回顾过去十年，BI市场经历了一场概念大爆炸。大数据、非结构化数据、数据湖、湖仓一体、数据中台等新名词接连出现。概念很多，但真正给企业带来新价值的并不总是那么多。

不少投身数字化建设的团队，感受到的更多是困惑和迷茫。听起来先进的架构，未必都能转化为实际业务收益。

其实，在AI大模型出现之前，传统企业对非结构化数据的利用效率一直很低。文字、图片、视频虽然被存进了大数据体系，但大多数时候都处于“沉睡”状态。

那些新架构创造的价值，很多时候还不如传统的数据仓库来得实在。结果是，数字化团队投入了大量时间和预算，却没能换来应有的回报。

从从业者视角看，这个过程很有意思。最初接触BI，是从SAP的产品入手。当时行业主流模式是IT部门说了算。

后来经历了SAP收购Business Objects，又看到HANA数据库、SaaS平台等一系列变革。再后来接触互联网业务，发现指标体系成了绝对核心。直到现在，AI大模型又把一切推向了新的维度。

IT统筹下的BI体系

SAP自家的BI产品，是非常典型的以IT为核心的做派。在这种模式下，IT团队主导所有环节。

• 从各个业务系统里通过ETL抽数据
• 建数据仓库
• 再用专业的报表工具给业务部门做报表

业务部门只负责使用。如果不满意，就反馈给IT，IT再修改、再发布。整个过程，和普通软件开发的节奏差不多。

这种模式的优点很明显：流程严谨、权限控制严格、报表性能稳定。

它特别适合多业务单元的大型集团，比如世界五百强、跨国公司。因为不同业务单元的数据需要隔离，但集团层面又需要汇总分析，这时候IT的强力管控就尤为重要。

但缺点也很直接：效率低，灵活性差。

尤其当业务和IT团队沟通不畅、地理位置相距较远时，一个简单需求也可能拖上好几天才能交付。这显然跟不上市场变化的速度。

业务自助的BI体系

2007年，SAP花了68亿美元收购Business Objects，这在当时是件大事。SAP拿到了水晶报表、Web Intelligence这些好用的工具。

与自家的ERP系统整合后，客户获得了更强的分析能力。

Business Objects的思路完全不同。它的用户不再是IT，而是业务团队里的数据分析人员。

这些人通过简单的拖拉拽，就能自己搭建报表，和现在的低代码平台很像。

这种模式适合中小企业，或者业务单元相对独立、各自有较大自主权的公司。业务人员可以根据需求快速搭建报表，不用天天追着技术跑，数据响应速度自然更快。

互联网化的BI指标体系

传统企业的业务周期通常很长。从获客到回款，几个月甚至跨年都很正常。所以它们的KPI往往以季度或年度来设定。

互联网行业则完全不同。无论是金融还是电商，一个业务闭环可能以天甚至分钟来计算。

这种情况下，必须用更细粒度、更易量化的指标体系来指导运营。

指标，就是把业务量化的工具。

• 媒体看点击率
• 物流看准时送达率
• 电商看转化率

每个行业都有自己关注的重点。

很多传统企业想向互联网学习，于是开始搞业务在线化，实现数据闭环。用指标体系及时看业务状况，让每个环节都变得透明。

这样一来，目标与现状之间的差距一目了然，决策自然也更有依据。

但这里要泼一点冷水：传统企业千万别盲目照搬互联网巨头的体系。

那些巨头背后的基础架构极其复杂，成本高昂。各种大数据平台、分布式数据库、多云架构，建设和维护代价都很高。

光一个大数据开发人员的薪水，可能就超过一套BI系统的价格。大多数企业的体量和业务复杂度，其实用不上那么重的架构。

BI+低代码，更深入业务的数据应用

有些公司在指标体系建设上更进一步，比如平安证券的微卡片应用。每个微卡片都是一个独立的业务功能。

• 可以单独使用
• 可以分享
• 还能嵌入别的页面

一次创作，多次复用，效率很高。据报道，他们卡片的复用率超过了191%。

微卡片涵盖了多种类型，包括展示类（看板、大屏）、操作类（表单、报表）、办公协同类（在线PPT、Excel、微会议）等。

不同卡片可以灵活组配到不同场景中，让不具备前端开发技能的业务人员、后端人员也能参与开发。这其实就是BI与低代码的融合与扩展。

AI辅助的BI产品 - ChatBI

日常生活中，人们更习惯用自然语言交流。但BI系统建立在结构化数据和特定分析逻辑之上。

对大多数人来说，用数据分析师的方式来思考，确实挺费脑的。AI大模型出现后，一个问题自然出现了：能不能跨越人类语言和结构化数据之间的鸿沟？

于是，各种ChatBI产品应运而生，让用户可以用自己习惯的方式与BI对话。

很多技术同学可能对Text-To-SQL寄予厚望。思路是把所有数据放进一个大数据库，然后直接提问，由系统自动生成SQL并返回结果。

这样是不是就不再需要现有的BI体系了？我们也尝试过用Vanna这类开源项目做Demo，处理简单数据时效果确实还行。

但实际用起来，Text-To-SQL的准确率并不理想。大部分系统只能做到60%左右。

如果给大模型补充数据库的结构信息，再加上对历史SQL执行的人工标注和相关文档，准确率能提升到90%。不过这里有个关键问题：自然语言本身就带有模糊性，而数据查询要求精准。

AI语言模型本质上是概率模型，BI系统则追求精确。提升准确率，往往也意味着成本增加。

所以，ChatBI在实际落地中，一个更可行的方式，是对已有的BI报表和卡片做文本标注。

这样一来，业务人员不用再专门进入BI系统，直接在IM聊天工具里用自然语言就能调取这些数据，效率会大大提升。

即便AI偶尔调错卡片，业务人员也能根据卡片上的标注内容迅速发现并纠正。

AI自动驾驶下的BI体系

在一些大型企业的ERP系统中，数据表可能多达几万张，它们之间的关联极为复杂。即使是专业的数据分析师，想要理清其中逻辑也相当困难。

AI要实现BI的“自动驾驶”，前提是必须全面理解企业的业务。

目前，企业中能同时满足两个条件的人极少：

• 一是扎实的高级SQL能力
• 二是对组织独特的数据结构和模式有全面了解

AI大模型的出现，为突破这个瓶颈提供了可能。通过分析企业历史数据、业务系统、流程文档、操作记录、沟通记录等多源信息，AI可以构建起对业务的深度理解模型。

举个例子，一家大型制造企业。AI可以学习从原材料采购、生产排期、质量检测到产品销售的全链条数据逻辑。

它还能理解不同部门在不同环节对数据的需求。这样一来，AI就不再只是做简单的关联分析，而是能从业务本质出发，像人类专家一样理解数据的“生命历程”。

当AI理解了业务之后，还需要掌握对数据工具的灵活运用，包括数据抽取、清洗、分析和可视化等一系列操作。

它需要自动把人类的分析意图拆解成一个个可执行环节，再拼成一个完整闭环流程。比如，AI可以根据市场动态、销售区域、产品类型等多个维度自动生成分析报告。

更进一步，除了被动执行用户的数据请求之外，AI系统还应该主动生成大量数据看板、卡片和故事。

用户对这些内容的点赞、关注和修正，可以反过来指导AI持续进化，形成一种良性的反馈机制。

当然，要实现BI领域的AI自动驾驶，难度不小。

• 一方面，需要投入大量资源训练和优化模型，包括高质量的数据标注和强大的算力
• 另一方面，企业必须建立完善的数据治理体系，确保数据质量、一致性和完整性

只有在数据可靠的基础上，AI的自动驾驶才能真正发挥优势。

那么，在你看来，在BI领域，实现数据的自动驾驶，大概还需要多久？