抓住确定性增长——企业的数据变局，从数据角度看企业竞争力的提升

作者丨晓样 

报道 | 消费界

在今天的消费领域，不论是刚毕业的实习生，还是企业的CXO，都在努力和数据做朋友，都明白数字化、系统化、不同维度数据打通的重要性。最近和消费领域的伙伴交流发现：一面明白数据的重要性，另一面对数据却是又爱又恨！

数据给业务的决策提供了非常重要且必要的参考，但每天面对不同平台不同维度的数据，想要从数据里找答案时才发现：

最痛苦的不是数据不全面，而是数据实在是太“全面”了！

最近和盒马产研团队的伙伴交流，发现企业往往因数据获取可及性方面的局限，或者难以确保数据采集的准确性和全面性，亦或数据加工的精度与准确度不足等问题，导致数据分析工作无法推进下去，或者得出的结果与企业真实经营状况存在难以避免的差距。

盒马对数据的价值和潜力是挖得比较深的。比如说在用户消费决策方面的数据挖掘，盒马会从不同的维度入手：某个用户可能会做哪些消费决策？他为什么会做这个消费决策？他在什么时间点会做这个消费决策？

盒马利用不同部门的BI团队针对这些问题进行分析处理后，得到相应的决策，最终会被运用到产品的线上运营，包括为用户个性化推荐、引导用户加购等方面，实现业务赋能。数据分析能力已经成为盒马的底层能力，每一个核心部门内都会专门配备BI团队。但当下的BI团队在理解业务方面依然有可进步的空间。

比如盒马自动补货系统的准确率已经处于行业较高水平，但自动补货的算法逻辑其实不是依赖于数据团队，而是依赖产品的能力。盒马对BI团队的期待，不是在报表上呈现一个经营结果，而是真正地能够指导经营，告诉我业务下一步究竟该怎么调整。

对于“数据”的困惑和迷茫在新锐品牌上同样存在。

创新型食品科技企业司密澳创始人曹鹏深有感触：“我们希望知道在XX（某家社交媒体）的站外投放带来了多少销售转化，算清营销费用的流量价值。但由于XX（上述社交媒体）与购物平台数据的不完全互通，这个目标并不能实现，对于投放预算的制定我们目前仍然需要靠经验来判断。”

“每一个部门都在乎不同的数据，”时尚女装品牌Laurence&Chico创始人Chico如此调侃自己的工作：“我像一个知心大姐姐一样，理解每一个部门，把分散在不同部门里的数据整合起来、统一标准、呈现全貌，然后加入变量，得出未来合理的经营走势与业务决策。再把决策按照不同的数据口径传递下去，这样所有的部门才能像一台完整精密的仪器一样，将决策一个个执行。”

“我希望能从基础的数据搜集、沟通、统一标准的工作中解脱出来，处理这些问题消耗了我大量的时间和精力。但这很难，不同的部门之间很难同频，没有人统筹管理也就无法实现后续的合理分工与高效协作。”Chico说。

大有大的烦恼，小有小的困惑。

面对业务数字化加速下需要亦或产生的海量数据，数据团队需要通过加工、分析、建模等过程，揭示出数据背后更深层次的规律和变化，从而使企业决策更加智能和精准，实现对生产、经营、服务等各环节的赋能。但这一过程在实际操作中往往是状况百出，难以达到理想状态。

在我们的「围炉夜话」上，我听到一个很有意思的案例。

某头部的国际零售品牌，正在用AI和大模型来帮助团队更高效的整合数据，他们团队需要面临更多维度，更复杂的数据，线上线下业务数据的整合，各部门之间的数据纬度不同，很难做到同频且高效的沟通。

基于该品牌庞大的业务体系与复杂的层级结构，他们用AI和BI结合在了一起，而后贯穿到企业营运各环节，形成统一的数据汇集及交互通路，打破了企业过往的数据孤岛状态，使各部门基于一套数据口径和指标进行经营总览、运营的监控分析和问题定位等。

同时，开发了大模型学习自己集团业务知识，让这套系统成了一位AI员工，这位AI员工可以帮助每一员工以自己的业务视角与取数逻辑自动生成SQL，将数据结果与智能分析决策直接摆出来，从而实现了从企业高层到业务一线人员的数据能力和数据运用效率的整体提升。

其他品牌方伙伴都非常兴奋，取数和分析一直都是大家的痛点，现有的大多数BI只能给团队和决策者更多数据而已，几乎不具备分析能力。

大家都非常想试试可以像ChatGPT一样对话的BI系统。

基于大家的热情，我反而想很客观知道“AI+BI”真的可以做出足够好的大模型帮助企业降本增效吗？会不会是概念为先，对业务的提升没有描述的那么“诱人”！

同样在「围炉夜话」上，理然合伙人梦露表达了对于数据分析结果难以高效呈现的忧虑：“我们对于不同渠道经营结果反馈的要求是越快越好。目前我们的数据团队将反馈时间控制在T+1，我觉得仍然是不够快的。我们作为零售品牌，必须紧贴市场需求，根据数据分析结果预估销量、匹配生产。如果数据反馈得不及时，形成库存滞纳或缺货，那么带来的麻烦将是难以估量的。”

在「围炉夜话」上一位做BI的朋友分享到：相比传统BI，智能化的BI恰好实现了分钟级别的数据汇总，让企业的数据分析告别了T+1模式，提升了数据时效性与企业敏捷决策能力。

并能将数据贯穿到不同运营环节，使各角色基于一套数据口径和指标进行运营监控和问题的识别，形成企业的精细化运营能力；还可将行业成熟场景分析方法论、专家经验、定制化分析方法通过私有化训练沉淀在系统模型中，使其成为长久的数据资产，为企业经营决策提供长期指导。

Gartner2022年中国分析平台报告显示，传统报表型BI应用将进入停滞，而智能化的BI将以36.23%的年均增速全面崛起，引领未来10年BI行业的新发展趋势。

大家对于AI以及BI都不再陌生了，但把二者结合在一起，到底意味着什么？我用最粗暴的语言就是：给你现有的BI工具赋予AI的能力，让他可以有能力实现自我学习企业的业务逻辑，从而可以提高业务团队对数据的利用效率。

既然大家都很好奇AI到底是如何让赋能BI系统的，到底是如何整合数据的？得出的数据和结论的可信度高吗？AI是否能真的理解不同品类的业务逻辑，在实际的业务当中是如何落地的？

带着这些品牌伙伴都很关心的问题，我又特地去请教了云积天赫联合创始人邓昊，她刚好在负责云积内部的“ChatBI”项目。“ChatBI”就是拥有AI能力的BI系统，“ChatBI”正是他们内部对这个项目的命名。

邓昊认为ChatBI是一款基于大模型的产品，它可以学习业务知识和分析逻辑，并通过调取对应的数据库，达到用户可以直接用自然语言提问来获得自己想要的数据结果的效果。

从工作原理看，拥有AI能力的ChatBI打通了数据采集——数据接入——数据可视化分析——智能应用全流程，多渠道、多部门的数据汇总为ChatBI还原企业真实经营状况提供了基础。而贯穿产品创新、品牌建设与商品销售全链路的数据分析体系与AI算法共同构建了企业智能决策大脑，从而实现了从运营调整到业务增长的灵活分析。

ChatBI承担了大量的数据收集、处理、建模、探索、可视化以及结果解释等具体工作，这让企业的数据分析能力摆脱了对数据分析师这一专业人员的过度依赖，同时解决了人工操作环境下存在的分析效率低、整合分析少、需求预测难等企业普遍面临的问题。

邓昊说：“本质上，云积开发的ChatBI是让分析决策能力掌握在了离业务更近、更了解业务的人手上。”

过去业务人员由于缺乏专业知识且工具使用门槛高，很难自主取数进而分析决策。ChatBI自然语言提问与多轮对话的能力，让业务人员实现了0代码极简操作下的自助取数、即时查询，叠加ChatBI完善的分析功能、可视化呈现弥补了业务人员与数据分析师在专业能力上的差距，让业务人员轻松成为“数据产品经理”，因而在一定程度上实现了对数据分析师的替代。但在数据挖掘、应用，加快企业数据价值化方面，数据分析师仍然发挥着重要作用。

所以，我认为基于AI能力的BI系统不只是可以取数，同时能做初步的数据解读。它解决的是洞察方面的问题，比如企业中独有的一些业务术语，通用大模型是难以理解其语义的，这就需要私有化训练的ChatBI来解决这部分问题，来帮助业务人员做出更优秀的决策。

智能化BI的价值是让数据不再分散在企业不同的部门之间。让不同数据场景和多系统多业务线的数据整合在同一个世界。就算跨部门，依然可以得到完整的数据或数据分析结果，各部门在同一个语言体系下对话，可以更准确理解彼此的需求与表述，进而推动数据价值的释放。

被整合后的数据，也会更加可靠。智能化的BI系统的可靠性来源于在问答层面通过企业提供的训练集和测试集，保证大模型多轮对话的准确性；在数据层面通过和企业核心指标计算逻辑的对齐，保证数据统计的维度和企业业务的维度一致。

ChatGPT 让机器有了理念能力，它可以充当需求和代码之间的翻译器，从而打破客户和厂商之间的瓶颈，智能BI一定会是数据分析师和业务分析师不可缺少的助手。

AI越来越智能与普惠，对中国的服务商是一种新的挑战，因为SaaS 的本质上不是一种服务模式，而是一个财务模型，无论是云交付，还是本地部署，SaaS模式的核心指标是边际成本。

做好大模型需要服务商对营销业务的理解，对行业的洞察分析的理解，对算法技术能力，对基础大模型的理解，私有化训练实施能力提出更高的要求。在未来不止基于BI，一个能理解需求生成流程、为终端用户而生的 AI PaaS 一定会出现。