共计 5166 个字符，预计需要花费 13 分钟才能阅读完成。
导读
本文整顿自 2022 年 12 月的 DataFun 加强剖析论坛上的同名主题分享。
AI 正在让 BI 变得更智能，让业务不仅冲破了传统 BI 只能针对历史业务进行剖析的限度，还可能对将来业务的倒退产生指引。Sugar BI 推出的 DI（智能预测）性能，使得业务人员能够利用历史数据对将来趋势变动进行预测，做到世事变动皆在方寸把握。
明天的分享会围绕上面三点开展：
介绍 BI 的倒退历程，详解各个阶段 BI 的变动；讲述智能 BI 时代的发展趋势，Sugar BI 在智能 BI 上的能力，附带介绍各类预测剖析平台的不同；分享 Sugar BI 的智能预测 DI 模块及其利用场景，并演示其 Demo，帮忙观众可能很好地将这个能力利用在业务中。
全文 5237 字，预计浏览工夫 14 分钟。
一、BI 的倒退历程
1.1 BI 历史
1865 年，银行家亨利在一本书中第一次应用到了“商业智能”一词，讲述了如何通过收集和剖析信息，当先于竞争对手采取商业口头从而去获利的过程，其中重点在于收集和剖析信息，而外围就是数据的剖析和收集。
1958 年，IBM 计算机科学家汉斯，也就是起初公认的“商业智能之父”，在 business intelligence system 中形容了 BI 的价值和潜能。
1989 年 Gartner 的一位分析师正式将商业智能作为涵盖数据存储和剖析的统称。
在 20 世纪 90 年代当前，BI 时代特点逐渐展示，到目前大略能够分为 BI 1.0、BI 2.0 和 BI 2.5 三个阶段。
1.1.1 BI 1.0
BI 1.0 时代的到来次要是随同着数仓的倒退，存储在各个中央的业务数据开始逐步集中，企业中的各个角色能够通过线下的形式去交换并获取数据。
在这一时代，企业中的数据获取大部分都是通过代码的形式或 Excel 工具的形式来实现，耗时耗力，时效性不足保障。如下图所示，业务人员应用 Excel 制作出动态报表，首先须要研发同学从数据库中导出数据明细，再用 Excel 表格进行一系列的图表制作。
在这一过程中，数据是动态的，导致决策者拿到数据时至多会存在几个小时的提早，短少时效性。而制作周报日报的过程中，通常须要定时并人工手动输入，费时费力，局部企业甚至安顿了专门的团队来负责这一工作。
也有局部企业的研发资源比拟短缺，比方：通过写前端代码的形式制作可视化页面。然而这种形式须要多角色的协同，这就导致实现一个可视化页面工夫老本十分高。整个流程后期须要产品经理依据数据状况进行指标梳理，写 PRD 出原型图，再由设计师进行 UI 和 UE 设计，最初由前后端研发同学进行开发连条、全面测试之后再进行页面的上线。
以这种形式制作可视化页面的流程，个别须要消耗一个月左右的工夫。如果后续业务关注的指标有所调整，调整和迭代知须要一周左右的工夫能力实现。但无论如何，这种形式意味着 BI 在企业中逐渐失去无效推广，让更多的人感触到 BI 的价值，但此时 BI 的使用者仍然较少。
1.1.2 BI 2.0
随着互联网技术和各种 IM 的倒退，数据的时效性和复杂性问题也失去了很好的解决，企业中各个角色根本能够实现通过线上的形式进行交换，并通过线上形式获取数据信息，这时逐步步入 BI 2.0 时代。
BI 工具不再为专业人士独有，自助式的数据分析平台开始逐渐流行，麻利 BI 产品也相继诞生，国内外 BI 产品如雨后春笋个别，品种繁多。“人人都是数据分析师”，只有略微投入一点学习老本的实习生都能够通过几个小时实现一个页面的制作，做到数据实时更新并能够灵便交互。如果遇到页面的改变需要，迭代也能够在几分钟内实现。
然而，尽管人人都能够进行数据分析，然而数据分析根底不同的人剖析进去的后果以及对数据价值的展示也是不同的，数据分析教训难以积淀，导致依赖于数据的业务决策很难被顺利的确定和进行下一步的推动，从这一角度来看，麻利 BI 仍然存在肯定局限性。
咱们目前处于麻利 BI 较为成熟，但智能 BI 还暂不成熟的时代，所以咱们称之为 BI 2.5 时代。
接下来带大家走进智能 BI。
二、智能 BI 时代
随着 AI 时代的到来，BI 畛域的领军者也逐渐将眼光转向了 AI+BI，心愿能够碰撞出无效火花实现智能 BI，也就是商业智能根底上再叠加一层智能。这一层智能加成是通过一系列加强剖析的性能来实现来体现的。
加强剖析的概念由 Gartner 在 2017 年提出，是下一代数据和剖析范式，面向宽泛的业务用户、经营人员和民间数据科学家，利用机器学习将数据筹备、洞察发现和洞察共享的过程自动化。任何人都能够轻松的应用机器学习工具，即便齐全不懂机器学习和算法也能够通过 BI 加强剖析能力，更高效地拿到高水平的数据分析后果。
在建设好数据模型后，通过主动抉择报表，智能图表的性能，或一键生成报表的性能，能够更好更快的制作报表和大屏页面。如下图所示，蓝色的局部是 BI 的根底性能，橙色局部是智能化的性能。做好报表大屏页面后，也能够进一步对数据进行剖析，对异样数据进行高亮展现。
在 Sugar BI 中，加强剖析模块分为四个局部，别离是智能图表、智能剖析、智能交互和智能决策。
- 智能图表指的是当咱们有数据，然而不晓得用什么图表来展现和剖析更加适合时，能够应用一个十分业余的图表举荐算法，把数据拖到图表外面，Sugar BI 就能够举荐最适宜这种数据的图表类型，同时提供所有能够用来展现该数据的图表品种供用户抉择，智能且尊重用户抉择。
- 智能剖析又包含主动剖析、异样剖析和稳定剖析。这里着重介绍主动剖析性能，这是 Sugar BI 独有的性能之一。在用户没有工夫做报表时，能够通过零碎一键主动生成报表，Sugar BI 将内置百余种图表与数据进行匹配，可在数十秒内生成一张交互式的报表。本着智能且尊重的准则，Sugar BI 反对用户对主动生成的报表进行任意的调整和删减。异样剖析和稳定剖析在场景上是有关联的，能够通过配置阈值让零碎主动监控数据的异常情况并做出预警。当零碎揭示用户数据产生异样时，用户能够通过稳定剖析，让零碎主动对图表中的时序数据进行稳定起因剖析，并给出论断。
- 智能交互相当于在决策者身边安放了一个数据助手，随时随地能够通过语音向 Sugar BI 进行发问。Sugar BI 内能够配置语音辨认和语音了解，随时随地的精准答复决策者的数据问题，或跟随着语音指令调整展现的页面，同时反对挪动端，PC 端，大屏端等多端智能交互。
- 智能决策艰深而言是基于机器学习的预测剖析，助力领导层实现各类决策。
支流的预测性剖析平台次要分为三类，别离是 BI 平台，开源机器学习工具和一体化 AI 开发平台，其指标客群和提供的能力有所差别。
- 首先，BI 平台分为三种，第一种是与 BI 深度绑定能够把预测后果作为数据集计算字段应用，如 Sugar BI 中智能预测 DI 模块的根底性能，比拟适宜于没有机器学习根底的用户。第二种是用户为了推动 AI 开发平台建设，将其作为 BI 产品的一个松耦合模块，与其余产品与模块没有强依赖关系。在这种形式下，用户须要本人独自连贯数据，造成数据集，并自主内置各种模型与预处理算子，通过拖拽节点与连线造成工作流。这种形式和 BI 的联合度绝对较低，比拟适宜数据科学家来应用。第三种 BI 平台只内置了时序和简略的聚类，用户能够根据图表上的数据间接输入，比拟适宜日常的业务剖析人员。
- 开源机器学习工具会提供数据预处理，模型训练评估与预测等等一些算子能力，比拟适宜学生或者是研究者去进行探索性的学习，但因门槛偏高无奈在企业中进行大规模的应用。
- 最初一种预测性剖析平台是较为业余的一体化 AI 开发平台，个别为商业平台型产品，比方百度的 BML，提供残缺的平台能力，模型大多以 API 模式输入，更实用于 AI 专家和数据科学家的应用。
三、Sugar BI 的智能预测 DI 模块
咱们通过和用户的宽泛交换，密集地收集到了 AI 和 BI 联合的需要，其中最常提到的就是预测剖析，用户次要关注的点在于易用性和实用性。
Gartner 于 2022 年 3 月，举办了名为《从 BI 到 AI》的线上讲座，并进行了如下图所示的调研，从调研的后果中能够看到，业务人员在日常的工作中逐渐参加数据分析，但 90% 左右的企业现状是业务方停留在查看数据阶段，AI 预测并没有失去宽泛的利用。次要起因就是不足低门槛的预测剖析的利用工具。
3.1 功能定位与用户价值
智能预测 DI 就是在 BI 根底上更加靠近用户决策一步，力求帮忙用户解决正在产生什么，为什么产生这些问题，进一步带给用户将来可能产生什么的指引，更无效的去施展数据在业务中的决策反对的价值。
DI 的指标人群是业务人员，而不是专业人士，也就是说没有机器学习业余背景和根底的用户也能够应用。它是一个易用性高，不须要写任何代码就能够被人了解的平台。同时，它也须要和 BI 平台融为一体，将预测进去的数据更快更加便捷地用可视化图表展现进去（目前只反对结构化数据）。如此即可贯通整个数据分析的场景，不仅能够洞察历史数据，展现以后的数据，也可能去预测数据的将来走向，而数据带来的安全感是领导层最须要的。
3.2 应用场景与外围价值
DI 如何与 BI 很好地进行交融呢？在麻利 BI 的场景下，仅需连贯数据便能够失去模型，做成可视化界面。但在须要预测剖析的场景下，须要将数据分为训练集和验证集。不同的算法基于同一个训练集训练失去不同的预测模型，接下来须要用验证集对预测模型进行屡次验证，从而失去一个最优的预测模型，用于后续可视化页面的制作。
Sugar BI 的智能预测 DI 的一大特色是内置了主动抉择预测模型的算法，如此便能够省去屡次训练的过程，一步失去最优的预测模型。联结一下后面的智能图表和主动剖析，内置的算法实际上帮忙用户省去了业余思考的过程，然而也会智能性列出后果，同时尊重用户抉择。
3.3 智能预测模型
Sugar BI 的功能模块具体进行了如下几局部布局。新建预测模型的形式有三种，别离是内置模型，训练模型，以及自定义模型。除此之外，Sugar BI 还反对上传内部模型和对接第三方预测服务，在性能更为成熟后，咱们还会将预测服务凋谢为 Open API，供上游零碎应用，从而施展预测数据的更大价值。
接下来将逐个演示内置模型和训练模型。
3.3.1 内置模型
Sugar BI 的内置模型目前反对聚类和回归两大算法。聚类是针对大量数据或样本，依据数据自身的个性钻研分类办法，并且遵循分类办法对数据进行正当的分类，最终将类似的数据分为一组。其实这是一个无监督的学习过程，须要跟监督分类进行辨别。在监督学习中存在人为划分规范，例如把人分为男性和女性，而无监督学习分类规范未知。第二个算法是线性回归，线性回归是利用称为线性回归方程的最小平方函数，对一个或多个自变量和因变量之间的关系进行建模的一种剖析。咱们能够用它进行房价剖析或存在肯定线性关系的变量。
内置模型的应用能够在 Sugar BI 里的数据模型中实现。应用流程包含四个步骤：先抉择预测模型，而后进行参数设置，再做输入输出的设置，就能够生成预测字段了。整个流程不便简洁。预测字段和连贯数据源，做好数据模型里其余的数据字段是相似的，能够用来做图表和数据分析，间接和图表进行绑定即可。
接下来为大家进行演示
3.3.2 训练模型 Demo
通过演示能够看到通过内置模型新建预测字段是没有训练过程的，整个流程十分不便。但前文中提到内置模型仅反对两种算法，存在局限性。如果有更多算法需要，或者须要训练能力公布模型，就须要训练模型。
训练模型的 demo 中应用到了二分类，后果标签个别通过 0 或 1 来示意，应用场景非常宽泛。流程图上展示了训练流程，首先抉择数据模型，再依据流程指引抉择预测类型、配置数据、配置预测算法等等进行训练，训练实现后即可抉择较为残缺的模型公布，其余流程与内置模型统一。
以上就是对 Sugar BI 智能预测 DI 模块的介绍。
四、问答环节
Q1：智能问答在平台没有数据用于训练时是如何启动的？
A1:Sugar BI 的 AI 问答性能内置了 NLP 自然语言解决团队的一些能力。AI 问答性能，用户谈话，Sugar BI 会主动的把这句话外面的词去拆成字段，把字段和用户连贯好的数据库里的数据字段进行匹配，匹配进去的后果用于后续的表格问答，就能够实现展现进去这一图表。用户在应用 AI 问答过程中，Sugar BI 也反对随时补充数据字段的同义词，从而让 AI 问答更合乎您的语言习惯。
Q2：这个产品应该从哪里学习？请问学习这个产品免费吗？
A2 您能够拜访 Sugar BI 的官网，官网有十分具体的应用教程，帮忙文档笼罩了咱们绝大部分的性能操作解说，您能够先联合教程简略的去理解一下 Sugar BI。
同时，咱们反对一个月的收费试用，在试用产品的同时，有任何问题能够再去翻阅帮忙文档，更好地了解和消化产品。
——END——
百度工程师带你理解 Module Federation
巧用 Golang 泛型，简化代码编写
Go 语言 DDD 实战高级篇
Diffie-Hellman 密钥协商算法探索
贴吧低代码高性能规定引擎设计
浅谈权限零碎在多利熊业务利用
