在当今数字化的时代，AI 与 BI 的融合无疑是数字化进程中的生动实践。传统 BI 在快速发展的市场需求面前逐渐显露出疲态，而拥有 AI 强大助力的智能 BI 正以其令人瞩目的强大功能和无比广阔的发展前景，吸引着众多企业的关注目光。
那么，AI 与 BI 之间究竟有着怎样的关系呢？是 AI FOR BI，还是 BI FOR AI？AI+BI 融合发展到底是不是引领未来的新趋势呢？现在，让我们从“3W+1H”这四个方面深入细致地解读智能 BI 的未来前景，共同探寻这一融合所带来的无尽可能，为企业在数字化浪潮中找到前行的方向。
先送大家一份BI项目的搭建指南。本指南介绍了一套相对完善的企业BI项目搭建流程，系统回答了企业BI项目该做什么、该谁来做、该怎么做，以及如何在企业内把BI项目成功运营起来从而产出实际业务价值等问题。点击链接即可免费获得! https://s.fanruan.com/zyinf 「链接」
01 What：如何理解 AI和 BI的融合
1. 从概念和理论上说，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。
2. 从具体场景上说，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。
02 Why：为何融合更多是 Al for Bl
1. AI 与 BI 存在本质上的区别
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。
2. 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。
3. 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。
03 When：何时迈入 AI for BI 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。
04 How：目前如何发展 AI for BI 产品
1. 目前是采用“对话”的方式来提问
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；
对话式搭建： 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。
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 For BI产品并不成熟：
结果缺乏可解释性 : AI For BI，一个核心落地场景是「对话式 BI」 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。
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 For BI」产品带来了新的机会。
2. AI for BI 的技术与产品发展路径
AI For 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查询语句。该技术从2000年左右在学术圈就有人开始 研究，当时主要是从事数据库的人员在做，很多论文都是发在类似 VLDB 这样的数据库领域的会议上。
那时候该技术并不是太强，主要是基于传统的机器学习，先把用户的查询抽象成几个分类，定义出一些模板，然后用有监督学习去 做一个分类模型，再去填模板。由于这种技术本身的局限性，产品呈现出来的精度一直很低，远远没有达到产品化落 地的要求。直到2016年左右，正值互联网发展成熟，随之带来了一些新的技术，包括：检索、推荐、深度学习等。此时，美国有工程师尝试做了产品创新，把数据的查询变成一个在有限空间内的数据检索问题，然后用检索技术来解决 Text2SQL。同时他也做出了一些当时让人很惊艳的产品，在BI领域引起了不小的关注。但是当时的技术路径本质上还 是检索，这种技术路径的主要问题是没法真正去理解自然语言，而是把一个句子分成一个个的词去做匹配，并没有去真正理解一句话中的主谓宾、定状补。
但是这种产品形态引起了一些有很强学术能力的公司的关注，比如 MicroSoft，他们开始用基于神经语言模型的 NLP 技术来实现「对话式 BI」。当时虽然已经开始用神经语言模型去理解语义，但模型的尺寸和后续出现的预训练模型以及当下的大语言模型相比有巨大的差距。模型的能力也有局限性，所以当时的产品现状是精度低、配置成本高，意图理解的能力也很弱，处于“人工智障”的一个状态。直到大语言模型的出现，算法的改进和模型尺寸的提升带来了大语言模型的上下文学习、思维链等一系列新的能力，让我们有机会去解决一些原来老的技术很难解决的问题。
综上所述，AI+BI 的融合发展无疑是当下及未来的新趋势。随着技术的不断进步，我们有理由相信，AI+BI 的融合将为企业带来更多的创新和突破，让我们共同期待AI for BI 的智能数据分析时代！
最后，为了帮助大家更好地认识AI+BI融合，送上一份《商业智能应用白皮书 5.0》，该白皮书通过对调查情况分析，深度洞察BI现状，帮助企业推动决策改善、推进企业数字化转型，白皮书中的不少观点也可以给大家在探索 AI+BI 融合实践过程中带来新的启发和思考。点击链接即可免费获取！https://s.fanruan.com/ol4d6 商业智能应用白皮书 5.0 - 帆软数字化资料中心