張經(jīng)理負(fù)責(zé)分析的飲料公司最近推出了一款新的果汁飲料，市場(chǎng)反響熱烈，但也面臨著激烈的競(jìng)爭(zhēng)。公司高層希望了解，相比于競(jìng)品，這款新飲料在不同地區(qū)的銷售表現(xiàn)如何，尤其是在北京、上海和廣州這三個(gè)主要城市。更進(jìn)一步，他們還想知道銷售高峰主要集中在哪個(gè)時(shí)間段，以及特定促銷活動(dòng)和銷量提升的關(guān)系。這些具體的業(yè)務(wù)需求，張經(jīng)理需要從龐大的數(shù)據(jù)海中找到答案。

然而，張經(jīng)理很快就面臨了以下挑戰(zhàn)：

數(shù)據(jù)篩選與定義：為了準(zhǔn)確回答上述問(wèn)題，張經(jīng)理需要從數(shù)據(jù)庫(kù)中精確篩選出新飲料的銷售數(shù)據(jù)，同時(shí)還要分別標(biāo)識(shí)和比較北京、上海和廣州的數(shù)據(jù)。對(duì)于非技術(shù)人員而言，理解數(shù)據(jù)庫(kù)結(jié)構(gòu)和編寫(xiě)正確的查詢語(yǔ)句非常困難。

報(bào)表設(shè)計(jì)與調(diào)整：即使成功提取了數(shù)據(jù)，使用拖拉拽式工具設(shè)計(jì)直觀、易于理解的報(bào)表也是一大挑戰(zhàn)。面對(duì)復(fù)雜的BI工具，他常常感到無(wú)從下手。在設(shè)計(jì)報(bào)表時(shí)，需要掌握如何使用各種圖表組件，以及如何配置它們以反映正確的數(shù)據(jù)邏輯。盡管張經(jīng)理對(duì)市場(chǎng)趨勢(shì)有著敏銳的洞察力，但他并不擅長(zhǎng)技術(shù)操作，每次使用傳統(tǒng)的拖拉拽式BI工具時(shí)，都感覺(jué)像是在解一個(gè)復(fù)雜的謎題。

數(shù)據(jù)分析深度：對(duì)于銷售高峰和促銷活動(dòng)的影響分析，需要對(duì)數(shù)據(jù)進(jìn)行更深入的挖掘和分析，這不僅僅是數(shù)據(jù)提取和可視化的問(wèn)題，更涉及到數(shù)據(jù)分析的深度和廣度，需要對(duì)數(shù)據(jù)進(jìn)行復(fù)雜的交叉分析，才能夠得到想要的答案。

任務(wù)很艱巨，但老板今天就要有結(jié)果，這讓張經(jīng)理很是頭疼。

很顯然，以往的BI工具已經(jīng)很難滿足張經(jīng)理的迫切需求了。有沒(méi)有什么工具，既強(qiáng)大又簡(jiǎn)單呢？瓴羊Quick BI，給出了一個(gè)有用的答案。

智能搭建——對(duì)話式報(bào)表搭建能力

使用Quick BI后，數(shù)據(jù)分析師張經(jīng)理的工作流程得到了根本性的改變和提升：

直觀的自然語(yǔ)言查詢：張經(jīng)理只需在Quick BI的查詢框中輸入：“比較北京、上海、廣州新飲料與競(jìng)品的銷售表現(xiàn)”，系統(tǒng)即可理解他的需求，并自動(dòng)提取相應(yīng)的數(shù)據(jù)。

智能報(bào)表生成：基于查詢內(nèi)容，Quick BI智能推薦最適合展示該數(shù)據(jù)的報(bào)表模板和圖表類型。張經(jīng)理可以在幾秒鐘內(nèi)看到一個(gè)初步的報(bào)表看板，并根據(jù)需要進(jìn)行微調(diào)，比如添加過(guò)濾條件、調(diào)整時(shí)間范圍、改變圖表樣式等。

#一鍵搭建

交互式數(shù)據(jù)探索：在報(bào)表搭建過(guò)程中，張經(jīng)理還可以通過(guò)輸入自然語(yǔ)言的查詢來(lái)細(xì)化或擴(kuò)展報(bào)表內(nèi)容，如“幫我給指標(biāo)增加月環(huán)比”。Quick BI能夠即時(shí)響應(yīng)這些查詢，自動(dòng)更新報(bào)表內(nèi)容。

#增添指標(biāo)

一鍵式樣式美化：為了讓報(bào)表更符合公司的品牌形象，張經(jīng)理利用Quick BI提供的樣式美化功能，選擇公司標(biāo)準(zhǔn)的品牌色和字體，使報(bào)表在視覺(jué)上更加統(tǒng)一和專業(yè)。

#一鍵美化

在數(shù)據(jù)驅(qū)動(dòng)的商業(yè)決策過(guò)程中，報(bào)表搭建是連接數(shù)據(jù)和決策的關(guān)鍵一環(huán)。然而，傳統(tǒng)的拖拉拽式BI工具在報(bào)表搭建方面存在不少痛點(diǎn)。首先，功能界面和組件繁多，用戶需要花費(fèi)大量時(shí)間學(xué)習(xí)如何操作這些工具，了解各種組件的功能，并根據(jù)業(yè)務(wù)需求和邏輯來(lái)搭建報(bào)表。對(duì)于非技術(shù)背景的業(yè)務(wù)人員來(lái)說(shuō)，這樣的門(mén)檻是相當(dāng)高的。其次，報(bào)表的修改和調(diào)整也同樣困難重重，每一次業(yè)務(wù)需求的微小變化都可能需要進(jìn)行大量的調(diào)整工作，這無(wú)疑增加了工作的復(fù)雜度和時(shí)間成本。

Quick BI通過(guò)其智能搭建功能，極大地緩解了這些痛點(diǎn)。它利用先進(jìn)的大模型技術(shù)，讓數(shù)據(jù)分析人員和業(yè)務(wù)人員能夠通過(guò)簡(jiǎn)單的對(duì)話來(lái)完成報(bào)表的搭建，從而具備了對(duì)報(bào)表進(jìn)行“微操”的能力。這不僅顯著降低了操作的復(fù)雜度，也大大提升了工作效率。

通過(guò)大模型提供的強(qiáng)大的自然語(yǔ)言理解能力，Quick BI能精準(zhǔn)理解用戶的需求，自動(dòng)完成數(shù)據(jù)的提取和報(bào)表的生成，還可以通過(guò)人機(jī)對(duì)話的方式來(lái)修改分析圖表的字段、名稱，修改統(tǒng)計(jì)方式、排序，微調(diào)分析內(nèi)容等，極大地減少了手動(dòng)操作的繁瑣程度。此外，系統(tǒng)的輔助分析功能，比如設(shè)置條件格式、畫(huà)輔助線、求最值等，還能在報(bào)表搭建過(guò)程中提供數(shù)據(jù)洞察，幫助用戶更快地得到有價(jià)值的信息。樣式美化和添加查詢等功能的集成，使得報(bào)表不僅內(nèi)容豐富，形式上也更加多樣化和個(gè)性化，滿足了不同場(chǎng)景下的展示需求。

在上文提到的例子中，張經(jīng)理面對(duì)的挑戰(zhàn)是需要分析新果汁飲料在北京、上海、廣州的市場(chǎng)表現(xiàn)，并對(duì)比競(jìng)品。傳統(tǒng)BI工具要求他深入了解數(shù)據(jù)庫(kù)結(jié)構(gòu)、熟悉復(fù)雜的報(bào)表搭建流程，每一次業(yè)務(wù)需求變動(dòng)，都意味著從頭開(kāi)始的重復(fù)勞動(dòng)。

與傳統(tǒng)BI工具相比，Quick BI不僅大幅度縮短了報(bào)表制作時(shí)間，降低了操作復(fù)雜度，還提高了報(bào)表的即時(shí)性和準(zhǔn)確性，實(shí)現(xiàn)了秒級(jí)響應(yīng)。張經(jīng)理現(xiàn)在能夠迅速響應(yīng)市場(chǎng)部門(mén)的分析需求，及時(shí)提供數(shù)據(jù)支持，幫助公司做出更加精準(zhǔn)的市場(chǎng)策略決策。Quick BI在提升工作效率的同時(shí)，也極大地增強(qiáng)了業(yè)務(wù)部門(mén)的數(shù)據(jù)自主性和靈活性。

可以說(shuō)，通過(guò)人機(jī)對(duì)話實(shí)現(xiàn)報(bào)表的智能搭建是BI領(lǐng)域的一項(xiàng)革命性創(chuàng)新，它極大地簡(jiǎn)化了數(shù)據(jù)分析的過(guò)程，讓非技術(shù)用戶也能輕松獲取所需的數(shù)據(jù)洞察。

然而，要實(shí)現(xiàn)這一變革，并不是一件容易的事情，背后存在不少技術(shù)難點(diǎn)和門(mén)檻。

準(zhǔn)確理解用戶意圖，是實(shí)現(xiàn)有效對(duì)話式報(bào)表搭建的首要挑戰(zhàn)。用戶通過(guò)自然語(yǔ)言提出的查詢，可能包含模糊不清或多義性強(qiáng)的表述，系統(tǒng)必須能夠準(zhǔn)確理解這些語(yǔ)言中的細(xì)微差別，包括特定領(lǐng)域的術(shù)語(yǔ)和業(yè)務(wù)邏輯，這需要強(qiáng)大的自然語(yǔ)言處理能力，以及豐富的領(lǐng)域知識(shí)庫(kù)。

而且，將用戶的自然語(yǔ)言查詢轉(zhuǎn)化為有效的數(shù)據(jù)查詢，涉及到復(fù)雜的數(shù)據(jù)映射和邏輯構(gòu)建過(guò)程。系統(tǒng)不僅需要識(shí)別出用戶詢問(wèn)的數(shù)據(jù)維度、度量和時(shí)間范圍，還要自動(dòng)構(gòu)建出正確的查詢語(yǔ)句。這一過(guò)程中，數(shù)據(jù)模型的設(shè)計(jì)、查詢優(yōu)化和執(zhí)行效率等都是技術(shù)挑戰(zhàn)。

智能搭建系統(tǒng)需具高交互性，可根據(jù)用戶反饋動(dòng)態(tài)調(diào)整，即時(shí)響應(yīng)修改需求并進(jìn)行迭代優(yōu)化。這需要系統(tǒng)有強(qiáng)大的實(shí)時(shí)計(jì)算能力和精細(xì)的用戶行為分析及預(yù)測(cè)模型，以實(shí)現(xiàn)個(gè)性化服務(wù)。

簡(jiǎn)單來(lái)說(shuō)，Quick BI把復(fù)雜問(wèn)題留給了自己，把簡(jiǎn)單好用帶給了用戶。

智能問(wèn)數(shù)，讓門(mén)檻無(wú)限趨近于零

在數(shù)據(jù)分析流程中，除了報(bào)表搭建外，問(wèn)數(shù)也是一個(gè)常見(jiàn)的需求。問(wèn)數(shù)需求廣泛而多樣，包括但不限于銷售業(yè)績(jī)分析、客戶行為研究、市場(chǎng)趨勢(shì)預(yù)測(cè)、成本控制評(píng)估等。例如，營(yíng)銷團(tuán)隊(duì)可能需要了解不同渠道的廣告效果，人力資源部門(mén)可能關(guān)注員工績(jī)效與公司收益之間的關(guān)聯(lián)。這些需求都需要快速、準(zhǔn)確地從大量數(shù)據(jù)中提取關(guān)鍵數(shù)據(jù)。

然而，傳統(tǒng)BI工具在滿足這些需求時(shí)存在明顯的問(wèn)題：數(shù)據(jù)結(jié)構(gòu)復(fù)雜，非數(shù)據(jù)專業(yè)人員難以快速理解，這限制了他們直接訪問(wèn)和分析數(shù)據(jù)的能力；即使是簡(jiǎn)單的數(shù)據(jù)查詢，也可能需要編寫(xiě)復(fù)雜的SQL語(yǔ)句，這對(duì)于大多數(shù)業(yè)務(wù)人員來(lái)說(shuō)是一個(gè)高門(mén)檻；當(dāng)業(yè)務(wù)需求變化時(shí)，調(diào)整查詢參數(shù)或邏輯往往需要重新編寫(xiě)或大幅修改已有的查詢語(yǔ)句，導(dǎo)致響應(yīng)速度慢，效率低下。

這些問(wèn)題不僅延緩了決策過(guò)程，還增加了業(yè)務(wù)部門(mén)的工作負(fù)擔(dān)，無(wú)法專注于更高價(jià)值的分析工作。在數(shù)據(jù)需求日益增長(zhǎng)的今天，傳統(tǒng)BI工具的這些局限性顯得尤為突出。

在這一背景下，Quick BI通過(guò)其智能問(wèn)數(shù)功能，為這一傳統(tǒng)流程帶來(lái)了新的解決方案。這一功能的核心亮點(diǎn)在于其能夠理解自然語(yǔ)言查詢，極大地降低了用戶與數(shù)據(jù)交互的復(fù)雜度，使得非技術(shù)背景的業(yè)務(wù)人員也能輕松進(jìn)行數(shù)據(jù)查詢和分析。

智能問(wèn)數(shù)功能通過(guò)大模型提供的自然語(yǔ)言理解能力，準(zhǔn)確理解用戶的查詢意圖，將復(fù)雜的業(yè)務(wù)問(wèn)題轉(zhuǎn)化為精確的數(shù)據(jù)查詢。同時(shí)，支持企業(yè)上傳自己的特定行業(yè)術(shù)語(yǔ)知識(shí)庫(kù)，使得模型能夠更精確地理解企業(yè)內(nèi)部的數(shù)據(jù)及其語(yǔ)境，從而提供更加精確的分析結(jié)果。這一點(diǎn)突破了傳統(tǒng)BI工具需要用戶具備數(shù)據(jù)查詢語(yǔ)言知識(shí)的限制，實(shí)現(xiàn)了真正的“所問(wèn)即所得”。

#上傳知識(shí)庫(kù)

看起來(lái)容易，然而背后的技術(shù)實(shí)現(xiàn)難度非常大。

在使用AI進(jìn)行數(shù)據(jù)查詢時(shí)，需要了解表的結(jié)構(gòu)和字段對(duì)應(yīng)的關(guān)系。表結(jié)構(gòu)應(yīng)該具有一定的靈活性，能夠適應(yīng)不同問(wèn)題的需求。同時(shí)，數(shù)據(jù)字段的命名也要統(tǒng)一，以便AI能夠正確識(shí)別。此外，AI還應(yīng)該具備在模糊情況下識(shí)別所需數(shù)據(jù)的能力。說(shuō)白了：智能BI得真正聽(tīng)懂提問(wèn)者的“話中話”，理解用戶的真實(shí)需求。

舉例小張發(fā)問(wèn)：“公司在北京去年該款果汁銷售量是多少？” 究竟小張是希望了解這款果汁的售出瓶數(shù)、GMV還是箱數(shù)呢？又比如華東區(qū)的銷售額這么一個(gè)看似簡(jiǎn)單的問(wèn)題，每個(gè)公司對(duì)于“華東區(qū)”的定義都可能大不相同，BI如果只是從搜索結(jié)果理解華東區(qū)，那么回復(fù)自然也不可能精準(zhǔn)。

目前行業(yè)里的對(duì)話式BI，無(wú)一不強(qiáng)調(diào)突出自己的易用性、智能性和交互性，但說(shuō)白了，一款好用的對(duì)話式BI，就是能夠真正聽(tīng)懂用戶并理解真實(shí)需求的BI。

Quick BI在交互設(shè)計(jì)上同樣展現(xiàn)出卓越的友好性，其交互設(shè)計(jì)的精髓，在于將高度復(fù)雜的數(shù)據(jù)處理過(guò)程封裝在用戶友好的界面背后。

在響應(yīng)速度上，Quick BI通過(guò)優(yōu)化后端數(shù)據(jù)處理邏輯和前端渲染技術(shù)，確保了即使是復(fù)雜的數(shù)據(jù)查詢也能迅速得到響應(yīng)。這種快速反饋對(duì)于用戶而言至關(guān)重要，它不僅減少了等待時(shí)間，增加了用戶使用的連貫性和滿意度，而且使得數(shù)據(jù)探索過(guò)程更為流暢，用戶可以更快地迭代查詢，逐步深入到數(shù)據(jù)分析的核心。

#一鍵問(wèn)數(shù)

而且，智能問(wèn)數(shù)支持多輪交互，能夠根據(jù)初步查詢結(jié)果，引導(dǎo)用戶逐步細(xì)化查詢需求，直至獲取滿意的數(shù)據(jù)分析結(jié)果。這種交互模式不僅提高了查詢的準(zhǔn)確性，還增加了用戶探索數(shù)據(jù)的深度和廣度。

#支持多輪對(duì)話

此外，隨著用戶的持續(xù)使用，Quick BI能夠?qū)W習(xí)并適應(yīng)用戶的查詢習(xí)慣和偏好，進(jìn)一步提升查詢的相關(guān)性和個(gè)性化。這種基于大模型能力的持續(xù)進(jìn)化，確保了智能問(wèn)數(shù)功能能夠隨著時(shí)間不斷優(yōu)化，更好地服務(wù)于用戶的業(yè)務(wù)需求。

自2023年云棲大會(huì)瓴羊發(fā)布Quick BI的對(duì)話式數(shù)據(jù)分析功能后，已有超過(guò)20家頭部企業(yè)實(shí)際使用該功能，這些企業(yè)用戶通過(guò)持續(xù)給予使用反饋，驅(qū)動(dòng)Quick BI在短時(shí)間內(nèi)迭代升級(jí)，這也體現(xiàn)了Quick BI本身相對(duì)龐大的企業(yè)用戶基礎(chǔ)，及其技術(shù)團(tuán)隊(duì)的信心。

瓴羊是怎么做到的？

2023年大模型爆火，很快蔓延到BI領(lǐng)域。但是，將大模型接入BI打造對(duì)話式數(shù)據(jù)分析產(chǎn)品，在邏輯上講得通是一回事，但拿出能落地商用的成熟產(chǎn)品，則是另外一回事。

要打造一個(gè)能穩(wěn)定商用的對(duì)話式BI產(chǎn)品，需要跨過(guò)兩道門(mén)檻：

如何實(shí)現(xiàn)大模型與BI系統(tǒng)的深度融合

Quick BI在技術(shù)架構(gòu)上新增了AI中間層，這是其實(shí)現(xiàn)大模型與BI系統(tǒng)深度融合的關(guān)鍵。AI中間層的作用是將大模型的意圖理解與BI系統(tǒng)底層的渲染引擎、分析引擎等進(jìn)行有效的編排和處理。通過(guò)將關(guān)鍵的系統(tǒng)指令執(zhí)行、流程控制、消息模型、邏輯等步驟拆解成原子API，實(shí)現(xiàn)了模型生成結(jié)果的標(biāo)準(zhǔn)化調(diào)用。這不僅滿足了系統(tǒng)內(nèi)部的需求，未來(lái)還具備向外開(kāi)放，被更多AI技術(shù)調(diào)用的潛力。

在大模型與BI系統(tǒng)的融合中，另一個(gè)關(guān)鍵點(diǎn)是數(shù)據(jù)處理和邏輯調(diào)用的整合。AI中間層不僅僅是一個(gè)傳遞信息的通道，它還需要能夠理解和處理BI系統(tǒng)中的數(shù)據(jù)邏輯，如數(shù)據(jù)過(guò)濾、分組、聚合等，并將這些邏輯以大模型能夠理解的方式進(jìn)行表達(dá)。同時(shí)，當(dāng)大模型產(chǎn)生輸出時(shí)，AI中間層也需要將這些輸出轉(zhuǎn)換為BI系統(tǒng)能夠處理的數(shù)據(jù)格式，確保數(shù)據(jù)的準(zhǔn)確展示。這一過(guò)程的復(fù)雜性，在于需要將兩個(gè)系統(tǒng)中截然不同的數(shù)據(jù)處理邏輯和數(shù)據(jù)模型，進(jìn)行有效的映射和整合。

#查看AI取數(shù)過(guò)程

解決大模型固有的“黑箱”和“幻覺(jué)”技術(shù)問(wèn)題

大模型在處理復(fù)雜查詢時(shí)，可能會(huì)遇到幻覺(jué)問(wèn)題，即模型返回的數(shù)據(jù)可能不準(zhǔn)確或不符合邏輯，是Quick BI需要解決的另一個(gè)技術(shù)挑戰(zhàn)。

為此，瓴羊通過(guò)以下措施確保模型的返回可控性：

● 高質(zhì)量訓(xùn)練數(shù)據(jù)與知識(shí)庫(kù)——選用高質(zhì)量的訓(xùn)練數(shù)據(jù)和知識(shí)庫(kù)對(duì)BI領(lǐng)域的大模型進(jìn)行訓(xùn)練，確保模型能夠準(zhǔn)確理解和處理BI相關(guān)的查詢；

● 云原生技術(shù)和強(qiáng)化學(xué)習(xí)微調(diào)——支持基于云原生技術(shù)的全量和參數(shù)高效微調(diào)，以及基于強(qiáng)化學(xué)習(xí)的對(duì)齊微調(diào)，專門(mén)針對(duì)BI場(chǎng)景進(jìn)行優(yōu)化；

● 工程化Agent調(diào)用中控——通過(guò)工程化的Agent作為調(diào)用大模型的中控，根據(jù)不同場(chǎng)景進(jìn)行路由優(yōu)化，確保模型返回的穩(wěn)定性和可控性。

羅馬不是一天建成的。

瓴羊Quick BI產(chǎn)品之所以能夠在對(duì)話式BI領(lǐng)域取得顯著成就，深度融合大模型技術(shù)并有效解決“黑箱”與“幻覺(jué)”等技術(shù)難題，得益于其背后深厚的數(shù)據(jù)處理與分析經(jīng)驗(yàn)積累，以及對(duì)大模型技術(shù)的深入理解和應(yīng)用。

一方面，瓴羊前身作為阿里巴巴集團(tuán)數(shù)據(jù)中臺(tái)團(tuán)隊(duì)，擁有數(shù)十年的數(shù)據(jù)服務(wù)經(jīng)驗(yàn)。該團(tuán)隊(duì)不僅曾經(jīng)支持了阿里雙11的數(shù)據(jù)大屏、88VIP會(huì)員等重大數(shù)智項(xiàng)目的孵化，還助力了淘寶、天貓等多個(gè)業(yè)務(wù)平臺(tái)從創(chuàng)新到快速成長(zhǎng)的全過(guò)程。這些經(jīng)驗(yàn)，使得瓴羊Quick BI團(tuán)隊(duì)對(duì)于商業(yè)數(shù)據(jù)的各種復(fù)雜需求和潛在挑戰(zhàn)，有著深刻的理解和成熟的應(yīng)對(duì)策略。就在去年，Quick BI 突破至“挑戰(zhàn)者”象限，同時(shí)成為國(guó)內(nèi)唯一連續(xù)4年進(jìn)入 Gartner ABI 魔力象限的 BI 產(chǎn)品。

另一方面，瓴羊Quick BI的優(yōu)勢(shì)還體現(xiàn)在其融合了阿里云旗下通義千問(wèn)大模型的能力。作為國(guó)內(nèi)最早發(fā)布并開(kāi)源的大模型之一，通義千問(wèn)在多項(xiàng)大模型評(píng)測(cè)中表現(xiàn)卓越，其開(kāi)源模型被廣泛應(yīng)用于社區(qū)，催生了眾多新模型和應(yīng)用，體現(xiàn)了其強(qiáng)大的模型基礎(chǔ)能力和廣泛的應(yīng)用潛力。近日，在中國(guó)信通院組織的首批大模型驅(qū)動(dòng)的智能數(shù)據(jù)分析工具專項(xiàng)測(cè)試中，瓴羊Quick BI順利完成了專項(xiàng)測(cè)試的全部?jī)?nèi)容，成為首批完成此項(xiàng)測(cè)試的企業(yè)。

AI，會(huì)讓BI市場(chǎng)重新洗牌么？

BI產(chǎn)業(yè)的發(fā)展歷程，可以看作是不斷追求數(shù)據(jù)分析的便捷性、深度和廣度的過(guò)程。早期，BI工具主要依靠IT部門(mén)操作，報(bào)表生成周期長(zhǎng)，靈活性差，這限制了數(shù)據(jù)分析的應(yīng)用范圍和效率。隨著技術(shù)的進(jìn)步，BI工具開(kāi)始支持交互式查詢、實(shí)時(shí)分析等功能，讓業(yè)務(wù)用戶能夠直接參與到數(shù)據(jù)分析中來(lái)，大大提高了決策的速度和準(zhǔn)確性。近年來(lái)，隨著云計(jì)算和移動(dòng)互聯(lián)網(wǎng)的發(fā)展，BI工具更是實(shí)現(xiàn)了云端分析和移動(dòng)訪問(wèn)，為數(shù)據(jù)分析的普及和應(yīng)用帶來(lái)了新的可能。

BI行業(yè)自誕生以來(lái)，經(jīng)歷了多次重要的技術(shù)變革，從早期的靜態(tài)報(bào)表，到交互式分析、敏捷BI等，每一次技術(shù)的躍進(jìn)都極大地推動(dòng)了行業(yè)的發(fā)展。

大模型技術(shù)的引入，標(biāo)志著B(niǎo)I產(chǎn)業(yè)進(jìn)入了智能化的新階段。一方面，通過(guò)自然語(yǔ)言的交互方式，大大降低了用戶操作BI工具的難度，使得非專業(yè)的業(yè)務(wù)用戶也能輕松進(jìn)行數(shù)據(jù)查詢和分析，真正實(shí)現(xiàn)了數(shù)據(jù)分析的民主化。另一方面，大模型技術(shù)的應(yīng)用，使得BI工具能夠提供更為深入和細(xì)致的數(shù)據(jù)洞察，幫助用戶挖掘數(shù)據(jù)背后的深層次信息，從而做出更加精準(zhǔn)的決策。

據(jù)測(cè)算，全球自助式BI市場(chǎng)規(guī)模在2022年達(dá)到了48.8億美元，2023年的57.1億美元，預(yù)計(jì)到2030年將增長(zhǎng)至202.2億美元。這一顯著的增長(zhǎng)預(yù)期，揭示了自助式BI在未來(lái)幾年將面臨的巨大發(fā)展機(jī)遇。對(duì)話式BI作為自助式BI的一種進(jìn)階形式，其進(jìn)步將在很大程度上推動(dòng)整個(gè)自助式BI市場(chǎng)的發(fā)展。

可以預(yù)見(jiàn)，隨著大模型技術(shù)的普及，BI行業(yè)的市場(chǎng)競(jìng)爭(zhēng)格局必將發(fā)生重大變化，BI市場(chǎng)格局將迎來(lái)新一輪重新洗牌。那些能夠快速適應(yīng)技術(shù)變革、并成功將大模型技術(shù)應(yīng)用于產(chǎn)品中的企業(yè)，將在未來(lái)的市場(chǎng)競(jìng)爭(zhēng)中占據(jù)有利地位。反之，那些未能跟上技術(shù)發(fā)展步伐的企業(yè)，則可能會(huì)逐漸被邊緣化。

隨著大模型的接入，商業(yè)智能（BI）已成為企業(yè)決策的關(guān)鍵支持工具。隨著技術(shù)的快速發(fā)展，新一代BI智能分析正與LLM（Large Language Model）技術(shù)深度融合，引領(lǐng)著商業(yè)智能領(lǐng)域的新變革。

為了幫助大家更好地了解Quick BI智能小Q，瓴羊在3月28日發(fā)起一場(chǎng)技術(shù)沙龍，深入探討B(tài)I和大模型融合帶來(lái)的影響和機(jī)遇，歡迎掃描下方圖中二維碼報(bào)名觀看。

來(lái)源：數(shù)據(jù)猿