随着业务的迅速发展，越来越多的业务部门需要从大量数据中得出必要的分析结果来指导销售和生产。

以前，每到月底，很多公司都会出现暴躁狂暴的人群集团，他们被亲切地称为“堂兄”。 他们在那几天反复整理着枯燥无味的财务报表。 从ERP财务模块将发票数据下载到Excel，从CRM将客户数据下载到Excel，用vlookup和sumif连接上述n个表单，等待Excel默认进行数十到数小时的订正，如果中途陷入恐慌的话报关成功后，将生成的数据透视图进行屏幕截图，复制粘贴到PPT上，稍微美化后发送给上司。

但是，随着业务的迅速发展，越来越多的业务部门需要从大量数据中得出必要的分析结果来指导销售和生产。 所以“堂兄”每天要整理的表也是磨磨蹭蹭的。 面对麻烦的海一样的数据处理和合并、龟速的数据引擎性能、枯燥的数据分析等过程，表兄的心实际上崩溃了，脾气也越来越暴躁，动不动就大声吼叫，“卧床不起，为什么又崩溃了？”

传统BI，“表哥”的痛

对于很多财务工作者来说，财务报表总是恶魔般的存在。 文章开头的情况，在初期的BI应用使无数的表弟痛苦，显示了无助的地方。

首先，传统的BI需要引进固定表格，由专业技术分析师进行分析和定期报告，业务部门只能请求、下载和重新分析。 另一方面，常规BI规范是复杂的，没有自动化数据关联，因此分析结果强调了可视化效果表示。 第三，传统BI使用关系数据库来面对结构化数据，一般以SQL语言使用查询来分析大数据表，查询效率低且时间长。 最后，最重要的一点是，传统的BI图表设计面向实施者，业务人员向IT部门提供数据，分析需求，技术人员实现，解决问题的时间可能会很长。

然而，面对快速变化的市场需求和激烈的竞争节奏，企业越来越依靠业务流程的数据分析来指导日常的经营生产。 以传统的BI方式向IT部门提供数据、分析需求或由技术人员实现时，解决问题的时间可能会从几周延长到几个月，最快会错过最佳联系人。 对于业务人员来说，分析需求的增加也给IT技术人员带来了业务流程的压力。 如果完全依赖传统的BI，则分析所需的时间和流程会越来越长，无法满足需求，企业需要在越来越复杂的业务分析需求和快速响应业务分析之间找到新的平衡。

而且，我们在新的市场竞争中，不必深入研究数据背后的问题和原因，就必须根据数据分析结果来考虑可视化和解决它。 企业的数字化变革和产业的智能升级没有什么意义。 因此，企业对BI的应用需求，包括对数据结果背后的问题原因的分析和探索，必须在此基础上继续优化企业的管理和运营流程。

“表哥”的痛，亦策很懂

近年来，随着企业数字化变革和工业智能化的持续推进，企业中的业务数据也开始迅速增加，大数据分析和BI商业智能等产品引起企业的关注，尤其是人工智能、云间和多源数据整合等技术能力和易用性、自助BI  产品融合人工智能的精准快速，并凭借人自身的主观能动性和创造力，“堂兄”消除了过去工作中面临的许多苦恼。

在国内的主流智能BI  产品中，能将这些技术一体化的最典型的产品就是几台，其四项核心技术是相关引擎、内存技术、强化智能及嵌入式分析，实现了从数据准备到自助分析的全过程。

现在，很多BI  产品基于旧技术，如关系数据库和查询。 但是，关系数据库和SQL查询并不是为了现代分析而修订的。 SQL需要从很多源提取数据，但大多数分析工具依赖于基于SQL和查询方法作为支持建模数据和交互性的基础架构。 这是严重的缺陷。 有些数据子集的线性搜索和分析受到限制，需要使用SQL连接来组合数据源，预先假定用户有哪些问题，其他所有数据都必须被遗忘。 如果尝试根据用户发现的内容转发分析，可能需要重建复杂的查询。 这通常意味着转向更有经验的数据专家。 我们称之为“问题，等待，这篇文章循环”，新的问题有等待时间。

多个关联引擎还可以连接到几乎任何数据源，包括基于文件的源、特定于应用程序的源和大型数据源。 不需要事先完全建模，也不需要事先制作聚合数据。 查看多个自助数据准备工具，为复杂场景提供强大的数据集成脚本。 这些数据准备功能可以帮助公布数据区域和可能存在问题的业务，使您无需外部工具或数据仓库即可创建价值。

此外，用户可以从所有可视化、图表、图表和其他对象中进行选择，并且可以使用全局搜索来表示数据、关联和分析。 由于引擎动态地修正分析而不是预先定义的聚合数据，所以用户可以将他们的想法转移到新的想法或数据集合中并不限于预定义的查询或层次，而是可以询问任何细节。

为了加快数据分析速度，可以尽可能在内存中运行数据，只需几秒钟即可生成复杂的分析结果。 看一些存储在内存中的数据就会被压缩处理。 大大缩短项目实施周期，降低成本和项目风险。

随着人工智能、机器学习等技术的发展，在业务实践中，AI和BI呈现出越来越明显的融合趋势，应用于销售预测、决策游戏等比较复杂的数据应用。

与传统的BI应用程序相比，深入学习的数据挖掘似乎有很大差异，前者往往重视结构化数据，直接以数据可视化为成果，后者重视非结构化数据，不一定会产生可视化成果。 两者的特点不同，也承担着不同的业务需求。 基于多台相关索引技术，自动发现并强调用户需要搜索的见解。 此技术映射数据中的所有关系。 我们称之为扩展智能联合索引。 通过深入的学习完成大量非结构化数据的预处理，在BI应用程序中更清晰地表现数据，支持企业的决策。

根据不断提高的AI融合能力和对非结构化数据的处理，将一些分析扩展到制造厂的IoT和边缘设备，从中收集数据进行分析，提供操作的可见性。

全文总结

其相关引擎、智能增强等核心技术，可以将自助BI的灵活性提高到新的水平，包括自主服务的可视化、指导性分析应用和仪表板、嵌入式分析和报告等，是为中国企业定制的本地化、敏捷型、

在下一篇文章中，我们还将围绕四项核心技术之一的“关联引擎”展开分析讨论，深入理解关联引擎技术实现完整的信息视图、多源异种数据聚合、无边界搜索以及动态修正分析强调关联等功能，引领我国智能BI产业的发展方向