商业智能应用白皮书5.0

帆软数据应用研究院出品商业智能应用白皮书

5.0BUSINESSINTELLIGENCEAPPLICATIONWHITE

PAPER前言PREFACE在新质生产力、数字经济、AI

技术等关键词大热的大背景下，数据作为数字经济时代的基础性和战略性资源，开始加速成为企业竞争的关键生产要素，加速让数字化颠覆成为各行各业的“新常态”。各行业虽然数字化转型进程不一，但是大多不约而同地将企业层面的全面数据决策能力和数据价值洞察列为迎接变革和商业创新的决胜因素，并把商业智能作为其中重要的数据利器。BI

的发展已有二十余年，从开始的报表式BI

到自助分析式BI

到智能BI，均受到各行业的广大企业的广泛应用，硕果累累。BI

产品的发展历史有一条清晰的主线，即不断地利用新技术降低数据分析门槛，让更多的企业能够从大数据中受益，真正把数据转变成生产力去驱动业务，实现数据资产积累。不同类

BI

各有优劣，分别适用于不同的场景，不是绝对的相互替代的关系。企业除了需要根据自身信息化情况去选择合适的

BI

工具类别，也要做好数仓建设；当业务规模和复杂度不断增加时，更需要关注数据治理、维护数据指标体系等问题。帆软数据应用研究院基于最新的洞察，在《商业智能应用白皮书

5.0》中阐述了以下核心内容：01

解读

BI

产品演变，BI

多形态共生理念究竟包括什么？强调数据全链路管理和建设，产品的价值主张是什么？对话企业内部

BI

资深用户，有哪些工具使用的感悟？探究智能

BI

更多是

AI

for

BI，如何定位方向及落地？解析案例如何用

BI

发挥数据价值，加速数据资产入表？分享浙高运实践经验，企业数据资产入表该准备什么？提出企业数据治理的优解：如何用“拉式策略”做治理？指导企业如何建指标体系、建底层，以及如何应用指标？传递帆软如何用

BI

进行数字化建设的心得，以财务为例？目录CATALOGUE04

借力

BI：发挥数据要素价值，加速数据资产入表4805

企业精驭

BI

在于数：集成、治理、梳理71.1

解析数据资产入表：概念侧阐释数据资产的前身：数据到数据资源理解数据资产：数据三权和资产内涵理解数据资产入表：计入报表相关科目解构数据资产入表：企业侧指南数据资产入表，企业该入什么数据资产入表，企业该准备什么数据资产入表，企业会经历什么数据资产入表，企业会得到什么解读数据资产入表：结合帆软产品的实践数据资产化的关键：预期带来经济利益帆软产品助力数据应用和数据价值发挥实践案例：基于帆软产品实现数据资产化展望数据资产入表：未来趋势4949495152525456586262626370737374757777788087879698.1

数据仓库：为业务决策和经营管理做支撑数据仓库的重要性：数据底层建设的优解数据仓库的本质：面向数据分析应用数据仓库的特点：集成、时效、持久数据治理：面向数据应用提升数据准确性帆软理解的数据治理内涵：是一套管理体系帆软数据治理策略：拉式策略与推式策略适合多数企业的数据治理更优解：拉式策略数据指标：企业监控与贯彻战略的抓手如何建体系：自上而下

&

自下而上相结合如何建底层：贴源

-

明细

-

汇总

-

应用如何用指标：BI

分析为主，多层次应用0702

BI

理念：让企业用好数据、提升效率智能

BI：产品落地更多是

AI

FOR

BI033

.1

定义：AI

和

BI

的融合更多是

AI

for

BIWhat：如何理解

AI

和

BI

的融合Why：为何融合更多是

AI

for

BIWhen：何时迈入

AI

for

BI

时代How：目前如何发展

AIfor

BI

产品3.2

帆软的产品落地：AI

和

BI

的融合帆软近年来对智能

BI

的探索和思考

产品落地：定位是对话式业务分析工具回溯

BI：主线是多形态共生的演变011

.1

BI

定义：提供数据依据和决策支持1.2

BI

产品演变：多形态分析共生353535363740404101340204.1

BI

核心价值：助力企业提升效率BI

如何帮助企业提效：实现数据化决策FineBI

产品特点：多维度夯实

BI

价值FineBI

的产品功能：分解成八个维度FineBI

的优势：强大的性能与分析能力FineBI

的发展方向：万变不离其宗FineBI

Platform：多形态融合的分析平台走进

BI

资深用户：所用与所悟0810111115161727回溯

BI：主线是多形态共生的演变TRACINGBACKTO

BI:THEMAINTHREADISTHEEVOLUTIONOFMULTIFORM

SYMBIOSIS06

帆软数字化建设之道：BI

筑基，业务引领106107107108110113113129129133.1

帆软视角：数字化建设的三大阶段数字化：始于跟随、加速协同、奔向引领帆软数字化建设：三大阶段实践进程帆软信息化部门的定位：保障效率提升帆软实践：数字化建设中的业务层部分业务引领阶段，金字塔建设逻辑帆软实践：财务领域的

BI

应用创新帆软的财务数字化转型历程：从

Excel

到

BI帆软财务实践：基于

FineBI

的费用专项分析02 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

03BI

定义：提供数据依据和决策支持1.1早在

1958

年，IBM

的研究员

HansPeter

Luhn

便将

“智能”

定义为

“对事物相互关系的一种理解能力，并依靠这种能力去指导決策，以达到预期的目标。”

这期间出现的领导信息系统（EIS，Executive

Information

System）和决策支持系统（DSS,

Decision

Support

System）等技术应用，可以看作是

BI

的前身。BI

并不是全新的事物，而是对一些现代技术的综合运用。BI

为企业提供迅速分析数据的技术和方法

,

包括收集、管理和分析数据，将数据转化为有价值的信息，并分发到企业各处，让企业的决策有数可依，减少决策的盲目性，理性地驱动企业管理和运营。按照图

1-1

中的

DIKW

模型，数据转化为信息，升级为知识，升华成智慧的过程，便是数据价值的展现过程，其中要用到的种种技术和工具，就是

BI。BI

即

Business

Intelligence，

中文译为商业智能、商业智慧或商务智能。最新定义BI

是在打通企业数据孤岛，实现数据集成和统一管理的基础上，利用数据仓库、数据可视化与分析技术，将指定的数据转化为信息和知识的解决方案，其价值体现在满足企业不同人群对数据查询、分析和探索的需求，从而为管理和业务提供数据依据和决策支持。早前，帆软数据应用研究院对

1000

多名

BI

从业人员进行了调研，结果显示，我国企业从业人员对

BI

的理解集中于数据的分析和展示，甚至被等同于数据分析与数据可视化。后续，帆软数据应用研究院联合知名媒体机构对众多企业

CIO进行了多次访谈调研。分析各次调研结果及变化，我们得出了以下主要结论：在

2020

年

9

月发布的《商业智能（BI）白皮书

2.0》中，帆软数据应用研究院在文献研究和企业调研的基础上，结合我国的市场环境，对

BI

做出了新的定义。在本白皮书中，基于前文的描述和分析，我们继续沿用

BI

的这一最新定义：主要结论企业对于

BI

有着明确的诉求路径，即整合数据解放

IT

(

体现在数据的接入、集成和管理上），通过分析和可视化手段辅助企业管理和业务決策，最终实现企业的降本增效和各项业务能力的优化提升。BI

已经被大众所熟知，绝大多数企业都知道

BI

甚至会关注

BI，不少企业已经应用

BI；企业界对

BI

仍然有着众多不同的理解，但将

BI

解释为一整套解决方案的企业占比逐年增多，企业对

BI的认知开始趋于统一；数据信息知识智慧数据转化为智慧图：数据的价值展现04 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

05BI

产品演变：多形态分析共生1.21996

年，Gartner

集团正式将商业智能定义为：一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。从概念诞生到现在的几十年间，BI

的价值和使命并未发生根本的变化，依然是将数据转化为有用的信息，让企业的决策有数可依，变化的只是

BI

所使用的技术，而

BI

的发展也就是体现在技术上。目前，BI

的核心技术主要包括数据存储、数据

ETL、数据分析、数据挖掘，以及数据可视化分析。随着数据量的激增和应用场景的复杂化，BI

在技术上也有所补充，例如

Hadoop

和

Hive

等大数据技术的出现就很好的弥补了

BI

处理大数据的能力。回溯

BI

产品的发展历史，会发现有一条清晰的主线，就是不断的利用新技术降低数据分析门槛，从而让更多的人能够从大数据中受益，真正把数据转变成生产力去驱动业务。图：BI

产品的演变BI，即

Business

Intelligence，中文称为商业智能或商业智慧。2013

年以前：2013

年以后：BI

起源于

20

世纪

80

年代，主要技术包括SQL（结构化查询语言）、OLAP（联机分析处理）和数据可视化。这些技术虽然提供了强大的数据分析能力，但对用户的技术要求极高。用户需要具备

SQL

编写、数据建模和深厚的业务理解能力，因此，这类

BI

产品的用户主要是

IT/DT

人员，用户渗透率比例不到

1%。在这一阶段，BI

的使用门槛非常高。用户不仅需要掌握复杂的技术，还必须具备数据思维和业务理解能力。这意味着，只有那些既懂技术又懂业务的用户才能真正发挥

BI

的价值。比如，一名优秀的

BI

用户需要像DBA（数据库管理员）一样精通

SQL，同时也需要像

MBA

一样具备深入的业务理解能力。这使得

BI

的普及非常困难，主要集中在少数专业技术人员手中。VizQL

技术的出现，消除了用户写

SQL

的能力要求，从而让一部分懂

OLAP

数据建模，同时具备一定的数据思维和业务理解能力的分析师和业务部门的数据

BP

能够用自助式

BI

产品做自助分析，用户渗透率大幅提升到

10%

左右。报表式

BI：用户要具备

SQL

编写、OLAP

建模等技术能力，用户渗透率不到

1%。自助式

BI（即敏捷

BI）：不要求

SQL

编写等技术能力，但对数据分析能力要求高，用户渗透率

10%。增强式

BI：进一步降低了技术门槛，但仍要求用户具备一定的数据思维。互联网的发展让原本停留在学术界的机器学习、深度学习等

AI

技术在工业界得到了广泛应用和快速发展。大家开始尝试用这些技术去进一步降低

BI

产品的使用门槛，核心理念是用

AI

技术去增强

BI

产品的能力。当时的

AI

技术一定程度上确实降低了用户的使用门槛，也催生了早期的检索式

/

对话式

BI

产品。但用户的渗透率并没有得到大幅提升，从

10%

上升至

15%。其中很大一个阻塞就是用户依然需要具备一定的数据思维才能使用增强

BI

产品，这对很多业务人员来说是一个巨大的门槛。06 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

07以大语言模型（Large

Language

Model，LLM）为代表的生成式

AI

技术，为进一步消除数据思维这一项能力要求带来了新的机会。在预训练的过程中，LLM

内嵌了数据分析的知识，还可以通过

SFT

让

LLM

具备专业领域的数据分析知识。产品集成这些具备数据分析知识的

LLM

以后，用户只要具备一定的业务理解，就能从数据中得到他所关注的业务问题的答案。智能

BI：破除数据思维这个用户门槛，用户渗透率逼近

100%。BI

产品终极目标是“让人人都是数据分析师”，奔着这个目标

BI

产品持续演进，会发展出不同的产品形态，以满足不同场景的数据需求。需要强调的是，这几类

BI

各有优劣，分别适用于不同的场景，不是绝对的相互替代的关系。尤其是报表、自助式

BI

和智能

BI。这三类

BI

将长期共存，供企业按需选择，直到信息化基础条件发生根本改变，建议企业根据自身数据应用成熟度来判断哪一类

BI

更适合自己，或者是否需要结合使用。以双模

IT

下的帆软

BI

体系为例：报表式

BI

满足企业管理层固定看数的需求；自助式

BI

满足业务分析师自助分析的需求；智能

BI

满足普通业务人员的即时查数与分析需求。图：双模

IT

下的帆软

BI

体系BI

理念：让企业用好数据、提升效率BI

CONCEPT:ENABLEENTERPRISESTOMAKEGOODUSEOFDATAANDIMPROVE

EFFICIENCY传统

IT记录型信息系统稳定

/

可预测计划驱动善于应对复杂场景数字化

IT差异化创新系统敏捷

/

探索性探索性驱动善于应对不确定场景双模IT定时调度 打印输出

管理驾驶舱典型功能复杂报表 参数查询 数据填报Spider OLAP大数据引擎 数据集故事仪表板固定式数据展现产品FineReport定位以

IT

为中心的预定义报表平台；主要面向

IT

部门，为企业日常管理提供固定式的报表展示典型用户具备基础

SQL

知识的

IT

人员自主探索式数据分析产品FineBI定位以业务为中心的自助大数据分析平台；主要面向业务和数据分析师，以问题为导向的探索分析；也支持报表制作典型用户具备业务逻辑和数据素养的业务人员或数据分析师典型功能业务数据包

自助数据集

智能图表典型功能输入联想思路拆解多轮问答一键生成仪表板意图解析

分析报告智能问答式数据分析产品Finechat

BI定位以业务为中心的问答式大数据分析平台，主要面向普通业务人员的即时查数与分析需求典型用户具备一定业务理解的普通业务人员08 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

09BI核心价值：助力企业提升效率2.1让数据成为生产力，既是一个可以宣传的口号，同时也是指导着产品发展的方向。——帆软软件产品研发团队数据，为何能够提高企业的效率？用数据决策，就一定做出正确的决策吗？企业内有多少决策？回答这个问题，我们先看企业的成本在哪里，有的企业在意人力，有的企业在意原料，有的企业在意时间。人力、原料和时间都是成本，都不能轻易浪费。可哪里有真空的环境呢，浪费一些总是难免，对于所有企业而言优先要考虑的就是巨大的浪费。巨大的浪费是怎样产生的？有一句俗话叫做“兵熊熊一个，将熊熊一窝”，其本质逻辑是在讲错误的决策永远是最大成本的浪费，因为将军不只是打仗更是那个做决策的人。一个错误的决策，会带来人力、原料以及时间上巨大的浪费。为何企业重视人才，因为人才可以基于他的知识和智慧来提高决策效率。所以，数据为何能够提高企业的效率？因为数据可以提高决策效率，可以减少错误的决策，避免巨大的浪费。智者千虑也必有一失，数据决策不是万能的，但它的出现必然可以提升正确决策的比例。所有的决策都是综合各种信息而后做出的判断，孙子兵法中讲到：“夫未战而庙算胜者,得算多也；未战而庙算不胜者,得算少也。多算胜,少算不胜,而况于无算乎。”传统的中国智慧早已将这一逻辑讲的透彻了，缺少信息的支撑难以做出正确的决策。数据可能不是决策所需要的全部信息，但数据必然可以提供大量的关键信息，有和没有数据对于决策而言有着巨大的差距，越是复杂的形势下越需要数据来支撑决策。复杂的经营环境下，企业内的决策绝不仅是高层的特权，企业内上上下下每天都做着无数的决策。对于一个零售企业而言，采购部门要考虑哪个商品要补货、该进多少货；营销部门要考虑哪个商品要促销、该怎样促销；人事部门要考虑哪个部门存在人力缺口、怎样选择合适的人才。除非机械化作业，其他每一个要发挥个人主观能动性的岗位都要自主地做各种各样的决策来工作。差异在于有的决策简单，有的决策复杂，有的决策影响较小，有的决策影响很大。可只要是决策就可能会出错，每一个错误背后都存在着成本的浪费。所以，企业内有多少决策？这是数不清的，这些决策也是变化的。让所有的决策都是正确的，减少从大到小的每一个损失，这是每一个企业的理想，如何做到？靠着每一个人的能力吗？这不现实，但我们让每一个决策背后都有数据，就可以让这一理想成为现实。到这里，我们再看标题上的问题，BI

的核心价值是什么？答案呼之欲出

:BI

帮助企业更多地使用数据来决策，从而提高企业的效率总设计师说过：科学技术是第一生产力。恩格斯的观点：生产力是具有劳动能力的人和生产资料结合而成的改造自然的能力。我们通俗地讲，生产力就是单位时间内可以产出生产成果的量，也就是各企业关注的核心——效率。企业之所以存在，是因为它将多个个体组织起来，通过优化生产关系从而实现比个体独立生产更高的生产效率。效率是企业存在的根本，低于平均效率的企业和组织必然是会解体的，企业之间的竞争本质也就是效率的竞争。因此，企业需要想尽一切办法来提高效率，企业引进优秀的人才，是要提高企业的效率；企业引进先进的设备，也是要提高企业的效率；企业进行组织变更，同样是为了提高企业的效率。同理，我们所说让数据成为生产力，也就是让企业通过数据来提高企业的效率。10 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

11BI

如何帮助企业提效：实现数据化决策2.2让数据规范起来：很多企业的数据是混乱的，甚至夹杂着大量的错误的、无效的数据，这样的数据是没有办法用于决策的。让数据可以看到：明细数据无法被阅读和理解，而将数据按照对应的维度和指标来展示就有了它的意义，如果匹配上合适的图表，数据将具备更好的可读性，也能够表达出更丰富的业务意义。图表与数据的结合是一项专门的科学，其内容十分丰富，对于企业的数据分析用户来说是一个非常值得深入研究的领域。让数据可以被编辑：既然数据已经是规范的、可用的，还需要对它再编辑吗？所谓：“道生一，一生二，二生三，三生万物”。数据是死的，但业务却是活的，面对复杂的经营环境，业务则不仅是活的，更是灵活的，半部论语治天下的时代已经过去了。所以数据需要能够被编辑，能够基于固定的原始数据衍生出无限的可能，应对任何复杂的业务需要。下文中将以帆软

FineBI

产品为例，具体剖析

FineBI

如何帮助企业解决上述四个问题。数据就在那里，可是要拿来用于决策，中间还有几个问题需要解决。足够简单和高效：如果说前三个需要是在“画龙”，这一条则是“点睛”。前文已经介绍，现如今企业内需要的决策不是有限的一两个，而是每天都有大量的决策。另一方面企业不是面对固定的问题来决策，业务问题是灵活多变的。如此环境，非简单高效之工具不能解决问题。简单和高效不仅仅是对于企业的宏观层面，同时也是对于用户每一个分析过程体验的微观层面。BI

就是要解决以上四个问题，从而能够让企业实现数据决策，提升企业的效率。这是BI的逻辑，但这也还只是BI的基础能力。企业可以用BI解决1个问题，也可以解决1w个问题，可以解决1个人的问题，也可以解决1w个人的问题，虽然都是在使用BI解决企业的问题，但给企业带来的价值却有着天壤之别。企业使用BI能够给企业带来多大的价值，能够给企业提高多少的效率，这不仅是企业自身管理水平的问题，也是BI工具水平的问题。好的BI工具要有最低的推广门槛，也要有最低的使用成本，这可以降低企业推广的难度，降低用户分析的难度，让企业以极低的成本实现数据化决策，这才能让大多数企业获得成功。FineBI

产品特点：多维度夯实

BI

价值2.3FineBI

的产品功能：分解成八个维度BI要帮助企业实现基于数据进行决策，中间有一些问题必须要解决，这决定了BI产品的基础形态。在此之外，BI不能仅仅满足于只解决一两个问题，我们知道企业内有很多决策要做，其中只有一两个决策基于数据和全面实现数据化决策是两种概念。BI的使命是要让企业实现全面的数据化决策，是要给企业创造最大的价值，那这就决定了BI产品的发展方向势必要解决上述企业面临的4个问题：BI产品会有很多的功能，但并不是散乱随意的，我将BI的产品功能划分为了8个维度，而这8个维度与上文的四个方向形成了一定的对应关系，具体如下：让数据规范起来让数据可以被编辑让数据可以看到足够简单和高效图：BI

产品功能的

8

个维度12 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

130102当然，以上的逻辑图只是一个简单的呈现，产品的几个维度彼此之间并不完全独立。例如产品数据分析能力的提升不仅仅可以帮助企业里的更多数据被看到，也可以帮助让更多的数据可以被编辑。8个维度具体的解释及相应的FineBI功能设计如下：完整的数据规范管理是什么：用户能够分析好数据的基础是有一份高质量的数据可以使用。规范数据却一直是企业数据建设的难题，企业数据量大且庞杂，数据的一致性、准确性、完整性等面临着巨大的挑战。因此产生了很多方法和工具来帮助企业规范数据，比如数仓建设方法Inmon和Kimball模型、比如后期衍生的数据中台建设方法论等等。BI应用越深的领域，所产生的分析需求也越多，数据质量的要求也越高，因此BI工具是否具有规范数据的能力就越重要。稳定安全可靠的系统是什么：这是所有ToB产品的基础要求。所有用户都会有产品确定性和安全性的要求，一个稳定的系统才是可控的，才能够让用户放心地使用。高0效3的性能是什么：第一，用户查看、分析数据时，产品要有快速的反应，这是效率的体现；第二，面对庞大数据量时，产品依然有高效率的表现。这些就是对产品高性能的要求。FineBI

做了什么：FineBI提供了丰富的数据管理方法，尤其在今年我们将进一步完善数据建设能力，包括模型建设和管理、指标管理、维度关联、全局血缘分析等等。基于以上能力我们将提供完整的数据规范管理解决方案，帮助客户建设规范的数据平台，支撑数据的分析和展示。FineBI

做了什么：FineBI为了系统的稳定安全可靠做了大量的工作，比如我们做的集群架构、存算分离架构、服务拆分以及运维平台等等都围绕着这一目标。04FineBI

做了什么：纵观国内所有的BI厂商，FineBI应该是在这一维度投入最大的。我们研发了自己的引擎，并且我们的引擎经过了几个版本的迭代，可以在亿级别的数据量上有着非常优秀的性能体验。此外，我们自研的引擎相比通用引擎有着一个巨大的优势，那就是可以和数据分析的场景进行很好的结合。FineBI能够识别出最重要的一些场景，智能地调节计算资源，正如苹果软硬件结合的设计能够给到用户最佳的体验一样，引擎和产品的深度结合也会给企业给用户带来最佳的体验，这种体验是其他和通用引擎结合的BI所无法提供的。完善的系统管理是什么：核心是系统的用户管理和资源管理，具体包括用户管理、权限管理、安全管理、任务管理等等。我们要让更多用户使用产品，但用户越多，系统所产生的所占用的资源也就越多，系统管理就是去实现系统整体不随着用户使用的增多而变得更复杂或是更混乱这一目标，从而保证每一个用户都能用得舒服。强0大5的数据分析能力是什么：一份数据能挖掘出多大的价值，就非常依赖产品的分析能力。一份数据，只能原封不动的将其展示出来，这就是没有分析能力，只有展示能力；一份数据，能够加工成任何用户所需要的数据或子表，这就是产品强大分析能力的体现。强大的分析能力能够让用户看的更深、看的更远，这也是数据决策的核心体现。FineBI

做了什么：FineBI在基础的系统管理能力上是十分完善的，例如内置的用户和数据权限体系能够满足集团级管理需求。同时FineBI的运维平台能够实现对系统资源的管理监控，包括负载、网络、内存等等情况。FineBI

做了什么：FineBI打造了数据分析“三大件”的分析能力体系，数据编辑+主题模型+分析函数的结合能够让用户获得任何他需要的数据结果，能够解决任何复杂的数据需求，可以说我们基于数据分析“三大件”从而具备了最完整和强大的分析能力体系。14 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

150708丰0富6美观的可视化展示是什么：简单说就是将数据转换成图形或图像并允许用户进行交互处理。对于一些业务场景而言，饼图就是最直观的展示方式，而有些业务场景只有通过散点图才能发现其中的问题，丰富的可视化展示能力可以显著提升用户数据解读的效率。更多的数据应用场景是什么：数据能用来做什么？分析数据，对数据进行可视化，这是BI的基础能力，在这些基础能力上可以衍生出更多具体的数据应用场景，例如数据的预测、数据的问答、数据的解读等等。这一维度上目前大多数BI产品处于同一水平。易学易用的产品是什么：基于数据决策是要提升企业效率的，但用户完成某个分析却要很高的成本是不行的。只有低成本的分析，才能让用户愿意持续使用，所以产品的易用性易学性，不仅仅是提高用户自身分析效率这么简单，它也是企业数据化决策推广的重要条件。FineBI

做了什么：我们提供以规则为基础的图形展示能力，相比于图表类型的穷举方案，基于规则配置，通过不同规则的组合可以实现极为丰富的展示图表。FineBI

做了什么：FineBI目前已经更新了数据问答、数据解释两种应用场景，此外我们在数据协作分析场景上有完善的功能提供。FineBI

做了什么：结构上，在FineBI6.0之后，我们优化了我们的分析路径，让用户实现在一个主题内沉浸式地进行完整的数据分析，从而具备更高的分析效率。具体设计上，我们每一个设计都特别关注到产品功能上的易用性，例如在数据编辑里的每个功能设计，都能够让毫无数据分析基础的用户完成非常复杂的分析。我们也会不断回顾产品的历史设计，对不易用的功能进行不断的重构和迭代，例如近期FineBI过滤层级方面的重构。FineBI

的优势：强大的性能与分析能力BI产品的基本形态是相似的，例如系统管理能力、一定的数据分析能力、可视化能力等这些基础能力是所有产品都具备的，在这些基础能力之外不同产品之间也有一定功能上的差异。整体上而言，FineBI相比起其他的产品，更加重视产品自身内功的建设，无论是底层的引擎建设还是产品分析能力的开发都需要巨大的投入，然而这两个维度的投入并不如可视化模块的投入那样可以快速地体现。但是我们清楚地知道这是企业需要的核心能力，随着企业面对的分析问题的多样化和复杂化，随着企业使用BI功能的深入，产品的引擎和分析能力的价值就会愈发凸显出来。当然，这些优势只是某一时刻的状态，FineBI还在继续发展。如前文所述，我们在数据规范建设、系统的稳定性等等各个维度都有着巨大的投入，未来一段时间内这些维度上的产品功能都将会有巨大的提升。总的来说，FineBI

在两个功能维度上具有最大的优势：高效的性能：正如前文所述，帆软长期坚持自研分析引擎，并且进行了多个版本的迭代。因此FineBI的引擎不仅仅可以支撑超大数据量的高性能分析，并且能够智能匹配BI的分析场景，使得我们的产品具备了最佳的分析体验。最明显的体现是我们的引擎能够实现分析过程的高性能体验，而市面上其他大部分的引擎都只能支撑对一个固定的结果进行计算。市面上其他的BI产品面对分析过程只能选择局部数据计算，或者放弃分析过程中实时结果的反馈，这样会增加用户分析过程中抽象化思考的负担，从而增大用户分析的难度。强大的数据分析能力：很多BI产品将它们的分析能力集中在可视化功能上，而忽视了分析能力的建设，这是一种取巧的做法。产品专注于提高其可视化能力可以在短期内快速看到价值，但面对用户复杂的分析需求时就会显得无力，而FineBI则是系统性地设计了产品的分析能力，并以此形成了独特的基础结构。FineBI不仅能解决用户刚刚使用产品时的一些简单的问题，也能够解决用户深入使用产品之后想要解决的更复杂、更深入的问题。16 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

17FineBI

的发展方向：万变不离其宗所谓万变不离其宗，FineBI的发展不会改变BI产品本身的定位，而是寻求更高的效率。从目前来看，BI的未来发展也离不开上述几个维度。稳0定1安全可靠的系统FineBI

发展方向：很多人说BI不是业务系统，稳定性要求不如业务系统高，个人并不认同这一观点。随着BI被企业的应用范围越来越广，它对业务的影响范围也随之增大，它的稳定与否也时刻影响着企业的业务安全。在这一维度上FineBI仍有很大的发展空间，即便帆软已经做了很多功课，但我们还要进一步追求更高的目标。今年帆软将围绕着防宕机对FineBI做更多的优化，我们会系统性地梳理所有可能引发宕机风险的问题并将其根除。高0效2的性能FineBI

发展方向：对于一般的产品而言，性能当然是越快越好。但是对于BI产品来说，更快的性能不是锦上添花，而是必不可少。企业的数据量越来越大，数据决策越来越多，数据分析的场景也会越来越复杂，这些都给引擎带来了巨大的压力，一款优秀的BI产品必须要拥有一颗强大的心脏。FineBI在亿级别的数据量处理上已经有着非常优秀的性能体验，但帆软对产品的性能和支撑的数据量还有更高的追求。我们今年将会对FineBI引擎进行进一步的升级，从而实现在十亿数据量级别上的高性能体验。03完善的系统管理FineBI

发展方向：我们今年会新增资源控制管理功能，从而避免用户无序使用进而浪费企业内有限资源的情况。同时我们会进一步完善资源使用情况的监控，方便企业对无效资源和风险操作的管控。04强大的数据分析能力FineBI

发展方向：在这一维度上FineBI目前的能力是比较完善的，而未来我们需要进一步完善的是具体功能上的细节，从而进一步降低分析的成本。比如完善模型的多事实多维度能力、完善窗口计算能力等。丰0富5美观的可视化展示FineBI

发展方向：FineBI目前具备的图表类型很完善，但相对弱势之处在于，基于规则的配置相比基于穷举的方案的学习成本要高一些，这是我们接下来需要解决的方向。易0学6易用的产品FineBI

发展方向：新的技术将为产品易学易用性带来新的变革：这里所说的新技术便是AI。AI的出现给我们的工作生活带来了许多新的可能，通过AI技术的融合能够让BI使用变得更加简单和高效。或许用户不需要学习大量的工具知识也能做好分析，或许用户即便不懂数据也能够用好数据来解决业务问题......总之，AI的出现带来了很多可能，对于BI产品来说也是一样，AI技术的结合将是下一代BI的必备能力。除了新技术的应用，产品易用性的升级探索是永无止境的。今年我们将针对FineBI的图表配置易用性、函数编写易用性等方面做进一步的优化和改进。BI因为其丰富多样的可视化组件，简单灵活的制作方式而被人所熟知，但“福祸相依”，其优势使得大家以为BI仅仅于此。随着企业对于数字化转型的重视，对于数据驱动决策的认识提高，BI在整个企业数字化转型中的生态位越来越重要，在部分企业的重要性已经等同于甚至超过生产系统了。前文提到，BI产品终极目标是“让人人都是数据分析师“，注定会发展出不同的产品形态，以满足不同场景的数据需求。然而，不同种类BI各有优劣，分别适用于不同的场景，并没有绝对互相替代的关系，因此是属于多形态共生。同时，帆软认为BI仅靠一种模式并不能满足企业的诉求，需要包含数据全链路的管理和建设，包括了数据生产，数据准备，数据存储，数据可视化和分析，数据决策，以及资产的治理，行业方案的应用复用，甚至包括了组织和人才的构建。FineBI

Platform：多形态融合的分析平台18 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

19FineBI

Platform是将帆软多款数据产品，包括FineReport、FineBI、FineDataLink、FineVIS、FineChatBI，整合到一起的“全链路数据分析平台”，满足不同角色的不同数据诉求，满足不同企业的信息现状的不同诉求。因此，帆软基于

“BI

多形态共生”

的理念，融合自身的多种形态

BI

产品，推出全链路数据分析平台——FineBI

Platform：FBP作为“全链路分析平台”，主要的价值主张如下：图：FineBI

Platform-

全链路数据分析平台

-

价值主张数据分析师需要以业务为导向的自助深度分析对外呈现需要炫酷的大屏财务类复杂场景需要固定式复杂报表大量业务用户需要像即席或者问答

BI这种简化的分析形态多0形1态分析融合BI不同形式产品之间并不是代际替换关系，而是需要长时间共存的。因为，企业的场景是丰富多变的：20 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

21因此仅靠一种模式并不能满足企业的诉求，因此帆软将多种形态融合在一起。行0业2应用复用伴随着企业数字化改革的深入，很多企业已经脱离使用工具的阶段。向外看，从客户视角出发，当前帆软提供给客户的场景解决方案（工具产品+项目服务），用户不清楚概念性的方案的最终形态（售前阶段难以理解帆软），用户的上线成本&时间较高（交付阶段难以相信帆软），主要有以下提升点：所见即所得：围绕业务用户提升需求选择&确认的效率，客户不需要去想象基于帆软产品能实现什么系统，而是在平台上直接挑选“成品”；降低应用成本：围绕开发用户提升综合开发效率，降低系统综合上线成本&时间，形成需求发起-应用市场挑选-系统对接上线-个性化修改的高效路径；提高应用数量

&质量：围绕数据生态，吸引更多的需求方和供应方参与进来，从而提升整个产业效率，企业内、企业间形成数据资产的交易，让数据应用变得更简单。从短期角度来看，目前的调研信息显示当前应用复用主要阻塞点包括：因此在FBP中，帆软将行业应用复用上升成公司级的战略，同时推出包括帆软市场，行业智库，应用数据源，本地的素材库等多个功能模块旨在让帆软的行业经验以更好的形式落地到客户的实际场景中。产品阻塞：客户工程还原回来困难、底层数据复用难度大、应用内容复用到客户困难等平台阻塞：平台渠道杂乱、平台运营管理不佳、生态能力欠缺、当前营销能力难以支撑应用内容跟客户业务需求的匹配运营阻塞：大量内容沉淀在个人而非组织、组织之间的资料流转不佳、重心在打单回收效率不佳等内容阻塞：内容通用阻塞（内容不足、价值不高、缺少体系化整合）、重点内容阻塞（客户案例价值不高、demo质量不佳）a)

行业智库将帆软的行业经验，结合数据中心的载体，将其内化到产品里，再也不是PPT的形式。可以所见即所得，且可以快速基于指标和模板，搭出自己想要的DEMO，缩短交流对齐的周期。22 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

23b)

帆软市场我们将客户的常用的组件、模板、甚至解决方案，打包上传到帆软市场上，方便用户更好的参考。这一项目其实自2018年就开始构建，但之前仅仅是PPT的形式。在FBP中，我们做了一系列功能，包括资源导入导出，数据脱敏等让模板复用的效率极致提升。c)

应用数据源用好BI的前提是对接数据，这项工作虽然简单，但极其繁琐，在FBP中，我们将常用的数据源进一步封装，包括SAP数据、用友NC、钉钉数据、飞书数据等等，如下图，可以“开箱即用”03统一资产门户2022年之前，BI工具往往聚集在如何更好更快的生产出数据资产，但随着企业的数字化转型，很多企业已经走向第4个阶段——「数字平台化」，即如何将现有资产通过更好的治理发挥出更大的价值。统0一4数据中心强大的消费层必须得依赖统一的数据层，帆软在FBP中将多产品的数据层能力融合到一起，包括数据目录、指标模型、数据管理、数据开发、数据服务、运维中心等，如下图：因此在FBP中，自2023年开始，通过统一资产门户、通过流程管理，对产出的元数据梳理，治理条约的整合，全生命周期的管理等等，将以前通过自服务产生的内容，更好地发布出去，将资产价值最大化。沉淀从数据到应用管理体系，提升业务用户找资产、用资产的效率，提升面向管理用户的运营运维能力。24 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

25帆软统一数据中心有如下几个优势：同时，又可以通过数据服务的能力，可以将统一的数据层辐射至其他场景。消费层的统一数据层，天然解决统一数据口径、数据权限等问题原先中帆软生态里，FR和BI的数据来源不同，带来阻碍和困惑，FR的数据权限该如何控制？FR和BI的数据计算方式不一致，如何保证数据一致性？数据变更后上述问题变得更为严重。IT

复杂标准构建与业务灵活自助完美结合IT和业务的配合是企业数字化建设中最大的难题，甚至没有之一。传统IT模式标准但复杂，导致开发周期极长，大大提高了数据使用的门槛；敏捷BI模式自由简单但缺少管理，虽然极大的激发了业务使用的潜力，但数据处理的不规范和随意，使得系统在性能、存储空间、更新时长、口径混乱上有极大的风险。FBP中将两者完美结合，即支持业务类Excel式的数据处理，又支持复杂的ETL开发，维度建模。全链路血缘带来的无限可能由于FBP将自数据的ETL开发、模型、指标、组件到模板，全链路血缘进行整合，我们可以基于此架构带来无限可能一张看板里到底用了哪些指标？一张看板里的某个具体的指标，到底是怎么来的？其背后的含义是什么？一个指标到底用在了哪些看板里面？指标改动后会影响那些看板？基于血缘，判断哪些指标是常用的，哪些直连可以物化。当数据错误时，可以基于全链路血缘进行排错。26 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

27统0一5运维管理随着BI系统的复杂度提升，拿帆软的工具举例，既有消费层的FineReport、FineBI，又有数据层的FineDatalink，同时还有引擎和存储的架构升级，包括了当前的存算分离的架构，及未来的MPP架构的引入。无疑给系统的运维管理提出了极大的挑战：我们在享受私有部署带来的安全自由的同时，又不得不应对如上挑战。因此，FBP通过帆软统一运维平台，将帆软应用整个运维链路中的问题（从部署到运维管理，到监控告警，到故障问题快速处理）通过可视化的形式最低成本的解决。单产品的集群如何部署，存算分离的架构该如何部署？多产品之间的升级如何不互相影响，故障如何隔离？标准产品与第三方组件如何更好的适配，如何保证第三方组件的高可用，使得系统能真

·高可用？多产品如何更好的集成部署？产品内的问题如何运维等？复杂产品架构与环境的适配度该怎么应对？走进

BI

资深用户：所用与所悟2.4对话【2024

帆软

MVP

候选人】王晓博

华东理工大学出版社有限公司

数据运营总监哪些企业应该要上

BI？所有的企业。很多企业上

BI

的阻碍之处主要有两大方面——缺乏人才、对数字化转型投入产出的未知。其实不管目前任何规模的企业，都应该有员工学习

BI

产品、零代码产品，规模小的企业可以从

SAAS

的产品如九数云开始切入，甚至先把

FineBI

本地版“物尽其用”都是极好的，投入几千块钱买几个简道云账号把企业简单的流程“在线化”都是数字化转型小投入的开始，只有开始才能有下一步的数据指导经营决策。所有的工具都只有一种特性——用则有用，不用则无用。所在企业背景：我所在企业是一家100人左右的中小型企业，有25个BI产品用户，比例相对较高。21年，公司面临数字化转型的挑战，从刚开始做BI的选型到真正上线这一过程，我们只有100个人，并花一年的时间教会这25个BI产品用户具体如何使用。相较于大企业较为宏大、每年投入几个亿的数字化转型，我们这种几百人到一千人之间的中小企业在数字化转型过程中，可以有更多的互动交流，与其他企业的数据分析师或者是IT项目负责人一起交流，互相进步。所在企业为什么要上

BI，以及BI带来了哪些作用？组织架构十分扁平。由出版社社长统一领导整个数字化转型项目，协调各方的资源，不需要花费很多时间进行跨部门沟通，能够快速达成共识。职务角色比较复合。正常的

IT

部门已经有比较成熟的数仓中台、报表体系等，职责比较分明。但我们公司

IT部门只有两个人，我作为分析师可能会负责一些

IT

项目，而我们公司

IT

也可能做一些分析工作。所以我们这样的中小型企业职务角色比较复合，部门之间交叉会多一些。28 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

29所在企业内

FineBI用户使用情况：结构组成：内部使用BI

的人大部分是业务部门的，只有四个人（2

个分析师，2

个IT）具有技术/

数据背景，剩下

21

个人都是业务部门的骨干、中层领导等。FineBI

掌握程度：25

人中大概有一半（12

人左右）经常使用

FineBI，并且用的比较好，大概能有

5

人能达到精通水平，能够做一些比较深入的分析。对于中小型企业而言，在进行数据分析等需求时，选择

BI的必要性有哪些？第一点需要考虑是否存在每月需要人工重复性操作的任务，花费时间有多少。比如我们公司有

12

个人，每月需要花两天时间去处理数据的事情，一年大概有三百多天要做这个事情。如果把这个重复性工作彻底解决，就没有额外工作量。所以主要从重复性工作角度去考虑选择的

BI

必要性。第二点是自助式探索式分析的必要性。我们企业有

100

人，18

个部门，均为扁平化管理。每个部门人很少，数据需求又完全不同，因此我们会面临很多部门很多不同形式的数据需求。我们之前只能依赖于

excel

去做，最后导致无法及时响应所有部门的所有需求。业务用户也会因为数据延迟进而错判时机，没有进行实时决策和分析，进而导致错失良机。如何理解数据素养？数据素养可以理解为个人理解和分析数据的能力，包括数据的获取、处理、分析和决策并优化流程的能力。数据素养是理解和分析数据的基础，数据思维是应用数据进行决策的思维方式，而数据工具技能则是实现数据素养和数据思维的具体技术手段。三者相辅相成，共同构成了在数据驱动的世界中成功的关键能力。技术能力较弱。专业的运维技术人员在使用

FineBI

时遇到一些小问题可能对他来说比较简单，调调参数即可。但是我们要借助外部力量，需要咨询帆软的技术支持，没有任何的经验，需要一步步慢慢摸索。但是好处是我们能够非常快速的把我们掌握的内容通过多次内部培训教授给这些

BI

产品用户。大幅提高工作效率。我们这种规模的企业数据分析师只有两个人。而数据分析内容分散在各业务部门——销售、印制、总编办公室等，数据统计工作量较大，占个人30%

到50%

工作量。之前没有Fine

BI时都是通过手工去做，现在把这些固化的东西放到

FineBI

里面做仪表板，通过一些分析替代掉这些手工固化工作，进而剩余时间去做其他事情。除此之外，我们企业去年

11

月份更换ERP，因为在ERP

更换过程中有大量数据（大的表单近千万级别量级）需要核验，FineBI

在这个过程中起到十分关键的作用，这些核验的工作全都是在

BI

中进行的，如果没有

BI的话工作量会非常巨大，就是对于我们一个中小企业来说，没有专门写报表写

SQL

的人。我们认为数字化时代员工是需要“数字化能力底座”的，就是无论你从事任何的专业岗位，数字化能力都是高效工作的基础。我们在

BI

项目中，为企业挖掘了一批业务能力优秀且具有非常强的数据素养的人才，这些很快成为各部门骨干，担任了部门比较核心的工作岗位，且在部门中有着不可替代的作用。如何理解企业数据文化的？企业数据文化和企业数字化转型一样，是一把手工程。只有领导重视数据分析，且自身有较强的数据敏感性，能够通过大家提供的分析中得出真正有利于企业发展的决策，才能真正鼓舞推动企业的数据文化建设。什么时候感受到

BI的价值？自助式分析实现业务价值：企业管理比较扁平化，100

个人分为

18

个部门，数据分析+

技术只有

4

名员工，支持

18

个部门不同视角的数据需求在响应效率上影响比较大。而很多需求对业务部门来说是重复性的，数据分析的过程是相对比较简单的，完全可以通过业务用户自助式分析实现。所以在

BI

项目在各部门全面推广之后，对各部门涉及数据查询需求的用户进行了多轮培训，实现了每个部门都有自己的

FineBI

设计用户，进而实现了业务的自助式、探索式分析，真正是业务视角出发的数据分析去解决业务当中的问题。企业数字化意识提升——提高效率代替“伪工作”：吴军博士在《见识》中提到典型的伪工作者——有的人明明能够通过学习一种新技能更有效地工作，却偏偏要守着过去的旧工具工作，甚至手工操作，这种人是典型的伪工作者。从

BI

项目的推广落地，颠覆了之前手动统计数据的“伪工作”，带来了大家对数字化时代工作模式的思考，哪些是能产生价值的工作，哪些是通过工具可以直接替代的工作。组织变革：数字化时代员工能力底座30 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

31对话【2024

帆软

MVP

候选人】周大生集团下的全资子公司深圳市互联天下

数字建设部黄

燕现在做

BI

和之前做BI

在目的和意义上有什么区别？区别一：平台定位为：数据决策与数智赋能的核心平台，而非报表制作工具区别二：项目性质定位为：数字化转型升级持续性团队建设，而非分期的

IT

项目建设主要负责FineBI相关项目，并成功引入FineBI，第一批购买的15个账号均为满额高频使用，带领团队实现从0到1搭建及落地经营分析报表体系，顺利带动商品中心及客服中心的同事自主学习FineBI推荐课程。当前共购买25个账号，BI分析次数达到月均3000次。同时也负责数仓项目立项，包括数据标准的梳理以及数字建设部工作规范体系梳理。我们决定将FineBI平台定位为周大生电商业务数据决策与数智赋能的核心平台。这意味着，FineBI将不仅是一个数据查询工具，更是驱动业务增长、赋能终端决策的智能引擎。为了实现这一定位，我们将围绕FineBI构建以下三大核心价值场景：a.统一数据分析门户：解决数据分散、处理困难的问题，将所有分析人员的明细数据集中在一个平台上，形成统一的数据源，减少数据处理中的冗余与误差，提高工作效率。b.自助式数据分析：赋予业务人员自我分析、自我挖掘数据价值的能力，让他们能够基于自身业务需求，快速构建个性化的数据分析报表，提升业务洞察力和决策效率。c.智能数据驱动决策：通过FineBI的AI算法和预测模型，为管理层提供基于数据的智能决策支持，帮助他们更准确地把握市场趋势，制定更有效的业务策略。在确定了BI平台的定位和价值场景后，我们意识到，要实现这些目标，必须有一支具备数字化思维和技能的人才队伍。因此，我们将启动一系列人才培养和团队建设措施：a.内部培训：组织针对FineBI的专题培训，让全体员工了解BI平台的功能和价值，掌握基本的数据分析技能。b.实战演练：鼓励员工在实际工作中运用FineBI进行分析和决策，通过实战演练提升他们的数据应用能力和业务洞察力。c.团队建设：建立跨部门的BI团队，吸纳具备数字化技能和业务知识的复合型人才，共同推动BI平台的建设和应用。通过这些措施，我们期望能够培养出一支具备数字化思维和技能、能够熟练运用FineBI进行数据分析和决策的人才队伍，为业务的数字化转型和数智化升级提供有力支持。有没有发现大家对

BI存在一些认知上的误区？对于BI（商业智能）的认知误区，许多人可能只是简单地将

BI

视为一个可视化的工具，但其实它远不止于此。并非只是简单的数据可视化工具。虽然数据可视化是

BI

的一个重要组成部分，用于将复杂的数据转化为直观、易于理解的图形和图表，但它仅仅是

BI

体系中的一个环节。BI

的真正价值在于能够深入分析和理解这些数据，揭示出隐藏的业务趋势和机会，从而为决策提供有力支持。BI

并不是

IT

部门的专属领地。尽管

BI

技术和解决方案通常是由

IT

部门开发和维护的，但

BI

的真正价值在于其能够为整个企业带来洞见和价值。从高层管理人员到一线员工，每个人都应该能够理解和利用

BI

工具，以便更好地了解业务状况，做出更明智的决策。BI

也不是一个一劳永逸的解决方案。随着业务的发展和数据的增长，BI

系统需要不断地进行更新和优化，以适应新的需求和挑战。这意味着，BI

的实施是一个持续的过程，需要不断地投入资源和精力，以确保其始终能够为企业带来最大的价值。因此，我们需要更加全面和深入地理解BI，摆脱那些传统的认知误区。只有这样，我们才能真正发挥BI

的潜力，为企业创造更大的价值。自身的工作内容如何助力公司积累数据资产？a.

构建一套完善的人货零售电商数据分析体系，深度挖掘数据潜力，为业务决策提供强有力的数据支撑，实现精准的业务方向引导。b.

精心搭建

FineBI

分析域和分析主题体系的数据业务包，确保同分析域下分析主题应用数据源的一致性，进而达成标准数据指标口径的高度统一，有效促进业务决策的数据化、标准化。c.

在实际操作中，我们引导并教导业务管理者遵循正确的使用路径，利用

FineBI

进行自助式数据分析，从而显著提升业务洞察的效率和准确性，为业务价值的实现提供有力保障。最早接触的帆软产品是哪款产品？最早接触的是

FineBI，2021

年

10

月帆软商务向我们蜜蜂互联董事长及

CTO

及数据分析负责人们介绍FineBI

主要功能和报价。第一印象：好贵，但有Excle

分析能力基础的业务人员能很快用起来。董事长“割肉”32 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

33什么时候感受到

BI

的价值？上线

FineBI

平台，我们感受到的比较明显的四个价值：1.

数据获取：实现了数据的自动取用，以前我们要提需求给

IT

部门，现在数据已经在

BI

上汇总好了，需要哪个数据自己上去取就可以。买下后

3

个月，没有业务人员用起来，都是产品

/

数据分析人在用。机缘巧合，我仅花了一周时间，做出了一个数据分析报表，惊喜到CTO，被推荐为BI

建设推广项目负责人。FineBI

用了三年，经历了FineBI

从

5.0升级到

6.0，再升级到

6.0.14

版本。分别用到了如下图版本升级的主要功能，以最短路径实现同分析主题下，数据模型血缘的最简化和数据模型的可视化。2.

数据控制：数据的安全管控其实以前是个比较痛的点，excel

满天飞我们也很难管控的数据的权限，那现在基于公共数据的这种管理模式，我们实现了数据权限的全链路管理。3.

报表设计：这里想提一下帆软的协作能力，真的是极大地提高我们人员间的配合效率。4.

最后就是一个比较大的点，也就是我们组织对这一块的认可度比较高的，就是经营分析效率。因为

BI

它可以很快速的去实现相关组件的联动和钻取，所以实际上我们分析数据问题的时候效率有了很大的提升。以前用

excel

是结果数据，发现了问题我们人员要去透视表里重新定位，现在可以直接基于看板联动定位，这样我们就可以沉淀一些深度的分析应用在

BI

上面，管理层甚至可以自己去分析一些关注的业务问题。然后从这个整个的人效跟工作模式的变化上我画了一个图来做总结，可能说我们业务部门的分析工作从原来80%

的时间花在数据处理上，而且是重复性的数据处理，转变成了

85%

的时间是用于报表的模型设计以及经营分析的业务洞察，这个是对我们来做最大的转变。34 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

35智能

BI：产品落地更多是

AI

FOR

BIINTELLIGENT

BI:PRODUCTLANDINGISMOREAIFOR

BI定义：AI

和

BI

的融合更多是

AI

for

BI3.1What：如何理解AI

和

BI

的融合Why：为何融合更多是AI

for

BIAI

和BI

存在本质区别，BI拥有自己的发展路线，而AI

目前并不是BI的核心功能AI

与

BI

存在本质上的区别，BI

的目的是将数据转化为知识来辅助决策，AI

则追求以更智能的算法得到更精确的结果BI的发展路线是以数据为基础的，主要是数据的管理和分析。虽然AI技术的范围非常广，但当前BI系统中真正能用上的主要是一些处理文本、图像等非结构化数据的AI技术。但是除了一些特定行业，大部分的企业很少会有文本处理和图像处理的需求，绝大多数BI系统需要处理的仍然是结构化的数据。AI+BI

模式=AI

与BI相结合从概念和理论上来说，AI+BI

模式是有价值有前景的AI与BI的区别在于BI负责梳理生产关系，AI是先进新质生产力。那么AI+BI模式通过将AI嵌入BI，构建基于AI的BI平台，利用AI的智能让BI系统能够解决更复杂的业务场景，产出更精准的分析结果，从而使决策更为科学和准确。从具体场景上来说，AI+BI

的模式能让部分

BI

场景更深入，产出更有价值的知识对于结构化的数据，BI系统可以应用一些准确度更高的机器学习算法，得到更精确的分析结果。例如市场营销，采用AI+BI模式就可以在用户分群的基础上，得到更精细的针对每个用户的分析结果，从而给出更精准的个性化营销方案。还有金融领域的风险监测，AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系，预测更为准确。对于非结构化的数据，BI可以应用图像处理、语音识别和文本分析等AI技术，智能化地处理BI系统的复杂业务场景。例如AI+BI模式能够通过语音识别技术录入数据，控制驾驶舱和数据大屏的制作等。还有智能客服系统，不需要手动收集客户问题再分配人员解答，通过语义理解和自然语言处理等技术分析客户问题，实现实时、自动回复客户。36 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

37When：何时迈入AI

forBI

时代目前在中国，预计2025年左右，BI将开始迈入智能化阶段；到2030年，BI的智能化也将进一步扩大。随着AI技术和BI系统的不断成熟，AI在BI中的应用将会越来越多，二者重合的部分也越来越多，但是因为它们存在本质上的区别，因此不会完全重合，而是以AI

for

BI的方式存在。AI

与

BI

的交叉只在于机器学习和数据挖掘，而且这种交叉也极小AI的机器学习强调算法，BI的数据挖掘还包括对数据的管理，算法选择上也较为简单，没有神经网络和深度学习等复杂AI算法。因此，AI

并不是

BI

的核心功能，AI+BI

的模式难成为

BI

市场的主流，更多的是

AI

For

BI：不是要用AI代替BI，而是尽可能借助AI的相关能力，提升BI工具在各环节的效率、降低BI工具的上手和使用门槛，让更多领导和业务人员把BI用起来，帮助客户最大化地用好BI工具的价值。维度AIBI定义模拟人类智能技术数据转化为商业洞察功能学习、推理、自动化数据分析、决策支持应用自动驾驶、智能助手数据洞察、业务分析技术机器学习、深度学习数据挖掘、数据可视化图：AI+BI

的发展现状和趋势How：目前如何发展AI

forBI

产品对话式搭建：目前是采用“对话”的方式来提问，主要发展方向是

降低消费门槛+提升制作效率具体到「AI

ForBI」的落地场景，大体可以分成两大类：对话式分析：直接以对话为核心入口，能够实现即时性问数查数，AI辅助人工分析数据、数据资产检索等，系统性地降低用户的使用门槛；嵌入到原有产品流程中，去提升搭建制作的效率，实现快速生成组件/仪表板生成制作，做出分析报告等。图：AI

For

BI

的发展方向图：AI

For

BI

的应用场景38 商业智能应用白皮书

5.0商业智能应用白皮书

5.0

39结果缺乏可解释性

:人们需要基于可信的数据做业务决策，由于整个意图解析和数据生成过程是一个黑盒，人们无法确定返回的数据就是他想问的数据。召回和精度方面的问题：也就是用户问了10个问题，其中有多少个系统能够给出正确的回答。之前的「问答BI」产品在技术上大都采用规则解析或规则解析+预训练（小）模型的方法来实现文本到

SQL

的转化，技术上的限制导致问答的召回和精度不够理想。进一步的，由于预训练（小）模型的跨场景泛化能力不足，就需要针对特定场景不断的增加语料，并重新训练模型来提高精度和召回，从而导致实施成本变得难以接受。AI

For

BI的核心价值是降低用户的使用门槛，让离业务最近、离技术最远的一线业务人员也能在数据驱动下做更好、更快的决策。然而，近年来国内外各

BI

厂商陆续推出的一系列「问答

BI」产品在实际落地过程中都会发现，真正能够让用户用起来的场景少之又少。大致有两方面原因导致大多数「问答

BI」产品沦为一个个“玩具”。一方面，是由于业务人员不具备数据思维，问不出有价值的数据分析问题。另一方面，是产品确实还不够成熟。这两方面挑战造成目前大多数AI

ForBI产品并不成熟：近年来，随着市面上各种「数据分析」类的课程的推广和普及，越来越多的业务人员逐渐具备了数据思维，能够从数据的角度去分析业务问题。而大模型作为当下最大技术红利，其跨任务、跨场景的泛化能力为我们实现一个成熟的「AI

ForBI」产品带来了新的机会。AI

for

BI

的技术与产品发展路径AIFor

BI，一个核心落地场景是「对话式BI」其核心技术是

Text2SQL，就是要把自然语言转化成具体的数据