21世纪经济报道记者 董静怡 上海报道

数字经济发展离不开数据。中国数据量规模从2022年的23.88ZB，将增长至2027年的76.6ZB，年均增长速度CAGR达到26.3%，为全球第一。政府、媒体、专业服务、零售、医疗、金融为主要分布领域。

因为数据本身的特性和潜力，近年来，企业纷纷开启数字化转型。IDC最新发布的《中国商业智能和分析软件市场跟踪报告，2023H2》显示，2023下半年，中国商业智能与分析软件市场规模为5.2亿美元，同比增长为3.7%。

近年来，以人工智能为代表的新技术发展迅速，数据作为数字经济时代的基础性和战略性资源，开始加速成为企业竞争的关键生产要素，中国企业数字化转型也已进入“深水区”。

“以数据为核心，以生成式大模型为基础，基于大算力三大要素的综合应用将带来一系列新的技术变革。”日前，哈尔滨工业大学（深圳）国际人工智能研究院副院长袁宏宇在帆软第六届智数大会现场对未来科技发展进行了展望。

用好数据仍有挑战

帆软CEO陈炎在大会上坦言，数据分析不只是罗列数据，应该基于场景，支持预警和实现最短链路解决问题，才能支撑企业的长期有效的增长。

华峰集团数科公司总经理李斌认为，“企业数字化本质是技术与体系的联合，好的管理体系搭配，好的数字化转型工具，才能实现企业业务快速成长。”

同样认可数据价值并成功助力企业管理提效的还有恒安集团。其CIO严寅表示，快消品行业的特点就是价值链特别长，特别是近几年消费习惯的变化，使得整个价值链更加复杂。为支撑业务，恒安在2021年重新进行了数字化的启程。

“只有在各个系统、各个项目过程当中把数据驱动的理念融入其中，把数据驱动的理念建立在各个所谓的数字化系统，以终为始，才能真正数字化转型成功。”严寅表示。

整体来看，企业对数字化转型的关注和讨论是一个积极的信号，表明企业愿意投资于新技术和新理念，寻求业务的创新和改进。

但从实际情况来看，企业的数字化程度参差不齐，对数据化工具的应用也存在着各种问题。

其一，单一厂商部署比例低。根据Gartner的内部调研报告，仅有31%的企业能够通过单一厂商实现端到端的数据和分析工具部署。这意味着大多数企业采用的是多厂商的部署模式，这可能导致工具间的配合不协调，以及数据资产共享和复用的问题。

其二，产品部署分布分散。帆软产品研发总经理陈敏表示，在内部的部署交付团队协助客户部署产品的过程中，统计发现只有20%的客户将FineReport（FR）和商业智能（BI）工具集成部署，而有将近80%的客户选择分开部署，这无疑会影响BI和FR之间的协同效应，如统一用户权限管理、数据层的互通以及资产的共享等问题。

其三，客户数据和分析建设不足。随着时间推移，企业会向更高级的阶段发展。在这个过程中，企业可能会引入新的工具和解决方案，这就需要现有工具能够与新工具有效配合，否则就会形成信息孤岛。因此，企业需要一个既能满足当前细分场景需求，又能随着企业发展而持续升级的整体解决方案。

另一方面，数据人才缺失的问题更为迫切。帆软数据应用研究院的报告显示，尽管许多企业已经大量投入数字化工具和技术，但因缺乏掌握和应用这些数字化技术的人才，对于大多数企业来说这些工具仍然是“黑箱”，无法真正将其转化为切实的业务成果。

在眼下，企业亟需培养和引进一支精通数字化技术的人才队伍，才能真正推动数字化转型落地实施，在激烈的市场竞争中占据优势地位。

AI赋能仍在初期

各⾏业虽然数字化转型进程不⼀，但是⼤多将企业层⾯的全⾯数据决策能⼒和数据价值洞察列为迎接变⾰和商业创新的决胜因素，并把BI作为其中重要的数据利器。

近些年，AI的不断进化赋予了商业智能工具更大的想象空间，借助AI的相关能力提升效率和可用性的商业智能工具将让数据发挥更大的价值、拥有更高的生产力。

传统BI产品起源于上世纪八九十年代，主要技术包括SQL（结构化查询语言）、OLAP（联机分析处理）和数据可视化，用户的使用门槛极高。

2019年前后，国内外BI厂商开始探索“问答式BI”的可行性。特别是AI大模型的兴起，BI领域迎来了新的变革，问答式BI开始出现并逐渐成熟。该模式通过自然语言交互的方式，使得非技术用户也能够轻松地访问和分析数据，显著降低了使用门槛。

近年来，国内外BI厂商开始推出问答式BI产品，如微软整合了Copilot的Power BI、帆软推出的FineChatBI、网易数帆推出的有数ChatBI等。

同时，从具体场景上来说，结合AI的能力能让部分商业智能应用场景更深入，产出更有价值的知识。例如，对于结构化的数据，BI 工具可以应用一些准确度更高的机器学习算法，得到更精确的分析结果。

但从实践的角度看，AI在BI领域中的应用并不像设想中的那样简单。

陈敏向21世纪经济报道记者表示，当他们选择客户时，会倾向于选择那些已经在使用BI工具并且使用得比较好的客户。这样做的原因有两个方面：

第一，需要考察客户是否具备良好的数据氛围，即企业内部对数据的重视程度，以及员工使用数据进行决策的习惯。

第二，需要评估客户为AI准备的数据是否充分。AI的应用有很多先决条件，特别是在企业端。即便数据量虽然庞大，但要将这些数据用于AI，仍然面临多重挑战。

“通常需要进一步梳理和准备数据，因为AI对数据的准确性和完整性要求比传统的IT或人工处理更为严格。”陈敏向记者表示，“与以往不同，过去如果缺少某个数据，我们可以停下来，让IT部门去获取或者自己进行数据加工；但是对于AI来说，一旦缺少某个数据环节，整个分析过程就可能无法进行下去。”

因此，AI对数据准备工作的要求更高，对人员素质的要求也更高。从企业的角度来看，这意味着需要有更好的数据管理和更专业的人才。

“即使是数据准确性这样的基本问题，我们也在不断努力提高。目前，我们的数据在没有经过任何处理的情况下，准确率大约是60%。即使经过人工干预，准确率也只能提高到70%多。这说明在AI应用中，我们还有很多工作要做。”陈敏表示。

他总结道，人工智能在当前阶段尚未完全成熟，这包括产品开发的准备工作以及各使用方的准备，实际上都尚未充分具备。不过，人工智能代表了未来的发展趋势，这一趋势已经显现出明显的迹象。因此，帆软正在加大投入，推进人工智能技术的研发和应用。

未来，商业智能工具将更多地借力 AI，形成“AI For BI”的形式来提升商业智能工具在各环节的效率、降低它们的上手难度和使用门槛，利用AI的智能让商业智能工具能够解决更复杂的数据分析，产出更精准的分析结果，从而使数据发挥更大价值、基于数据的决策更为科学和精准。

更多内容请