文 | 智能相对论
作者 | 沈浪
尽管备受争议，但是从某种程度来说，这一观点基本贯穿了当今企业的数字化转型进程。企业业务的数字化，本质上就是一个持续量化的过程。
以BI（商业智能）为例，作为现代企业的标配，可以将其简单理解为基于现代企业经营理论与信息应用技术系统对信息、数据进行挖掘、分析和处理，最终辅助商业决策的一个企业服务解决方案。
换句话说，BI核心还是「量化」。
那么，以「量化」的角度来看BI平台的迭代，不难发现当前火爆的大模型技术对其影响主要还是聚焦在企业业务信息和数据的「量化」上。
大模型技术对「量化」纬度的深挖，从根本上改变了BI平台的底层逻辑。
01 大模型进场，从指标的量化开始做起
今年1月，中国一汽联合阿里云通义千问打造的大模型GPT-BI率先完成落地。
作为汽车行业的首个大模型BI应用，GPT-BI被打造出来的首要前提是来对汽车行业的大量指标进行解构，成为可量化的对象、纬度和度量。
其中，中国一汽将管理颗粒度从流程级细化到业务活动级，首创了“业务单元”概念。在1000余条业务流程的3万多个业务单元中，让每个业务单元都有明确的员工操作标准，从而保证员工能清晰知道什么时间、什么地方、使用什么工具和方法、做什么事情、达到什么质量和标准，一目了然。
当这些解构完成，中国一汽的指标体系实际上就基本有了雏形，紧接着就是用于训练公司的数据大模型，完善指标设计、指标拆解、数据寻源、数据建模和数据分析等能力，从而打造出对应的指标模型。
类似的思路在业内其他厂商的BI产品中也能看到。去年，本土知名BI厂商思迈特发布了新一代一站式ABI平台Smartbi Insight V11——在该平台的迭代升级过程中，思迈特就确定了一个重要的关键点：以指标为中心。
对此，思迈特致力于搭建起一个逻辑清晰、自增长、可量化的指标体系，将宏观的目标转化为可执行的任务和计划，从而让各部门使用者都能通过指标，去具体地判断业务、工作该“怎么做”。
当然，更重要的是，只有通过这种对业务指标的解构，才能对底层数据进行准确的建模。然后，再通过模型本身提供的复杂指标计算能力解决大模型难以理解、处理的需求。最后，就可以利用大模型自身对部分常识的精确理解以及学习模型查询语言的过程，输出高质量的查询语句，获取数据，并通过BI工具呈现出来。
所以说，大模型进场之后，其实对BI的改造是从底层建模出发的，从根本上就改变了BI平台对公司业务的理解模式。
这种理解，本质来说就是指标的进阶量化。再比如，网易数帆打造可信的有数ChatBI，其核心点指明的「需求可理解，过程可验证，用户可干预，产品可运营」，也同样是强调这种进阶量化的认知。
02 大模型+BI，能做到什么程度？
有了进阶量化的认知，大模型技术改造后的BI就能更全面地理解公司业务和需求，进而给到更精准的数据分析和反馈，辅助公司做好业务决策。
简单举个例子，以传统的NL2SQL来说，其很难理解并解决类似“公司有多少本科以上员工”或“公司在北上广深之外的业务收入”之类的问题。
因为“本科以上”或“北上广深之外”这种属于字符串类型的字段，是无法简单地通过大于等于号等操作符进行筛选。反观大模型为什么更强，就在于其可以做到这一点，其能理解“本科以上”代表本硕博学历，“北上广深之外”代表其他省市区域等常识。
在这种理解之下，当用户生成查询语句时，大模型加持下的BI就能完成信息过滤，输出正确的答案。由此，就做到了现代BI所强调的理解业务需求的能力。
当然，这是常识性的理解。对于公司而言，我们需要大模型能进一步去理解业务指标所代表的专业知识，从而达到行业专家的理解能力，让BI的业务认知提高到更高的层级，并做到更科学、准确的辅助决策。
中国一汽需要GPT-BI能达到什么效果？当公司需要了解“某车型的产量为什么不及预期”时，GPT-BI可以有逻辑地完成预期产量和实际产量的对比，并得出差值，进而分析显性变量（如是否因为设备问题进行过停产或某型号的配件是否出现质量异常等），同时排查涉及的所有变量（如原材料供应波动、能源消耗及供应稳定性等）。
最终，经过全面且细节的信息排查，GPT-BI能找出关联性最大的影响要素，从而帮助公司进行生产优化和治理。——这是大模型BI要做到的，前提是理解业务指标，并完成端到端的数据链接。
在「智能相对论」的视角中，如何用大模型来梳理传统行业错综复杂的指标体系或行业Know-How是现代BI的一个重要演进方向。只有做到了这些，整体的数据流程包括数据获取、数据处理、数据反馈等工作才能加快。
像Smartbi对话式分析大模型版本之所以能有效帮助企业降本增效，创造业务价值，关键就在于其把行业Know-How和大模型结合起来，构建了一个参考的管理指标体系，供企业调整以帮助BI理解公司业务。
在应用过程，我们就能看到，基于充分的指标理解，Smartbi对话式分析大模型版本能迅速的调取用户想要获取的“关于公司去年的合同额、收入和同比情况”。
同时，有了一定的常识认知，Smartbi对话式分析大模型版本还能迅速理解“关于销售分部的”概念，并给出相应的纬度数据。
此外，结合大模型的分析能力以及对各项指标的理解，Smartbi对话式分析大模型版本又进一步对表格中的数据进行了解释分析，帮助用户来理解企业经营情况。
整体体验下来，有了大模型的加持，BI产品的数据处理、分析和反馈能力都得到了强化，对用户而言有着质一般的升级体验。
除此之外，这种体验不仅在数据应用上有所优化，在数据生产上也是如此。过去，制作一张报表从立项到上线至少要60天，基于思迈特Smartbi的自助分析平台，现在业务部门的数据人员可自行处理制作报表，即使通过传统提需求的方式，也只要1—3天即可完成。
现代BI的演进基本阐述了一个道理：「量化」的增强，数据管理就变得更加高效且简单了。思迈特思迈特CEO吴华夫认为，BI是一个不断进化的过程，具体的从1958年BI的概念提出以来，底层数据准备从报表开发、Cube多维模型、宽表再到指标；上层数据分析从传统的报表、大屏，到敏捷的自助可视化探索，再到智能的增强分析。
更准确的说，进化即量化。
03 现代BI的进化之路
人类的行为基本上是建立在理解世界的前提下的，也就是认知决定行为——当认知越清晰且深刻，那么行为也就越科学且精准。
对于BI产品而言，也是如此。BI概念的提出，本质就是基于大量的数据反馈完成对公司业务的认知，进而给出相应决策反馈的解决方案，只是数字化技术限制了关键的数据处理能力。
当大模型技术进场，强化了底层的数据处理能力，那么现代BI的进化是快速的。因此，BI也被认为是大模型在企业内部最快完成落地的模块之一，不仅在于BI是现代企业发展的核心支撑，更在于其基本的演进逻辑是清晰的、科学的。
大模型对现代BI的演进令人期待，更何况现代企业的发展已经离不开BI的支持。在这个趋势下，也有越多越多的厂商开始往现代BI的方向发展。从目前的行业情况来看，存在三类玩家。
一类是像思迈特、帆软这样的垂直BI厂商。他们本就深耕BI领域，在特定的行业如金融、法律等积累了大量客户资源和行业Know-How，服务经验足，产品覆盖面广，既有较好的数字化处理能力也比较注重BI领域的用户体验。
另一类是以阿里、网易等为代表的互联网厂商。一方面，他们虽然入行时间短，但也有着主攻轻量化的BI产品，如阿里Quick BI、网易数帆等，能接入自家的办公平台和企业数字化解决方案来占领市场。另一方面，他们在大模型方面有着较强的技术能力，正在联合传统行业大客户共创BI，如阿里与一汽联合打造GPT-BI等，以全新的服务模式推动现代BI的发展。
最后一类是以用友、金蝶等为代表的传统企业服务厂商。他们长期服务企业，有一套综合性的企业资源计划系统，也有一定的客户资源和行业积累，随着现代BI的进化，对企业客户的价值越来越高，便开始跨界进入BI领域，打造BI产品并接入自家的服务系统，来强化企业服务能力。
以上三类是目前BI行业较为典型且备受瞩目的玩家。不管是哪类玩家，他们都在用自己的模式和技术能力去共同推动现代BI的进化。当然，在这三类玩家之中也有共同点，那就是大模型技术的应用的必然的