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。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。