以前，每到月底，很多公司都會出現(xiàn)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(fā)票數(shù)據(jù)到Excel，從CRM下載顧客數(shù)據(jù)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(shù)據(jù)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(yè)務快速發(fā)展，越來越多的業(yè)務部門需要從海量數(shù)據(jù)中獲取想要的分析結果，來指導銷售和生產(chǎn)。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(shù)據(jù)處理與合并、龜速的數(shù)據(jù)引擎性能、枯燥的數(shù)據(jù)分析等過程，表哥的內心其實是崩潰的，性情也越發(fā)暴躁，動不動就大吼兩聲，“臥槽，怎么又崩了”？

傳統(tǒng)BI，“表哥”的痛

對于很多財務從業(yè)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(shù)表哥痛苦不堪和無奈的地方。

首先，傳統(tǒng)BI需要導入固定表樣，由專業(yè)技術分析人員做分析，定期出報告，業(yè)務部門只能進行索取、下載和再分析。其次，傳統(tǒng)BI表樣復雜，并不存在自動化的數(shù)據(jù)關聯(lián)，分析結果強調可視化效果展現(xiàn)。第三，傳統(tǒng)BI使用關系型數(shù)據(jù)庫，面對的是結構化數(shù)據(jù)，一般都是使用SQL語言查詢，對較大的數(shù)據(jù)表分析，查詢效率低且時間長。最后也是最關鍵一點，傳統(tǒng)BI圖表設計面向實施人員，都是業(yè)務人員向IT部門提出數(shù)據(jù)或分析需求，由技術人員實現(xiàn)，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(jié)奏，企業(yè)越來越多依賴對業(yè)務過程的數(shù)據(jù)分析來指導日常的經(jīng)營生產(chǎn)。如果仍然按照傳統(tǒng)BI的方式，向IT部門提出數(shù)據(jù)或分析需求，由技術人員實現(xiàn)，解決問題的時間可能延長到數(shù)周甚至數(shù)月，早就錯過了最佳窗口期。對業(yè)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(yè)務處理壓力。如果完全依賴于傳統(tǒng)BI，分析所需的時間和流程越來越長，無法滿足需求，對企業(yè)而言，必須在日趨龐大復雜的業(yè)務分析需要與快速響應業(yè)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(jù)數(shù)據(jù)分析結果進行可視化展現(xiàn)，而不去深究數(shù)據(jù)背后存在的問題以及造成的原因，并想辦法解決它。對企業(yè)的數(shù)字化轉型和工業(yè)智能化升級意義仍然不大。因此企業(yè)對BI的應用需求，還必須包括對數(shù)據(jù)結果背后問題原因的分析和探究，并基于此持續(xù)優(yōu)化企業(yè)的管理和運營流程。

“表哥”的痛，亦策很懂

近年來，隨著企業(yè)數(shù)字化轉型和工業(yè)智能化升級持續(xù)推進，企業(yè)中業(yè)務數(shù)據(jù)也開始快速增長，使得大數(shù)據(jù)分析以及BI商業(yè)智能等產(chǎn)品備受企業(yè)關注，特別是融入了人工智能、跨云以及多源數(shù)據(jù)整合等技術能力，以及高度易用、自助式的BI產(chǎn)品，讓業(yè)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(chuàng)造能力，“表哥”曾經(jīng)工作中的面臨的諸多苦惱一掃而空。

在國內主流智能BI產(chǎn)品中，能將這些技術融為一體最典型產(chǎn)品就是亦策觀數(shù)臺，其四大核心技術：關聯(lián)引擎、內存技術、增強智能以及嵌入式分析，實現(xiàn)了從數(shù)據(jù)準備到自助式分析的全過程。

目前，大多數(shù)BI產(chǎn)品都是基于關系數(shù)據(jù)庫和查詢等舊技術。但是，關系數(shù)據(jù)庫和SQL查詢不是為現(xiàn)代分析而設計的。雖然SQL需要從許多來源提取數(shù)據(jù)，但大多數(shù)分析工具依賴于基于SQL和查詢的方法作為其建模數(shù)據(jù)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(shù)據(jù)子集的線性探索和分析受到限制，必須使用SQL連接將數(shù)據(jù)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(shù)據(jù)都被遺忘。如果用戶想要根據(jù)他們發(fā)現(xiàn)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(jīng)驗的數(shù)據(jù)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(shù)臺的關聯(lián)引擎幾乎可以連接任何數(shù)據(jù)源，包括基于文件的源，特定于應用程序的源以及大數(shù)據(jù)源。無需事先對其進行完全建?；蝾A先聚合數(shù)據(jù)。觀數(shù)臺自助數(shù)據(jù)準備工具，為復雜的場景提供強大的數(shù)據(jù)集成腳本。這些數(shù)據(jù)準備功能有助于公開數(shù)據(jù)區(qū)域和可能存在問題的業(yè)務，可以創(chuàng)建價值而無需外部工具或數(shù)據(jù)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(xiàn)數(shù)據(jù)、關聯(lián)和分析。由于引擎動態(tài)地計算分析而不是預先聚合數(shù)據(jù)，因此用戶可以將他們的想法轉移到新想法或數(shù)據(jù)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(shù)據(jù)分析速度更快，亦策觀數(shù)臺可以盡可能的讓數(shù)據(jù)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(shù)臺存儲到內存的數(shù)據(jù)也會經(jīng)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(fā)展，在業(yè)務實踐中，AI與BI正在表現(xiàn)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(shù)據(jù)應用之中。

與傳統(tǒng)BI應用相比，通過深度學習進行的數(shù)據(jù)挖掘似乎有著很大的差異，前者注重結構化數(shù)據(jù)、往往以數(shù)據(jù)可視化為直接成果，后者注重非結構化數(shù)據(jù)，不一定會產(chǎn)生可視化成果。兩者特點不同，也承載著不同的業(yè)務需求。觀數(shù)臺基于關聯(lián)索引技術，自動發(fā)現(xiàn)并突出顯示用戶需要探索的見解，該技術映射數(shù)據(jù)內的所有關系。稱之為增強智能+聯(lián)合索引。通過深度學習來完成對海量非結構化數(shù)據(jù)的預處理，并通過BI應用讓數(shù)據(jù)以更容易理解的方式呈現(xiàn)，支撐企業(yè)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(shù)據(jù)的處理，觀數(shù)臺將分析擴展到制造工廠的IoT和邊緣設備，從中收集數(shù)據(jù)并進行分析，并提供對操作的可見性。

全文總結

亦策觀數(shù)臺憑借其關聯(lián)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(yè)量身定制的本土化、敏捷型、可嵌入的商業(yè)智能平臺。

在下篇文章中，我們將圍繞亦策觀數(shù)臺四大核心技術之一的“關聯(lián)引擎”展開分析討論，深入了解亦策觀數(shù)臺是如何依托關聯(lián)引擎技術實現(xiàn)完整信息視圖、匯集多源異構數(shù)據(jù)、探索無邊界以及動態(tài)計算分析突顯顯示關聯(lián)等功能，引領中國智能BI產(chǎn)業(yè)的發(fā)展方向。