什么是生成式商业智能？

生成式商业智能，又称“生成式 BI”或“gen BI”，是将生成式 BI 应用于商业智能流程的实践。生成式 BI 工具可以自动执行并简化关键数据分析任务，例如识别模式和创建可视化内容。

商业智能 (BI) 是指一套用于分析业务数据，为业务决策提供信息的流程。传统的 BI 工具和工作流程都是高度人工化的，需要 大量的时间和专业技术知识才能将原始数据转化为可操作的洞察分析。缺乏数据科学背景的利益相关者往往无法充分利用 BI 技术。

生成式 BI 可让更多人参与商业分析。生成式 BI 工具通常由大型语言模型 (LLM) 提供支持，其工作原理与其他常见的生成式 AI 工具（例如 ChatGPT 或 Microsoft Copilot）非常相似。用户输入自然语言指令，工具就会做出相应的反应。 

与传统的商业智能 (BI) 不同，用户不需要学习特殊的编程语言，不需要进行手动计算，也不需要从头开始制作图表。他们可以用通俗易懂的语言要求生成式 BI 工具为他们进行高级分析并生成报告。  

通过这种方式，生成式 BI 可以为为整个组织的用户提供自助服务分析，无论其技能如何。反过来，自助服务分析可以帮助组织做出更多数据驱动的决策。

生成式 BI 是一个相对较新的技术类别。一项调查显示，只有 3% 的组织表示，它们已将生成式 BI 投入“全面运营使用”。然而，超过一半的组织表示，它们正处于深入了解生成式 BI 的不同阶段。¹随着生成式 BI 工具的日益完善和更容易获得，预计采用率将不断提高。 

生成式 BI 和生成式 AI 并非不同种类的技术或 AI 模型。相反，我们可以把生成式 BI 看作是生成式 AI 的一个用例。具体来说，生成式 BI 就是使用生成式 AI 解决方案来收集、管理和分析组织数据，为业务运营提供信息。

生成式 AI (gen AI)  是指一类人工智能 (AI)  和机器学习 (ML)  模型，可以根据用户的提示创建原创内容，例如文本、图像或代码。生成式 BI 是一种 AI 分析 ，因为它应用 AI 算法来处理和分析业务数据。

生成式 BI 工具的工作方式与其他生成式 AI 驱动的工具相同。用户输入自然语言提示，然后该工具生成内容作为响应。

例如，用户可能输入：“给我一张饼图，其中包含我们去年最畅销的 5 大产品，再除以每种产品的销售额百分比。”生成式 BI 工具将分析相应的数据集并返回确切的数据集：按销售额百分比细分最畅销产品的饼图。

大多数生成式 BI 工具都采用以下 3 种形式之一： 

1. 通用的生成式 AI 模型，例如  Meta 的 Llama，可应用于 BI 任务。 
    

2. 内置 AI 模型的 BI 平台。例如，mazon QuickSight Q 将支持 LLM 的聊天机器人 Amazon Q 嵌入到 Amazon Web Services (AWS) 的商业智能工具 QuickSight 中。 
    

3. 专门适用于商业智能的 AI 模型。例如，IBM Project Ripasso  是一个支持 LLM 的平台，可对企业相关内容进行培训，并内置数据治理功能。

虽然通用生成式 AI 模型可以执行许多 BI 功能，但许多组织却选择了更专业的 BI 工具和模型。这些通常使组织能够更好地控制其数据的使用方式。

功能可能因工具而异，但常见的生成式 BI 功能包括：

• 自然语言处理 (NLP)：生成式 BI 工具使用 NLP 和聊天界面，因此用户无需使用结构化查询语言 (SQL) 或其他特殊语法，即可提交提示、查询数据集和运行计算。 

• 自定义仪表板、报告和可视化：大多数生成式 BI 解决方案都有创作工具，允许用户通过描述自己的需求来创建仪表板、数据可视化、书面报告和数据故事，而不是手动构建。

• 整合：生成式  BI 工具可以与各种数据源整合，包括数据库、数据仓库、数据湖和湖仓一体。

• 建议： 许多生成式 BI 工具可以通过推荐相关数据集、建议相关查询、提供报告优化反馈和其他指导来丰富分析内容。 

• 商业术语表：一些生成式 BI 工具支持商业术语表或与商业术语表集成。术语表允许组织定义重要的术语、概念和流程，以便该工具能够根据企业的独特背景做出响应。

生成式 AI 可用于商业智能流程的任何阶段，但最常用于支持数据收集、数据分析、数据可视化和行动规划。

生成式 BI 工具可以帮助用户发现、清理、转换和汇总数据，以便进行分析。  

例如，用户可能会要求 生成式 BI 工具按业务部门汇总支出报告。该工具将在综合数据源（包括全业务财务记录和特定单位记录）中查找相关数据，规范数据点格式，并将所有数据汇总到一份连贯的报告中。  

生成式 BI 工具可以利用大量复杂的数据来显示模式、回答问题、识别趋势等。这使用户无需进行手动计算即可从数据中获得洞察分析。

例如，建立业务部门支出报告的用户可能会要求生成式 BI 找出在过去 8 个季度中持续超出预算的部门。用户还可以要求生成式 BI 帮助找出这些单位可能超支的原因。  

Gen BI 可以将其分析结果转化为易于理解和共享的图形和摘要，突出关键指标和其他重要数据点和洞察分析。

例如，用户可以生成一个条形图，将业务部门每季度的支出与分配的预算进行比较，以突出计划支出与实际支出之间的差距。  

生成式 BI 工具可以根据数据分析为组织推荐应采取的步骤。例如，该工具可能会建议按项目细分业务部门的支出，以确定那些没有带来足够回报的项目，从而证明继续投资是合理的。

生成式 BI 工具可以实现自助服务、高级数据分析。用户不再需要掌握特定的编程语言、数学公式或工具来处理数据。相反，他们可以通过自然语言查询、计算和生成报告。

传统上，业务用户一直依赖数据科学家和业务分析师为他们完成大量的 BI 繁重工作。生成式 BI 消除了商业智能的大部分复杂性，使整个企业的用户能够将实际的实时数据纳入决策。例如：

• 人力资源 (HR) 用户可以使用生成 BI 工具来分析人才趋势并提出员工队伍规划建议。 

• 财务团队可以要求生成式 BI 工具通过分析客户、产品和渠道级别的收入来创建更精细的预测。

• 供应链和采购团队可以通过要求生成式商 BI 使用过去的趋势来预测未来的购买模式，从而优化库存。

• 营销团队可以使用生成式 BI 工具对客户反馈进行语义分析，以获得用于增强客户体验的洞察分析。

• 销售团队可以使用生成式 BI 工具来分析不同价位对客户消费的影响。他们可以使用这些结果来优化定价。

此外，自助分析功能的引入还能解放数据科学家和业务分析师，让他们从事更具战略性的项目。例如，数据专家可以建立新的数据工具或训练专有的 AI 模型，而不是回答用户现在可以自己回答的狭隘问题。

生成式 BI 工具可以带来许多好处，包括：

• 提高商业智能工具和实践的采用率
• 扩大商业智能成果
• 解决数据科学技能短缺问题
• 分析大量更复杂的数据
• 降低 BI 工作的成本

一项调查显示，只有 25% 的用户表示使用商业智能工具。²采用率低的部分原因是传统 BI 流程的技术复杂性。

然而，生成式 BI 工具允许更多用户直接处理他们的数据，而无需通过数据科学家和分析师。反过来，这意味着更多的人可以使用商业智能来支持整个组织中更多的数据驱动决策。

除了鼓励更多地使用商业智能外，生成式 BI 还能提高商业分析工作的成果。

由于人工智能可以比人类用户或传统 BI 工具更快地处理更多数据，因此 AI 驱动的 BI 工具往往可以发现人们可能会忽略的趋势。

许多生成式 BI 工具还会向用户提示建议的问题、数据和洞察分析，以帮助他们改进分析。而生成式 BI 工具可以将数据分析结果转换为可视化内容和报告，以便于共享和使用。 

传统的 BI 需要一定数量的数据专业知识，而这并非人人都具备。很难找到足够多技能娴熟的数据科学家和业务分析师来配备所有 BI 项目人员。

通过支持自助分析，生成式 BI 工具可以帮助组织减轻数据科学技能短缺对其 BI 工作的影响。

生成式 BI 工具处理的数据量比数据科学家或业务用户手动处理的数据量要大。

它们还可以处理非结构化数据，例如文档和图像，这些数据在业务数据中所占的比例越来越大。传统的、基于规则的 AI 算法在处理不遵循严格格式的数据时会很吃力，但生成式 AI 工具却没有这种限制。

生成式 BI 可以通过自动执行商业智能中许多最耗时和资源的最密集部分（例如，运行计算和创建报告），帮助组织节省时间和金钱。这意味着组织可以在分析上花费更少的金钱和劳动力，而不会牺牲可操作的洞察分析。

虽然生成式 BI 可以带来很多好处，但实施生成式 BI 工具并非没有挑战。一些最常见的障碍包括：

• 透明化和可解释性
• 数据安全和隐私
• 幻觉
• 无效的数据架构

一些生成式 AI 模型就像黑盒子一样，几乎无法让人了解其输出结果背后的过程。这在商业智能工作中可能会造成问题，因为用户需要了解数据是如何分析的，才能相信生成式 BI 工具的结论。

此外，一些法规，例如欧盟 AI 法案，要求组织公开其 AI 工具如何处理人们的数据。

使用能够解释其“推理”（包括所使用的数据和得出结论的方式）的生成式 BI 工具，可以帮助组织保持透明度和可解释性。 

组织优先考虑数据安全和数据隐私既有法律原因，也有业务原因。某些法律，例如《欧盟通用数据保护条例》 (GDPR) ，限制企业使用不同类型数据的方式。此外，根据 IBM 的《数据泄露成本报告》，每次数据泄露给组织造成的损失平均为 488 万美元。

一些生成式 AI 模型缺乏强有力的数据隐私和安全措施。尤其令人担忧的是，组织可能无法控制这些模型在使用数据后如何使用数据。

具有内置数据安全和数据治理功能的生成式 BI 工具可以帮助组织保持对数据的控制，防止未经授权的访问。

生成式 AI 模型可能会产生幻觉。也就是说，它们可以 胡编乱造，产生错误的输出。幻觉可能会破坏商业智能项目，导致基于错误信息的商业战略和行动步骤。

组织可以通过仅在高质量、业务相关的数据集上训练生成式 BI 工具，从而减少幻觉。他们还可以深入了解其他技术，例如检索增强生成 (RAG)，它使 LLM 能够将其响应建立在事实的外部知识源上。

与任何生成式 AI 模型一样，生成式 BI 工具也需要访问大量优质数据。零散的企业数据架构会导致数据孤岛化，分散在整个组织中，从而阻止生成式 BI 工具访问所需的数据。

有效的数据架构与适当的数据存储系统连接在一个集成的数据结构中，有助于确保生成式 BI 工具获得所需的数据，从而产生高质量的输出结果。