查看原文
其他

瓴羊董芳英:大模型时代下的数据分析

DataFunTalk
2024-09-11

The following article is from 瓴羊QuickBI Author 瓴羊QuickBI

导语:随着大模型的接入,商业智能(BI)已成为企业决策的关键支持工具。新一代BI智能分析正与LLM(Large Language Model)技术深度融合,引领着商业智能领域的新变革。近日,瓴羊数据系统产品线总经理董芳英女士,在DataFun举办的技术沙龙直播中,深入探讨了大模型驱动下BI产品智能化的演进与实践。

企业内数据服务的典型问题



董芳英认为,在与不同行业的企业合作中发现了一个共同的难题:数据获取对于需要用数据支持决策的业务人员而言非常困难,而数据团队则不断面临着临时性分析需求,这些往往被认为价值有限。要解决这一问题,就需要让业务团队更轻松地获取数据,同时使数据团队能侧重在其专业领域提供更有效的支撑。


商业智能与数据分析领域的变迁



在过去十几年间,数据分析领域发生了非常明显的变化。


  • 在2010年的Gartner ABI魔力象限报告中可以看到,当时的领导者包括Oracle、IBM、Microsoft等,Oracle的OBIEE、IBM的Cognos等是人们经常用到的BI产品。

  • 到2016年,领导者变为Tableau、Qlik等厂商,这一年是一个分水岭,由传统BI向敏捷BI转变,主要的变化是使后台数据的配置和建模简单化,通过可视化分析的方式做承载。

  • 到2023年,更加趋于智能化,QuickBI连续4年进入GartnerABI魔力象限,是中国首个且目前唯一一个入选的BI产品。智能化的本质还是要去解决上述数据团队与业务团队之间的矛盾,让数据使用更加便捷。


(商业智能与数据分析领域的变迁)


Quick BI智能数据分析平台的发展演进



Quick BI最初起源于阿里巴巴2011年开发的内部自助分析产品,历经数年的迭代,已成为一个成熟的智能数据分析平台。2021年,Quick BI首次尝试推出基于传统算法的智能问答功能,但由于后台配置较为复杂且对用户输入有一定要求,效果一般。随着大模型技术的出现,Quick BI在2023年基于LLM推出了智能小Q,使得数据查询变得更为简单快捷,目前已有多家企业开始应用其智能问答和智能搭建功能


智能小Q:引领数据消费新范式



1. Quick BI 智能化功能:智能小Q


Quick BI在原有功能基础上,融合了通义千问大模型的能力、以及经验微调后的BI领域大模型能力,向上支撑,形成了两大能力:一个是智能搭建,包括自助式地使用数据和搭建报表,辅助配置以及报表美化等能力;另一个智能问数,更接近于业务人员,使用户可以通过简单的交互方式来获取数据。


(智能搭建+智能问数)


2. 优势,以大模型+BI 为基础


基于BI和大模型能力,以及长期自然语义理解等能力的积累,塑造了Quick BI更智能、更简便的数据分析方式。智能小Q的核心优势源自于两个选择,一个是选择基于大模型的能力(因为传统的增强式BI为了应对理解和前台展现,对后台的配置要求较高,会比较繁重);第二是选择以原有Quick BI的能力为基础,可以复用其可视化、数据集处理、查询加速、OLAP分析等能力。



智能小Q优秀的体验感主要体现在三方面:


  • 首先是没有很繁重的后台配置,不需要去配各种指标字段的口径、数据之间的连接关系等等;

  • 第二是门槛降低,但能力不打折,智能问答和智能分析在本质上并不是一个单纯的取数,还需要问题归因、上卷下钻查看数据等能力;

  • 第三是快速响应和快速迭代,对于数据问答的部分,响应速度差会非常影响体验感,快速响应对数据的处理能力要求较高,嫁接在原有的OLAP可视化分析引擎之上,其稳定性和健壮性就更具优势,并且嵌入集成的能力也能够比较快速地迁移过来,从而做到在业务中的快速落地。


3. 专业,源于对该领域挑战的深刻认知


提供高质量且准确的专业数据分析服务并不容易,这需要专注的努力和显著的资源投入。关键在于确保数据查询的可信度和解释性,并保证来自不同数据源的查询结果具有良好的兼容性。


此外,特定情况下的复杂计算,例如环比、同比以及数据聚合,要求在产品开发和优化时考虑深入。进一步地,产品还需要处理多轮对话和复杂的表达形式。只有当这些复杂且关键的方面都得到充分的解决时,产品才足够专业,才能被用户认可并广泛使用。


例如,以“去年3月以来,各月的仓库滞留订单情况怎么样?”这个查询问题作为一个具体的例子进行说明。


这个简短的问题中蕴含了对时间和语义的多重理解和推理能力的需求。问题中的“去年3月以来”指的是从2023年3月开始至今的每月数据,需要系统从时间上进行正确的解析和计算。同时,“仓库滞留订单情况”虽然描述模糊,但实际上数据分析需确认为具体滞留订单量,并要能按仓库进行汇总。


用户可能还会进一步探询例如订单量均值,以及排名前十的仓库。这些问题可能涉及到更为复杂的计算逻辑,如地区细分和全国范围内的占比分析,需要系统支持高级复杂的计算和多轮对话能力。最后,将查询结果进行直观的可视化表示,也是增强用户体验的重要一环。这些能力均在智能小Q一年多的开发和改进过程中得到了实现。


智能小Q正在迭代中的能力方向



智能小Q作为一个不断进化的智能数据分析工具,目前正处于快速迭代的阶段。其正在开发的能力集中在以下四个主要方向上:


  • 首先,力图增强在多样化场景下的扩展能力,特别是针对不同语言的适配问题,以确保在不同语言环境中的有效应用。

  • 其次,着重提升问答模式下的自助交互功能,例如,在图表的线条上直观地标注关键统计指标,如最大值和平均值,从而简化数据的解读过程。

  • 三个方向是推动与企业业务系统的深度集成,以便于在特定的系统内,如供应链管理中,快速调用智能分析平台进行数据交互,从而加强业务流程中的数据分析和决策支持。

  • 最后是在开放性方面,智能小Q已开始支持接入外部的模型。这是考虑到一些企业已经具备了大模型训练的能力,并在某些复杂场景下拥有自己的模型和算法知识库,因此智能小Q需要兼容企业里已经训练好的知识。


总而言之,智能小Q的进化预示着数据智能化的未来,正如同一股潮流正改变着业务与数据的关系。智能BI工具对企业数据的处理和分析,将成为提升业务效率、拓展新的业务敏捷性的关键因素。



👇 点击【阅读原文开启免费试用

修改于
继续滑动看下一个
DataFunTalk
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存