商業智能的AI奇點:沿著舊地圖,找不到新大陸
伴隨著技術的發展,智能BI或許會成為國內BI廠商步入的下一個階段,未來,BI廠商或許也會在智能化的影響下走入新的競爭格局。具體怎么理解?國內的BI廠商又是如何應對的?一起來看看本文的解讀。
“今年8月份以后,有非常多企業客戶開始咨詢智能化的服務,也提出一起共創。”ChatGPT火爆之后的半年,帆軟BI產品運營負責人唐昕開始感受到了來自市場對智能BI的強烈需求。
商業智能BI是一套完整的由數據倉庫、查詢報表、數據分析等組成的數據類技術解決方案。越來越多的企業也意識到BI的重要性,據Gartner 2023年在中國區進行的調研表示:62%的中國CIO將在2023年增加商業智能BI的投資。
從報表式BI到敏捷式BI,中國BI經歷過第一波周期,走向低門檻、可視化,讓業務人員能夠快速托拉拽自定義用數,同時也將后端分析能力搬到臺前。
在光錐智能與多位BI廠商交談的過程中發現,幾乎所有業內人士都認為,智能BI是下一個階段。但從具體動作來看,目前廠商的態度卻大概分為兩派:
- 一派是行動派,在ChatGPT出現以后,迅速接入能力開始嘗試,如思邁特新版本中著重提到了智能對話能力,網易數帆也在押注ChatBI、百度GBI在內的巨頭公司也開始向智能BI進行探索和嘗試;
- 另一派則是冷靜派,仍然在保持觀望態度和內部探索,并沒有迅速上線產品。
“沿著舊地圖,找不到新大陸?!?/strong>思邁特軟件CEO吳華夫認為發展智能BI不破不立;網易數帆大模型技術負責人、人工智能產品線總經理胡光龍同樣認為:“智能化將極大降低BI用戶使用門檻,真正做到人人用數的階段?!?/p>
但帆軟FineBI產品運營總監唐興強卻認為:“智能化對BI的影響更多在提升效率的環節,核心還是要結合當下場景進一步分析?!?/p>
在如同冰與火的對立之下,中國BI行業也在爭議中,再次進化。 智能化席卷著千行百業,但究竟會帶來哪些具體的改變,任何一個行業都還沒有定論。 “大模型+BI,從交互式體驗,到編碼能力再到推理能力,要一層層疊加到業務里去”,網易數帆大數據產品線總經理余利華向光錐智能分享道。 用交互式能力降低“用數”門檻,是智能化的第一階段。 從微軟PoweBI開始,對話式BI成了大模型+BI的第一站。國內BI廠商也在今年8月開始動了起來。 思邁特在最新V11版本的產品中,加入了數據模型、指標模型、自助分析、對話式分析等多種智能角色能力,另據光錐智能獨家獲悉,思邁特不久也將推出問答式BI;緊接著網易數帆發布了有數ChatBI產品,將基于大模型的自然語言理解能力與專業數據分析能力結合;10月份,押注AI應用的百度也將觸角延伸至BI領域,推出其生成式商業智能產品“百度GBI”,可以通過自然語言交互,執行數據查詢與分析任務,并且支持專業知識注入。 對話式BI,即用戶通過自然語言即可與BI系統進行交互。當對話式BI介入后,查找數據的流程被簡化為,自然語言詢問—自動轉化為SQL語言—自動搜索數據—轉化為自然語言—輸出結果。 這種交互方式最大的特點在于大幅度地降低了BI系統的使用門檻,讓業務人員無需掌握SQL等專業語言,也無需深入分析模型,即可獲得所需。 但隨著企業深度使用體驗,對話式BI即問題也暴露無遺。例如,搜索過程中,出現了多次搜索數據結果不一樣;因統計口徑不一致,指向同一個指標的數據無法合并同類項,導致了GMV無法與成交金額一起納入統計。 諸如此類問題,在實際應用中層出不窮,也逐漸讓企業意識到:對話也只是一種形式,而非一種結果。單純的搜索并不能保證數據得出的合理性,要防止數據變成“無源之水”,還得增加分析的過程。 于是,用推理能力打破分析壁壘,開啟了智能化的第二階段。 智能分析簡單來說,就是BI系統能主動識別問題,進行根本原因分析,并給出解決方案建議。這背后需要BI系統積累大量的領域知識及復雜推理能力。以愛數為代表的部分廠商,正在發力知識圖譜和大模型,朝這個方向嘗試。 愛數產品副總裁李基亮告訴光錐智能,“只有通過知識的方式,才能在技術上做關聯分析?!?/p>
比如當數據統計口徑不一致時,需要大模型的理解能力理解相近意思的數據,并進行整理和歸類。舉個簡單的例子:統計公司本科以上的員工,這不是關鍵詞的篩選而是理解本科、碩士、博士三種具體的學位。 而在分析層,傳統的BI軟件能夠顯示數據異常的波動,比如10月份銷量低迷,智能分析能夠通過回歸分析模型,對于每一步的數據搜索、分析過程清晰可見,結果歸因層層下鉆,逐一拆解,再通過ChatBI展示影響因素是品牌、客戶還是渠道。 再向前展望一步,通過智能體重塑BI系統,或許是智能化的第三階段。 Agent概念最近大火,未來,也許可以達到萬物皆可Agent的狀態,BI+Agent也將成為其中一個細分方向。 以光錐智能觀察,Agent對BI行業的改造已經開始,有從業者告訴我們:“BI目前是Agent化改造的第一梯隊”,究其原因在于BI系統里本身就含有大量需要自動化的步驟和流程,這與初級階段的Agent十分適配,既能簡化流程,提升效率,還能提升調用大模型的基礎能力。 未來,更進一步,當Agent變得更聰明后,一切過程化將被Agent內化為己有。到那時,無論是單智能體還是多智能體都將不在依賴于線性的程序和規劃,對BI行業帶來的結果可能是,系統的界限被打破,服務模型將被重構。 Agent直接與用戶產生互動,用戶通過語音或文字,描述業務問題,大模型理解問題場景,自動識別相關數據源,進行分析并輸出結果,完全無需搭建BI系統。 這種“BI+Agent”的新模式,也被業內的一些人視為可能的終點狀態。 大模型蒙眼狂奔了一年,也讓行業看清了一個現實“智能化不是萬能解藥”,甚至現在很多行業數字化水平都尚淺,從根本上缺少智能化的基礎。 唐昕表示:“智能化對BI的影響更多在提升效率的環節,核心還是要結合當下場景進一步分析?!?/p>
這一思路和網易不謀而和,網易數帆大數據產品線總經理余利華認為:“如果BI僅僅疊加了大模型,但不能落地、沒有場景,就沒有價值?!?/p>
反觀當下BI行業所面臨的痛點,并不僅僅是技術難題,簡單的講,并不是智能化缺乏落地場景,而是整個BI行業都面臨著場景落地的階段性難題。 不少客戶反饋,大模型生成的分析代碼質量參差不齊,準確率難以保證。帆軟表示,這就要求BI廠商對領域場景有足夠理解,進行細致調教。否則用戶體驗反彈,信任難以建立。 如何理解場景?唐昕舉了一個例子,BI軟件具體應該形成什么樣的指標,如何能讓業務用起來,如何分析產生數據價值,都需要深入行業梳理。 以制造業為例,在制造業里“不良率”是一個重要指標,那么BI介入之后,首先,需要根據行業認知,去確定“不良率”的特征標準,然后才可以把這一特征揪出來,放到指標庫里,通過標準化產品實現復用。 在這一階段,BI性能越高就能行業通吃,這就需要把行業經驗吃透,沉淀出指標來。畢竟,金融級的BI要求的是數據敏感,而制造業就不要敏感、需要穩定,行業的經驗往往不能照搬遷移。 因此,對于所有BI企業而言,在進入一個新行業之時,企業們又回到了相似的起跑線上。 從行業開拓的角度來看,BI企業開始步入新一輪探索階段,尋求其他更復雜更邊緣行業的落地機會。 BI發展多年以來,率先在金融、電商、零售等行業落地。例如,網易數帆基于金融機構面臨的監管加強、價值體現難、數據質量不足、開發資源緊張等挑戰,對于金融機構進行數字化建設,包括數據生產力的提升,其內涵涉及合規、增值(為管理、運營人員等提供即開即用的數據)、可信(業務人員信得過數據及平臺,打破數據壁壘)、協同等。 在舒適區探索趨近于飽和之后,BI行業正在向外探索,例如農業、制造業等數字化程度較低、專業性的行業,成為了下一個階段BI探索與爭奪的目標。 而在解決這些痛點難題之后,智能化更多的作用集中在“輔助”和“增強”的環節。以愛數客戶為例,他們在大模型等支持下解決了數據標準化、業務術語統一等問題,從而提升下游分析建模效率達30%以上。 不過,“智能化”也并非開掛。 盡管市場上已經出現了各種智能BI的概念與嘗試,大到行業領導者,小到新晉創業團隊。但產品落地后,用戶普遍反映智能化的效果并不盡如人意。原因在于,智能BI并不是簡單架接一個通用型大模型即可高效運轉。 未來中國BI,智能化只是其中一個可能路徑。但必須要強調的是,目前無論是國外PowerBI還是國內的諸多BI廠商的調研來看,客戶對于智能化的需求并不強,多半抱著獵奇的心態,感興趣但不會真的為其買單。 更為關鍵的是如何從客戶場景、行業痛點中汲取經驗教訓。這是中國BI企業在新一輪應用探索中必須面對的選擇。 智能化雖然不是開掛,但也確實激活了相對固定的行業格局。最為典型的特點便是今年以來,老選手們奮力創新,新選手們也在排隊入場。 不止百度這種大廠開始發力GBI(生成式商業智能產品),SaaS廠商開始下探PaaS層,數據庫企業也基于AP的分析能力對外向企業提供BI服務,一時間,BI成了數據產業鏈的交叉點,整個行業格局也面臨著重新洗牌。 智能化對數據能力要求的進一步提升,讓更底層的數據廠商積累的能力,得以在大模型時代釋放。比如,針對大模型在產業中落地存在著數據層的關鍵難題——幻覺問題、不可解釋性、安全風險等等,愛數方面認為,這并不是大模型的問題,而是數據問題。 數據廠商的基礎能力,也是BI智能化的下一階段所需要的核心能力。 比如,企業中常年存在的“數據孤島”問題,無法實現數據的有效連接和統一查詢利用。而且,多個系統中存在重復和冗余的數據,造成存儲和計算資源浪費。同一數據在不同系統中存在不一致版本,數據質量無法有效控制。 這會嚴重影響分析結果和準確性,這不是上一個系統、換一個工具、買一些SaaS產品局部診脈就能解決的問題,企業需要系統性的、全局性的BI產品。 為了打通多種數據源,愛數在數據管道、數據湖倉一體方面進行了探索,也將這樣的探索應用在了RGA(檢索增強)技術中,在大語言模型推理生成答案時,額外檢索調用外部的領域知識網絡,利用綜合檢索結果進行答案生成。 而智能化產生的新需求對底層的數據能力提出了挑戰,這正是全鏈條工具儲備的一個新牽引力。 李基亮舉了一個很現實的例子:“現在我們很多客戶都是幾百TB以上的數據,那平臺的搜索能力、對元數據的備份能力、對勒索病毒的抵抗能力,這些很基礎的平臺能力如果沒有,那建好了分析也是空中樓閣?!?/strong> “所以現在不是AI+Data,而是Data+AI?!崩罨翉娬{。 雖然基礎工作繁瑣,當智能分析一旦跑通,將成為新的生產力方式。 企業服務往往靠的是經驗型產品和服務,行業格局也會更依賴于先發優勢和客戶突破能力,也正是因此,短時間內,后來者很難顛覆帆軟Top1的地位。 智能化作為生產力之后,客戶的選擇更多,也可以通過智能化把需求重新做一遍,這讓行業有一個了新的彎道超車的機遇期,甚至像百度這種基本沒有涉足過BI行業的大廠,也能通過一些AI原生的能力切入中小企業,滿足不同群體的不同訴求。 智能化為BI開啟了一扇新的窗口,同時,也將帶著廠商走入新的競爭格局。 作者:劉雨琦;編輯:王一粟 來源公眾號:光錐智能(ID:guangzhui-tech),前沿科技,數智經濟。 本文由人人都是產品經理合作媒體 @光錐智能 授權發布,未經許可,禁止轉載。 題圖來自Unsplash,基于 CC0 協議。 該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。一、智能BI長什么樣?
二、智能化,為時尚早么?
三、要求數據能力更高,行業重新洗牌
- 目前還沒評論,等你發揮!