AI+BI，悬在云上的梦想，难以落地的应用

说的小谎.

2018年3月，国家提出了“要加强新一代人工智能的研发应用。大力发展智能产业，拓展智能生活，并且大力改造提升传统的产业。” 于是，被寄予厚望的人工智能便粉墨登场，从诞生伊始就得到的政策倾斜、产业扶持，到落地应用的技术井喷、造就风口。AI一出生就风光无限，一举一动都是话题性十足。

2021年政府工作报告指出“加快数字化发展，协同推进数字产业化和产业数字化转型，建设数字中国。”于是，与数据相关的概念、平台、工具、也开始越来越多地被提及。而BI作为数字化领域的关键一环，也在市场的发展中拔得头筹。

相似的机遇，交集的能力范围，互补的工具属性让无数人都对AI+BI充满了幻想。但AI真的如想象中那般美好吗？是助推企业飞升的“燃料剂”亦或是被灌注了太多空气的泡沫？本文我们将围绕AI、BI的概念及应用场景，相似点与未来趋势，为您分析AI+BI的应用壁垒。

难以落地的AI，偏向数据的BI

关于什么是AI，AI能用来做什么。相信在大环境的熏陶下大家心里已有自己的认识，这里便不再赘述。而现阶段，AI+BI的实际应用还非常有限。二者工作能力虽有一定的交集，但其本质还是有区别的。

BI目前实现的是收集数据，提供反馈，辅助决策的能力，以数据为基础的，面向数据管理和分析，属被动角色。而AI则辅以大数据，算法等得到更有价值的信息，实现收集+预测的能力，更多的是主动角色。

虽然AI的应用范围非常广，但结合BI现仍是处理结构化的数据。而此处二者的交集在于机器学习和数据挖掘，但又略有不同。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。所以说，这也是为什么现在的BI仍不够“智能“的原因。

但现阶段在一些细分领域二者还是卓有成效的。如：

• 金融风控分析与预测
• 广告营销、零售、电商等用户人群画像总结及行为习惯分析
• 物流管理与规划路线，天气提前预警等
• ... ...
  
  
  

我想说到这里，聪明的你一定发现了上述的相同之处了，即需要大量的数据统计。这主要是因为目前AI的机器学习能力仍依赖大量数据的练习，当数据量较少的情况下，其结果及准确度不容理想，很难应用到商业，且目前人工智能缺乏抽象思维，因此将分析和判断的权利交给完全依赖模式化决策的算法存在较大风险，其结果反而影响管理层的判断。且随着数据的量级、多样性以及分布的平台的变化，AI到底该何去何从也存在质疑。

那么AI+BI真的就只是水中月，镜中花，看得到，摸不着？其实也不完全是。目前AI+BI作为一种智能的数据分析方案，适用的企业还是科技巨头，如BAT，华为，字节，美团，滴滴等。这类企业有一个共同特点即：信息化程度高，IT投入大，资金雄厚，技术能力强可破壁垒，产品研发不考虑投资回报率，数据基础好等。

而展望国际巨头，前几年微软的Power BI 在Ignite 技术大会上发布了新功能，通过自然语言就可自动化查询并生成可视化报表。而在IBM的Watson Analytics案例中，AI的价值体现通过数据反推出驱动因素的分析。

通过案例还原，其实AI+BI可总结为：1.展现分析结果；2.揭示产生结果的推动因素；3.细节分析。而在这个过程中，商业智能BI只实现第一步，即通过结果可视化定位分析问题。在第二步和第三步则由AI进行，若由人工来做则需要业务/数据分析人员来做相同的工作。

在这里，其实ABI更贴近AI+BI的概念。在2013 年，Gartner 集团对 BI 的概念进行了更新与扩展，在“Business Intelligence”一词中加入“Analytics”(分析/逻辑分析学）， 合并成“Analytics and Business Intelligence”（ABI，分析与商业智能），并且纳入应用、基础设施、工具、 实践等多项内容。并重新定义为"BI 是一个概括性术语。它包含了应用、基础结构、工具，以及提供信息访问和分析以改进、优化决策表现的最佳实践。"使得信息化技术更好的帮助BI实现他的本质工作：即利用现代技术辅助企业决策。

AI+BI的使用前提是都需要良好的数据治理能力

目前，AI和BI都需要良好的数据支撑，但是现阶段国内大部分企业都只完成了信息化的第一步,即业务信息化。而企业内部业务、信息流程的管理，涉及多个软件如：财务软件、ERP软件、OA软件、CRM 软件等。信息系统多而杂，数据之间不贯通容易形成数据孤岛、异构化的数据，其标准不统一，应用也有很大的困难。

诚然，基础的业务信息化系统建设提高了企业的生产运营效率，沉淀了重要的业务数据，但底层数据如果治理不好，将会严重影响分析决策，更不要去谈决策的准确率了。在这样一个背景下，企业贸然的将AI与BI结合并应用到实际，只会产生信息误差，增加因此带来决策成本，严重影响企业的运转效率。不可将“锦上添花”的工程变为了摸石头过河，不知数据的产生为何物。

其实，不管AI也好，商业智能及大数据也罢，都得需要个良好的数据信息化基础。平时就得落实在日常工作中，使数据得到沉淀，并结构化的储存，管理。对此我有几点建议：

• 完善信息化系统的建设
  
  
  

如财务软件系统、项目管理ERP系统、办公自动化的OA系统等。这样就能够将日常业务产生的数据沉淀到系统后台的数据库中，可以持久的保留下来。数据库中的数据规范性也比较强，也便于以后的建模和分析所需。

• 基础明细数据的规范化管理
  
  
  

如果没有太大的预算投入去进行系统性的信息化建设，那就做到基础明细数据的规范化管理。比如EXCEL 表来管理，统一模板、统一规范、统一维护。所有的部门、人员在日常维护基础业务数据、各类档案信息的时候，必须按照一个模块、一个流程来处理。

这样的好处是，当以后有条件投入信息化的时候，至少基础的数据很容易被转换、初始化到业务系统中。形成无论什么时候开启一个新的业务、新的调整，要有这种数据策略意识，在一开始的时候就把数据规范给制定下来，再有变动只需再随着新的业务方向来同步进行。

• 细化数据的颗粒度和标签化
  
  
  

在采集及录入时就确保数据的明细不缺失，这些明细细节数据，实际上就是通过给数据归类、打标签来实现的。简单来说，如在EXCEL 表上就增加字段列，将一条一条的数据归成不同的类型。这样的标签越细致越好，但不可为了打标签而打标签，也要考虑到实际的应用价值。

• 切实可行可落地
  
  
  

数据的准确性、完整性。规范定好了、要求也告诉大家了，但就是不执行、该填的数据不填、该填写规范的数据不填也有问题，因此需要把这种数据的工作纳入到日常管理规范中，需要采取一些管理手段。

未来畅想

考虑到技术发展，我们也不能一直给大家泼冷水，还是得立于实际，展望未来的。

未来,AI与BI的区别在于BI负责梳理生产关系，AI是先进生产力。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。

对于结构化的数据，BI系统可应用机器学习算法，得到更精确的分析结果。例如上文提到的总结用户画像，分析人群行为数据，得到千人千面，实现精准营销的结果。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、语音工程和文本分析等AI技术，智能化地处理复杂业务场景。如语音转文字，录入数据及产出想要的报表等。

业务场景除了在 IT 信息化基础比较扎实的行业，也会在深度场景化的细分领域，且这些领域不具备通用性。也可理解为解决方案不具备复用性。这个时候通过AI完成一些算法匹配，根据匹配的结果来驱动业务执行。

结语

所以，AI+BI 这种模式是未来 BI 发展的一种方向。BI 在底层数据架构上解决了与大数据、数据湖、数据中台的对接，这是往下的基础数据架构的延申。BI 往上的延申就是各种分析应用，再到智能分析应用，再最终回到业务执行的过程，最终形成一个完整的闭环。

假以时日，AI+BI不再是企业炒作的噱头，不再是预测机构的盲目乐观。人工智能为商业智能赋能，让感性的决策插上理性的翅膀，体现BI的真正内涵！

/END