實測5家BI產(chǎn)品，誰是中國的Power BI？

　 域名預訂/競價，好“米”不錯過

©自象限原創(chuàng)

作者｜程心

編輯｜周游

今年2月份，ChatGPT橫掃了整個科技圈，微軟打出OpenAI這張王牌之后，將所有2C的業(yè)務率先改了一遍。當所有人都盯著看它準備怎么用ChatGPT改造2B業(yè)務時，微軟卻出乎意料的率先將ChatGPT接入了旗下本來“名不見經(jīng)傳”的企業(yè)數(shù)字化工具：Power BI，在其中加入Copilot能力。

▲圖源：微軟PowerBI官網(wǎng)

幾乎同一時間，全世界最大的SaaS公司Salesforce旗下子公司Tableau將Einstein GPT 與 Tableau 的現(xiàn)有功能相結(jié)合，在整個分析供應商的平臺中注入生成式 AI，以達到用自然語言和視覺格式呈現(xiàn)有關個性化指標的見解，并將其提供給用戶。

大模型以尖刀的姿態(tài)扎進2B數(shù)字化，而生成式AI＋BI所打造的“對話式BI”，則是它撕開的第一道口子。在這個數(shù)據(jù)作為主要生產(chǎn)要素的時代，用戶只需要通過日常對話的方式即可獲得數(shù)據(jù)價值，這極大降低了數(shù)據(jù)使用的門檻，解決了“用數(shù)”中最核心的難題。

國內(nèi)公司聞風而動。今年7月、8月開始，不少BI廠商開始推出“ChatBI”、“BI Copilot”、“ABI平臺”等類似功能。8月初，Smartbi 在最新V11版本的產(chǎn)品中，加入了數(shù)據(jù)模型、指標模型、自助分析、對話式分析等多種智能角色能力；緊接著網(wǎng)易數(shù)帆發(fā)布了有數(shù)ChatBI產(chǎn)品，將自然語言理解能力與專業(yè)數(shù)據(jù)分析能力結(jié)合；更早之前，國內(nèi)數(shù)據(jù)庫廠商Kyligence發(fā)布了基于ChatGPT的Kyligence Copilot，并已經(jīng)對外開放測試。

顯然，盡管中國大模型慢了一步，但BI平臺的智能化并不慢。

不過，大模型來了，問題也接踵而來：大模型究竟將對當下的BI廠商格局有哪些影響？如何改造BI產(chǎn)品，對BI廠商又提出了怎樣的需求？什么才是企業(yè)真的用的上的智能化分析？

帶著這些問題，我們實測了目前5家主流的廠商產(chǎn)品，包括帆軟、思邁特、觀遠、永洪和網(wǎng)易數(shù)帆，從產(chǎn)品思路觀察目前中國式BI的發(fā)展階段，產(chǎn)品的差異性和共同點。

AI＋BI，能碰撞出怎樣的火花？

想要搞明白這些問題，首先需要明確的是，大模型技術到底將對BI（商業(yè)智能）有哪些方面的影響？

根據(jù)客戶的使用流程，當前的BI產(chǎn)品分為上、中、下三層：下層是基礎的數(shù)據(jù)集市（數(shù)據(jù)采買服務）、數(shù)據(jù)連接（企業(yè)內(nèi)部數(shù)據(jù)源連接，外部數(shù)據(jù)埋點）、數(shù)據(jù)準備（將不同的數(shù)據(jù)源寫進數(shù)據(jù)庫）；中層則包括數(shù)據(jù)讀寫、數(shù)據(jù)分析、頁面搭建、數(shù)據(jù)挖掘等工具平臺側(cè)；最上層即離用戶最近的一層是數(shù)據(jù)展示（PC、移動端、大屏）、和對話式BI、應用商店等。

▲圖為自象限原創(chuàng)，轉(zhuǎn)載請注明出處

需要肯定的是，生成式AI的出現(xiàn)，對BI的影響一定是深遠的，滲透進每個技術環(huán)節(jié)，甚至將重構(gòu)BI的產(chǎn)業(yè)鏈條，但這并不是一蹴而就的過程。思邁特CTO楊禮顯認為，生成式AI與BI結(jié)合將分為以下三個階段：

第一階段是AIGC的NLQ自然語言查詢類應用，讓大模型學會SQL語言，幫助技術人員寫SQL語句，調(diào)取數(shù)據(jù)庫的可用數(shù)據(jù)。進一步解決業(yè)務人員不懂技術、技術人員不懂業(yè)務的壁壘，替代低代碼、零代碼開發(fā)，以及根據(jù)數(shù)據(jù)分析智能生成報告等；

第二階段是利用大模型的推理能力，進行數(shù)據(jù)分析和深入洞察，并與業(yè)務客戶共建交互方式，降低數(shù)據(jù)的使用門檻。即前文所講的對話式BI。這不僅是基于自然語言理解技術重塑人與數(shù)據(jù)之間的交互方式，更是讓大模型進一步理解人需求的過程。比如“找到公司內(nèi)部本科以上學歷的工作人員”，大模型可以通過理解“本科以上”，更準確的找到目標群體；另外，還可以做歸因分析，比如毛利率下降了，究竟是什么原因?qū)е?，并且自動生成分析報告。這也是目前主流的研究方向；

第三階段大模型作為BI的最底層，連接數(shù)據(jù)產(chǎn)業(yè)鏈，利用大模型能力直接做系統(tǒng)開發(fā)，并通過與行業(yè)大模型及業(yè)務的結(jié)合，直接幫客戶建立一個可信可用的數(shù)據(jù)系統(tǒng)和看板，免去人搭建的過程；

以我們七月到八月參加了多場BI廠商新品發(fā)布會的結(jié)果來看，當下雖然發(fā)力點都在智能化，但底層邏輯各有不同。最大的區(qū)別在于大模型本身是否自研，模型自研能夠盡可能保證企業(yè)數(shù)據(jù)的安全性、可控性、一致性，畢竟企業(yè)內(nèi)部數(shù)據(jù)對安全性要求極高，但自研大模型對企業(yè)各方面的能力都充滿挑戰(zhàn)，目前僅思邁特和網(wǎng)易數(shù)帆滿足上述條件。

楊禮顯告訴我們：“自然語言與BI的結(jié)合并不是ChatGPT興起才開始的，Smartbi從2017年就開始預研該技術，在V10版本中就已經(jīng)上線了對話式BI功能，也是國內(nèi)最早一批上線的BI廠商”。

網(wǎng)易集團副總裁、網(wǎng)易杭州研究院執(zhí)行院長汪源也強調(diào)：“ChatBI的技術demo有很多，但關鍵是做到可信，而且是基于可私有化交付的大模型，做不到這兩點都是胡扯。”

除此之外，其他BI大多是接入了ChatGPT的API接口，或在Azure上購買OpenAI的服務，包括Tableau也是基于自身模型和ChatGPT的結(jié)合打造的，但本質(zhì)都是通過外接，這很容易把產(chǎn)品做成ChatUI（即有對話框的形式和完成基礎對話）而非ChatBI（有數(shù)據(jù)分析的靈魂）。

再往下探索一步，我們發(fā)現(xiàn)即便是ChatBI，所展現(xiàn)的方式也并不相同。

有些是輕度改造，在BI產(chǎn)品內(nèi)部改變數(shù)據(jù)的呈現(xiàn)方式。比如微軟直接在Power BI中外接了Copilot，此前將企業(yè)在Office365中的各類數(shù)據(jù)源進行整合分析，并通過拖放式畫布，將數(shù)據(jù)變成變成可視化的結(jié)果，如今內(nèi)置了Copilot（副駕駛），直接將整合分析的結(jié)果以對話的形式返還給用戶，只是改變了呈現(xiàn)邏輯而非產(chǎn)品邏輯。國內(nèi)Kyligence的思路也大抵如此。

相比之下，Tableau和Smartbi在技術層面則做的更加深入。Tableau本身便是通過Slack與各級員工進行交互，擁有天然的對話場景，在這樣的基礎上，“對話”并不刻意，而是融入在用戶的使用習慣中。而在思邁特最新版本的V11中，通過指標的方式對數(shù)據(jù)進行建模，讓用戶更容易理解，并通過數(shù)據(jù)模型復雜的計算能力、LLM理解用戶的意圖，提供所需的結(jié)果，提高數(shù)據(jù)使用效率。更重要的是，這種對話場景不僅存在于BI產(chǎn)品內(nèi)部，Smartbi更能和企業(yè)IM軟件釘釘、企業(yè)微信等集成，進行更高效的協(xié)同辦公。

▲圖源：思邁特對話式BI頁面

這也足以見得，BI產(chǎn)品的數(shù)智化改造與產(chǎn)品本身的邏輯密不可分，正如燃油車本身的改造空間就比較小，所以智能車與新能源汽車常綁定在一起一般，通過產(chǎn)品實測，不僅能判斷過去更能管窺未來。

產(chǎn)品實測：誰是中國的Power BI？

根據(jù)Gartenar對BI的定義，可以對一款商業(yè)智能BI工具是否具備競爭力做出科學的判斷，主要有以下五個核心判斷標準：數(shù)據(jù)接口的開放程度、數(shù)據(jù)建模加工計算能力、數(shù)據(jù)可視化能力、易用性、嵌入式分析能力，我們同步將智能化能力進行了評測。

▲圖為自象限原創(chuàng)，轉(zhuǎn)載請注明出處

首先，通過我們對于行業(yè)各家廠商的調(diào)研，從產(chǎn)品邏輯、服務形式等方面進行體驗，發(fā)現(xiàn)目前國內(nèi)的BI廠商共分為三大類：

一是傳統(tǒng)的BI廠商：如帆軟、永洪以本地部署的傳統(tǒng)軟件交付形式為主，產(chǎn)品滿足企業(yè)的一些基礎需求，但產(chǎn)品更類似于基礎軟件中的中間件，需要技術人員輔助進行專業(yè)性操作；

二是互聯(lián)網(wǎng)化的BI廠商：如思邁特Smartbi、觀遠、Tableau等，產(chǎn)品更偏向SaaS交付，主打輕量化、低門檻，既能滿足技術人員的需求同時也能讓業(yè)務人員用起來，覆蓋面廣，既兼具BI的數(shù)字化處理能力又注重用戶體驗；

三是純互聯(lián)網(wǎng)廠商：如網(wǎng)易數(shù)帆、阿里Quick BI、微軟Power BI等，此類廠商由于進入行業(yè)時間并不長，產(chǎn)品方面有一定優(yōu)勢但往往做的比較輕量化，缺少數(shù)據(jù)分析能力和行業(yè)結(jié)合的壁壘。

其中傳統(tǒng)BI廠商的“互聯(lián)網(wǎng)化”程度不高，一站式平臺搭建、分析、和低代碼/零代碼能力都屬于待補齊狀態(tài)，同時產(chǎn)品形態(tài)也比較偏Web時代，移動端部署的靈活性不強，服務能力也是薄弱環(huán)節(jié)。

▲圖源：帆軟FineBI6.0截圖

舉幾個例子，比如帆軟和永洪都建議我們以本地部署的形式買斷，后續(xù)按年更新，服務團隊一次性部署，后續(xù)運營僅負責產(chǎn)品bug修復等問題，按工單響應的方式提交，2小時之內(nèi)回復。

但以我們對企業(yè)需求的調(diào)查情況來看，在具體的使用過程中，經(jīng)常存在各種疑難問題、操作流程不清晰，不能只依賴企業(yè)內(nèi)部人員的探索，還需要廠商強有力的服務團隊。如思邁特采用的是“專人專群”的服務模式，群內(nèi)配置技術人員、銷售人員、運營人員，隨時提問隨時響應隨時解答。

另外，Smartbi和觀遠提供的一站式BI能力，能夠幫助企業(yè)在不同階段數(shù)字化轉(zhuǎn)型，帆軟更多是通過報表和BI來滿足業(yè)務數(shù)據(jù)的可視化的需求，缺乏指標管理體系、數(shù)據(jù)挖掘、數(shù)據(jù)門戶等能力。帆軟僅支持寫SQL來制作固定格式報表，只能由專業(yè)技能的技術人員來開發(fā)。報表采用Excel設計器，用戶熟悉界面，上手快。通過數(shù)據(jù)模型進行數(shù)據(jù)準備，指標復用性、指標數(shù)據(jù)準確性大大提升，成本相對低。

而純互聯(lián)網(wǎng)的平臺型廠商，在BI的垂直能力上和產(chǎn)品層面又顯的比較“薄”，比如當我們問到網(wǎng)易數(shù)帆的工作人員，能否接入自己的ERP、OA、CRM等系統(tǒng)時，對方回答“SaaS版本并不支持外接系統(tǒng)，只有本地部署可以打通。”但事實上這是一個較為基礎的功能，數(shù)據(jù)連接是BI的一個比較核心的環(huán)節(jié)。

▲圖源：網(wǎng)易有數(shù)BI截圖

“從產(chǎn)品的設計思路來看，網(wǎng)易也好、阿里也好，他們的目標客戶是那些并沒有大量歷史數(shù)據(jù)存儲的企業(yè)，尤其是一些新興的科技公司和中小企業(yè)，因為價格便宜，網(wǎng)易SaaS版本使用者僅980/年，能夠滿足基本需求就足夠了。”一位業(yè)內(nèi)人士向我們評價到。

目前，將BI能力和產(chǎn)品能力結(jié)合的最好的，屬于傳統(tǒng)BI廠商轉(zhuǎn)型的第二類，他們兼具了專業(yè)能力和低門檻、輕便型，同時能夠兼容更多的智能化能力。比如上述提到的，由于可嵌入進IM軟件，通過釘釘、企微、飛書向用戶推送報表，便自然而然的形成了對話框，以便于下一步，為用戶打造對話式BI的產(chǎn)品。

不過，在這類廠商中，由于生長路徑不同，服務的客戶和長板也有一定差異。比如思邁特由金融起家，銀行大客戶方案與交付服務能力更強，部分行業(yè)的方案更有行業(yè)Know-how；而觀遠則從大型零售業(yè)家，在零售方面積累了垂直的解決方案。

一手抓“硬實力”，一手抓“軟實力”，通過對產(chǎn)品全盤的分析來看，未來最有可能與Power BI同臺競技的，或許會從第二類廠商中誕生下一個“The Chosen one”。

BI進入下一賽段

在我們此前對智能化的研究中總結(jié)了一個當下智能化變遷的基本邏輯：數(shù)字化程度越高的領域越容易進行智能化變革。這也是為什么無論是微軟還是Salesforce，都將BI作為2B智能化第一站的原因。

事實上，一直以來BI也是企業(yè)進行數(shù)字化改造的第一站。

1958年BI概念被提出后至2000年后傳入中國，早期一直被國外廠商壟斷，但面對當時國內(nèi)特色的數(shù)據(jù)環(huán)境，很多企業(yè)的數(shù)據(jù)還停留在紙上，國內(nèi)BI廠商抓準了這個機會，從數(shù)據(jù)準備的環(huán)節(jié)開始到數(shù)據(jù)處理、數(shù)據(jù)分析、可視化分析，覆蓋了整個數(shù)據(jù)處理的全鏈條，逐步發(fā)展起來。(包括數(shù)據(jù)采集、清洗、整合、存儲、計算、建模、訓練、展現(xiàn)、協(xié)作等)

至今，從BI本身的技術發(fā)展路線而言，經(jīng)歷了從傳統(tǒng)BI到敏捷BI一個大的技術躍遷，并經(jīng)歷了以下4個階段，目前，BI廠商的下一階段便是從自助可視化，到智能的增強分析。

從市場的角度來看，整個大環(huán)境要求企業(yè)不得不對數(shù)據(jù)有越來越強的把控能力，自主可控的數(shù)據(jù)環(huán)境是發(fā)展的大趨勢。從艱難的技術突破到高速發(fā)展期，再到現(xiàn)在必須落地到千行百業(yè)，遍地開花，這也推動著整個BI進入下一賽段。

在下一賽段，考驗的是BI廠商的綜合能力，不僅是技術能力，更要有行業(yè)Know-how。比如提供指標平臺是一種技術能力，但具體形成什么樣的指標，才能讓業(yè)務用起來？產(chǎn)生數(shù)據(jù)價值？這才是最終決定結(jié)果的主要因素。

西貝餐飲集團IT資深高級總監(jiān)賀贊賢分享過他們的案例：“傳統(tǒng)的供應鏈數(shù)字化運營，是自下而上的需求驅(qū)動，存在效率低下、口徑不統(tǒng)一、分析不敏捷等問題。西貝亟需自上而下構(gòu)建完善科學的指標體系，實現(xiàn)敏捷、靈活、統(tǒng)一的應用”。

據(jù)我們了解到，西貝集團從餐飲探索到零售業(yè)務，銷售創(chuàng)新帶來了新的供應挑戰(zhàn)，零售業(yè)務沒有規(guī)律、難以捉摸導致了供需經(jīng)常錯配。比如銷售計劃制定不嚴謹、產(chǎn)能和需求不匹配、供應周期與需求周期匹配程度低等問題導致商機丟失、毛利低下。

為了解決這些業(yè)務難題，西貝集團開始優(yōu)化供產(chǎn)銷協(xié)同標準和流程，通過大數(shù)據(jù)分析平臺監(jiān)控整個業(yè)務的運營情況。

舉個例子，計劃人員借助BI工具構(gòu)建的報表觀測銷售計劃達成率、庫存可銷天數(shù)等指標，不僅可以實時查看供銷匹配度，還能通過預警功能提前示警，及時協(xié)同銷售方及生產(chǎn)方，規(guī)避斷貨和呆滯風險。

目前，西貝集團內(nèi)部有幾百張運營監(jiān)控報表，通過各種指標來監(jiān)控供應、成本和資產(chǎn)利用率等情況，保障供應的可靠性和敏捷性的同時驅(qū)動業(yè)務優(yōu)化、提升銷售毛利。

從1-100是不少大型企業(yè)面臨的數(shù)據(jù)難題，同時從0-1的指標體系搭建也是核心難題。西藏藥業(yè)的探索歷程是典型代表，在進行數(shù)字化轉(zhuǎn)型之前，數(shù)據(jù)分散在多個業(yè)務系統(tǒng)中，不同系統(tǒng)間暫未打通，導致數(shù)據(jù)無法匯集，從而無法從各個系統(tǒng)中取數(shù)，另外數(shù)據(jù)質(zhì)量高地不一，數(shù)據(jù)口徑也不一致。這樣的歷史遺留問題讓業(yè)務人員無法高效、自助用數(shù)。

為了解決上述問題，西藏藥業(yè)打造了“指標分析體系＋指標管理＋指標可視化”的一站式解決方案。

具體而言，指標體系的打造源于將醫(yī)藥行業(yè)的常用指標和自身業(yè)務需求指標相結(jié)合，形成了更全面的指標內(nèi)容和體系框架，另一方面，通過數(shù)據(jù)連接、數(shù)據(jù)準備等產(chǎn)品，將不同的數(shù)據(jù)進行分級，輔助業(yè)務人員更高效的用數(shù)。

這樣的行業(yè)積累在智能化時代更為關鍵。一位做大模型中間件（數(shù)據(jù)管道）的從業(yè)者曾向我們表示：“未來大模型的能力可能水平都差不多，重點就在行業(yè)的專有數(shù)據(jù)和能力上。”

顯然，BI與行業(yè)的結(jié)合，不止于當下的數(shù)字化應用，未來，還有更廣闊的星辰大海。

申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！