当大模型技术突破临界点, 全球企业正经历一场数据智能的范式革命。据 Gartner 预测, 到 2027 年, 中国 80% 的企业将使用多模型生成式人工智能策略来实现多样化的模型功能、满足本地部署要求并获得成本效益。但与此同时, 众多企业仍面临数据孤岛、分析门槛高企等痛点, 让数据价值释放举步维艰。
AI 正重构 BI, 还是在制造新的数据迷雾?
3 月 7 日, 瓴羊「数据荟」Meet up 第 4 站, 阿里云智能瓴羊高级技术专家刘少伟以《大模型驱动的智能 BI 分析》为主题, 系统阐释了“三位一体”企业级智能 BI 方法论。他指出:“所有的产品都值得用 AI 重做一遍,BI 也不外如是。但企业级 BI 的智能化必须是 BI 工具、大模型与私域数据的三角共振”。现场, 刘少伟不仅解构了智能 BI 的进化逻辑, 更以瓴羊 Quick BI 的实践为样本, 揭示了数据价值跃迁的可行路径。
智能 BI 时代: 从“工具”到“智能体”的跃迁
BI 的演进本质是数据民主化的进程。一直以来,BI 技术的发展始终围绕“降低使用门槛、提升分析效率”展开。刘少伟指出,“Gartner 魔力象限报告历年来的变化表明,BI 产品经历了传统 BI、敏捷 BI、智能 BI 三个阶段。”
在传统 BI 时代 (2010 年代),Oracle BIE、IBM 等工具主导市场, 但“业务人员提需求, 数据开发做报表”的流程导致开发周期长、灵活性差。即便到了 2016 年敏捷 BI 崛起,Tableau、Qlik 通过可视化拖拽实现“自主分析”, 但高阶分析仍依赖专业分析师, 业务人员止步于“看数”而非“用数”。
当业务决策需要实时响应市场变化时, 传统 BI 的静态报表体系问题暴露 —— 数据加工速度永远追不上业务需求迭代的节奏。刘少伟表示,“到了 2024 年, 大模型让自然语言交互成为可能, 智能 BI 的拐点终于到来”, 用户通过自然语言问答即可获取数据并深度洞察。
当前, 据 Gartner 2024 年技术成熟度曲线显示, 与智能 BI 相关的 AI 技术 (如生成式分析、自然语言查询) 正处于“期望膨胀期”。刘少伟强调:“随着大语言模型的兴起, 生成式 AI 出现了井喷的现象, 且市场上客户对于生成式 AI 技术处于狂热追捧阶段, 历史正在从敏捷 BI 向智能 BI 跨越。”
其中, 作为国内唯一连续五年入选 Gartner 魔力象限的 BI 产品,Quick BI 通过持续创新证明了智能 BI 的可行性。Gartner2024 年报告特别指出, 其核心优势在于“智能化与开放性”, 尤其是智能小 Q 支持的智能问答、智能搭建、智能洞察三大场景, 已成为企业级决策的重要助手。
三位一体: 大模型与 BI 的深度融合逻辑
面对普遍存在的“工具 + 大模型”拼凑式认知, 刘少伟指出:“企业级智能 BI 不是工具与大模型的简单叠加, 而是 BI 工具、大语言模型、企业私域数据的深度融合”。
例如瓴羊的解法, 便是构建“BI 工具-大语言模型-企业私域数据”三位一体架构。BI 工具作为基石, 提供可视化、高性能分析引擎及安全管控能力; 大语言模型通过自然语言交互与推理能力简化分析流程; 企业私域数据结合行业知识与内部知识库, 保障问数准确率与业务相关性。这种模式下, 大模型不仅是工具, 更是重构分析逻辑的底层思维。
此外, 刘少伟提出,“传统 BI 的‘数据连接 → 建模 → 分析 → 协同 → 消费’链条被大模型全面革新。”例如在数据连接阶段, 智能探查与质量分析, 能够预判数据分布规律; 建模阶段, 自动化 ETL、智能生成、优化 SQL 帮助告别手工编码; 分析阶段, 自然语言问答替代固定报表, 多模态结果实时反馈。
技术发展下, 可以预见的是, 智能 BI 将实现从效率到深度的跃迁。刘少伟指出,“搭建助手、智能问数、洞察分析是智能 BI 的三大发展方向”。其中, 搭建助手类可以帮助用户自动化完成数据集构建、报表美化等重复性工作; 智能问数类则相当于打破了原有的数据分析传统的过程, 取而代之的是一种更加轻量化的, 以自然语言问答作为新的形态数据获取和数据洞察新的形态; 洞察分析类不仅做到描述型分析, 甚至可以向用户提供更深度的洞察分析, 比如做诊断、预测、决策, 让 BI 从“事后解释”走向“事前预判”。
智能小 Q: 重构数据分析的用户体验
作为三位一体架构的落地载体,Quick BI 智能小 Q 正在重塑数据分析的协作模式。刘少伟指出,“智能小 Q 目前核心提供两大能力体系 —— 智能搭建与智能问数。”其技术架构依托两大底座: 一是基于通义千问大模型强化训练的领域专用模型, 二是 Quick BI 原有的 OLAP 多维分析引擎。
智能搭建的价值在于, 打破传统 BI 的“手工劳动”困境。“一键生成报表、一键美化、一键批量配置等功能, 让业务人员从拖拽操作中解放出来”。而智能问数则重新定义了数据分析的门槛, 用户通过自然语言提问即可获取结果, 过程中系统自动关联数据管理、知识库推荐等辅助能力。
譬如某饮品客户选取“经营分析表”作为测试场景, 锁定 GMV、订单量、会员活跃度等核心指标, 并划分时间、地域、渠道等多维度分析视角。最初未经调优的智能小 Q,110 个测试用例的准确率仅为 65%; 但在导入企业知识库并强化模型后, 准确率跃升至 92%。刘少伟指出, 这一突破印证了“三位一体”模式 —— 智能 BI 的可靠性不仅依赖工具与模型, 更需高质量企业数据与行业知识库的支撑。
为帮助客户跨越“从可用到好用”的鸿沟, 瓴羊同步推出“智能问数调优手册”, 该手册详细阐述了如何进行数据管理和企业知识库管理等方面的调优操作, 旨在帮助客户提升智能问数的准确性和实用性。例如, 在数据管理方面, 手册指导用户如何选定数据表模型、如何对数据内容进行清洗等; 在企业知识库管理方面, 则提供了如何定义逻辑、排除干扰信息、准确定义专业术语等行业黑话的方法。
刘少伟介绍道, 智能小 Q 还可深度对接 DeepSeek、Qwen-Max、Kimi 等主流大模型, 用户可在“智慧问答”模块中按需组合不同模型, 实时获取文本、图表、趋势预测等多维度分析结果。这一特性不仅打破了单一模型的局限性, 更通过多模态响应降低了分析偏见, 确保结果的客观性与全面性。值得注意的是, 智能小 Q 在官方智能体能力基础上, 用户可按需自定义智能体, 该智能体可以方便地复用 Quick BI 的多种基座能力, 如权限管控、可视化交互、查询引擎等, 搭建出来的智能体能针对性地根据企业使用场景进行洞察分析。
另一项核心升级是支持多步计算, 解决传统 BI 难以处理的复杂分析需求。例如, 用户提问“销售金额日环比超过 40% 的客户有哪些”时, 系统需先计算日环比数据, 再筛选符合条件的客户。为实现这一目标, 智能小 Q 将拓展 Text2DSL 技术, 并引入 Task 2Python 混合逻辑, 通过中间结果传递完成多步运算。这种技术创新不仅提升了分析灵活性, 更将复杂问题拆解为可执行的流程, 使原本需要多轮对话或人工干预的任务实现自动化处理。
正如《大数据之路 2》书中所言, 数据决策普惠是瓴羊一直坚持在做的事。
在智能 BI 的浪潮中, 瓴羊 Quick BI 正以大模型为引擎, 推动企业从“数据拥有者”向“智能决策者”进化。未来, 随着多模态交互、行业知识库的深化, 数据将真正成为企业的“数字血液”, 流淌在每一个决策细胞中, 而瓴羊将持续以技术创新为舟, 助力企业通过智能 BI 加持智能决策, 提升企业长远竞争力。
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。