帆满足上述条件。

杨礼显告诉我们：“自然语言与BI的结合并不是ChatGPT兴起才开始的，Smartbi从2017年就开始预研该技术，在V10版本中就已经上线了对话式BI功能，也是国内最早一批上线的BI厂商”。

网易集团副总裁、网易杭州研究院执行院长汪源也强调：“ChatBI的技术demo有很多，但关键是做到可信，而且是基于可私有化交付的大模型，做不到这两点都是胡扯。”

除此之外，其他BI大多是接入了ChatGPT的API接口，或在Azure上购买OpenAI的服务，包括Tableau也是基于自身模型和ChatGPT的结合打造的，但本质都是通过外接，这很容易把产品做成ChatUI（即有对话框的形式和完成基础对话）而非ChatBI（有数据分析的灵魂）。

再往下探索一步，我们发现即便是ChatBI，所展现的方式也并不相同。

有些是轻度改造，在BI产品内部改变数据的呈现方式。比如微软直接在Power BI中外接了Copilot，此前将企业在Office365中的各类数据源进行整合分析，并通过拖放式画布，将数据变成变成可视化的结果，如今内置了Copilot（副驾驶），直接将整合分析的结果以对话的形式返还给用户，只是改变了呈现逻辑而非产品逻辑。国内Kyligence的思路也大抵如此。

相比之下，Tableau和Smartbi在技术层面则做的更加深入。Tableau本身便是通过Slack与各级员工进行交互，拥有天然的对话场景，在这样的基础上，“对话”并不刻意，而是融入在用户的使用习惯中。

而在思迈特最新版本的V11中，通过指标的方式对数据进行建模，让用户更容易理解，并通过数据模型复杂的计算能力、LLM理解用户的意图，提供所需的结果，提高数据使用效率。更重要的是，这种对话场景不仅存在于BI产品内部，Smartbi更能和企业IM软件钉钉、企业微信等集成，进行更高效的协同办公。

▲ 图源：思迈特对话式BI页面

这也足以见得，BI产品的数智化改造与产品本身的逻辑密不可分，正如燃油车本身的改造空间就比较小，所以智能车与新能源汽车常绑定在一起一般，通过产品实测，不仅能判断过去更能管窥未来。

二、产品实测：谁是中国的Power BI？

根据Gartenar对BI的定义，可以对一款商业智能BI工否具备竞争力做出科学的判断，主要有以下五个核心判断标准：数据接口的开放程度、数据建模加工计算能力、数据可视化能力、易用性、嵌入式分析能力，我们同步将智能化能力进行了评测。

▲ 图为自象限原创，转载请注明出处

首先，通过我们对于行业各家厂商的调研，从产品逻辑、服务形式等方面进行体验，发现目前国内的BI厂商共分为三大类：

一是传统的BI厂商：如帆软、永洪以本地部署的传统软件交付形式为主，产品满足企业的一些基础需求，但产品更类似于基础软件中的中间件，需要技术人员辅助进行专业性操作；

二是互联网化的BI厂商：如思迈特Smartbi、观远、Tableau等，产品更偏向SaaS交付，主打轻量化、低门槛，既能满足技术人员的需求同时也能让业务人员用起来，覆盖面广，既兼具BI的数字化处理能力又注重用户体验；

三是纯互联网厂商：如网易数帆、阿里Quick BI、微软Power BI等，此类厂商由于进入行业时间并不长，产品方面有一定优势但往往做的比较轻量化，缺少数据分析能力和行业结合的壁垒。

其中传统BI厂商的“互联网化”程度不高，一站式平台搭建、分析、和低代码/零代码能力都属于待补齐状态，同时产品形态也比较偏Web时代，移动端部署的灵活性不强，服务能力也是薄弱环节。

▲ 图源：帆软FineBI6.0截图

举几个例子，比如帆软和永洪都建议我们以本地部署的形式买断，后续按年更新，服务团队一次性部署，后续运营仅负责产品bug修复等问题，按工单响应的方式提交，2小时之内回复。

但以我们对企业需求的调查情况来看，在具体的使用过程中，经常存在各种疑难问题、操作流程不清晰，不能只依赖企业内部人员的探索，还需要厂商强有力的服务团队。如思迈特采用的是“专人专群”的服务模式，群内配置技术人员、销售人员、运营人员，随时提问随时响应随时解答。

另外，Smartbi和观远提供的一站式BI能力，能够帮助企业在不同阶段数字化转型，帆软更多是通过报表和BI来满足业务数据的可视化的需求，缺乏指标管理体系、数据挖掘、数据门户等能力。帆软仅支持写SQL来制作固定格式报表，只能由专业技能的技术人员来开发。报表采用Excel设计器，用户熟悉界面，上手快。

通过数据模型进行数据准备，指标复用性、指标数据准确性大大提升，成本相对低。

而纯互联网的平台型厂商，在BI的垂直能力上和产品层面又显的比较“薄”，比如当我们问到网易数帆的工作人员，能否接入自己的ERP、OA、CRM等系统时，对方回答“SaaS版本并不支持外接系统，只有本地部署可以打通。”但事实上这是一个较为基础的功能，数据连接是BI的一个比较核心的环节。

▲ 图源：网易有数BI截图

“从产品的设计思路来看，网易也好、阿里也好，他们的目标客户是那些并没有大量历史数据存储的企业，尤其是一些新兴的科技公司和中小企业，因为价格便宜，网易SaaS版本使用者仅980/年，能够满足基本需求就足够了。”

一位业内人士向我们评价到。

目前，将BI能力和产品能力结合的最好的，属于传统BI厂商转型的第二类，他们兼具了专业能力和低门槛、轻便型，同时能够兼容更多的智能化能力。比如上述提到的，由于可嵌入进IM软件，通过钉钉、企微、飞书向用户推送报表，便自然而然的形成了对话框，以便于下一步，为用户打造对话式BI的产品。

不过，在这类厂商中，由于生长路径不同，服务的客户和长板也有一定差异。比如思迈特由金融起家，银行大客户方案与交付服务能力更强，部分行业的方案更有行业Know-how；而观远则从大型零售业家，在零售方面积累了垂直的解决方案。

一手抓“硬实力”，一手抓“软实力”，通过对产品全盘的分析来看，未来最有可能与Power BI同台竞技的，或许会从第二类厂商中诞生下一个“The Chosen one”。

三、BI进入下一赛段

在我们此前对智能化的研究中总结了一个当下智能化变迁的基本逻辑：数字化程度越高的领域越容易进行智能化变革。

这也是为什么无论是微软还是Salesforce，都将BI作为2B智能化第一站的原因。

事实上，一直以来BI也是企业进行数字化改造的第一站。

1958年BI概念被提出后至2000年后传入中国，早期一直被国外厂商垄断，但面对当时国内特色的数据环境，很多企业的数据还停留在纸上，国内BI厂商抓准了这个机会。
从数据准备的环节开始到数据处理、数据分析、可视化分析，覆盖了整个数据处理的全链条，逐步发展起来。(包括数据采集、清洗、整合、存储、计算、建模、训练、展现、协作等)

至今，从BI本身的技术发展路线而言，经历了从传统BI到敏捷BI一个大的技术跃迁，并经历了以下4个阶段，目前，BI厂商的下一阶段便是从自助可视化，到智能的增强分析。

从市场的角度来看，整个大环境要求企业不得不对数据有越来越强的把控能力，自主可控的数据环境是发展的大趋势。从艰难的技术突破到高速发展期，再到现在必须落地到千行百业，遍地开花，这也推动着整个BI进入下一赛段。

在下一赛段，考验的是BI厂商的综合能力，不仅是技术能力，更要有行业Know-how。比如提供指标平台是一种技术能力，但具体形成什么样的指标，才能让业务用起来？产生数据价值？这才是最终决定结果的主要因素。

西贝餐饮集团IT资深高级总监贺赞贤分享过他们的案例：“传统的供应链数字化运营，是自下而上的需求驱动，存在效率低下、口径不统一、分析不敏捷等问题。西贝亟需自上而下构建完善科学的指标体系，实现敏捷、灵活、统一的应用”。

据我们了解到，西贝集团从餐饮探索到零售业务，销售创新带来了新的供应挑战，零售业务没有规律、难以捉摸导致了供需经常错配。比如销售计划制定不严谨、产能和需求不匹配、供应周期与需求周期匹配程度低等问题导致商机丢失、毛利低下。

为了解决这些业务难题，西贝集团开始优化供产销协同标准和流程，通过大数据分析平台监控整个业务的运营情况。

举个例子，计划人员借助BI工具构建的报表观测销售计划达成率、库存可销天数等指标，不仅可以实时查看供销匹配度，还能通过预警功能提前示警，及时协同销售方及生产方，规避断货和呆滞风险。

目前，西贝集团内部有几百张运营监控报表，通过各种指标来监控供应、成本和资产利用率等情况，保障供应的可靠性和敏捷性的同时驱动业务优化、提升销售毛利。

从1-100是不少大型企业面临的数据难题，同时从0-1的指标体系搭建也是核心难题。西藏药业的探索历程是典型代表，在进行数字化转型之前，数据分散在多个业务系统中，不同系统间暂未打通，导致数据无法汇集，从而无法从各个系统中取数，另外数据质量高地不一，数据口径也不一致。这样的历史遗留问题让业务人员无法高效、自助用数。

为了解决上述问题，西藏药业打造了“指标分析体系＋指标管理＋指标可视化”的一站式解决方案。

具体而言，指标体系的打造源于将医药行业的常用指标和自身业务需求指标相结合，形成了更全面的指标内容和体系框架，另一方面，通过数据连接、数据准备等产品，将不同的数据进行分级，辅助业务人员更高效的用数。

这样的行业积累在智能化时代更为关键。一位做大模型中间件（数据管道）的从业者曾向我们表示：“未来大模型的能力可能水平都差不多，重点就在行业的专有数据和能力上。”

显然，BI与行业的结合，不止于当下的数字化应用，未来，还有更广阔的星辰大海。