以前，每到月底，很多公司都會出現一群易怒、狂躁的人群，他們被親切的稱為“表哥”。他們那幾天都重復著枯燥的財務報表整理工作。從ERP財務模塊中下載發票數據到Excel，從CRM下載顧客數據到Excel，將上述的N個表格用vlookup和sumif給連起來，然后等待Excel默默計算幾十分鐘甚至幾小時，如果中途死機，就重復再來；如果通關成功，就會把生成數據透視圖進行截圖、復制粘貼到PPT, 稍加美化后郵件給老板。
然而，隨著業務快速發展，越來越多的業務部門需要從海量數據中獲取想要的分析結果，來指導銷售和生產。于是“表哥”每天需要整理的表格也蹭蹭蹭的多了起來。面對繁瑣如海的數據處理與合并、龜速的數據引擎性能、枯燥的數據分析等過程，表哥的內心其實是崩潰的，性情也越發暴躁，動不動就大吼兩聲，“臥槽，怎么又崩了”？
傳統BI，“表哥”的痛
對于很多財務從業人員來說，財務報表一直都是魔鬼般的存在。文章開頭的案例，讓我們看到了早期BI應用中讓無數表哥痛苦不堪和無奈的地方。
首先，傳統BI需要導入固定表樣，由專業技術分析人員做分析，定期出報告，業務部門只能進行索取、下載和再分析。其次，傳統BI表樣復雜，并不存在自動化的數據關聯，分析結果強調可視化效果展現。第三，傳統BI使用關系型數據庫，面對的是結構化數據，一般都是使用SQL語言查詢，對較大的數據表分析，查詢效率低且時間長。最后也是最關鍵一點，傳統BI圖表設計面向實施人員，都是業務人員向IT部門提出數據或分析需求，由技術人員實現，解決問題的時間可能很很長。
然而，面對快速變化的市場需求以及日趨激烈的競爭節奏，企業越來越多依賴對業務過程的數據分析來指導日常的經營生產。如果仍然按照傳統BI的方式，向IT部門提出數據或分析需求，由技術人員實現，解決問題的時間可能延長到數周甚至數月，早就錯過了最佳窗口期。對業務人員來說，分析需求不斷增加也給IT技術人員帶來了越來越多的業務處理壓力。如果完全依賴于傳統BI，分析所需的時間和流程越來越長，無法滿足需求，對企業而言，必須在日趨龐大復雜的業務分析需要與快速響應業務分析之間找到一個新的平衡點。
除此之外，我們還必須考慮，在新的市場競爭中，如果根據數據分析結果進行可視化展現，而不去深究數據背后存在的問題以及造成的原因，并想辦法解決它。對企業的數字化轉型和工業智能化升級意義仍然不大。因此企業對BI的應用需求，還必須包括對數據結果背后問題原因的分析和探究，并基于此持續優化企業的管理和運營流程。
“表哥”的痛，亦策很懂
近年來，隨著企業數字化轉型和工業智能化升級持續推進，企業中業務數據也開始快速增長，使得大數據分析以及BI商業智能等產品備受企業關注，特別是融入了人工智能、跨云以及多源數據整合等技術能力，以及高度易用、自助式的BI產品，讓業務人員無需IT的支持也可以輕松使用，無論是在會議室還是工廠車間。借助人工智能的精準快捷，以及人類本身的主觀能動性和創造能力，“表哥”曾經工作中的面臨的諸多苦惱一掃而空。
在國內主流智能BI產品中，能將這些技術融為一體最典型產品就是亦策觀數臺，其四大核心技術：關聯引擎、內存技術、增強智能以及嵌入式分析，實現了從數據準備到自助式分析的全過程。
目前，大多數BI產品都是基于關系數據庫和查詢等舊技術。但是，關系數據庫和SQL查詢不是為現代分析而設計的。雖然SQL需要從許多來源提取數據，但大多數分析工具依賴于基于SQL和查詢的方法作為其建模數據和支持交互性的基礎架構。這是一個重大缺陷。導致對部分數據子集的線性探索和分析受到限制，必須使用SQL連接將數據源集合在一起，并且必須提前假設用戶將擁有哪些類型的問題，所有其他數據都被遺忘。如果用戶想要根據他們發現的內容來轉移他們的分析，他們可能不得不重新構建復雜的查詢，這通常意味著回到更有經驗的數據專家，我們稱之為“問，等，回答周期”，每種新類型的問題都有等待期。
亦策觀數臺的關聯引擎幾乎可以連接任何數據源，包括基于文件的源，特定于應用程序的源以及大數據源。無需事先對其進行完全建模或預先聚合數據。觀數臺自助數據準備工具，為復雜的場景提供強大的數據集成腳本。這些數據準備功能有助于公開數據區域和可能存在問題的業務，可以創建價值而無需外部工具或數據倉庫。
除此之外，讓用戶可以在所有可視化、圖表、圖形和其他對象中進行選擇，并可以使用全局搜索來表現數據、關聯和分析。由于引擎動態地計算分析而不是預先聚合數據，因此用戶可以將他們的想法轉移到新想法或數據集，在任何詳細度上詢問他們想要的任何問題，而不受預定義查詢或層次結構的限制。
為了讓數據分析速度更快，亦策觀數臺可以盡可能的讓數據運行在內存中，在短短幾秒鐘就能生成一個復雜的分析結果。而觀數臺存儲到內存的數據也會經過壓縮處理。大大縮短項目實施周期，降低成本與項目風險。
隨著人工智能、機器學習等技術的發展，在業務實踐中，AI與BI正在表現出越來越明顯的融合趨勢，并應用于銷售預測、決策博弈等較為復雜的數據應用之中。
與傳統BI應用相比，通過深度學習進行的數據挖掘似乎有著很大的差異，前者注重結構化數據、往往以數據可視化為直接成果，后者注重非結構化數據，不一定會產生可視化成果。兩者特點不同，也承載著不同的業務需求。觀數臺基于關聯索引技術，自動發現并突出顯示用戶需要探索的見解，該技術映射數據內的所有關系。稱之為增強智能+聯合索引。通過深度學習來完成對海量非結構化數據的預處理，并通過BI應用讓數據以更容易理解的方式呈現，支撐企業的決策。
正是基于不斷提升的AI融入能力以及對非結構化數據的處理，觀數臺將分析擴展到制造工廠的IoT和邊緣設備，從中收集數據并進行分析，并提供對操作的可見性。
全文總結
亦策觀數臺憑借其關聯引擎、增強智能等核心技術，將自助式BI的靈活性提升至一個新的層次，包括自主服務可視化、指導式分析應用和儀表盤、嵌入式分析和報告等，是精心為中國企業量身定制的本土化、敏捷型、可嵌入的商業智能平臺。
在下篇文章中，我們將圍繞亦策觀數臺四大核心技術之一的“關聯引擎”展開分析討論，深入了解亦策觀數臺是如何依托關聯引擎技術實現完整信息視圖、匯集多源異構數據、探索無邊界以及動態計算分析突顯顯示關聯等功能，引領中國智能BI產業的發展方向。
責任編輯：熊東旭
